基于近红外光谱技术的4种樟属植物识别技术研究

探究近红外光谱分析技术应用于樟属植物识别的可行性,为樟属植物识别提供一个新方法。本研究运用近红外光谱仪采集猴樟、黄樟、油樟、银木4种樟属植物叶片的近红外光谱信息,并结合PCA聚类分析(PCA-Cluster)和偏最小二乘判别分析法(PLS-DA)建立识别模型。结果表明：运用PCA-Cluster方法,选择4 400～4 800 cm^-1、5 400～6 600cm^-1、7 800～10 000 cm^-1建模波段,Segment 5 Gap5的3点二阶泰勒求导(ds2)方法对光谱数据进行预处理所建模型的识别效果最好,对外部验证集样品的识别率达97.5%;运用PLS-DA方法选择4 000～8 000 cm^-1波段,一阶导数、5点平滑两种预处理相结合的方法建立判别模型性能最佳,其校正集相关系数(Rc²)为0.923,交叉验证均方根误差(RMSEC)为0.1202,利用所建模型对外部验证集样品进行识别,识别率为100%。说明近红外光谱技术能够用于不同种樟属植物的识别。     

竹林信息遥感提取方法研究进展

开展竹林信息遥感提取方法研究有利于竹林生态经济发展和生态环境保护。本文梳理了竹林信息遥感提取方法发展的三个阶段,包括传统的统计识别模型、机器学习分类、多源信息复合分类。指出受竹林生长特征、遥感数据源及遥感信息提取方法的诸多影响,竹林信息提取面临高时空分辨率遥感数据难获取、光学遥感信息提取具有不完备性、林冠下竹林信息提取难度大以及大空间尺度信息提取精度欠缺等不足。基于竹林信息提取发展历史和现状问题,展望未来发展趋势,亟待开展竹林基础研究、跟踪传感器改进、实现多源长时序数据动态监测、加深多种提取方法交叉融合。     

基于BERT+BiLSTM+CRF深度学习模型和多元组合数据增广的渔业标准命名实体识别

为解决渔业标准命名实体识别任务中部分实体语料分布稀疏导致的效果不佳问题,提出了基于多元组合数据增广(data augmentation method based on multiple combination,MCA)的渔业标准命名实体识别方法,该方法融合了基于领域词典的联合替换算法(joint replacement...     

常见饲料原料的掺假鉴别方法

饲料原料的质量是饲料质量的关键所在。但一些不法分子在利益驱使下,向饲料原料中掺假夹杂,使原料质量难以鉴定。为保证饲料质量,必须控制好原料质量。常见的原料掺假方式及鉴别方法如下：     

猪病害肉表观识别法

为了提高消费者对猪病害肉的防范意识,笔者从事检疫工作十几年来积累了识别（感观检查）病害肉的有关知识,现介绍如下。     

丽水林区成灾性白蚁种类识别与防治

简要论述了丽水林区成灾性白蚁种类、危害部位及外部识别特征,并针对成灾性白蚁种类的生物学特性提出了具体防治方法和注意事项。     

东坪地区基岩潜山风化壳裂缝性储层的主控因素及有效性分析

柴达木盆地阿尔金山前东坪地区基岩潜山风化壳裂缝性储层的矿物组分复杂、纵横向变化快、裂缝及溶蚀发育程度不均一、物性参数评价难度大,导致其主控因素及有效性不明确。为此,利用地层元素测井、电成像测井及常规测井资料,通过两种岩性识别方法——M-N-GR三变量岩性识别法与铝-硅-钙三元素岩性识别法建立了适用于研究区基岩潜山风化壳裂缝性储层的岩性识别标准。通过岩心分析与电成像人工拾取刻度重构了双侧向电阻率测井裂缝孔隙度模型,利用声波时差测井结合元素测井建立了变声波骨架值及分岩性声波骨架值的基质孔隙度模型。分析了裂缝发育及物性与断层距离、地层变形程度、岩性、风化淋滤作用的关系,总结了影响东坪地区基岩潜山风化壳裂缝性储层的主控因素。在精确识别岩性及求取物性参数的基础上,结合PoroTex技术、核磁谱型分析、裂缝与地应力走向分析等方法,综合评价了裂缝性储层的有效性。研究成果为东坪地区基岩潜山风化壳储层气藏的动态开发提供了测井技术支持。     

基于多分类器DS证据理论融合的水果识别研究

针对不同分类器对不同水果种类识别准确率的不均衡问题,提出一种基于多分类器DS证据理论融合的水果识别方法.该研究选择kaggle上fruits360数据集中的5种水果作为研究对象,首先对预处理后的5种水果图像的颜色、纹理、形状特征进行提取,分别选用BP神经网络、K均值、SVM三种分类器,结合被测图像在每种分类器上的识别结...     

基于BERT-BiLSTM-CRF的农产品信息文本命名实体识别研究及应用展望

命名实体识别是从农产品信息文本数据中有效抽取信息的关键一步,旨在从非结构化文本中确定与农产品特性相关的命名实体。农业领域的命名实体识别研究大多集中在农业病虫害领域,关于农产品信息文本的实体识别研究较少,通过采用BMES标注的方式对爬虫获取的农产品信息文本数据进行标注,提出融合BERT的BiLSTM-CRF深度学习模型对该文本数据进行实体抽取。将该模型与多种神经网络模型的实验结果比较发现,融合BERT的BiLSTM-CRF模型对农作物、地区、富含营养成分等3种命名实体识别的准确率和召回率分别为82.25%和84.54%,明显优于IDCNN-CRF等神经网络模型,说明该方法能有效识别抽取农产品信息文本数据命名实体。基于此,命名实体识别作为中文文本信息抽取的关键技术,在农产品信息推荐系统、智能问答等方面将会有广泛的应用前景。     

基于改进ResNet网络的有遮挡车牌识别

为了提高有遮挡车牌的识别准确率,提出一种改进深度残差网络（Deep residual network,ResNet）损失函数的车牌识别方法。首先运用图像平滑处理技术对图像特征进行增强,其次利用边缘检测算法实现对车牌的定位,然后基于先验知识按照标准车牌中各个字符的比例对车牌进行分割。在此基础上,运用改进后的Res Net网络对有遮挡车牌样本库进行训练以及识别,并采用同样样本大小的无遮挡车牌样本库进行对比实验。实验结果表明,改进后的Res Net网络采用有遮挡车牌样本库训练的模型具有较好的识别准确率,且更具有鲁棒性。