自动识别技术在农作物病虫害领域应用研究

数字化农业生产依靠计算机图像处理技术和深度学习方法提高病虫害识别效率。病虫害自动识别系统应用植保大数据精准快速识别农作物病虫害类型,及时处理病虫害问题,能够降低病虫害给作物生产带来的影响。

灰飞虱自动识别计数方法研究

为更精确地施药,提供可靠的虫量数据,提出一种基于图像识别技术的灰飞虱数量计算方法。设定由拍摄距离和相机调节倍数组成三组拍摄条件,融合区域面积、区域圆度和边界直径三个参数组合构成识别计数模型,利用边缘检测和区域填充完成图像中的个体提取,每组条件下分别计算5张单个长翅和短翅的参数值作为标准。拍摄条件相同的情况下,分别计算4张相互独立和4张有轻微连接的灰飞虱的计数图像,将每个区域的结果比对参数标准值范围,如果三个参数均在范围内,则输出1;至少有一个参数不符合,重新计算该区域面积和边界直径,当同时符合标准值的2倍时,输出2。试验结果表明:灰飞虱全为独立的图像中,有8张相对错误率为0%,3张小于10%,1张为13.3%;轻微连接的图像中,有2张相对错误率为0%,6张小于10%,4张为10%~25%,能满足灰飞虱数量的自动计算。

复杂道路环境下大流量路口多车牌自动识别

复杂道路口车流量大,车牌采集图像存在遮挡,倾斜等现象,导致车牌检测准确率低、泛化性差。为解决上述问题,提出一种基于改进Yolov3车辆识别与Mask R-CNN车牌检测相融合的算法,通过两步分别检测车辆与车牌,最终构建出YOL3-RCNN多车牌识别模型。模型首先基于上采样算法将图像的大、中、小特征有机融合;然后采用形态聚类算法,自适应计算IOU阈值,提高车辆检出率与准确率;接着对检测出的车辆进行裁剪,SOFTNMS优化与仿射变换,解决车牌遮挡,倾斜与背景复杂的难题;最后基于ResNet50网络识别车牌字符与数字,并利用RPN进行回归校验。多组基线算法的仿真结果显示,在UA-DETRAC车辆检测数据集上,与传统车牌检测算法相比,YOL3-RCNN算法的准确率与召回率分别提高了7.7%与9.6%,且具有较高的车牌检测速率。综上所述,所构建的YOL3-RCNN多车牌识别模型具有较高的检测准确性、时效性与普适性。

基于自然语言处理的临床医学检查危急值自动识别平台的设计与应用

目的:面对人工式检查检验危急值管理存在的效率低、易出错等痛点,借助自然语言处理技术进一步提升危急值识别率,减少人工差错。方法:采用自然语言分词的方法,利用Jieba中文分词工具,创新利用正反双向规则库,与相关系统进行集成,构建了一个具备检查检验危急值处理等功能的危急值自动识别平台。结果:该平台使得危急值报告上报率达到了100%,显著提高了危急值的识别效率,减少了危急值上报遗漏,进一步提升了医疗安全质量。结论:自然语言处理技术可有效应用于检查检验危急值自动识别和提示,对于辅助临床危急值管理识别具有积极作用。

基于改进经验小波变换的海洋平台结构模态参数自动识别方法

针对经验小波变换(empirical wavelet transform,EWT)方法在处理低信噪比信号中频谱分割边界容易产生误判的问题,提出了一种改进经验小波变换(improved empirical wavelet transform,IEWT)的结构模态参数自动识别方法。首先计算信号的互功率谱矩阵,采用奇异值分解(SVD)及尺度空间(SSPP)方法确定频谱的分割边界,将信号分解为若干固有模态函数(IMF)分量,再结合随机减量技术(RDT)和希尔伯特变换(HT)实现模态参数的自动识别。使用IEWT方法对自由振动响应信号及ASCE Benchmark模型信号进行模态参数识别,并分别与EWT方法、基于自回归功率谱的经验小波变换(AR-EWT)方法及小波变换(WT)方法进行对比,结果表明IEWT方法能够自适应确定频谱分割边界,对结构的频率及阻尼比等模态参数具有较高的识别精度;进一步将该方法应用到实验室海洋平台模型的模态参数识别中,证明该方法可用于复杂噪声环境下的低频结构的模态参数识别。

异构工业控制网络多源目标入侵自动识别研究

异构工业控制网络多源目标特征处在不断变化中,具有起伏性,导致入侵识别精准度较低。提出考虑数据特征实时变化的入侵自动识别方法,并应用到异构工业控制网络中。设定归一化入侵特征空间,将全部网络数据规范到该空间内,并根据最大值和最小值比对将超出范围数据重新作归一化处理。以时域矩阵偏度特征、峰度特征以及包络起伏度特征作为入侵特征提取类别,分别计算工业控制网络中三种特征数据大小。在此基础上,首先计算一组入侵数据样本在网络中的各项特征表现;然后将表现参数转换为聚类中心值,求解待识别目标与聚类中心间欧式距离;最后按照距离大小完成入侵目标自动识别。试验数据证明:该方法在工控网络中识别精准度较高,并可在多种网络攻击环境下实现精准识别。该方法具有较好的应用效果。

基于光纤传感的铁路牵引网故障自动识别技术

由于现有的铁路牵引网故障识别方法在识别过程中易受到周围环境影响,故障识别准确率较低,因此,提出基于分布式光纤传感的铁路牵引网故障自动识别方法。构建3种牵引网故障自动识别规则,通过自动识别规则,使用分布式光纤传感对故障特征进行提取;使用变量分析对故障损伤数据进行处理,筛选符合传输的故障损伤数据进行传输,计算故障损伤数据,运用网络拓扑结构对故障特征信息进行传输;通过融合层次的诊断,进行数据的融合,得到诊断结果,实现基于分布式光纤传感的铁路牵引网故障自动识别。

基于CNN-LSTM的社交媒体大数据评论文本情感元自动识别方法

为了准确识别社交媒体评论文本情感,助力公众负面情绪引导,提出了基于CNN-LSTM的社交媒体大数据评论文本情感元自动识别方法。通过社交媒体大数据分类,并通过具有字典功能的Token将评论文本转换成数字列表。结合词嵌入技术得到向量列表,完成社交媒体大数据向量转换的预处理。将预处理获取的向量列表输入CNN网络,得到评论文本情感元最终局部特征值。将该值传至LSTM,通过遗忘门、输入门、输出门调节,获取评论文本情感元特征表征结果,经Softmax分类器分类后,实现情感元自动识别。实验结果表明,该方法能有效完成实验数据预处理,用文字和标签的形式标记正面、负面情感元,并准确识别情感元,间接反映社会问题,应用性较强。

基于卷积神经网络的燃气表信息自动识别方法研究

提出了一种基于改进的LeNet-5卷积神经网络的识别方法。通过加装摄像头和通信线路的方式,实时采集图像信息,并对图像进行部分预处理。引入Gabor滤波器、ReLU-Softplus函数、SVM分类器等优化传统LeNet-5模型,并根据图像数据的不均衡性,运用Grid Loss函数优化CNN网络,由此,实现燃气表自动化识别方法的构建。在Caffe深度学习框架下进行实验测评,结果表明该方法整体的识别准确性高达99.60%、整个样本集及单幅字码的训练总时间均优于其他识别方法,且对于不完整表码字的识别准确率也达到了99.21%。

AI自动识别在计算机网络安全中的应用研究

在计算机网络安全中,AI自动识别技术通过构建自适应入侵检测模型、恶意流量检测与分类算法,以及未来威胁预测与预防策略,并采用深度学习和强化学习算法,实现模型训练与系统集成,以提升网络安全防护能力。各项技术功能显示AI自动识别技术在网络安全防护领域的有效性。

基于JAVA的软件故障自动识别检测系统设计

基于Java的软件故障自动识别检测系统提供了一种新型的故障检测和诊断解决方案,该方案有效结合了数据采集、信息融合、特征提取、信息处理以及专家系统诊断等模块。通过这些模块的协同工作,系统能够实现对故障的快速定位和准确诊断。

基于光纤传感的铁路牵引网故障自动识别方法

由于现有的铁路牵引网故障识别方法在识别过程中易受到周围环境影响,故障识别准确率较低,因此,提出基于分布式光纤传感的铁路牵引网故障自动识别方法。构建三种牵引网故障自动识别规则,通过自动识别规则,使用分布式光纤传感对故障特征进行提取;使用变量分析对故障损伤数据进行处理,筛选符合传输的故障损伤数据进行传输,计算故障损伤数据,运用网络拓扑结构对故障特征信息进行传输;通过融合层次的诊断,进行数据的融合,得到诊断结果,实现基于分布式光纤传感的铁路牵引网故障自动识别。搭建仿真模拟模型进行实验,通过实验结果表明:在10种不同的故障类型条件下,本文设计方法在对牵引网故障损伤自动识别中,准确率最高可达到93.35%,故障识别效果较好,可满足对铁路牵引网故障自动准确识别的需求,具有一定的实际应用价值。

基于Adaboost算法的沉积微相自动识别--以陇东气田Q区山西组为例

在油气田开发中,沉积微相识别对于明确沉积背景及单砂体刻画起着重要的作用。陇东气田地质条件复杂,主力气藏深度大、产层单一,仅山1段底部产气,对于多种资料交叉共同分析沉积微相,仅依靠人工判别沉积微相,过程复杂且容易出错,很难在沉积微相和测井数据之间建立精确的对应关系。为了充分利用测井资料,提高沉积微相划分的效率,提出一种基于Adaboost算法的沉积微相自动识别方法,为后期气田开发沉积背景及单砂体刻画提供更准确的依据。在研究中,对测井曲线进行优选,并进行预处理,运用数学统计法提取了6个特征参数作为训练的输入集,把沉积微相的类型作为训练的输出结果标签,从已解释的沉积微相数据中选取共1210组作为训练样本,其中组建的训练样本共约968组,组建测试样本242组。研究结果显示,应用该方法的训练效果和测试结果的准确性分别达到96.45%,90.4%,可以验证该方法在陇东气田Q区应用效果较好。

极低频数据中的Pc1地磁脉动自动识别

极低频电磁台网成功观测到大量的Pc1地磁脉动事件,研究极低频Pc1地磁脉动的自动识别方法对于全面分析地球空间电磁物理环境具有重要意义.本文采用了YOLOv8目标检测网络、ResNet残差网络和定向特征增强技术,提出了一种基于计算机视觉的Pc1地磁脉动自动识别模型(Automatic Detection Model for Pc1 Geomagnetic Pulsation,简称ADM-Pc1).以大连台站和丽江台站的极低频观测数据为例,利用2015—2016年的数据作为训练集进行模型的监督学习,并使用2017—2022年的数据作为测试集对模型性能进行评估.实验结果显示,ADM-Pc1模型的F1-Score值达到了95%,错分率仅为0.9%,虚警率仅为5.8%,漏检率仅为9%,处理1天数据平均耗时是2.72 s,显著优于现有的最优识别模型.这表明,ADM-Pc1模型在识别效果和计算速度方面均能更好地满足实际工程需求.

基于特征融合的汉语被动句自动识别研究

汉语中的被动句根据有无被动标记词可分为有标记被动句和无标记被动句。由于其形态构成复杂多样,给自然语言理解带来很大困难,因此实现汉语被动句的自动识别对自然语言处理下游任务具有重要意义。该文构建了一个被动句语料库,提出了一个融合词性和动词论元框架信息的PC-BERT-CNN模型,对汉语被动句进行自动识别。实验结果表明,该文提出的模型能够准确地识别汉语被动句,其中有标记被动句识别F1值达到98.77%,无标记被动句识别F1值达到96.72%。

基于迁移学习的雷达信号类型自动识别方法

针对雷达辐射源信号类型的自动识别方法进行研究,引入迁移学习(transfer learning,TL)思想,将GoogleNet预训练模型迁移到雷达信号数据集中实现信号特征提取,在全连接层中采用极限学习机(extreme learning machine,ELM)作为分类器,完成对雷达信号的自动识别。仿真结果表明,针对9类雷达信号,在信噪比为0 dB的情况下,基于GoogleNet-ELM的识别算法具有很好的识别性能,得到95.7%的正确识别率,验证了所提算法在电子侦察领域应用的有效性。

基于机器学习的跑步着地方式自动识别方法

目的跑步存在后足着地和非后足着地两种着地方式,着地方式对下肢负荷以及跑步损伤有重要影响。本文采用机器学习方法,建立基于惯性传感器(IMU)数据的着地方式自动识别方法。方法招募16名优秀跑步志愿者(男10人,女6人)在左胫骨佩戴IMU进行测力台跑步测试。利用摄像机拍摄辅助确定受试者着地方式。利用IMU采集的不同跑步周期的线性加速度、加速度、角速度、磁力计和四元组数据,分别通过机器学习中的支持向量机(SVM)和决策树方法进行训练和测试,评估不同速度下着地方式识别的准确率。结果对于SVM(高斯核函数,C=10),用线性加速度、加速度、角速度、磁力计和四元组分别作为特征数据训练时,不同速度下(10、12、14、16 km/h)着地方式划分的平均准确率分别为98.87%、98.11%、98.98%、98.86%、97.97%;对于决策树,使用线性加速度、加速度、角速度、磁力计和四元组分别作为特征数据训练时,不同速度下着地方式划分的平均准确率分别为、90.95%、89.81%、91.37%、94.55%、97.88%。结论对于跑步运动中测得的IMU数据和垂直地面反作用力数据,可以利用支持向量机和决策树模型对着地方式进行识别和预测。其中磁力计作为输入数据在预测着地方式上表现最佳,可以有效地反映跑者的足部着地特征。

钠冷快堆组件编码自动识别装置的试验研究及应用

为保证钠冷快堆入堆组件的正确性,本文设计将组件编号转换为二维码并标记在组件上,在新组件转运设备上安装读码设备,通过读码设备对入堆新组件编码进行自动识别,将组件编码转换为组件编号并通过通讯传递至燃料操作监控系统。监控系统将其与换料计划中的组件编号进行比较,可判断转运的入堆新组件是否正确,提高组件操作的可靠性和安全性。为确定组件编码的各项技术参数,通过枚举法分析并总结了影响组件编码识别的各种因素,确定出单一因素试验方案,最终通过各种参数与功能试验,获得了适用于大型快堆电站组件编码自动识别装置的组件编码各项参数,试验结果证明研发目标完全实现。

利用高分七号影像的溢洪道自动识别

溢洪道是重要的水工建筑物,利用遥感影像对其进行智能识别具有重要的科学研究意义和工程应用价值。溢洪道目标对象小、背景复杂,难以与一般建筑物区分,为基于遥感影像的溢洪道目标检测带来了极大的挑战。本文利用国产高分七号卫星影像亚米级空间分辨率优势及其立体成像能力,构建了溢洪道几何立体指数(SGSI)并提出了一种溢洪道自动识别方法。首先经过数据预处理获取融合影像和高精度DSM;然后采用均值漂移(Mean-Shift)算法对融合影像进行分割,提取出分割对象的多维特征并通过多特征联合决策确定目标对象;最后结合目标对象的空间上下文关系对溢洪道图斑进行整合和后处理,从而输出最终识别结果,实现对溢洪道的自动识别。本文选取3个含溢洪道的水库大坝对所提方法进行了验证。试验结果表明,该算法提取的溢洪道边界与参考边界匹配较好,整体精度可达89.23%,能够高效、准确地对溢洪道进行自动识别。

年层自动识别方法在青藏高原冰芯定年中的应用

冰芯是重建过去气候环境变化的良好载体,高时间分辨率冰芯信息的提取依赖于冰芯准确定年。本文结合人工定年与基于隐马尔科夫模型的年层自动识别算法,在青藏高原的作求普冰芯、达索普冰芯和阿尼玛卿冰芯上进行了测试、验证与分析。在约束参考层、同步其他冰芯记录及审核复盘时,该方法在一定程度上减少了人工逐层识别的时间,并能通过算法自动推断年层所在位置及提供误差范围。首先,由人工提供一套基础定年模板及约束点,随后基于算法学习模板,计算冰芯代理变量的准周期性的循环,找到目标段落并探究其年层存在的可能性,通过前向-后向算法寻找所有可能的年层点位,并通过最大似然法从中选出最优解。在年层自动识别算法辅助下的作求普、达索普冰芯上部δ^(18)O定年结果与已知年表的累计误差小于2 a(3%),具有较好的一致性。进一步将此方法应用于阿尼玛卿冰芯上部的定年,得出该算法与人工定年在e_(1)[2.07,4.47]、e_(2)[8.31,9.71]部分存在1~2 a的差异。再经污化层校正,冰芯56.48 m处的定年结果为74 a,误差范围±3 a。本文设计的方法结合了人工判定年层的优势与算法的标准化分层处理能力,降低了在年代校正过程中的人工参与,可为未来青藏高原地区高分辨率冰芯数年层方法定年的误差量化研究提供科学参考。