多媒体辅助教学的应用

多媒体辅助教学已成为教育现代化的必由之路,我们应充分协调环境、教师和学生三者之间的关系,从而取得更大的教学效果。     

开发内蒙古西部地区农机调剂市场可行性研究

开发内蒙古西部地区农机调剂市场可行性研究包头农机研究所翟永明，王全仁，梁琨内蒙古农机推广站梅景林目前，内蒙古西部地区经济迅速发展，但因经济基础不同，其发展也不平衡。包头地区城市、农村经济基础较好，人均收入增长明显。而乌盟、锡盟等地经济相对比较落后，人...     

基于高光谱和CARS-IRIV算法的‘库尔勒香梨’可溶性固形物含量检测

[目的]利用高光谱技术实现‘库尔勒香梨’可溶性固形物含量的有效无损检测具有重要意义,但是高光谱数据通常噪声明显,大量无关信息变量和冗余信息变量的存在降低了模型的预测精度。本文旨在探究对高光谱数据特征变量筛选的有效方法来实现‘库尔勒香梨’可溶性固形物含量的快速检测。[方法]以‘库尔勒香梨’可溶性固形物含量(SSC)为研究指标,利用高光谱成像技术采集样本400~1 000 nm波长的漫反射光谱,对样本感兴趣区域(ROI)的光谱进行预处理,分别采用竞争性自适应重加权算法(CARS)、迭代保留信息变量算法(IRIV)以及CARS-IRIV算法筛选特征变量,基于不同筛选方法分别建立偏最小二乘(PLS)与最小二乘支持向量机(LS-SVM)预测模型,以预测集相关系数(Rp)、预测均方根误差(RMSEP)和预测相对分析误差(RPD)值对模型进行评价。[结果]CARS-IRIV算法可以有效减少CARS算法提取的变量个数,并稳定模型预测精度。LS-SVM模型预测结果优于PLS模型,在LS-SVM模型中CARS-IRIV-LS-SVM预测精度最高,Rp、RMSEP和RPD值分别为0.889、0.300和2.823。[结论]CARS-IRIV是一种有效的高光谱特征变量筛选算法,在提高预测精度的同时简化了模型的运算,CARS-IRIV-LS-SVM模型结合高光谱成像技术可以对‘库尔勒香梨’SSC进行快速有效的无损检测。     

水稻播种质量检测技术的研究进展及展望

水稻种植主要分直播和机械插秧两种方式,根据播种质量检测技术的特点,从方法上可分为排种器性能的动态监测和育秧盘内播种情况的静态检测。直播方式的播种质量主要采用动态监测方法,机插秧种植方式播种质量主要采用静态检测方法。文章介绍了国内外水稻播种质量动态和静态检测的方法,讨论播种质量检测技术发展中存在的问题。针对水稻育秧播种质量检测处于人工检测阶段,劳动强度大,不能满足机械高速作业要求等问题,提出水稻机插秧种植方式的育秧播种质量检测研究的方向与途径。     

基于二维条码和ARM的谷物溯源采集传输系统

摘要：谷物在生产供应链中按照等级和用途进行混合配送和分销,多源头性决定了谷物追溯系统中信息识别的难点。针对这个问题,该文提出以表面喷印二维条码的追溯颗粒作为谷物追溯信息的载体。基于嵌入式系统开发了二维条码、GPS定位信息和谷物产地环境信息采集终端,终端采集到的数据通过GPRS网络传输。系统实现了谷物标示信息及产地环境信息（温度、湿度、光照、二氧化碳）的自动采集和传输,可作为快速、低成本的谷物追溯系统,为确保谷物质量与安全生产提供一种有效手段。     

基于改进型FCM算法的牛肉大理石花纹提取方法

提出了一种基于改进型模糊C均值聚类算法的牛肉大理石花纹提取方法。该方法结合了快速模糊C均值（FCM）聚类算法,对传统FCM算法中的隶属函数、聚类数C和初始聚类中心点选取方法进行了优化。试验表明,该方法使牛肉大理石花纹提取的准确度由     

基于平衡水分模型的稻谷含水率实时监测系统

基于静力学谷物平衡水分模型,利用无线传感器网络及嵌入式技术设计了仓储中稻谷含水率实时监测系统.通过试验验证改进Henderson、改进Chung-Pfost和改进Owin模型及对应参数的稻谷含水率预测误差和精度,结果表明改进Chung-Pfost模型具有准确预测的精度,且当参数A=363.06、B=0.1804、C=26.674时该模型的预测精度较高.通过测试传感器节点的传输质量,表明系统能够实现数据稳定的传输.     

基于模糊综合分析方法的谷物溯源颗粒优化设计

身份标识技术是食品溯源系统中的关键技术之一,有效的身份标识技术应具有唯一性、识别鲁棒性、耐磨损性的特点。针对粮食生产中谷物生产多源头混合配送和分销而难以追溯到源产地的问题,该文提出采用溯源颗粒标识谷物身份信息的方法,以生产工艺参数压力及配方为影响因素,设计了影响基于糖类型和基于纤维素类型2种溯源颗粒的表面粗糙度的正交试验;并应用模糊综合评判方法分析2种溯源颗粒最优工艺参数组合。该研究探索了具有较光滑表面的追溯颗粒生产过程中生产参数的优化策略,为进一步研究谷物溯源颗粒的信息标识及提高生产工艺提供技术支持。     

小型农业机械的推广与应用

我国作为农业大国,农业经济稳定发展是立国之本。农业机械的不断研发、推广及应用,促进农业不断发展与进步,是我国农业部门面临的重要任务。目前,我国很多地区只能投入小型农业机械设备,因此本文主要阐述如何大力推广与应用小型农业机械。     

基于校正光谱序列融合的小麦腥黑穗病籽粒分类方法

针对小麦腥黑穗病轻度患病籽粒易与健康籽粒混淆,人工识别难度大的问题,将校正光谱序列融合技术与深度学习模型相结合,实现小麦腥黑穗病籽粒快速、精准分类。以健康、轻度患病、重度患病各300粒小麦籽粒的高光谱数据为样本,通过多元散射校正算法(MSC)和标准正态变换算法(SNV)对原始光谱进行预处理,并利用二维相关光谱法(2D-COS)分析SNV与MSC算法处理后的光谱之间的互补性。使用校正光谱序列融合技术将原始光谱、SNV预处理光谱与MSC预处理光谱三者进行融合得到序列融合光谱,以充分利用不同光谱预处理数据间的互补信息。最终,利用序列融合光谱数据建立基于ResNet 50算法的小麦腥黑病分类模型。试验结果表明,序列融合光谱ResNet 50模型总体准确率最高为93.89%,F1值为93.87%,分类性能优于单一预处理光谱建立的ResNet 50模型。为进一步评估模型分类效果,使用序列融合光谱分别建立偏最小二乘判别分析(PLS-DA)、支持向量机(SVM)以及集成学习算法模型随机森林(RF)与极端梯度提升树(XGBoost)模型,并进行对比,结果显示：SVM、PLS-DA、RF与XGBoost总体准确率分别为81.67%、84.44%、89.44%与90.55%,F1值分别为81.59%、84.04%、89.49%与90.59%,ResNet 50总体准确率与F1值优于传统光谱分析模型。因此,本研究表明校正光谱序列融合技术结合深度学习模型,能够实现对不同患病程度腥黑穗病籽粒的有效分类。