基于改进蜂群算法优化神经网络的玉米病害图像分割

更加细致的体现病害外部形态特征和较为完好的保留病害区域颜色纹理信息,是玉米等作物病害分割的关键性研究问题之一。该文提出一种基于改进人工蜂群算法的脉冲耦合神经网络图像分割算法,该算法以最大香农熵和最小交叉熵加权线性组合作为蜂群算法收益度评价函数,通过引入尺度因子调整引领蜂和跟随蜂的解搜索策略,改进后人工蜂群算法与脉冲耦合神经网络相结合,实现网络参数的自动优化调节。在RGB色彩子空间上将该算法用于一组玉米常见病害彩色图像分割,并借鉴利用彩色图像合并策略得到最终病害分割结果。试验表明,该文算法较为细致的体现病害外部形态特征,较为完好的保留了颜色纹理信息;利用分割区域色度误分度V(I)值作为评判标准,该文算法V(I)幅值顺次降低2.03%、7.05%、10.15%和11.2%,综合降低了7.32%也优于对比算法。因此,该文算法为病害彩色图像分割提供了一种较为有效的方法。

基于视觉词典法的母牛产前行为识别

母牛活动方式及规律的信息获取是特定阶段进行必要人工干预的重要判据之一,针对已有通过外置传感器获取信息手段的局限性,提出一种改进时空局部二值模式用于特征描述,构建视觉词典实现对视频中母牛基本行为的识别,并最终通过统计产前特定基本行为发生频次来揭示临产期规律。试验表明所提方法对90组规定视角下母牛产前行走、侧卧和回望等典型行为的平均正确识别率约为94.6%;对30组水平随机视角下拍摄的上述3种行为平均正确识别率约为88.3%。通过采集母牛临产期分娩前后约13 h的视频,提出的算法识别母牛平均执行回望和侧卧的频次依次为30次和21.2次,行为发生频次体现为前低后高,在分娩前回望频次达到峰值8.8次,侧卧频次明显减低为2.2次。试验结果证明,视觉词典法能实现对母牛产期行为的识别与规律的量化描述。

基于多注意力机制级联LSTM模型的猪脸表情识别

面部表情是传递情感的重要信息,是家畜生理、心理和行为的综合反映,可以用于评估家畜福利。由于家畜面部肌群结构简单,因此家畜面部不同区域的细微变化对于表情的反映较难识别。该研究提出一种基于多注意力机制级联LSTM框架模型(Multi-attention Cascaded Long Short Term Memory,MA-LSTM)对家猪时序面部表情进行分类识别。首先通过简化的多任务级联卷积结构实现帧图像中猪脸的快速检测与定位,去除非猪脸区域对于识别性能的影响。其次提出一种多注意力机制模块,利用不同特征通道视觉信息不同相应峰值响应区域也不同这一特性,通过对峰值响应相近区域进行聚类捕获表情变化引起的面部显著性区域,实现对面部细微变化的关注。在自标注构建的家猪表情数据集上的试验结果表明,该研究提出的多注意力机制级联LSTM模型在4类表情的平均识别准确率为91.826%,对比关闭多注意力机制模块平均识别准确率平均提升6.3个百分点,同时误分率也有较为明显的降低。对比其他常用面部表情识别算法LBP-TOP、HOG-TOP、ELRCN、STC-NLSTM,MA-LSTM模型平均识别精度分别提升约32.6、18.0、5.9和4.4个百分点。试验结果验证了该研究提出的多注意力机制级联LSTM模型在猪脸表情识别的有效性。

改进稀疏超完备词典方法识别奶牛跛足行为

监测与发现奶牛异常行为是实现疾病早期防控的关键,其中尤以跛足行为发现与识别较为典型,但是当前家畜异常行为识别仍然存在在线性能较差的问题。针对这一问题,该文提出2种改进策略。首先提出一种基于共轭梯度追踪算法的稀疏超完备词典学习算法(conjugate gradient pursuit-KSVD,CGP-KSVD)用于跛足行为特征的语义级描述和表示,即在稀疏编码构建阶段引入共轭梯度追踪算法寻找优化搜索方向,同时避免存储和计算大规模Hessen矩阵带来的计算负载,从而提升稀疏超完备词典学习算法的收敛速度。其次通过时空兴趣点与稠密轨迹图二次提取时空兴趣点相融合实现视频底层特征提取和表示,在保留丰富细节特征信息的基础上减少冗余特征降低计算负载。在1 200个时长10 s的标注视频样本集上测试结果显示:该文提出的算法识别准确率达到100%,识别平均响应时间为0.043 s,对比基于基追踪算法(basis pursuit-KSVD,BP-KSVD)和正交匹配追踪算法(orthogonal matching pursuit-KSVD,OMP-KSVD)稀疏编码序列优化策略算法在识别平均响应时间分别提升1.11和0.199 s,在90 h回放视频和在线测试视频上跛足行为识别准确率分别为93.3%和92.7%,明显优于对比算法。试验结果表明该文提出的跛足行为识别算法框架具有较高的识别准确率和较好的在线响应时间,可以为相关研究工作提供借鉴意义,相关技术可以成为接触式传感器监测及其他技术的必要补充。

面向大规模多类别的病虫害识别模型

早期病虫害精准识别是预警和防控的关键,但是病虫害种类繁多数量巨大,外部形态存在类间相似度较高而类内差异性较大等性状特征,导致病虫害识别仍然是一项极具挑战的工作。为实现病虫害识别分类任务中差异化特征的提取和表示,该研究提出一种大规模多类别精细病虫害识别网络模型(a large-scale multi-category fine-grained pest and disease network,PD-Net)。首先通过在基准网络模型中引入卷积块注意力模型,通过混合跨特征通道域和特征空间域实现模型在通道和空间两个维度上对关键特征提取和表示,用以增强网络对差异化特征的提取和表示能力。其次引入跨层非局部模块,提升模型在多个特征提取层之间对于多尺度特征的融合。在61类病害数据集和102类虫害数据集上的试验结果表明,对比AlexNet、VGG16、GoogleNet、Inception-v3、DenseNet121和ResNet50模型,该研究提出的面向大规模多类别病虫害识别模型,Top1识别准确率在病害和虫害集上分别达到88.617%和74.668%,精确率分别达到了0.875和0.745,召回率分别达到0.874和0.738,F1值达到0.874和0.732,试验结果对比其他模型均有一定幅度的提升,验证了PD-Net模型在大规模多类别病虫害识别上的有效性。

基于改进稠密胶囊网络模型的植物识别方法

植物识别意义重大,但是由于植物种类繁多,规模数据集标注和构建困难,因此植物物种识别作为精细分类任务仍然面临巨大挑战。该研究提出一种改进稠密胶囊网络模型用于植物物种识别。首先,在网络初始端引入自注意力层,通过增加特征图中待识别区域的特征权值以降低背景信息对于识别任务的干扰。其次,在改进模型胶囊层间使用局部约束动态路由算法,实现局部区域内胶囊路由选择和转换矩阵共享机制,降低网络参数规模,减小网络训练学习计算负载。在试验数据集上计算结果表明,当输入图片尺度为32×32像素时,该研究模型平均识别准确率为77.2%,参数规模仅为1.8M。当输入图片尺度为227×227像素时,该研究模型平均识别准确率为95.1%,参数规模仅为5.2M。试验结果表明提出的改进稠密胶囊网络模型在识别分类和降低模型参数规模上均有大幅提升。

基于局部时空模式的体育视频行为识别

针对视频行为识别中由于目标相互遮挡及环境背景的复杂性等因素进行多目标跟踪存在的问题,提出一种将局部模式活跃度判别模型用于视频中活跃个体的检测和定位方法,解决了基于轨迹方法中由于遮挡导致轨迹提取不完整或背景过于复杂等因素导致的识别准确度较低的问题。将该模型分别应用在2012年欧洲杯足球赛和2013-2014赛季西班牙甲级足球联赛38场比赛关联进球事件的视频段上,得到平均准确率为91.3%的较好结果。实验结果验证了该方法对视频中目标物行为识别具有较高的准确性和实用性。

基于改进蜂群算法的项目反应理论混合模型参数估计

基于混合项目反应理论模型,实现了对客观题组和主观测试组成项目结构的模型构建,并给出一种改进人工蜂群算法实现该混合模型的参数估计.在模拟数据上通过与Winbug的对比结果验证了利用改进人工蜂群算法估计混合模型参数的有效性.

数学建模思想融入高校数学教学探析

本文探讨了将数学建模思想融入大学数学教学的必要性,着重论述了把数学建模思想融入到数学类主干课程教学中的指导原则,以及列举了具体的教学实例。

人参食品追溯链地理信息可视化方法研究

针对人参食品可追溯链在物流运输环节中动态地理定位信息可视化问题,在深入研究Android地理定位和Google Maps API技术的基础上,利用智能手机可移动通讯特点,以HTC Sensation手机为测试平台,提出了将人参食品追溯链地理位置及路径信息进行可视化显示的方法。软件测试结果表明,该方法通过用户手机提取包装条码信息的同时,可以动态显示食品的地理位置和历史路径可视化信息,有效辅助可追溯链的信息查询和管理。

地方高校人才创新、创业教育体系研究

本课题以吉林农业大学本科大学生创新创业团队为主要实践对象,在吉林农业大学校级重点研究课题资助下,通过文献查阅调研方法、问卷调查分析方法、对比分析方法,科学地发现并理解高校本科大学生创新创业团队发展状况和存在的各种问题,找出个中不足,从而为地方高校实施创新、创业能力教育的相关研究和实践提供一定的理论支持,同时对地方高校本科大学生创新、创业的必要性进行说明。

农林院校数学模型教学模式初探

本文从农林院校办学角度出发,讨论开设数学模型课程的必要性。并结合作者在吉林农业大学多年教授数学模型课程的经历,初步探讨了在农林院校开设数学模型课程的教学模式。

基于遗传算法的SFAM训练样本序列的确定

训练样本集输入序列的确定直接关系到简单自适应谐振匹配网络(SFAM)作为分类器的执行性能,已有确定算法包括随机序列仿真算法、投票决策算法和最大-最小序列算法。基于遗传算法作为一种全局搜索算法的特点,本文提出用遗传算法实现SFAM训练样本集最优输入序列确定的方法,并以加州大学Irvine分校机器学习数据库作为实验样本库,实验结果表明,该算法比投票决策算法和最大-最小序列算法对提升SFAM网络分类器的分类精度和降低训练时间更为有效。

基于改进残差网络的园林害虫图像识别

针对北方园林害虫识别问题,提出了一种基于改进残差网络的害虫图像识别方法。首先,采用富边缘检测算法,将中值滤波、Sobel算子和Canny算子相结合,对害虫图像进行边缘检测;然后,改进残差网络中的残差块,通过添加卷积层和增加通道数提取更多的害虫图像特征,并将贝叶斯方法运用于改进后的网络中,优化超参数;最后,将预处理的害虫图像输入神经网络中,利用分块共轭算法优化网络权重。对38种北方园林害虫进行了识别,试验结果表明,在相同数据集下,与3种传统害虫识别方法相比,本文方法的平均识别准确率平均提高9. 6个百分点,加权平均分数分别提高16. 3、10. 8、4. 5个百分点。

基于轻量和积网络及无人机遥感图像的大豆田杂草识别

为提高机器视觉在无人机等小型嵌入式设备中杂草识别的准确率,该文以大豆苗中常见禾本科杂草和阔叶型杂草为研究对象,针对传统和积网络在图像分类任务中模型参数多、训练时间长、含有较多冗余节点和子树的问题,该文改进传统和积网络的学习过程,提出一种以小批量数据作为输入的轻量和积网络。在结构学习中,当积节点作用域内的变量个数小于一定阈值时,合并积节点为多元叶节点,否则将积节点重组为和积混合结构,并对边缘节点进行裁剪,有效降低了模型的参数量和复杂度。在参数学习中,提出贝叶斯矩匹配更新网络参数,使得模型对小样本的学习效率更高。最后结合K均值聚类算法应用于无人机图像中的杂草识别。试验结果表明,利用该方法对无人机图像中大豆苗、禾本科杂草、阔叶型杂草以及土壤的平均识别准确率达99.5%,高于传统和积网络和传统AlexNet。并且模型平均参数量仅为传统和积网络的33%,内存需求最大时减少了549 M,训练时间最多减少了688.79 s。该研究可为轻量和积网络模型在无人机喷洒农药中的杂草识别提供参考。

组合预测方法在玉米施肥预测中的应用

为提高玉米施肥量预测的精度,利用拉格朗日乘数法,基于预测误差平方和最小这一目标,对肥料效应函数、神经网络施肥预测方法这2种单一施肥量预测模型进行加权组合,建立了玉米施肥组合预测模型。预测结果显示:肥料效应函数、神经网络施肥预测方法和组合预测模型的预测误差平方和分别为2789.40,653.79,421.72,说明玉米施肥组合预测模型优于单一施肥预测模型;采用组合预测方法对玉米施肥量进行预测,能够显著提高预测精度。

支持向量机分类器的快速样本选择法

当样本集很大时,训练支持向量机需要很大的内存空间和很长的CPU占用时间.为了减轻支持向量机训练过程中的计算负担,提出一种快速的改进算法,该算法只选择靠近最优超平面的样本.实验结果表明:当训练集很大时,训练时间及预处理的时间都得到了削减,同时,分类精度并没有损失.

基于谱残差与笔画宽度变换的显著性文本检测方法

为有效利用Android智能终端实现对文本信息的有效识别,提出一种基于谱残差和笔画宽度变换的显著性文本特征提取方法.首先应用基于谱残差的显著性检测获取显著图;然后利用最大熵判别方法分割并建立显著性文字候选区域;最后通过笔画宽度变换算法在候选区域内提取闭合边缘等宽特征.构建基于Android智能终端和服务器的C/S架构实验平台,在MSRA-TD500文字定位数据库与实验室场景数据库中的实验结果表明,该算法可较好地获取图像中的显著性文字特征,在保证运算效率的同时算法性能有所提升.

基于机器学习的鹅膏属真菌形态特征分类模型研究

针对鹅膏真菌分类的问题,区别于传统人工分类方法操作比较复杂,分类速度慢的问题。从鹅膏属真菌特征形态数据入手,提出基于机器学习算法的一种分类模型。模型前期采用最值归一化的方法对数据进行预处理,其次以支持向量机作为分类器,选择线性函数作为核函数,同时使用交叉验证算法来寻找最优的惩罚系数C,通过混淆矩阵来分析数据分类处理中产生的误差,最后对试验中两种最优核函数的改进混合,使得模型的精准率在一定程度上达到最优。在分类模型中,将15个鹅膏属真菌的形态特征作为分类依据,并且给予相关属种的分类指标。在将数据进行相关要求划分后,将数据分为训练集和测试集,用训练集数据进行分类模型的建立,测试集数据验证其分类精准度。通过试验得出最后测试模型的精准度达到91.43%,训练模型的测试得分达到97.59%,在进行核函数的混合改进后测试模型的精准度以及训练模型的精准度都达到100%。

基于标识变化的时空推理

空间变化是空间信息处理中的热点问题,标识变化是空间变化的关键问题之一.但是现有工作侧重表达,知识推理能力较弱.为此,研究了基于标识变化的时空推理问题.给出了基于多段图和集合论的标识变化形式化语义,在此基础上定义了二元关系模型.针对基本关系约束满足问题,提出了构造性求解算法,并证明了代数封闭算法可解;针对全关系约束满足问题,提出了一致场景算法.理论分析和实验应用均表明该方法能有效解决信息不完整、不准确情况下的标识变化表示与推理问题,对此类问题其它同类模型尚不能很好解决.