经验型智能模型EIM

以模拟人类经验知识的获取和使用方式为基本出发点，以Ｐａｒｚｅｎ窗估计方法为基本工具，以人工神经网络为结构框架，提出并构建了一个主要用于执行估计和分类等智能处理任务的经验型智能模型ＥＩＭ。介绍了它的框架结构、基本思想、学习工作过程，并将其模拟实验结果与ＳＯＭ和ＭＰＬ等人工网络模型进行了比较。     

用计算机图象处理技术判别苹果果形的对称性

苹果果形的自动判别与分类是实现苹果分级自动化的关键一步，而对称性是描述苹果果形的一个重要特征。针对果形对称性判断的相对模糊性，提出了一种用模糊技术格人工神经网络进行苹果果形判别的方法。试验表明该方法可行且判别准确度较高。     

基于VMS的张网渔船捕捞努力量与网位坐标提取方法

捕捞努力量是渔业资源管理和评估领域的重要参数之一,传统捕捞努力量计算方法无法满足实时、大范围、快速统计的需要。以我国近海作业的某张网渔船为研究对象,采用BP(back propagation)神经网络模型,对张网船155在2016年和2017年北斗渔船监控系统所获取的若干连续航次的经纬度坐标、航速和航向等信息进行分析和判断,提取各航次作业的网位坐标,通过阈值筛选渔船布网位置和时间,计算放网时长,把网口迎流面积与放网时长的乘积作为网次的捕捞努力量。结合BP神经网络和阈值分析的判断结果,网位判断准确率为82%,4个航次累计捕捞时长3562.62 h,累计捕捞努力量712524(m²·h)。设计的张网渔船状态判断、确定网位、放网时长提取和捕捞努力量计算方法为张网作业分析和其捕捞强度量化提供新的研究思路。     

基于PLSR-BP复合模型的红壤有机质含量反演研究

对红壤地区土壤有机质进行快速预测,以满足智慧农业与精准施肥的需要。以江西省奉新县北部为研究区域,采用1 km×1 km标准格网划分研究区进行采样,共得到红壤样本248个。对土壤光谱进行了包含分数阶导数在内的3种数学变换方法,将经过P=0.01显著性检验的波段用于模型的构建,选用偏最小二乘回归(PLSR)和BP神经网络建立土壤有机质含量预测模型。结果表明:当对红壤光谱数据进行1.5阶导数变换后再使用PLSR-BP复合模型对土壤有机质含量进行预测时的结果为最优,训练集R²=0.89,RMSE=4.68g·kg^-1,验证集R²=0.87,RMSE=5.55g·kg^-1,RPD=2.75。1.5阶导数对红壤光谱数据的变换能够更好地突出与有机质相关的特征信息,有助于其含量预测。PLSR-BP复合模型预测精度优于单一模型,能够较好地预测红壤有机质含量,为精准农业快速监测红壤有机质含量提供了新的途径。     

深度学习在园林植物学教学中的应用

采用深度学习算法实现植物图片的自动识别,并将该算法嵌入手机APP,应用到园林植物学教学中,辅助教师的教学工作和学生课后的自主学习活动。算法中数据采集与标记采用园林植物专家筛选和标记,数据处理采用随机增强算法避免过拟合,卷积神经网络采用MobileNet以适用于移动终端,损失函数采用正例损失和负例损失,参数优化采用Adam算法。最终训练结果达到90%以上的精度,满足实用需要,达到优化园林植物学课程的课堂与课后教学活动的效果,有效地解决植物识别在种类数量、准确度和速度上的难点。     

基于光谱特征参数的粳稻冠层氮素含量反演方法

粳稻氮素含量的快速、无损、准确估算,可以及时掌握粳稻的生长状况,对指导粳稻田间管理具有重要意义。为提高粳稻冠层氮素含量的高光谱反演精度,利用沈阳农业大学路南试验基地2018年粳稻3个关键生育期无人机高光谱影像和同步测定的粳稻冠层氮素含量作为数据源,选用从粳稻冠层光谱中提取的高光谱位置变量、面积变量和植被指数变量3种类型20个光谱特征参数与氮素含量进行相关性分析,选出各个生育期内相关性较高的前3个光谱特征参数作为模型输入分别建立偏最小二乘回归(PLSR)、BP神经网络(BPNN)和思维进化算法优化BP神经网络(MEA-BPNN)3种粳稻冠层氮素含量反演模型并验证。结果表明:在粳稻分蘖期、拔节期、抽穗期,与粳稻氮素含量相关性最好的高光谱特征参数均为红边面积SDr,相关系数分别为0.771,0.664,0.775;MEA-BPNN反演模型与PLSR、BPNN相比,无论在模型精度还是预测能力都有明显提高,在各个生育期,MEA-BPNN模型的建模集和验证集决定系数R²均达到0.700以上,RMSE均低于0.400以下,说明MEA-BPNN反演模型是筛选出的最佳粳稻冠层氮素含...     

基于深度卷积神经网络的水稻纹枯病检测识别

纹枯病是水稻的三大病害之一,尤其在中国北方稻区,纹枯病发生逐渐加重、严重威胁到中国的粮食安全,而纹枯病的有效检测是水稻病害预防与控制的首要任务。在实际生产中,农民和从事相关的研究人员通过人工目测来识别水稻纹枯病,但由于光线、杂草、枯叶等外在自然因素和人眼视觉误差等人为因素,导致对水稻的病害等级误判,从而影响对水稻纹枯病的防治,造成环境污染和经济损失,而计算机视觉技术给水稻纹枯病的自动识别检测带来了可能。基于2019年沈阳农业大学北方粳型超级稻成果转化基地的水稻纹枯病图像数据,综合借鉴YOLOv1、YOLOv2和Faster R-CNN算法,设计了一种基于深度卷积神经网络的水稻纹枯病识别模型:YRSNET。该模型具有回归思想的特点,将图像划分为相同大小互不重合的网格,然后通过特征图来预测每个网格区域上的边界框和含有纹枯病病斑的置信度,最终通过非极大值抑制法获得含有纹枯病病斑的最佳边界框位置。试验结果表明:YRSNET对纹枯病病斑识别的平均精度mAP为84.97%、查准率达到为90.21%,对大小为450×800pixel的图像识别所需时间为32.26ms(31帧·s^-1     

烟台地区水面蒸发BP神经网络模型研究

运用BP神经网络模型对水面蒸发进行研究,并与多元线性回归和主成分回归2种方法的拟合结果进行比较。结果显示,多元线性回归各参数均通过t检验,拟合较好;主成分回归中,参数b2未通过t检验,拟合效果不如多元线性回归好。BP神经网络模型、多元线性回归、主成分回归建立的水面蒸发量观测值与拟合值的回归方程中决定系数分别为0.8986、0.7993、0.7984。应用BP神经网络进行分析,相对误差小于10%的样本个数超过总样本个数的40%,相对误差不超过30%的样本个数接近80%;而其它2种方法相对误差大于10%的样本个数超过总样本数的80%,相对误差大于50%的接近总样本个数的30%。可见,应用BP神经网络模型进行水面蒸发量计算,远优于其它2种方法,应用此方法进行水面蒸发量的预测是非常理想的。     

基于深度卷积神经网络的大豆叶片多种病害分类识别

为实现复杂田间背景下快速高效分类识别多种大豆叶片病害图像,以准确性、训练时间和训练误差为深度学习模型性能指标,对比评估不同深度卷积神经网络模型.首先将无人机收集到的大豆叶片病害图像数据集按7∶3的比例分为训练集与测试集.为扩充数据图像,对训练集原图进行数据增强.基于不同权重的微调和迁移学习训练策略,采用Inceptio...     

BP神经网络和支持向量机在积温插值中的应用

积温插值是分布式积温获取的重要途径。为了提高积温插值的精度,应用BP(Back Propagation Learning Algorithm)神经网络模型和支持向量机(Support Vector Machine,SVM)模型建立甘肃省及周边地区的积温插值模型。结果显示:1)从积温插值的空间分布来看,SVM模型比BP神经网络模型能够体现出更多的细节;2)SVM模型的插值精度总体上显著高于BP神经网络模型;3)在平均相对误差(MRE)最大的西区,相比BP神经网络模型的7.19%,SVM模型将误差降低到了5.47%;4)东区两种模型的MRE最小,BP神经网络模型为2.97%,SVM模型为2.03%;5)与分区建模前相比,分区后的插值精度有所提高,BP神经网络模型将MRE降低了0.04%,SVM模型降低了0.11%。