摘要：为解决文本特征提取不准确和因网络层次加深而导致模型分类性能变差等问题,提出基于深度卷积神经网络的水稻知识文本分类方法。针对水稻知识文本的特点,采用Word2Vec方法进行文本向量化处理,并与OneHot、TF-IDF和Hashing方法进行对比分析,得出Word2Vec方法具有较高的分类精度,正确率为86.44%,能够有效解决文本向量表示稀疏和信息不完整等问题。通过调整残差网络(Residual network,Res Net)结构,分析残差模块结构和网络层次对分类网络的影响,构建了9种分类网络结构,测试结果表明,具有4层残差模块结构的网络具有较好的特征提取精度,Top-1准确率为99.79%。采用优选出的4层残差模块结构作为基本结构,使用胶囊网络(Capsule network,Caps Net)替代其池化层,设计了水稻知识文本分类模型。与Fast Text、Bi LSTM、Atten-Bi GRU、RCNN、DPCNN和Text CNN等6种文本分类模型的对比分析表明,本文设计的文本分类模型能够较好地对不同样本量和不同复杂程度的水稻知识文本进行精准分类,模型的精准率、召回率和F1值分别不小于95.17%、95.83%和95.50%,正确率为98.62%。本文模型能够实现准确、高效的水稻知识文本分类,满足实际应用需求。

摘要：为探索有效的水稻叶绿素光谱特征选择方法与含量反演建模,解决东北粳稻叶绿素含量无人机遥感监测等问题,该研究利用沈阳农业大学卡力玛水稻实验站2018—2020年无人机(UnmannedAerialVehicle,UAV)水稻冠层高光谱数据及地面样本数据,设计了基于正则近邻成分分析的光谱特征选择方法,优化了其损失函数与正则化参数,获得水稻叶绿素不同含量的特征波段,并以此为输入,构建粒子群优化极限学习机叶绿素含量反演模型。结果表明:正则近邻成分分析算法具有较好的特征选择能力,其损失函数为均方误差损失函数、正则化参数值为0.306时,特征选择效果最佳,初选出权重非零的16个特征波段;进一步以叶绿素极限学习机反演精度为判据,优选出权重最高的6个特征波段:710、716、508、798、532和708 nm;应用粒子群优化算法优化了极限学习机模型的输入权值和阈值偏差,粒子群算法正交试验种群规模(POP)、惯性权重(IW)、学习因子(C1,C2)和速度位置相关系数(MC)的优选结果分别为50、1.5、1.3、3.5和0.6;基于正则近邻成分分析-粒子群优化极限学习机叶绿素含量反演结果的RMSE和R^(2)分别为9.549mg/L、0.891。研究结果可为基于无人机平台的高通量作物监测提供理论依据,并为筛选无人机高光谱波段实现作物长势参数快速估测提供参考。

摘要：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),可满足复杂背景下的水稻植株图像纹枯病的检测,对智能农业水稻纹枯病有效防治具有重要意义。

摘要：针对现存农用无人机变量喷雾系统响应时间较长、超调量较大、跟随效果不稳定等问题,设计一种基于单神经元PID控制的农用无人机变量喷雾系统。该系统采用传感器检测流量信息作为控制依据,运用单神经元自学习能力不断调整PID参数精确调控喷雾流量,实现变量调节快速稳定的目标。为验证本系统控制算法的实际变量控制效果,采用Matlab平台对传统PID和单神经元PID控制算法进行仿真分析;室内喷雾试验过程中,对比单神经元PID和传统PID的连续变量效果;田间试验过程中,使用流量传感器检测实际的变量喷雾效果,采用水敏纸获取雾滴沉积量分布。算法仿真结果表明单神经元PID控制算法在上升时间方面优于传统PID,延迟时间较短,无稳态误差。室内喷雾试验结果表明,采用单神经元PID进行变量控制时的喷雾变化过程稳定迅速,喷雾流量最大超调量3.88%,平均上升时间0.85 s,平均绝对误差7.13%;田间变量喷雾试验结果表明,系统平均上升时间0.87 s,喷雾量控制误差在5%以内;雾滴测试结果表明,雾滴沉积量随喷雾流量的增加呈相应增加趋势。研究结果可为变量喷雾技术的发展提供理论基础。

摘要：为了深入研究遥感数据及提取方法对估算水稻种植面积的可行性,以Landsat 8 OLI影像为数据源,运用ENVI5.1的软件平台,对沈阳市2015年6—9月水稻长势进行监测,并最终提取其种植面积。根据实地调查样本,通过分析各地物的光谱特性曲线、归一化植被指数均值特征及遥感影像成像特点,确定了以波段6、波段5、波段2对图像进行伪彩色合成。对合成后的图像,分时段设计了三组不同样本点数量的对比实验,样本数量分别为100、150、200个,采用混合像元的方式,确定了水稻的采集样本点,用变换分散度和J-M距离对各个样本间的可分离性进行检验,采用支持向量机的分类方法对各样本进行分类,最后以Majority/Minority分析方法对提取的结果进行分类后处理,建立了不同的水稻面积提取模型。结果显示,6月、7月、9月中200个样本点的实验提取结果均较为准确,提取面积分别为1 032.044 8、1 201.125 9和1 180.685 5 km2,参考《沈阳统计年鉴2015》对提取结果进行评价,精度分别为94.73%、89.75%和91.62%。试验表明,Landsat 8OLI遥感数据可准确提取沈阳市水稻种植面积,为综合多源数据对水稻进行种植监测奠定基础。

摘要：针对光伏电站光伏板热斑故障难以检测的问题,结合无人机巡检技术,提出一种基于深度卷积神经网络的光伏板热斑快速检测方法。首先设计了光伏板识别模型,将Yolov4主干特征提取网络替换成轻量级网络MobileNetV2,并将PAnet网络中标准3*3卷积替换为深度可分离卷积,实现了将光伏板快速从红外图像中识别出来。为快速识别热斑并解决光伏板反光噪声问题,将MobileNetV2网络引入DeeplabV3+模型中,改进由于下采样造成的目标缺失,并将交叉熵损失函数修改为Dice损失函数来进一步提高分割精度。试验结果表明,该方法能够准确识别光伏板热斑,光伏板识别准确率为99.56%,检测速度为22.1帧/s。光伏板识别后的热斑分割准确度达到95.99%,交并比mIou达到85.58,检测速度为24.5帧/s,该方法能够满足光伏板故障检测的需要。

摘要：架空输电线路上的鸟巢侵占会对铁塔上的电力设备造成安全隐患,间接可能影响整个电力系统的稳定运行。针对目前架空输电线路鸟巢检测模型在复杂场景以及小目标场景下检测精度不高,检测效率低,模型复杂等问题。本研究提出一种基于YOLOv5s框架的轻量化架空输电线路鸟巢检测网络。首先在主干部分采用Fasternet重构YOLOv5s特征提取网络,降低模型复杂度,提高运行速度;然后在特征融合网络部分嵌入ConvMixer层,ConvMixer层的结构设计有助于在特征信息中更好的捕捉空间和通道的关系,提升模型对于小目标的检测能力;最后在特征融合网络部分引入ODConv模块,令送入检测头的特征图包含更多有效特征,提高模型对复杂场景和小目标的检测性能。实验结果表明,本文与基线模型YOLOv5s相比,计算量和模型体积分别减少了86%和72%,平均精度均值达到96.4%,检测速度达到104.2帧/s,验证了本文改进模型的有效性和可行性。

摘要：基于人工智能开发一个大数据信息管理中心,用以处理辽宁玉米粳稻丰产增效生态效益评价项目的大量数据信息。利用Java-Web(HTML,CSS,JavaScript等),MySQL数据库和Echarts图形可视化算法,对大量数据进行筛选和整理,将有用的数据保留在阿里云服务器的MySQL数据库中,通过已经建立的网站进行调用,从而将项目产生的大量数据以更为简便的方式展示和使用,解决项目数据管理问题。