基于深度学习的时空特征融合网络入侵检测模型研究

随着网络攻击日益增多,网络入侵检测系统在维护网络安全方面也越来越重要.目前多数研究采用深度学习的方法进行网络入侵检测,但未充分从多个角度利用流量的特征,同时存在实验数据集过于陈旧的问题.提出了一种并行结构的DSC-Inception-BiLSTM网络,使用最新的数据集评估所设计的网络模型.该模型包括网络流量图像和文本异常流量检测2个分支,分别通过改进的卷积神经网络和循环神经网络提取流量的空间特征和时序特征.最后通过融合时空特征实现网络入侵检测.实验结果表明,在CIC-IDS2017,CSE-CIC-IDS2018,CIC-DDoS2019这3个数据集上,该模型分别达到了99.96%,99.19%,99.95%的准确率,能够对异常流量进行高精度分类,满足入侵检测系统的要求.

运用多维视角融合视觉转换器的食品气调枕形包装漏气检测

食品气调枕形包装被广泛用于农产品的贮藏、运输和消费全流程,尽管工厂广泛使用的现代包装机械和人工检验手段减小了漏气风险,但是封口缺陷、贮藏和运输中的挤压、人工检验时的人为差错等造成漏气甚至瘪袋的情况时有发生,变质的袋内食品既影响了消费者身体健康又导致厂商声誉受损。该文针对食品气调枕形包装的漏气检测问题,提出了一种基于多维视角融合的Vision Transformer漏气检测方法(multi-dimentional fusion vision transformer,MdF-ViT)。通过包装袋的主视角、侧视角和俯视角的融合,提取3个视角包装袋轮廓特征,综合判断包装袋形变量,完成对枕形包装的漏气检测。对样本A、样本B、样本C的测试结果表明,该种模型准确率均达到97.5%,F1值分别达到97.6%、97.6%和97.4%。该研究提出的模型可以有效应用于工厂生产并节约成本。

基于深度强化学习的收割机省内协同调度优化策略

针对目前多机多地块间调度作业存在效率低、成本高等问题,该研究构建了以收割机地块间转移成本最小为目标的协同调度模型,设计了基于深度强化学习的收割机协同调度优化算法(inter-regional collaborative optimization scheduling algorithm based on deep reinforcement learning,DRL-ICOSA)。首先分析收割机调度作业的马尔可夫决策过程,构建基于注意力机制的策略网络和价值网络,在随机采样策略中引入动态高斯噪声,以避免训练初期陷入局部最优,同时提高网络模型的鲁棒性;接着采用近端策略优化算法(proximal policy optimization,PPO)训练网络模型;最后利用测试集验证DRL-ICOSA算法,得到收割机优化调度方案。基于有效作业时长40和24 h、农机调度中心位于作业区域中心和区域边缘的4种组合作业场景下,采用DRL-ICOSA算法、遗传算法(genetic algorithm,GA)、粒子群算法(particle swarm optimization,PSO)和模拟退火算法(simulated annealing,SA)计算调度策略并进行对比分析。试验结果表明:当调度中心位于区域中心或边缘时,有效作业时长为40 h,DRL-ICOSA算法相较于GA、PSO和SA算法,平均调度成本降幅不少于13.9%;有效作业时长为24 h,平均调度成本降幅不少于11.5%。当作业时长为40或24 h时,调度中心位于区域中心,DRL-ICOSA算法相较于GA、PSO和SA算法,平均调度成本降幅不少于12.3%;调度中心位于区域边缘时,DRL-ICOSA算法相较于GA、PSO和SA算法,平均调度降幅不低于11.5%。因此,有效作业时长为40或24 h、调度中心位于区域中心或边缘时,相比其他3种算法,DRL-ICOSA算法均能计算得到最低的调度成本。这一研究结果可为收割机省内协同作业提供科学合理的调度方案。

基于RTK和IMU的多行播种定位系统研究

在耕种过程中,为了保持株距行距一致性、使作物长势均匀,提高后续管理便捷性,以及提高粮食产量,需要精确记录植株空间位置分布信息。为提高植株位置定位精度,本研究设计1种基于双天线RTK和IMU的多行精播机播种定位系统,利用RTK/IMU组合定位方式检测系统定位坐标及航向,通过落种检测模块判断落种状态,完成落种数据提取以及定位数据的采集,并设计了基于双天线RTK和IMU的播种定位算法,结合卡尔曼滤波融合算法获取播种机位置和姿态,根据排种机构与RTK天线及IMU相对位置,设计基于相对排种器位置模型的落种位置解算算法,实现各排种单体落种位置实时解算。实验表明系统在进行直线播种时作业速度在7 km/h以内或在进行弯道播种时作业速度在3 km/h以内时,能准确测量落种位置,均方根误差均小于30 mm,可以满足在精密播种过程中对落种位置预测精度的要求。

基于深度学习的棉花原位根系表型的识别

原位根系研究是探测根系表型及变化动态的重要方法,被广泛应用。然而,传统根系图像分割手段效率低、精度差,是制约根系研究的关键障碍。为实现原位根系图像分割的高效和高精度,本文基于语义分割U-Net网络设计与优化,在跳跃链接中加入SE模块,替换优化器为Lion,实现原位根系表型的精准识别。进一步,采用1D-CNN网络,对原位根系表型信息进行特征挖掘。验证结果显示,相较于原始模型,改进后的U-Net在精度上提高了1.57%,交并比提高了3.41%;1D-CNN对表型参数鉴定的精度为90.9%。本研究基于深度学习方法,实现了原位根系的高效和精准识别与分割,为棉花原位根系研究提供了重要支撑。

基于改进YOLO v4的自然场景下冬枣果实分类识别

为实现冬枣园机械化自动化采摘以及冬枣树精准化管理,针对自然场景下冬枣果实的快速、准确分类识别问题,提出一种基于YOLO v4模型改进的冬枣果实分类识别模型CC-YOLO v4。利用改进的CSP跨阶段部分连接结构和多尺度特征融合的CBAM卷积注意力模块,减小网络规模的同时增强特征提取能力,改善果实分类识别的误检和遮挡目标的漏检情况;采用Softmax交叉熵损失函数代替Sigmoid二元交叉熵损失函数作为分类损失函数,引入EIoU损失函数代替CIoU损失函数作为边界框回归损失,进一步改善果实分类识别的误检并提升预测框精度。试验结果表明,CC-YOLO v4模型对3类冬枣果实的查准率P均值为81.86%,平均检测精度均值mAP为82.46%,IoU均值为81.35%,模型参数量和大小分别为26.9 M和108 MB,检测速度可达28.8 F/s。与其他模型相比,本模型具有更好的分类识别能力、识别速度和较小的模型复杂度。在不同果实数量情况下进一步试验,本研究方法具有良好的精度和鲁棒性,对解决自然场景下冬枣果实的精准分类识别问题具有重要参考价值。

基于BERT模型的网站敏感信息识别及其变体还原技术研究

针对各类网站为了避免被检测到敏感信息,网站内的文字常采用变体词对敏感词词库进行规避。为解决这一问题,文中提出一种基于BERT模型结合变体字还原算法的网站敏感信息识别的方法。该方法将针对文本中的变体词进行还原,通过采用BERT模型对文本内容进行向量化,并将其输入由Bi LSTM层和CNN层构成的模型进行训练,从而实现对网站内敏感信息及其变体词的识别。实验结果显示,变体词还原的正确率较高,通过BERT模型获取的文本向量在文本分类任务中表现出色。与其他模型相比,BERT-Bi LSTM-CNN模型在网站敏感信息识别任务中表现出更高的准确率、召回率和F1值,呈现明显的提升。文中模型为变体词还原问题和敏感信息识别领域提供了参考和支持,具有一定的实际应用价值。

改进YOLOv7算法的龋齿图像检测

针对口腔医疗资源紧缺和龋齿治疗效率不足的问题,提出一种改进YOLOv7的龋齿图像检测算法,旨在协助医生进行更有效的医疗诊断,同时增强患者对预防龋齿的意识。首先,在YOLOv7算法的主干网络引入ECA-MobileOne网络模块代替原有的ELAN模块,降低模型参数量,提高对小目标龋齿特征的有效提取;其次,在特征图输出层采用自适应特征融合(ASFF),自适应地学习各尺度特征图在融合时的空间权重,充分获取口腔图像中不同尺度下的关键特征,提高检测的全局性和准确性;另外,采用soft-NMS算法替换原有的非极大值抑制算法(NMS),在牙齿异位或重叠等情况下能更有效地提升检测效果。使用在保定市第二医院口腔科采集的口腔照片数据集进行实验,结果显示,改进后的算法mAP达到93.4%,相较于原始YOLOv7算法提高了5.5%,并且与当前主流算法相比,具有一定的先进性,为促进口腔健康的整体改善提供了新的技术支持。

基于机器视觉的黄瓜新鲜度检测方法研究

人工挑拣黄瓜费时费力,黄瓜自动挑拣可大大提高黄瓜的生产效率,目前还没有看到黄瓜自动挑拣过程中准确检测其果实新鲜度方面的有效方法。本研究提出一种基于机器视觉的黄瓜新鲜度检测方法,采用RGB图像分析法提取颜色特征,利用连通区域标记法计算瓜刺个数特征,借助灰度共生矩阵法提取纹理特征,利用支持向量机算法对黄瓜新鲜度进行了分类识别。在宁阳大刺黄瓜320个图像数据上的平均识别准确率达到98.43%,表明本研究提出的黄瓜新鲜度检测方法是有效的。

基于EDEM的播种单体精准落地位置预测方法研究

播种精准化、数字化是粮棉作物生产过程智能化管理的基础,精确的单体落种位置可以为农作物生产管理提供数据支撑,并极大地提高农机作业效率。为此,对玉米种子在排种盘和导种管中的受力情况进行分析,提出了落种点位置精准预测动力学模型。以2BMQF-5/10型全还田防缠绕免耕施肥指夹播种器为模拟原型,采用SolidWorks建立传送带与导种管模型,运用EDEM完成玉米种子模型的非球形颗粒填充和种子从进入导种管到落地全过程的仿真模拟实验。将实验获得的数据值与计算值进行分析研究,得到整机作业的前进速度和导种管高度对落种位置的预测规律,并对导种管的物理形态进行改进。研究结果表明:所提出的方法能够有效地预测落种位置,为结合定位系统计算落种绝对位置和后期精准作业管理提供了技术支撑。

基于改进YOLO V5s模型的遥感图像目标检测及应用

利用改进YOLO V5s模型实现遥感图像目标检测并用于地域贫困评估。针对现有模型提出了三点改进:加强PAN结构、基于bounding box的RIOU_Loss回归损失函数、协同注意力机制。同时将遥感图像目标作为表征,计算连续时间节点内的贫困率变化。实验结果表明,改进模型的P、R、mAP@0.5、mAP@0.5:0.95值存在不同程度的提升,而Loss值有所下降。因此,与原模型相比,改进模型具备更精准的目标检测能力。同时,与传统的统计数据方法相比,改进模型为地域贫困评估提供了一种等效的无数据评估思路。

以“互联网+”大学生创新创业大赛成功项目论高校创新创业教育体系

国务院总理李克强曾指出,大学生是实施创新驱动发展战略和推进大众创业、万众创新的生力军。把创新创业教育融入人才培养,切实增强学生的创业意识、创新精神和创造能力。大学生创新创业大赛是促进创新创业教育的有力抓手,"互联网+"大学生创新创业大赛是最有影响力的赛事之一。本文分析了中国"互联网+"大学生创新创业大赛获奖项目的成功因素,提出了创新创业路径。结合多年从事创新创业教育和指导获奖项目"智慧农机"的实践经验,从创新创业需求出发,提出了以高校为主体、以人为本、以培养创新思维、创新能力和创新型领导为目标的"融内联外"的大学生创新创业教育生态系统。

农业软件研发的障碍分析与发展重点研究

首先分析了河北省农业信息化的现状,调研了农业信息化的需求,进而分析了影响农业软件研发的因素,提出了开展农业软件研发的策略和发展重点。认为在进一步完善农业信息基础设施的同时,建立政府扶持、科研与教育机构为主要研发者、与农户(公司)相结合的研发与推广体系,根据国情,以政府引导、市场需求为导向,以开发农业信息化软件产品为突破口,利用效益来改变农民对农业软件需求的认识,进而全面开展各类农业软件的研究开发和推广,这将有利于建立节约、高效、持续农业,提高农民收入和农业技术及装备水平,加速实现农业现代化。

乡村服务业数字化转型的模式与路径——评王素贞、朱曼莉专著《人工智能驱动乡村新型服务业发展研究》

培育乡村新型服务业,对于全面推进乡村振兴、加快农业农村现代化具有重要意义,通过数字化赋能乡村服务业,既是形成乡村发展新动能的有效途径,也是提升农业、繁荣农村、富裕农民的客观需要。近年来,各级政府以“新基建”发展战略为契机,支持5G、物联网等新一代信息基础设施进村入户,为人工智能、云计算、大数据等新技术在乡村建设中的应用普及打下了坚实基础,为“十四五”期间数字经济在农村的蓬勃发展构建了良好环境。

农业信息化发展重点与策略研究

本文是在《河北省农业信息化发展重点与发展策略》课题研究的基础上进行的深入研究。首先介绍了农业信息化建设的现状和农业信息化的需求,进而分析影响农业信息化建设的主要因素和问题,最后提出了农业信息化的发展重点与策略。

商业智能系统的功能构架

在上期的《初识商业智能》中,我们通过介绍商业智能的常规性知识、商业智能的典型应用、商业智能与各种企业信息化系统的关系等,使大家对商业智能有了感性认识。那么,商业智能系统究竟是如何运作?实施哪些功能?请看本期的《商业智能系统的功能构架》。

改进Multi-scale ResNet的蔬菜叶部病害识别

基于深度网络的蔬菜叶部病害图像识别模型虽然性能显著,但由于存在参数量巨大、训练时间长、存储成本与计算成本过高等问题,仍然难以部署到农业物联网的边缘计算设备、嵌入式设备、移动设备等硬件资源受限的领域。该研究在残差网络(ResNet18)的基础上,提出了改进型的多尺度残差(Multi-scale ResNet)轻量级病害识别模型,通过增加多尺度特征提取模块,改变残差层连接方式,将大卷积核分解,进行群卷积操作,显著减少了模型参数、降低了存储空间和运算开销。结果表明,在PlantVillage和AI Challenge2018中15种病害图像数据集中取得了95.95%的准确率,在自采集的7种真实环境病害图像数据中取得了93.05%的准确率,在准确率较ResNet18下降约3.72%的情况下,模型的训练参数减少93%左右,模型总体尺寸缩减约35%。该研究提出的改进型Multi-scale ResNet使蔬菜叶部病害识别模型具备了在硬件受限的场景下部署和运行的能力,平衡了模型的复杂度和识别精度,为基于深度网络模型的病害识别系统进行边缘部署提供了思路。

农机跨区作业紧急调配算法适宜性选择

目前农机跨区紧急作业中供需信息不对称,农机部门缺乏科学合理的紧急调配方案,无法在紧急状况下指导农机进行及时有效的调配。针对上述问题,该文研究了农机跨区作业紧急调配模型和算法。首先分析了多机多任务紧急调配过程,建立了以最小化调配成本和损失为目标的紧急调配模型,提出了基于距离最近优先的多机多任务紧急调配算法(shortest-distance first algorithm,SDFA)和基于贡献度最大优先的多机多任务紧急调配算法(max-ability first algorithm,MAFA),前者是搜索当前距离最近的农田和农机,进行优先分配,后者是搜索当前贡献度最大的农田和农机并进行优先分配。采用该文算法对河北省邯郸市2017年的真实数据以及随机生成的农田和农机实例库进行计算与分析可知,当农机数量充足时,算法MAFA的平均调配成本要比SDFA的平均调配成本降低4.34%。当农机不足时,SDFA的平均损失和平均调配成本要比MAFA的平均损失和平均调配成本分别下降了12.79%和4.11%。进一步验证可知,当农田数量为6时,上述2种算法比笔者之前提出的基于非合作博弈紧急调配算法(non-cooperative game algorithm,NCGA)的平均运算性能均提升25%以上,当农田数量为30时,性能均提升41%。该研究可为农机管理部门紧急调配与决策分析提供科学依据。

基于启发式优先级规则的农机调配算法

针对目前农机调配中无科学合理调配方案的现状,该文提出了一种基于机主选择的农机调配模式,建立了以高收入低成本为目标的优化模型。针对农机调配的特点,该文分析了组合的优先级规则,设计了基于启发式优先级规则的农机调配算法。分别采用一般农机调配算法和本文提出的调配算法对农田实例进行计算并得到不同的调配方案。从服务收入、调配路程和等待时间等方面对不同调配方案进行分析和比较可知,本文算法得到的调配方案要优于一般调配算法的方案。最后分析了农田数量和并行度对本文算法性能的影响。试验结果表明该文提出的算法对于解决当前农机调配问题更为有效。

基于小波变换模极大值的信号去噪方法研究

信号在采集、转换和传输过程中,由于受到设备、环境及人为因素的影响,使信号不可避免地受到噪声干扰。因此,如何去除信号中的噪声,得到感兴趣的信息是信号处理过程中的一项关键技术。对基于小波变换模极大值的信号去噪问题进行了研究,根据信号和噪声的小波变换模极大值在不同尺度上表现出的不同的传播特性,给出了基于小波变换模极大值的去噪算法。数值实验结果表明了该算法的有效性和可行性。