基于PSO-BP神经网络的水果成熟度/糖度预测系统

水果成熟度的准确预测对于农业生产和供应链管理至关重要。传统方法在水果预测领域被广泛采用,但难以捕捉复杂的成熟特征无法实现高精度的预测模型。为应对这一挑战,文章采用了PSO-BP神经网络,其强大的非线性建模能力使得预测结果更为准确。文章设计了一个多层前馈神经网络模型,通过学习复杂的成熟度特征来进行预测。使用真实的水果数据进行训练和测试,结果显示该文的模型在预测水果成熟度方面表现出色,相较于传统方法,具有更高的准确性。训练得到的这款模型可达到98%以上的预测率。

基于神经网络的病虫害识别系统

农作物病害识别在农业生产领域具有极其重要的作用。基于现代计算机技术的发展,机器视觉识别农作物病害已经被广泛应用。传统的机器学习模式是常用的病害识别算法,但其无法提取更加精细的特征,也就无法训练出高精度的模型来精准识别农作物的病害,本文采用轻量化卷积神经网络算法解决以上的难点,通过实验验证,识别效率大大提高。本文所述系统采用百度飞桨PaddleX框架,基于谷歌提出的MobileNet V3轻量化模型进行训练,并利用GPU加速并行运算以加快模型的训练。训练得到的模型通过验证集验证可以达到90%以上的识别率,同时为了保证程序的便携性,将此模型部署在微信小程序端,且开发了一款高效智能化的农作物病虫害识别的微信小程序——“识农病害”。