基于傅里叶和小波变换的电网谐波分析

正确提取电网谐波是进行电能质量分析的前提。根据电网谐波中既存在稳态谐波分量又有暂态谐波分量的特点,将傅里叶变换和小波变换方法结合起来对电网谐波进行分析,得出谐波分析的傅里叶小波综合算法。通过对单独傅里叶变换以及单独小波变换的对比分析,得知该文算法的优越性。同时通过对具体信号的仿真,验证了该算法的可行性。

基于非下采样Contourlet变换的显微图像清晰度评价算法

针对显微图像噪声多、光照不均匀的特点,文章提出了一种基于NSCT的显微图像清晰度评价算法。算法首先通过NSCT对图像进行分解,然后基于改进的拉普拉斯能量获取子带系数的能量,最终由低、高频子带系数能量的比值得到评价结果。实验结果表明,与拉普拉斯、方差及小波变换评价算法相比,该算法在保持高灵敏度的同时具有较好的抗噪性能,评价结果更为准确、稳定、可靠。

基于小波和神经网络的电能质量扰动信号数据压缩

在小波变换数据压缩方法和神经网络数据压缩技术的基础上,提出了将小波和神经网络应用于电能质量扰动信号数据压缩的方法。利用小波时域和频域的双重分辨率和神经网络的非线性函数逼近能力,以压缩比、均方误差为压缩效果的评价指标,对实际扰动信号进行数据压缩。采用样条小波和径向基神经网络数据压缩方法,以一个实例,给出了电能质量扰动信号的压缩仿真过程,给出了各类(电压凹陷、突起、尖峰、闪变及瞬态振荡)电能质量扰动信号的仿真分析结果。结果表明,该电能质量扰动信号数据压缩方法,压缩后得到的均方误差为-16.1397 dB,压缩效果良好。

基于近红外光谱技术的针叶材板材表面节子缺陷检测

为了实现木板材依据节子进行自动化分级,采用近红外光谱技术研究了多种针叶材表面节子缺陷的检测方法。采用Smart Eye 1700近红外光谱仪获取北美黄杉Pseudotsuga menziesii,铁杉Tsuga chinensis,云杉Picea asperata,白云杉Picea glauca-英格曼云杉Picea engelmannii-扭叶松Pinus contorta-冷杉Abies laciocarp a(SPF)等4种板材的近红外光谱(1 000~1 650 nm),比较了光谱预处理方法、建模方法对节子识别的影响,并首次对多种针叶树材进行了节子识别的适应性研究,随后引入一种新的变量选择方法即随机青蛙算法用于优选节子检测的特征波长,在此基础上建立了板材节子识别的最小二乘-支持向量机(LS-SVM)模型。结果显示:一阶导数光谱预处理结合LS-SVM所建混合树种板材节子识别模型性能最优。随机青蛙算法提取了8个特征波长变量,仅占全波段变量的1.23%,所建简化模型效果最好。该模型对测试集的敏感性、特异性和识别准确率分别为98.49%,93.42%和96.30%。近红外光谱技术结合化学计量学方法可以对针叶材树种板材的表面节子进行快速准确检测,随机青蛙算法是提取板材表面节子缺陷特征的有效方法。该结果可为下一步搭建木材节子快速检测系统提供技术支撑。

农业信息化专业硕士“农业信息管理与利用”课程教学改革探索

《农业信息管理与利用》是浙江农林大学农业信息化专业硕士研究生的主干课程之一。论文针对该门课程的教学内容、教学方法以及课程评价等进行了一系列改革。确定教学内容,丰富教学手段,引入讨论式教学,激发学习兴趣,跟踪科技前沿,完善考核方式,并在此基础上提出了一些后续的教学改革建议。

单片机实践教学改革初探

单片机实验是一种内容广泛、丰富多样、灵活机动的设计性、综合性实验。本文就单片机实验教学现状进行了分析,对本课程的特点进行了剖析,并结合我校培养具有创新精神的人才的培养目标,提出强化实践、注重能力培养的基础能力训练、应用能力和综合能力训练的实践教学模式,积极发挥学生的主体作用,培养学生的实践能力与创新精神。

基于分块阈值和边缘检测的叶片分割算法

针对复杂的植物叶片图像,提出了一种分块阈值、边缘检测相结合的图像分割算法。首先,根据预先确定的子块的大小,把整幅图像划分成若干数目的子块,对每个子块用大津法进行分割,把分割好后得到的子图像拼接起来形成目标图像;然后,用改进的Sobel边缘算子对原图像进行边缘提取分割;最后,把分块阈值得到的结果与边缘检测得到的结果结合起来得到较优的结果;在此基础上再进行腐蚀、填洞等形态学操作,得到最终的分割结果。实验表明:与传统的分块阈值、边缘检测相比较,此算法的抗噪性较好,细节上分割得也较为清楚,具有较好的分割效果。

无人机影像自动拼接校正

无人机影像可获得海量的高空间分辨率影像,在国土资源、林业调查、农业、灾害快速响应等多方面具有广阔的应用前景,不过如何立刻收集这些数据,是无人机快速应用的一个难题。如何拼接一系列具有重叠区的相邻影像,构成无缝可用的总影像,是应用的一个重要问题。研究采用浙江省富阳的无人机影像,预处理后基于参考影像,先对待匹配影像进行均质化变换,以减小影像间的明显差异,再寻找匹配特征并寻优。在影像之间的重叠区域,为尽量达到影像间无缝连接,采用平滑处理。拼接算法在Matlab 6.5中实现所得到的最终结果,较好地实现了影像间的结合,总体连接平滑并且接缝不明显。研究能够为实现无人机影像的自动化处理,加快无人机在各领域的应用。

基于MATLAB的DTMF不规则信号识别

双音多频信号具有抗干扰性强和高速率传输的优点,主要被应用于按键式电话机上,现今在移动通信领域发挥着不可或缺的作用。该文论述了在环境存在噪声且信号间隔不规律的情况下,为了提高信号识别度,提出的一种基于MATLAB的DTMF不规则信号识别方法。实验结果表明,利用信号过零率的特征可以有效侦测出信号端点,同时FFT算法也可将识别精度提高。

基于多传感器信息融合的白芨霉变快速检测方法研究

探索了一种基于多传感器融合感知的白芨霉变快速检测系统,采用多个气体传感器构建检测阵列,并建立了适用于白芨霉变快速检测的非线性信号分析模型,探索多传感器检测特征信息之间的耦合机制,采用构建检测系统实验检测了不同霉变程度的白芨样品,建立起白芨霉变快速检测模型,拟合参数表明该模型具有较好的拟合精度。验证实验证明本研究所建立的白芨霉变快速感知模型可以满足白芨霉变快速检测的需要。

基于微调CaffeNet的林业图像分类

【目的】基于迁移学习提出一种微调卷积神经网络(CNN)的林业图像自动分类方法,以利于林业管理部门对相关事件作出合理的处置方案或指挥调度决策,从而提升森林管护水平,保护森林资源和生态安全。【方法】基于大规模辅助图像数据集ImageNet预训练好的CaffeNet模型,利用林业图像数据对模型进行微调训练。模型前5层参数通过迁移获得,包括卷积层、激活函数和池化层;全连接层和Softmax参数通过训练确定。【结果】微调预训练卷积神经网络CaffeNet模型具有很好的林业图像分类正确率,在根据林业业务需求建立的4类林业图像数据集上,经过一定次数迭代后,平均识别精度达97.5%。进一步特征可视化显示,训练好的深度卷积神经网络不同层获得的特征图可从不同方面获得林业图像分类能力。与传统特征提取方法相比,即使分类种类数增加1种,识别率也可提升10.8%。【结论】利用CaffeNet模型进行林业图像分类可行。相比传统特征提取识别方法,基于卷积神经网络的林业图像分类模型具有很强的特征提取和分类能力,能够在森林管护中发挥重要作用。

基于STM32的农业智能小车设计

本设计主要应用于农业种植基地,可以按指定路线自动寻迹并检测周围有无火源,当检测到火源时,它便会停止运动,发出报警声,利用SIM808通讯模块向客户端手机发送预警短信,向电脑端发送GPS定位信息。该设计以STM32F103ZET6为控制核心,与火焰传感器和烟雾传感器建立通讯,通过读取各个模块的数据,进而做出实时判断,实现巡检的功能。

基于可编程摄像头的森林防火监控设计

森林火灾具有突发性强的特点,并且会带来严重的破坏。该装置通过使用OpenMV可编程摄像头和高斯滤波法图像处理技术,采集森林图像,STM32F103VE与OpenMV建立通讯,实现森林防火信息获取、信息传输和通报等功能。该装置致力于在最短的时间内发现火情,在火情尚未恶化的情况下,实施灭火。

基于静态小波变换和2代曲波变换的图像融合算法

提出了一种基于静态小波变换(SWT)和2代曲波(curvelet)变换的图像融合算法.首先将原图像分别进行SWT变换得到高、低频分量.然后,对低频分量采用基于2代曲波变换的方法进行融合,对高频分量基于绝对值最大的方法进行融合.最后进行SWT逆变换得到最终的融合图像.实验结果表明,该算法具有SWT变换和2代曲波变换二者的优点,主客观评价均优于单独SWT变换和单独2代曲波变换融合算法,也优于离散小波变换(DWT)和曲波变换相结合的融合算法.

基于近红外光谱的褐变板栗识别建模方法研究

为了实现褐变板栗的快速无损分选,研究了基于近红外光谱技术的褐变板栗栗仁检测方法。试验在1000-2500 nm波段范围内采集板栗栗仁的反射光谱,通过标准正态变量变换预处理后,采用K-最近邻法（KNN）、簇类独立软模式法（SIMCA）、主成分回归-线性判别分析法（PCA-LDA）、偏最小二乘回归-线性判别分析法（PLS-LDA）以及最小二乘-支持向量机判别分析法（LS-SVM）分别建立褐变板栗识别模型并进行比较分析。偏最小二乘结合最小二乘-支持向量机所建PLS-LS-SVM模型性能最优,该模型对测试集的敏感性、特异性和识别正确率分别为1.00%、0.92%和95.00%。结果表明：近红外光谱结合PLS-LS-SVM可用于褐变板栗的快速无损检测。

基于近红外光谱与CARS-PLS-LDA的褐变板栗识别

为了实现带壳褐变板栗的快速无损分选,研究了基于近红外光谱技术的褐变板栗检测方法。试验在1 000~2 500 nm波段范围内采集带壳板栗的反射光谱,利用竞争性自适应权重法（CARS）筛选波长变量,采用偏最小二乘-线性判别分析法（PLS-LDA）建立褐变板栗的识别模型,并与全光谱变量所建立的识别模型进行比较。结果显示,经二阶导数处理的光谱结合CARS-PLS-LDA方法可以有效识别褐变板栗,所建模型对测试集样本的敏感性、特异性和识别正确率分别为0.85%,0.90%和88.73%,优于未经变量优选的识别模型。筛选的波长变量个数为224个,仅占全部变量的14.39%,不仅降低了模型复杂度,而且提高了识别准确率。研究结果表明,近红外光谱技术结合CARS与PLS-LDA可以检测带壳褐变板栗,为板栗的快速自动分选提供了理论依据。