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。     

基于注意力机制及多尺度特征融合的番茄叶片缺素图像分类方法

针对番茄早期缺素性状不明显及各生长期特征差异较大所导致的特征区域尺寸不一致、难提取、难辩别等问题，提出了一种基于注意力机制及多尺度特征融合卷积神经网络的番茄叶片缺素图像分类方法（Multi-Scale Feature Fusion Convolutional Neural Networks Based On Atte ntion Mechanism，MSFF-AM-CNNs）。首先根据番茄叶片缺素特点提出了多尺度特征融合结构（Multi-Scale Feature Fusion Module，MSFF Module）；其次在DenseNet基础上，结合浅层网络主要提取纹理、细节特征，深层网络主要提取轮廓、形状特征的特点分别提出具有针对性的特征提取方法，通过不同形式引入注意力机制及多尺度特征融合结构，使全局多尺度信息融合多个特征通道、选择性地强调信息特征并达到对特征精准定位的功能；同时引入Focal Loss函数以减少易分类样本的权重。试验结果表明，MSFF-AM-CNNs的平均召回率、平均F1得分、平均准确率较原模型DenseNet-121均大幅提升，其中缺氮和缺钾叶片的准确率分别提高了8.06和6.14个百分点，召回率分别提高了6.31和5.00个百分点，F1得分分别提高了7.25和5.55个百分点，平均识别准确率可达95.92%，具有较高的识别准确率及广泛的适用性，能够满足番茄叶片缺素图像的高精度分类需求，可为植物叶片缺素识别提供参考。     

基于高精度GPS的农村土地流转信息采集终端设计

在发展以先进的信息技术与装备技术为支撑的现代化农业过程中,原有的土地经营模式对开展规模化、集约化、现代化农业生产有一定的限制作用。农村土地使用权流转是解决当前问题的有力手段之一。针对土地流转过程中对现场信息采集的实际需求,基于高精度GPS技术研制农村土地流转信息采集设备与数据更新系统,从土地流转的采集源头进行信息电子化,为农村土地流转全过程数字化科学监管提供坚实的数据基础与技术支撑。     

农村社区动态交互式三维虚拟漫游系统的实现

为了提高农村社区规划建设的可视化宣传效果,为用户提供直观的操作工具辅助实现农村社区规划建设信息的管理,提出了一种基于虚拟建模现实语言(VRML)的农村社区动态交互三维虚拟漫游系统的实现方法.在本方法中,农村社区三维虚拟场景是通过社区布局VRML建模、社区纹理数据和层次化数字高程模型(DEM)数据的VRML表达两个过程建立;通过将社区中建筑物、树木等对象实体设置为具有三维坐标和属性集的锚点,并利用Java与虚拟现实建模语言对锚点的操作实现空间定位、距离分析、三维虚拟场景属性和空间位置查询等实时动态交互过程.该方法已经在北京房山八十亩地村网络虚拟漫游系统的实现中得到应用,应用效果表明系统仅需在带宽100 kB网络条件下即可快速响应用户的各种操作请求,适合在大都市周边农村地区大规模推广应用.     

面向葡萄知识图谱构建的多特征融合命名实体识别

为解决构建知识图谱过程中由于上下文环境复杂、现有模型字向量语义表征相对单一导致领域专业实体识别率低的问题,该研究提出了来自转换器的双向编码器表征量（bi-directional encoder representation from transformer, BERT）和残差结构（residual structure, RS）融合的命名实体识别模型（bert based named entity recognition with residual structure,BBNER-RS）。通过BERT模型将文本映射为字符向量,利用双向长短时记忆网络（bi-directional long-short term memory, BiLSTM）提取局部字符向量特征,并采用RS保留BERT提供的全局字符向量特征,以提高字向量的语义丰富度,最后通过条件随机场（conditional random field, CRF）模型对特征向量解码,获取全局最优序列标注。与其他命名实体识别模型相比,提出的BBNER-MRS模型在葡萄数据集上表现较好,在葡萄人民日报、玻森、简历和微博数据集上F1值分别达到89...     

GIS在新农村建设信息服务平台中的应用

为了实现新农村建设各类专题属性信息的可视化查询、管理和统计分析,利用GIS技术设计并实现了新农村建设信息服务平台。借助GIS在信息可视化等方面的优势,实现多源、多类型、多精度农村信息的空间化,为农村各类信息提供一个统一的空间基准,解决了农村信息空间不一致性的问题。以图形的方式直观形象地展示各类信息,适合农村信息化技区一体化术人员使用和操作。信息服务平台已经在北京房山得到了推广应用。实际践表明,信息服务平台能在一定程度上促进新农村各类专题信息的高效管理。     

基于卷积模型的农业问答语性特征抽取分析

互联网农技推广社区每秒增衍问答数据近万组,这些海量数据具有隐性的词性、情感和冗余向量特征,实现数据聚合与数据块消减是该领域的难题。提出了一种基于卷积神经网络的农业问答情感极性特征抽取分析模型,结合农业分词字典,对数据集进行分词后使用Skip-gram模型转换为256维的词向量,利用批规范后的卷积神经网络对数据集进行训练,从而得到用于识别农技推广社区问答词性情感相似性的神经网络模型参数。试验结果表明,该方法能够准确识别测试样例集中的冗余队列,与其他5种文本分类方法进行比较,各项指标优势明显,针对测试集的语性特征抽取准确率达到82.7%。     

基于改进蚁群算法的蔬菜大田无人农机路径优化

推进蔬菜机械化与无人化种植能够保障优良的蔬菜规模化种植技术效益,有力保证蔬菜质量与品质,有利于蔬菜规模化生产种植技术产业体系的发展。利用无人拖拉机作业GPS定位点集将实际农业作业区域转化为规则矩形,在此基础上建立以无人拖拉机总转弯距离最短为优化模型,采用蚁群算法对无人拖拉机耕地作业路径序列进行搜索。同时考虑到传统蚁群算法易陷入局部最优、全局搜索能力不足等问题,提出一种基于和声搜索策略的改进蚁群算法,通过引入sigmoid函数与和声搜索机制改善路径搜索能力,得到高质量耕地作业路径序列。将传统蚁群算法(AC)、精英蚁群算法(ELAC)作为对比算法,将传统梭形、回形作业方法作为路径对比作业方法,针对不同耕地作业规模进行无人拖拉机作业路径搜索试验。结果表明,本文算法得到的总转弯距离较梭形耕法降低35.53%~43.08%、较回形耕法降低2498%~86.88%。精英蚁群算法在小规模作业区域中性能较优,但随着蔬菜大田规模扩大,改进和声蚁群算法优化效果更明显。     

蔬菜智能化管理技术研究进展

为进一步推动智能化管理技术在蔬菜生产经营中的应用,提出蔬菜生产智能化技术的总体架构,分析大数据背景下蔬菜数据来源和获取手段,总结蔬菜病害诊断、环境与水肥调控、栽培管理决策、生产作业管理、智能信息服务等方面的关键技术。在此基础上,指出蔬菜生产智能化管理技术在研究应用中面临的挑战,提出蔬菜生产智能化管理技术的发展建议。智能化是现代农业发展的要素,利用智能信息技术提高蔬菜产业综合生产力和效益是最终目的,应深度挖掘现实需求,整合蔬菜全产业链数据,推进智能信息技术与蔬菜产业的深度融合,支撑国内蔬菜产业转型升级。     

设施温室影像采集与环境监测机器人系统设计及应用

中国设施园艺近30年来发展迅速，面积目前居世界首位，但由于务农人数呈下降趋势，如何用“机器代替人力”成为当前研究热点。为实现设施温室生产的数据感知环节作物影像和环境监测数据精细化采集，本研究设计了一套多自由度设施温室影像采集与环境监测机器人系统。机器人由感知中枢、决策中枢和执行中枢三部分构成，分别进行机器视角环境感知、数据分析与决策指令生成和动作执行。在感知层实现多角度图像、实时视频和监测数据网格化精确采集，为作物多源异构数据精细化汇聚奠定基础；传输层通过无线网桥将监测数据与控制指令汇聚至本地数据中心；数据处理层通过作物基础模型分析进行控制指令反馈信息，同时对上传图像进行预处理；最终在应用层提供web端和手机端智能服务。系统可广泛地应用在设施温室生产与研究中，用于黄瓜、番茄、大棚桃等作物的全生育期图像、实时视频和监测数据收集与分析处理，已在北京小汤山国家精准农业基地7号日光温室、石家庄市农林科学研究院5号日光温室进行示范应用，取得了较好的效果。