共查询到20条相似文献，搜索用时 15 毫秒
1.
孕穗至成熟期水稻冠层温度和土温水温的模拟 总被引：1，自引：0，他引：1
冠层温度以及土温、水温会对作物生长发育产生一定影响,在作物的各项生理中起到重要作用。为了建立水稻5 cm土温(简称土温)和水温以及30、60、90 cm冠层温度模拟模型,于2019年水稻生长季在南京信息工程大学展开水稻大田分播期试验,选用环境温度、风速以及株高、叶面积指数等水稻表型参数,区分晴天、多云、雨天不同天气条件,利用线性回归模型、反向传播(BP)神经网络模型、支持向量机(SVM)模型等方法对稻田各层温度进行模拟。结果显示,线性回归模型和BP神经网络模型对各层温度模拟的误差较大。SVM模型对各层温度模拟的最为准确,晴天90 cm冠层温度模拟的误差最大,绝对误差为1.29℃,多云天气土温模拟误差最小,绝对误差为0.09℃。SVM模型在不同天气条件下对各层温度模拟的误差都较小,模型适用性较好。 相似文献
2.
本文以塿土和黄绵土作为实验材料,尝试使用BP神经网络方法(Back-Propagation neural network)模拟人工降雨条件下,间隔覆盖坡面的产流产沙状况。通过设置不同坡度、降雨强度、面积比,获得各种因素不同水平组合下的实测数据;以实际降雨强度、坡度、面积比、径流起始时间和初始含水率5个因子为输入变量、坡面产流量和产沙量为输出变量,利用BP神经网络模型与多元线性回归模型对数据进行模拟分析,并检验其模拟效果。研究结果表明:训练样本集平均相对误差为18.23%,预测样本集平均相对误差为5.21%;与多元线性回归模型相比,BP神经网络模型拟合精度较高,拟合效果更理想,表现出更强的预测能力。另外,比较不同土质坡面产流量与产沙量模拟效果,塿土优于黄绵土。从本研究的结果看,BP神经网络模型应用于坡面产流产沙模拟预测,省时省力,方便快捷,具有一定的应用潜力,但其实际的模拟预测能力尚需进一步探索。 相似文献
3.
比较分析BP神经网络与SVM模型在径流预测应用中的性能特征。以降雨量为预报因子,采用BP人工神经网络模型和SVM模型对大别山黄尾河流域40 a时长的同期径流过程进行数值模拟,并对二者的预测性能进行比较与评价。结果表明,黄尾河流域BP模型模拟的总体相对误差为14.43%,合格率为77.5%,确定性系数为0.76,预报精度等级为乙级;SVM模拟的总体相对误差为12.41%,合格率、确定性系数及预报精度等级与BP模型相同。SVM模型模拟结果较BP模型而言更集中于较小的误差范围内。BP模型的累积误差>SVM模型,并且随着误差自由度的增大,这种差距有扩大的趋势,表明SVM模型的误差范围较小,误差间隔小于BP模型,模拟性能较BP模型更稳定。 相似文献
4.
为了实现机械手在抓取过程中对番茄应力松弛参数的快速准确估计,提出以BP神经网络为核心,遗传算法(GA)对BP神经网络初始权值和阈值进行优化的番茄应力松弛参数的估计方法:以番茄为样本,利用质构仪进行番茄应力松弛试验,并利用三元件广义Maxwell模型来表征番茄的应力松弛特性,通过拟合获取样本数据集;再以抓取力F、变形量D、作用时间t为输入,松弛特性参数E、Ee、η为输出构建BP神经网络模型,使用遗传算法对初始连接权值和阈值进行优化,获取最优参数的GA–BP神经网络估计模型;将该估计模型应用到机械手抓取过程中对番茄应力松弛参数的估计验证。结果表明:番茄应力松弛特性参数E、Ee和η的估计相对误差都在15%以内,且趋于稳定,该估计模型可对番茄应力松弛参数进行在线估计。 相似文献
5.
水稻叶片几何参数无损测量方法研究 总被引：1，自引：0，他引：1
【目的】提出实现自然生长状态下的水稻叶片几何形态参数视觉无损测量,为实时监控水稻的生长状况提供准确的数据,也为农学研究者提供新的技术手段。【方法】类似曲线长度细线测量方法,在叶脉上通过手势交互绘制确定一组控制点,插值生成过控制点的3次B样条曲线,调整控制点使得B样条曲线逼近叶脉方式实现水稻叶片长度测量。在叶片最大叶宽处绘制1次B样条曲线实现水稻叶片最大叶宽测量。采用基于4个方向模板运算的距离变换算法对茎叶夹角图像进行骨架信息提取,并利用Hough变换对提取的骨架信息进行直线检测实现茎叶夹角计算。应用BP神经网络、支持向量机回归和随机森林回归算法对样本数据进行训练,以水稻叶片长度、叶片最大宽度作为输入变量对水稻叶面积进行估测。【结果】B样条曲线逼近方式计算的水稻叶长的平均绝对误差和平均相对误差分别为0.523 3 cm和2.33%,叶宽的平均绝对误差和平均相对误差分别为0.055 2 cm和6.66%。Hough变换计算的茎叶夹角平均绝对误差和平均相对误差分别为1.27°和2.46%;通过对金优458和中早35两个不同品种结果对比,相较于其他模型,发现BP神经网络模型对叶面积估测结果的均方根误差、平均绝对误差和平均相对误差分均为最低,其中JY458品种的均方根误差、平均绝对误差及平均相对误差分别为1.189 2 cm2、1.061 cm2和4.95%,ZZ35品种的均方根误差、平均绝对误差及平均相对误差分别为1.143 1 cm2、0.959 5 cm2和4.85%。【结论】从图像采集到测量操作过程都不与被测叶片器官进行接触,真正意义上实现了对水稻叶片几何形态参数的无损测量,且操作便捷,测量精度高,误差小,完全能够满足农学研究的需求,为其他植物器官的几何形态参数无损测量提供了一种新的普适方法。 相似文献
6.
采集烤烟不同叶位烟叶图像并进行预处理，提取烟叶叶长、叶宽、面积、周长和最小外接矩形面积5个叶片绝对形态特征参数，计算狭长度、矩形度、圆形度、叶宽最大处占比、叶宽轴与质心夹角5个相对形态特征；通过主成分分析筛选出特征向量，构建基于K近邻算法(KNN)、逻辑回归(LR)、基于线性核函数和径向基核函数的支持向量机(SVM)和BP神经网络的烟叶部位识别模型，并对比5种模型的识别效果。结果表明：基于图像轮廓特征所提取的形态特征参数可以较为有效地反映烤烟部位特征；5种识别模型中，基于BP神经网络模型的识别效果最好，识别准确度为93.75%，训练集和测试集的模型决定系数均高于90%。 相似文献
7.
为实现番茄果实质量的预测,提出一种应用计算机视觉技术对番茄果实质量进行自动识别的方法。采用Matlab平台构建算法,利用数学形态运算及图像局部性质运算等构成的识别算法,对番茄样本图像进行预处理,提取番茄图像投影面积、轮廓周长、最大内接圆直径和最小外接圆直径外部特征参数,分别建立番茄果实质量与4个特征参数之间的一元线性、二阶多项式、幂指和多元线性预测模型。试验结果显示：采用多元线性预测模型预测结果最佳,其决定系数为0.926 7, 标准差为4.32; 利用检验样本对预测模型进行验证,预测果实质量与实际果实质量的绝对误差均值为3.260 g, 相对误差均值为1.535%。 研究结果表明,基于计算机视觉技术外部特征信息的番茄果实质量预测方法是可行的。 相似文献
8.
为更准确预测自来水厂的加矾量,弥补灰色GM(1,1)预测模型和神经网络预测模型在自动加矾系统中预测的不足,采用灰色GM(1,1)预测模型和BP神经网络预测模型相结合的方法,即灰色神经网络耦合模型,并运用于自来水厂自动加矾系统,根据实测数据计算预测值.结果表明:灰色GM(1,1)模型平均相对误差为0.016％,最大相差为0.025％,BP神经网络模型平均相对误差为0.037％,最大相差为0.069％,灰色神经网络耦合模型的平均相对误差0.006％,最大相差0.009％,其模拟精度远远高于其他2种模型的模拟值,具有广泛的实用性. 相似文献
9.
10.
ET0是计算作物需水量、进行农田灌溉管理及区域水资源优化配置的重要依据。为了提高ET0的预测精度,将粒子群（particle swarm optimization,PSO）算法引入到ET0预测中,并用支持向量回归机（support vector machine,SVM）优化参数。PSO-SVM将最高气温、最低气温、相对湿度、平均风速与日照时数输入到SVM中学习,将SVM参数作为PSO中的粒子,把ET0值作为PSO的目标函数,然后通过粒子之间相互协作得到SVM最优参数,对ET0进行预测,并采用PM模型计算值验证。该文以新疆喀什地区为例,通过采用粒子群耦合支持向量机（PSO-SVM）算法训练得到模型,并用10组数据进行预测;最后引用BP神经网络算法和PSO-SVM 算法进行了对比,其结果表明, PSO-SVM算法预测准确率较高,预测值与实测值间相关系数达0.682,平均相对误差为3.19%。 相似文献
11.
ET0是计算作物需水量、进行农田灌溉管理及区域水资源优化配置的重要依据。为了提高ET0的预测精度,将粒子群(particle swarm optimization,PSO)算法引入到ET0预测中,并用支持向量回归机(support vector machine,SVM)优化参数。PSO-SVM将最高气温、最低气温、相对湿度、平均风速与日照时数输入到SVM中学习,将SVM参数作为PSO中的粒子,把ET0值作为PSO的目标函数,然后通过粒子之间相互协作得到SVM最优参数,对ET0进行预测,并采用PM模型计算值验证。该文以新疆喀什地区为例,通过采用粒子群耦合支持向量机(PSO-SVM)算法训练得到模型,并用10组数据进行预测;最后引用BP神经网络算法和PSO-SVM算法进行了对比,其结果表明,PSO-SVM算法预测准确率较高,预测值与实测值间相关系数达0.682,平均相对误差为3.19%。 相似文献
12.
结合神经网络和粒子群算法(PSO)对油菜籽干燥工艺进行优化:采用BP神经网络建立油菜籽平均水分下降速率和发芽率与干燥温度、初始含水率、真空度之间的三层网络预测模型,利用试验样本数据计算并确定预测模型的网络权值及阈值,再采用PSO算法进行参数优化。试验验证结果表明,对比BP网络模型和PSO–BP模型,发现BP网络仿真值相对误差最大值为4.5%,而PSO–BP仿真值最大相对误差小于2.93%。 相似文献
13.
基于无人机平台和图像分析的田间作物检测 总被引：2，自引：0，他引：2
为高效、精准、及时地获取农作物的空间分布及其面积,建立了基于无人机平台和图像分析的大田作物检测方法:采用小型四旋翼无人机搭载高性能数码相机获取作物图像后,通过图元分割和目视解译获得目标样本,提取其21维颜色特征和3维纹理特征,采用BP神经网络分类器和像素累加法进行作物种类识别和面积测量。试验结果表明,系统对小麦、油菜、蚕豆和大蒜的平均识别率达86%,面积测量的平均相对误差约为9.62%。 相似文献
14.
计算机图像识别技术在小麦种子精选中的应用 总被引：2，自引：2，他引：0
以农大399小麦种子为试验材料,通过图像识别技术获取单粒小麦种子的形态物理指标,拟通过研究这些形态物理参数与小麦种子活力的相关性,为图像识别技术在作物种子加工工艺和参数精确选择提供参考。首先采用平板扫描仪获取单粒小麦种子的PNG图像,采用本实验室自主开发的种子形态自动化识别软件自动提取单粒种子(400粒)的RGB、Lab、HSB、长度、宽度和投影面积等形态物理指标,然后进行垂直玻璃板发芽试验,以发芽第5天的幼苗长度、鲜重和简易活力指数作为种子质量指标,相关分析结果表明:农大399小麦种子的幼苗鲜重与种子投影面积、长度和宽度的相关系数分别为0.45、0.40和0.37,均达到显著相关。将种子按投影面积、长度和宽度进行分组,实验结果表明幼苗鲜重和简易活力指数随着种子投影面积、宽度和长度的增加而增加,且达到极显著差异水平,生产上可以根据对种子质量或数量的需求灵活设置相关加工参数。 相似文献
15.
为准确而方便的获取番茄和青椒的叶面积,利用扫描仪获取叶片图像,通过AutoCAD获取叶片的实际面积,并与田间实测叶长、叶宽及叶片长宽乘积分别进行回归分析,分别建立了叶长、叶宽及长宽乘积与实际叶面积的回归模型.研究结果表明,叶长、叶宽与叶面积呈幂函数关系,长宽乘积与叶面积呈线性关系;分别对3种估算模型模拟值进行误差分析结果显示,叶长、叶宽回归模型的模拟精度较差,而长宽乘积回归模型的模拟误差很小,精度较高,可以较真实地反映番茄和青椒叶面积的实际大小,叶片长宽乘积估算叶面积的折减系数分别为0.6393和0.6509. 相似文献
16.
基于高光谱成像技术识别苹果轻微损伤的有效波段研究 总被引：2，自引：0，他引：2
为了筛选出适用于开发苹果轻微损伤自动分级仪器的有效波段,以200个烟台富士苹果为对象进行研究。首先获取400～1 000 nm波长范围内完好和轻微损伤后0、0.5、1 h的苹果高光谱图像,然后提取完好与损伤样本感兴趣区域的平均光谱反射率数据,再利用载荷系数法（x LW）、连续投影法（SPA）和二阶导数（second derivative）法提取特征波长,分别提取3、9和20个特征波长,并根据特征波长建立基于遗传算法优化的BP神经网络（GA BP）和支持向量机（SVM）损伤识别模型。结果显示,三种基于特征波长提取方法建立的SVM模型对测试集的识别率（分别为77.50%、91.88%、96.88%）均高于BP GA模型（分别为75.63%、90.63%、93.75%）,因此,SVM被确定为最佳苹果轻微损伤识别模型。最后,利用每一特征波长分别作为变量建立SVM模型。结果发现,波段811 nm识别率达到90.63%,优于其他波段,被确定为苹果轻微损伤识别的最优波段。 相似文献
17.
针对传统测量重量的方法不适于产前作物产量预测的问题,提出1种通过线性回归模型利用菜花三维模型特征属性得到菜花重量的方法。本研究利用Kinect获得菜花三维模型,再通过获取的菜花三维模型的长、宽、高、最大横截面积和体积等属性建立重量预测模型。引用相对误差、决策系数R2作为模型预测精度的评价指标,对线性回归模型正则化得到的岭回归、LASSO模型进行比较分析。结果表明,正则化后模型的泛化能力更强,LASSO模型对菜花重量的预测精度更高。 相似文献
18.
现代化温室自然通风时湿热环境CFD模拟研究 总被引：1，自引：0，他引：1
选取现代化温室室内区域和室外区域作为CFD模拟的计算域,建立温室同等大小的三维模拟,采用标准k-ε湍流模型,选择合适的辐射模型,番茄作物区采用多孔介质模型,对温室内部湿热环境进行了数值模拟.对模拟结果与试验测试结果进行对比,温室内部空气温度的模拟值与实测值的绝对误差为0.2～2.2℃,平均误差为0.91℃,平均相对误差为3.1%,最大相对误差为7.7%.温室内部空气相对湿度的模拟值与实测值的平均相对误差为6.4%,最大相对误差为16.6%,数值模拟结果与试验测试结果吻合较好. 相似文献
19.
20.
针对规模化肉鸡养殖生产中,传统肉鸡称重方法易造成应激问题,设计一种基于神经网络和机器视觉技术的非接触式肉鸡体重估测方法。应用深度相机采集白羽肉鸡的红外图像和深度信息,以目标识别算法YOLOv3和卷积网络分割算法FCN(Fully convolutional networks)为基础构建肉鸡区域提取模型,YOLOv3和FCN模型的查准率分别为98.1%和97.8%,查全率100%;结合肉鸡的深度信息,提取肉鸡投影面积等相关特征,构建多种回归算法,训练并调整优化肉鸡体重估测模型,ABR(Adaboost regressor)模型在测试集上达到最优的估测效果,该模型的决定系数R2为0.95,绝对误差为0.01～0.32kg。本研究的非接触式的肉鸡体重估测模型能较好的预测肉鸡体重,为实际生产环境中肉鸡自动称重提供了技术支持。 相似文献