基于高光谱的云岭牛雪花牛肉氨基酸含量预测

为建立一种基于高光谱成像技术结合机器学习的雪花牛肉氨基酸含量无损、快速测定的方法,采集云岭牛5个等级100组的雪花牛肉分别在400~1 000 nm和900~2 500 nm波段高光谱数据,使用JJG1064-2011标准氨基酸分析仪测定样本中17种氨基酸含量;采用一阶差分(1st Derivative,D1)进行高光谱数据预处理,使用连续投影算法(Successive projection algorithm,SPA)提取特征波段。采用决策树(Decision trees)、支持向量机(Support vector machine,SVM)、岭回归(Ridge regression)、偏最小二乘回归(Partial least squares regression,PLSR)以及卷积神经网络(Convolutional neural network,CNN)5种方法预测氨基酸含量。结果表明,结合D1预处理、SPA特征提取建立CNN模型在预测氨基酸含量方面表现最佳,其均方误差(Mean squared error,MSE)为0.010 3,平均绝对误差(Mean absolute error,MAE)为0.082 2,决定系数(Coefficient of determination,R2)为0.898 5。

基于多光谱航空图像的农田生长异常区域实时分割模型

针对农田异常区域分割问题,采用特征融合跳跃连接模块和全局-局部注意力模块改进UNet网络模型,提出了一种农田异常区域实时分割网络,实现了对多种农田异常区域的精细分割。结果表明,农田生长异常区域实时分割模型的平均交并比(MIoU)明显优于其他模型,平均交并比为41.24%;相较于使用UNet作为基线的模型,虽然本研究模型的参数量略有增加,但农田分割效果明显提升,MIoU提高了4.16个百分点;与基于Transformer编码器的SegFormer模型相比,本研究模型的参数量基本相同,MIoU提高了2.50个百分点。本研究模型通过采用自适应采样训练方法确保在每个类别上都能取得出色的分割效果。利用多光谱航空图像训练农田生长异常区域实时分割模型,有助于实现无人机对农田生长进行实时监测、预警,推动智慧农业发展进程,为自动监测农田生长情况提供了新的方法和思路。

基于改进BiSeNet的葡萄黑麻疹病害程度分级预测

为了准确对葡萄(Vitis vinifera L.)黑麻疹病害程度进行分级预测,通过语义分割模型将叶片部分和病斑部分分割出来,以同一叶片上病斑面积与总叶面积的比值作为疾病严重程度分级的依据,对葡萄黑麻疹病害程度进行分级预测。精确标注了PlantVillage公开数据库中的419张葡萄疾病图像,细分为背景、叶片和病斑3个类别,并应用了数据增强技术增加样本多样性。以BiSeNet作为基准模型,引入GhostNet作为上下文路径的主干提取网络,不仅保持了较小的模型参数量,而且在精度上实现了明显提升,满足病害程度分级预测的需求。提出了累加空洞空间金字塔池化(CASPP)模块,用来替换BiSeNet模型中单一的上下文嵌入模块,以增强BiSeNet模型的多尺度上下文信息提取能力,提高了模型的分割精度。经过测试,本研究模型在测试集中的平均交并比为94.11%,在对葡萄黑麻疹病害程度进行分级预测时,准确率达98.21%,能够精确地对葡萄黑麻疹病害程度进行分级预测。