机器学习在校园安全中的应用研究     

梅莹莹 《山东省农业管理干部学院学报》2020,37(4)

  相似文献   

基于Sentinel-2数据的青海门源县天然草地生物量遥感反演研究     

郭芮  伏帅  侯蒙京  刘洁  苗春丽  孟新月  冯琦胜  贺金生  钱大文  梁天刚 《草业学报》2023,(4):15-29

草地地上物生物量(AGB)是评价草地生产力的重要指标，精准反演天然草地的AGB，对草地长势监测和草畜平衡评估具有重要的意义。由于常用的遥感数据(如Landsat和MODIS等)受较低时间或空间分辨率引发的诸多问题的影响，因此探索具有更高时空分辨率及更多光谱波段的Sentinel-2卫星数据在县域尺度的草地植被监测状况具有极其重要的作用。利用Sentinel-2卫星遥感影像和青海门源县实测草地AGB数据，构建了基于随机森林(RF)、支持向量机(SVM)和人工神经网络(ANN)3种机器学习方法的草地生物量估算模型，研究了2019-2021年门源县天然草地生物量时空分布特征。结果表明：1)Sentinel-2卫星影像的3个原始波段(B2、B6、B11)和2种植被指数[反红边叶绿素指数(IRECI)和特定色素简单比值植被指数(PSSRa)]，是草地AGB敏感的特征变量。其中，红边波段(B5、B6、B7)对天然草地AGB遥感反演具有重要作用。2)基于RF算法的草地AGB估测模型是门源县天然草地生物量估测的最优模型(验证集R2为0.72,RMSE为622.616 kg·hm-2)，优于SVM模型(...  相似文献   

基于机器学习的模拟电路故障诊断研究     

《科技视界》2017,(22)

本次研究将对神经网络方法做简单介绍,在此基础上提出小波神经网络法、优化神经网络法以及支持向量机法等在模拟电路故障诊断中的应用。  相似文献   

基于人工智能的木材缺陷检测研究进展   总被引：1，自引：1，他引：0  

刘强  袁云梅  夏雪  司丽洁  多化琼 《世界林业研究》2023,36(1):66-71

木材缺陷检测是木制品加工前的重要步骤,为了提高检测效率和经济效益,木材缺陷检测也从传统的人工方法向智能化方向转变。随着计算机技术的不断提高,人工智能得到快速发展,人工智能在木材缺陷检测中的应用也进一步增加。目前,人工智能主要通过机器学习、人工神经网络、深度学习等算法实现对木材缺陷的预处理和检测。文中阐述部分常用人工智能算法在木材缺陷检测中的应用,包括相关算法的原理、特点;综合分析算法优缺点,并对人工智能技术在木材缺陷检测中的研究进行了展望。  相似文献   

农业大模型：关键技术、应用分析与发展方向     

郭旺  杨雨森  吴华瑞  朱华吉  缪祎晟  顾静秋 《智慧农业(中英文)》2024,(2):1-13

[目的/意义]近年来,人工智能在农业领域的应用取得了显著进展,但仍面临诸如模型数据收集标记困难、模型泛化能力弱等挑战。大模型技术作为近期人工智能领域新的热点技术,已在多个行业的垂直领域中展现出了良好性能,尤其在复杂关联表示、模型泛化、多模态信息处理等方面较传统机器学习方法有着较大优势。[进展]本文首先阐述了大模型的基本概念和核心技术方法,展示了在参数规模扩大与自监督训练下,模型通用能力与下游适应能力的显著提升。随后,分析了大模型在农业领域应用的主要场景;按照语言大模型、视觉大模型和多模态大模型三大类,在阐述模型发展的同时重点介绍在农业领域的应用现状,展示了大模型在农业上取得的研究进展。[结论/展望]对农业大模型数据集少而分散、模型部署难度大、农业应用场景复杂等困难提出见解,展望了农业大模型未来的发展重点方向。预计大模型将在未来提供全面综合的农业决策系统,并为公众提供专业优质的农业服务。  相似文献   

基于机器学习预测农药对熊蜂和蜜蜂的毒性     

赵晓  李华  莫秋丽  崔佳琳  张莉 《农药学学报》2020,22(6):933-941

熊蜂 (Bombus spp.) 和蜜蜂 (Apis mellifera L.) 是自然界中的重要传粉昆虫,近年来因为农药的大规模不合理使用造成了世界多个地区熊蜂和蜜蜂种群的持续下降。为了更好地评估农药对熊蜂和蜜蜂的毒性,本研究收集了61个共有的农药蜂毒数据,采用12种分子指纹联合8种机器学习算法,分别建立了农药对熊蜂和蜜蜂急性接触毒性LD₅₀值的分类预测模型。结果表明:农药对熊蜂和蜜蜂的急性接触毒性分类模型预测准确率分别达86.7%和80.0%。随机森林 (Random Forest)、神经网络 (Neural Network) 和支持向量机 (SVM) 3种算法联合Fingerprinter、Klekota-Roth Count和Extend 3种分子指纹在本研究中的预测能力较好。此外,分别采用构建的熊蜂毒性预测模型和蜜蜂毒性预测模型开展交叉毒性预测,准确率分别为72.9%和66.7%,表明熊蜂毒性模型预测蜜蜂毒性的准确性高于蜜蜂毒性模型预测熊蜂毒性的准确性。本研究可为设计低蜂毒化合物提供理论指导,同时为开展不同昆虫靶标的毒性交叉预测提供借鉴。  相似文献   

基于卷积神经网络的蜜蜂采集花粉 行为的识别方法     

薛勇  王立扬  张瑜  沈群 《河南农业科学》2020,49(8):162-172

实时监测蜜蜂觅食行为不仅有助于评估当地农作物授粉状况,也有助于及时采取措施提升蜜蜂产品的产量和品质。将计算机视觉技术引入蜜蜂觅食行为(是否携带花粉)的监测,设计5种浅层卷积神经网络(CNN)进行对比分析,并与深层网络GoogLeNet V1的迁移学习进行对比,寻找适合监测蜜蜂觅食行为的最优模型。发现GoogLeNet V1的识别准确率最高,达0.953 6,但训练耗时最长(7 326 s);浅层卷积神经网络中准确率最高的模型为11层神经网络模型(含4层卷积层),测试准确率为0.903 6,耗时相对较短(1 054 s)。最后,对比传统机器学习算法,发现深度学习优势明显。研究表明,GoogLeNet V1深层网络适用于精度要求高、设备条件好的蜜蜂监测环境;而11层卷积神经网络更符合智能养蜂的实际需求。  相似文献   

无人机RGB影像在高寒草地狼毒入侵监测及盖度估算中的应用     

刘咏梅  胡念钊  龙永清  王雷  盖星华  董幸枝 《中国草地学报》2023,(2):1-12

有毒植物入侵对草地生态系统和生物多样性的影响日益严重,无人机遥感为毒草防治提供了快速高效的监测方法。以青藏高原危害最严重的有毒植物狼毒为研究对象,探讨基于无人机影像的高精度狼毒遥感识别及盖度估算方法。在盛花期获取典型狼毒入侵草甸的无人机RGB正射影像,结合植被指数、色彩变换和纹理滤波方法提取狼毒识别特征,通过ReliefF-VIF/Pearson二次降维筛选出6项最优特征,基于RF、SVM和ANN三种机器学习算法构建狼毒识别模型。结果表明,与原始RGB波段相比,优选特征使狼毒识别精度有效提高4%～7%。三种分类方法的分类总精度和狼毒分类精度均大于81%,基于优选特征的RF和SVM模型的分类总精度和狼毒分类精度达到91%以上,狼毒识别效果最佳。随着统计单元的增大,利用无人机RGB影像分类结果估算狼毒盖度的精度明显下降但稳定性逐渐增加,斑块尺度50～60 cm是狼毒盖度估算的最优尺度。  相似文献   

广东省农业发展优势度综合评价方法及其空间特征研究   总被引：1，自引：0，他引：1  

刘玉  孟超  蔡玉梅  路磊  唐林楠 《农业现代化研究》2021,42(6):1006-1016

客观评价农业发展优势,并对症施策,有助于促进农业高质高效发展和乡村全面振兴。本文从自然地理本底、农业生产环境、农业质量效益、经营组织效益、生态协调能力、产业发展潜力等6个维度构建农业发展优势度评价指标体系,借助熵权法、机器学习神经网络算法等评价并揭示了2019年广东省县域农业发展优势度及其空间特征。结果表明：2019年广东省农业发展综合优势度空间差异明显,珠江三角洲平原区县域的农业优势最突出。6个分项中,自然地理本底、农业生产环境和生态协调能力是主要贡献因素。其中,自然地理本底和经营组织效益均表现为粤西南方向最优;农业生产环境表现为粤东北方向最优;产业发展潜力表现为粤东南方向较优;农业质量效益、生态协调能力与农业综合优势度整体空间分布相似,但农业质量效益不再是农业发展优势度的关键影响因素,粤中南和东北方向的生态协调优势突出。因此,建议结合农业分项与综合优势,未来在珠江三角洲平原区以及粤西南、粤东南和粤东北分别形成现代都市农业区、高效农业区、特色农业区和生态农业区,助力农业高质量发展。  相似文献   

结合Sentinel-2影像和特征优选模型提取大豆种植区     

张东彦  杨玉莹  黄林生  杨琦  梁栋  佘宝  洪琪  姜飞 《农业工程学报》2021,37(9):110-119

准确获取大豆的空间分布对于产量估计、灾害预警和农业政策调整具有重要意义,目前针对种植结构复杂地区所开展的大豆遥感识别研究鲜有报道。该研究以安徽省北部平原的典型大豆产区——龙山、青疃镇为研究区,基于Sentinel-2数据提出一种分层逐级提取策略的大豆识别方法。该方法首先构建决策树筛选规则,剔除研究区内非农田地物,获得田间植被的总体分布;然后生成19个候选特征因子,包括分辨率小于等于20 m的10个波段反射率以及9个植被指数。在典型地物类型样本的支持下,将ReliefF特征权重评估算法与随机森林(RandomForest,RF),BP神经网络(Back-Propagation Neural Network,BPNN)和支持向量机(Support Vector Machine, SVM)相结合,分别构建ReliefF-RF、ReliefF-BPNN、ReliefF-SVM三种组合模型筛选出对于大豆识别最有效的特征,并基于布设在研究区内6个样方(大小为1 km×1 km)的无人机影像提取得到的大豆分布来评估3种模型在大豆制图中的表现。结果表明,ReliefF-RF模型表现最佳,基于该模型筛选出7个优选特征因子,大豆制图的总体精度介于85.92%～91.91%,Kappa系数在0.72～0.81之间,各个样方的提取效果均优于其他两种模型。此外,基于优选特征达到的提取精度明显高于原始波段反射率,虽然略低于全部19个特征的结果,但是数据量降低了63.16%。该研究可以为农田景观破碎、种植结构复杂地区的大豆种植区提取相关研究提供有价值的参考和借鉴。  相似文献