基于种蛋图像血线特征和深度置信网络的早期鸡胚雌雄识别

为了实现孵化早期鸡胚雌雄识别,构建了机器视觉采集系统,在LED光源下获取180枚鸡种蛋孵化第4天的图像。首先对鸡种蛋图像进行RGB分量提取、中值滤波、感兴趣区域提取等预处理,然后利用限制对比度自适应直方图均衡化、形态学处理、最大类间方差阈值分割和八连通域去噪等方法凸显血线纹理,并通过方向梯度直方图(histogram of oriented gradient,HOG)提取图像的全信息特征和利用灰度共生矩阵提取能量、对比度、相关性、熵、均匀度等5个特征,对HOG全信息特征采用主成分分析(principal component analysis,PCA)降维,最后利用全信息特征和PCA降维特征-灰度共生矩阵特征组合的简化特征,分别构建支持向量机(support vector machine,SVM)、反向传递(back propagation,BP)神经网络、深度置信网络(deep belief networks,DBN)3种鸡胚雌雄识别模型,并比较不同模型的识别准确率。试验中,全信息特征比简化特征构建的模型识别准确率高,基于简化特征的BP、SVM、DBN模型测试集识别综合准确率分别为51.67%、60%和58.33%,基于全信息特征的BP、SVM、DBN模型测试集识别综合准确率分别为58.33%、63.33%和83.33%。其中,基于全信息特征的DBN模型识别准确率最高,达到83.33%。结果表明机器视觉技术为孵化早期鸡胚雌雄识别提供了一种可行方法。     

基于迁移学习的棉花叶部病虫害图像识别

针对传统图像识别方法准确率低、手工提取特征等问题,该研究以棉花叶部病虫害图像为研究对象,利用迁移学习算法并辅以数据增强技术,实现棉花叶部病虫害图像准确分类。首先改进AlexNet模型,利用PlantVillage大数据集训练取得预训练模型,在预训练模型上使用棉花病虫害数据微调参数,得到平均测试准确率为93.50%;然后使用数据增强技术扩充原始数据集,在预训练模型上再训练,得到最终平均测试准确率为97.16%。相同试验条件下,该研究方法较支持向量机(Support Vector Machine,SVM)和BP(Back Propagation,BP)神经网络以及深度卷积模型(VGG-19和GoogLeNet Inception v2)分类效果更好。试验结果表明,通过迁移学习能把从源领域(PlantVillage数据集)学习到的知识迁移到目标领域(棉花病虫害数据集),数据增强技术能有效缓解过拟合。该研究为农作物病虫害识别技术的发展提供了参考。     

基于改进深度置信网络的大棚冬枣病虫害预测模型

导致冬枣病虫害发生的原因很多而且很复杂,利用传统的数学方法和神经网络(neural network,NN)很难建立正确的病虫害预测模型.由于典型的深度置信网络(deep belief network,DBN)的各层之间缺乏有监督训练,使得网络误差逐层向上传递,降低了预测模型的预测率.针对这些问题,引入冬枣病虫害的先验信息,提出一种基于环境信息和改进DBN的冬枣病虫害预测模型.在该模型中,通过无监督训练和有监督微调从冬枣生长的环境信息序列中获取可表征冬枣病虫害发生的深层特征的隐层参数,并形成新的特征集,然后在预测模型的顶层通过一个后向传播神经网络(back propagation neural network,BPNN)进行病虫害预测.从2014—2017年的4 a时间内,利用农业物联网传感器采集30个大棚冬枣常见的2种虫害和3种病害发生的环境信息序列6000多条,由此验证所提出的预测模型,平均预测正确率高达84.05%.与基于强模糊支持向量机、改进型NN和BPNN的3种病虫害预测模型进行了试验比较,预测正确率提高了20多个百分点.试验结果表明,该模型极大提高了大棚冬枣病虫害的预测正确率.该研究可为大棚冬枣病虫害预测提供技术参考.     

基于电子鼻传感器阵列优化的甜玉米种子活力检测

针对甜玉米种子活力传统检测方法操作繁琐、重复性差等不足,该研究利用电子鼻技术建立甜玉米种子活力快速检测方法。利用电子鼻获取不同活力甜玉米种子的气味信息,再结合主成分分析(PCA,principal component analysis)、线性判别分析(LDA,linear discriminant analysis)、载荷分析(loadings)和支持向量机(SVM,support vector machine)对气味信息进行提取分析,建立甜玉米种子活力的定性定量分析模型。结果显示:PCA和LDA分析均无法区分不同活力的甜玉米种子,而SVM的鉴别效果较好。全传感器阵列数据集SVM分类判别模型训练集和预测集正确率分别为97.10%和96.67%,建模时间为30.75 s,回归预测模型训练集和预测集决定系数R~2分别为0.993和0.913,均方差误差分别为2.23%和8.50%。经Loadings分析将10个传感器阵列优化为6个。优化后传感器阵列数据集SVM分类判别模型训练集和预测集正确率分别为98.55%和96.67%,建模时间为21.81 s,回归预测模型训练集和预测集决定系数R~2分别为0.982和0.984,均方差误差分别为3.80%和3.01%。结果表明:基于SVM的电子鼻技术可以实现对不同活力甜玉米种子的高效判别和预测,将传感器阵列优化为6个,判别和预测效果均有所提升。该研究为电子鼻技术应用于甜玉米种子活力检测提供理论依据。     

基于介电频谱技术的甜瓜品种无损检测

研究应用介电频谱技术实现对甜瓜的无损、快速及准确分类。以陕西杨凌某4家大棚外形相似的"红阎良"、"新早蜜"、"208"及"玛瑙"等4类成熟甜瓜为研究对象,采用矢量网络分析仪测量共246个样品在20 MHz~4 500 MHz的介电频谱。用Kennard-Stone方法划分校正集与验证集,分别建立支持向量机(support vector machine,SVM)和极限学习机(extremelearning machine,ELM)种类判别模型,并比较全频谱(full frequencies,FF)、连续投影算法(successive projectionalgorithm,SPA)和主成分分析(principal componentanalysis,PCA)等不同预处理方法对模型精度的影响。结果表明:1)所建6个判别模型验证集总正确率均大于96%,均可用于甜瓜种类的判别。2)对比3种预处理方法,FF完好地保留了样品的原始信息,2种判别模型的验证集总正确率都达到了100%,但由于存在干扰信息导致模型稳定性不好;PCA方法选择能代表原谱信息99.99%的前10个主成分信息用来建模,能有效简化模型,但验证集每个模型均有误判,两种判别模型总正确率分别为96.72%及98.36%;SPA从202个变量中提取17个特征变量参与建模,验证模型整体稳定性较其他两种好,总正确率分别达到96.72%和100%。3)综合考虑判别模型的验证集总正确率及模型稳定性,SPA-ELM模型判别效果最好,验证集总正确率达到100%,更适用于基于介电频谱的甜瓜种类判别。因此,基于甜瓜的介电频谱,通过支持向量机和极限学习机方法可以成功区分甜瓜种类,为甜瓜的无损检测及分类研究提供了一种新方法。     

改进MobileViT网络识别轻量化田间杂草

为解决现有的田间杂草识别方法无法兼顾高准确率与实时性的问题,该研究提出了一种基于改进MobileViT网络的轻量化杂草识别方法。首先,该方法使用高效的MobileViT网络构建杂草特征提取网络,在保证特征提取能力的同时实现更少的模型参数量与计算量;其次,通过高效通道注意力机制加强下采样后特征图中的重要特征,进一步提升模型的特征提取能力;最后,特征提取网络中的MobileViT模块被用于同时学习局部语义信息和全局语义信息,仅通过少量模块的组合便能够准确地捕捉到不同类别杂草与作物间细微差异。为验证该方法的有效性,该研究以农田环境下采集的玉米幼苗及其4类伴生杂草图像为数据进行了模型训练,试验结果表明,该方法的识别准确率、精准度、召回率和F1分数分别为99.61%、99.60%、99.58%和99.59%,优于VGG-16、ResNet-50、DenseNet-161、MobileNetv2等常用卷积神经网络;同时,可视化结果表明该方法能够有效提取杂草图像中的关键特征,并抑制背景区域对识别结果的影响。该研究提出的方法能够精准、快速地区分出农田环境下形态相似的多种杂草与作物,可为智能除草设备中的杂草识别系统设计提供参考。     

应用自适应神经模糊推理系统(ANFIS)的ET0预测

参照作物腾发量是计算作物需水量和进行灌溉预报的基础要素。该文利用自适应神经模糊推理系统(ANFIS)所具有的直接通过模糊推理实现输入层与输出层之间非线性映射能力，和神经网络的信息存储和学习能力，将其应用于参照作物腾发量预测中。根据相关分析，输入变量选择日照时数和日最高气温；用5年共1827个数据组对系统进行训练，建立了参照作物腾发量预测系统。利用该系统对近年213个数据组进行了实际预测，与Penman-Monteith方法计算结果进行比较，结果相关性良好。     

采用双模态联合表征学习方法识别作物病害

基于深度卷积神经网络的视觉识别方法在病害诊断中表现出色,逐渐成为了研究热点。但是,基于深度卷积神经网络建立的视觉识别模型通常只利用了图像模态的数据,导致模型的识别准确率和鲁棒性,都依赖训练数据集的规模和标注的质量。构建开放环境下大规模的病害数据集并完成高质量的标注,通常需要付出巨大的经济和技术代价,限制了基于深度卷积神经网络的视觉识别方法在实际应用中的推广。该研究提出了一种基于图像与文本双模态联合表征学习的开放环境下作物病害识别模型(bimodalNet)。该模型在病害图像模态的基础上,进行了病害文本模态信息的嵌入,利用两种模态病害信息间的相关性和互补性,实现了病害特征的联合表征学习。最终bimodalNet在较小的数据集上取得了优于单纯的图像模态模型和文本模态模型的效果,最优模型组合在测试集的准确率、精确率、灵敏度、特异性和F1值分别为99.47%、98.51%、98.61%、99.68%和98.51%。该研究证明了利用病害图像和病害文本的双模态表征学习是解决开放环境下作物病害识别的有效方法。     

基于高光谱成像的寒地水稻叶瘟病与缺氮识别

为进行水稻叶瘟病与养分缺失的区分、实现叶瘟病及时、准确的诊断,以大田试验为基础,利用高光谱成像仪获取2个品种的健康、缺氮、轻度感病和重度感病共4类水稻叶片的反射率光谱,对其光谱特性进行分析,并采用多种预处理方法、分别结合偏最小二乘判别分析(partial least squares-discriminate analysis,PLS-DA)和主成分加支持向量机(principle component analysis-support vector machine,PCA-SVM)方法构建水稻叶瘟病识别模型。试验结果显示6个判别模型都获得了较高的识别准确率,经标准正态变量(standard normal variate,SNV)变换预处理的PLS-DA模型获得了最佳的识别结果,预测准确率达100%,经多元散射校正(multiplicative scatter correction,MSC)预处理的PCA-SVM模型的预测准确率也达到97.5%。本研究为水稻叶瘟病的判别和分级提供了新方法,也为稻瘟病大范围遥感监测提供了基础。     

基于L-M优化算法的BP神经网络的作物需水量预测模型

应用L-M优化算法BP神经网络，通过多维气象数据(太阳辐射、空气温度、湿度)与作物需水量的相关分析，来确定网络的拓扑结构，建立作物需水量的人工神经网络模型。用美国田纳西州大学高原实验室所测的100 d气象数据为输入、作物需水量为输出来训练建立好的BP神经网络，仿真表明该神经网络能很好地解决需水量多影响因素之间的不确定性和非线性，模型的预测精度较高，同时通过一组非样本天气环境参数和作物需水量来验证该神经网络，也得到了较好的预测结果，能够满足灌溉的精度要求。     

基于多流高斯概率融合网络的病虫害细粒度识别

为解决由于现有深度迁移学习无法有效匹配实际农业场景部署应用,而导致大规模、多类别、细粒度的病虫害辨识准确低、泛化鲁棒差等问题,该研究利用农业物联网中多种设备终端获取12.2万张181类病虫害图像,并提出了基于多流概率融合网络MPFN(Multi-stream Gaussian Probability Fusion Network)的病虫害细粒度识别模型。该模型设计多流深度网络并行的细粒度特征提取层,挖掘可区分细微差异的不同级别局部特征表达,经过局部描述特征聚合层和高斯概率融合层的整合优化,发挥多模型融合信息互补及置信耦合的优势,既可以有效区分不同类病虫害的种间微小差异,又可容忍同类病虫害种内明显差异干扰。对比试验表明,该研究MPFN模型对各类病虫害的平均识别准确率达到93.18%,性能优于其他粗粒度及细粒度深度学习方法;而平均单张处理时间为61ms,能够满足农业生产实践中物联网各终端病虫害细粒度图像识别需求,可为智能化病虫害预警防控提供技术应用参考,进而为保障农作物产量和品质安全提供基础。     

花龄期棉花虫害的电子鼻检测

棉花害虫具有隐蔽性、迁飞性和突发性特点,并且影响因素众多,棉花虫害准确地诊断是农业领域的难点问题。该研究以受到棉铃虫侵害的花铃期棉花为研究对象,采用电子鼻对不同处理的棉花挥发物进行检测。研究表明,主成分分析（Principal Component Analysis, PCA）和聚类分析结果显示健康棉花释放的挥发物具有明显的昼夜节律性,健康棉花与虫害棉花差异性显著。径向基函数神经网络（Radial Basis Function Neural Network, RBFNN）对8个不同时间的4组虫害棉花处理进行分析,测试集判别总的正确率为73.4%,健康棉花对照组测试集判别正确率100%,误判样本出现在3个虫害处理之间。当不考虑时间因素建立虫害棉花统一的预测模型,RBFNN模型对健康棉花对照组的预测正确率均达到了100%,分析结果可以作为花铃期棉花是否遭受棉铃虫侵害的依据,说明电子鼻可以作为棉花虫害发生的有效监测手段,在农作物虫害监测领域具有潜在的应用价值。     

结合知识图谱与双向长短时记忆网络的小麦条锈病预测

针对现有小麦条锈病预测方法没有利用病害发生因素之间的语义信息,存在预测难度大、准确率低等问题,利用知识图谱(Knowledge Graph, KG)和双向长短时记忆网络(Bi-directional Long Short-Term Memory, Bi-LSTM)处理多源异构复杂数据的各自优势,提出一种基于KG与Bi-LSTM结合的小麦条锈病预测方法。首先,构建小麦条锈病知识图谱,将与小麦条锈病发生相关的环境信息转换为特征向量;其次,利用特征向量训练Bi-LSTM模型,得到基于Bi-LSTM的小麦条锈病预测模型;最后,利用小麦条锈病数据库数据进行试验。结果表明,KG丰富了进行病害预测所描述的语义信息,提升了Bi-LSTM提取高层病害预测特征的能力,从而提高了病害预测的准确率。在小麦条锈病数据库上的预测准确率达到93.21%,比基于Bi-LSTM的病害预测方法提高了4.5个百分点。该方法能较好预测小麦条锈病,为小麦条锈病的预报预警和综合防治提供科学依据。     

基于粗糙集和BP神经网络的棉花病害识别

为了提高棉花病害的识别率,提出了一种在自然环境条件下基于粗糙集和BP神经网络的棉花病害识别方法。该方法以轮纹病、角斑病、褐斑病和盲椿象为研究对象,将病害棉花图像从RGB颜色空间转换到HSI和L*a*b*颜色空间,应用Otsu算法对H分量、a*分量和b*分量进行阈值分割,通过H+a*+b*分量与原始图像的交集提取棉花病斑区域,利用颜色矩和灰度共生矩阵分别提取病斑的颜色和纹理特征,并结合粗糙集理论和BP神经网络,实现特征向量的优选,和棉花病害的识别。通过比较试验发现,粗糙集理论能有效减少特征维数,使提取的全部特征向量16个减少到5个,使BP神经网络的训练时间缩短到原来的1/4,且棉花病害平均识别正确率达到92.72%。研究结果表明,该方法准确识别了4种棉花病害,为棉花病害的防治提供了有效的技术支持。     

基于深度置信网络的农用地基准地价评估模型

该文针对现有基准地价评估模型主观性较强及精度不够等问题,提出了一种基于深度学习思想的农用地基准地价评估方法,构建了样本特征集合与地价标签集合的深层网络结构映射关系,并以广东省普宁市农用地基准地价评估为实例,验证了模型的可行性和有效性。结果如下：1）与神经网络、支持向量机这类浅层学习模型相比,深度置信网络模型其对地价的拟合精度要高出3.61%,3.12%;2）在训练样本只有300时,深度置信网络模型对地价的拟合误差为16.43%,比神经网络、支持向量机模型的拟合精度最少要高出6.76个百分点;3）深度置信网络模型对单个样本的运算时间及内存占用比神经网络、支持向量机模型都要高,但在评估精度都达到95%左右的情况下,深度置信网络模型所需训练样本较少,支持向量机训练时间为193 s,而深度置信网络模型耗时187 s,两者耗时基本持平;4）基于DBN模型对耕地评估单元的地价测算结果,将将普宁市耕地评估单元划分为5级,然后利用面积加权法求取对应的级别基准地价范围为21.34～26.23元/m2。上述试验结果表明该方法在对样本点地价的评估精度上要优于传统的浅层方法,并且该模型计算所得普宁市耕地基准地价与耕地质量在空间分布规律上保持一致。     

基于高斯过程混合模型的大气温湿度预测

温湿度预测在国民经济各领域有重要作用,实现温湿度精准预测可有效提高农业生产及保障行人安全,室内温湿度预测有助于植物健康生长,减少经济损失;室外温湿度预测对行人安全及航空等科研起保障作用。针对现有温湿度预测效果不佳且不能实现多模态预测,该文采用高斯过程混合(gaussian process mixture,GPM)模型进行大气温湿度多模态预测。另外为了提升模型学习效率,给GPM模型提出了的一种隐变量后验硬划分迭代学习算法。该算法采用一种新的近似策略,利用最大后验估计不断矫正样本划分,借助迭代学习实现样本最优分组。在用自相关函数和最大Lyapunov指数等解析评价温湿度序列基础上,将GPM模型与核回归(kernel-regression,K-R)、最小最大概率机回归(minimax probability machine regression,MPMR)、线性回归(linear-regression,L-R)、高斯过程(gaussian process,GP)等传统预测模型进行比较。结果表明GPM不仅能够实现多模态预测,而且预测准确率要明显优于其它传统模型。最终湿度预测最优结果RMSE=0.062 0、R~2=0.936 2,训练耗时为113.417 5 s;温度预测最优结果 RMSE=0.042 6、R~2=0.966 6,训练耗时为90.0049 s。由于GPM为无环境因子输入模型,因此该文的研究不仅对大气温湿度预测有促进作用,同时对室内及固体表面温湿度预测具有一定借鉴价值。     

基于深度学习的作物病虫害可视化知识图谱构建

针对作物病虫害领域存在实体关系交叉关联、多源异构数据聚合能力差、知识共享困难等问题，利用知识图谱以结构化的形式描述实体间复杂关系的优势，该研究提出了一种基于深度学习的作物病虫害知识图谱构建方法。该方法在领域本体的基础上，以一种与领域语料相适应的新标注模式实现实体和关系的联合抽取。将实体和关系抽取任务转化为序列标注问题，对实体和关系进行同步标注，有效提高标注效率；为了解决重叠关系抽取问题，直接对三元组建模而不是分别对实体和关系建模，通过标签匹配和映射即可获得三元组数据。利用来自转换器的双向编码器表征量（Bidirectional Encoder Representations from Transformers，BERT）-双向长短期记忆网络（Bi-directional Long-Short Term Memory，BiLSTM）+条件随机场（Conditional Random Field，CRF）端到端模型进行试验，结果表明效果优于基于普通标注方式的流水线方法和联合学习方法中的卷积神经网络（Convolutional Neural Networks，CNN）+BiLSTM+CRF、BiLSTM+CRF等经典模型，F1得分为91.34%。最后，将抽取到的知识存储到Neo4j图数据库中，直观地反映知识图谱的内部结构，实现知识可视化和知识推理。该研究构建的知识图谱可为作物病虫害智能问答系统、推荐系统、智能搜索等下游应用提供高质量的知识库基础。     

作物病虫害遥感监测研究进展

农作物病虫害监测目前在数据采集上主要依靠植保人员田间调查、田间取样等传统方式,不仅耗时、费力,而且存在以点代面的代表性差、主观性强和时效性差等弊端,难以满足大范围病虫害实时监测的需求。近年来遥感技术的发展,为大面积、快速获取作物和环境信息提供了重要的手段,是未来大面积病虫害监测和预测预报与产量损失评估的重要手段。该文在阐述植物病虫害胁迫光谱响应的生理机制的基础上,对目前病虫害遥感监测中所常用的光谱敏感波段及植被指数进行了汇总、整理,并对病虫害识别、严重度监测和损失评估等方面所使用的算法进行了综述。在此基础上,指出了目前作物病虫害遥感监测中尚需解决的关键技术问题,并就如何实现大面积作物病虫害遥感监测提出了解决思路。