灌区实时自动控制与优化运行系统关键技术

为了充分发挥我国灌区自动化系统的效益,根据澳大利亚灌区自动化建设的成功经验,简要介绍了在灌区实时自动控制和优化运行系统建设中关键设备和关键技术的选择,其中包括一次设备、遥测终端和视频监控技术以及数据通讯协议的确定等;基于系统识别理论的输入、输出优化控制模型的水管理软件的主要功能和特点。     

基于MSRCP与改进YOLO v4的躺卧奶牛个体识别方法

奶牛的躺卧率可以反映奶牛的舒适度和健康情况,躺卧奶牛的个体识别是自动监测奶牛躺卧率的基础。本文提出了一种基于改进YOLO v4模型识别非限制环境下躺卧奶牛个体的方法。为实现对躺卧奶牛全天的准确个体识别,首先对18:00—07:00的图像采用MSRCP（Multi-scale retinex with chromaticity preservation）算法进行图像增强,改善低光照环境下的图像质量。其次,在YOLO v4模型的主干网络中融入RFB-s结构,改善模型对奶牛身体花纹变化的鲁棒性。最后,为提高模型对身体花纹相似奶牛的识别准确率,改进了原模型的非极大抑制（Non-maximum suppression, NMS）算法。利用72头奶牛的图像数据集进行了奶牛个体识别实验。结果表明,相对于YOLO v4模型,在未降低处理速度的前提下,本文改进YOLO v4模型的精准率、召回率、mAP、F1值分别提高4.66、3.07、4.20、3.83个百分点。本文研究结果为奶牛精细化养殖中奶牛健康监测提供了一种有效的技术支持。     

基于RMAU-Net网络模型的高分影像耕地提取

针对传统全卷积神经网络无法实现高分影像耕地精确提取的问题，以高分二号遥感卫星影像为数据源，采用融合残差结构和多种注意力机制的改进U-Net网络模型（RMAU-Net网络模型）对研究区的耕地进行精细提取。使用耕地样本对RMAU-Net网络模型进行训练，并用训练后的网络模型对测试集影像中的耕地进行提取。为了验证RMAU-Net网络模型提取耕地的效果，选取DeeplabV3+、PSPNet、UNet 3种传统的全卷积神经网络模型与RMAU-Net网络模型进行对比分析。结果表明，RMAU-Net网络模型提取的精确率、召回率、交并比、F1 Score分别为90.36%、90.78%、82.57%、90.57%。与DeepLabv3+、PSPNet和U-Net网络模型相比，RMAU-Net网络模型效果最佳。RMAU-Net网络模型为耕地精细提取提供了新的思路与方法，为农作物面积监测和产量估算等实际应用提供基础数据支持。