分类: 计算机科学 >> 计算机科学技术其他学科 提交时间: 2021-10-01
摘要: 非侵入式负荷分解能够充分解析用户用电数据,是分析评估用户柔性调控潜力的关键技术。鉴于深度学习方法在负荷分解的广泛应用,首先深入探讨了降噪自编码器、循环神经网络、卷积神经网络等主流深度学习网络结构应用在负荷分解问题时的工作机理,并对它们在负荷分解领域中的应用与发展进行了展望分析;之后,提出了基于不同维度的分解算法评价框架,并补充了评价过程中测试数据的选择规范;最后,利用该评价框架对主流的深度学习分解模型进行评价,并对模型代码进行了开源,评价结果证明所提框架更能综合地评价给定超参设置下的深度学习分解模型,并揭示模型性能关于网络结构、特征输入等因素的敏感性。
分类: 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间: 2023-02-17 合作期刊: 《智慧农业(中英文)》
摘要: 干旱是影响农业生产的主要气候因素。传统的农业干旱监测主要是基于气象和水文数据,虽然能 提供监测点上较为精确的干旱监测结果,但是在监测面上的农业干旱时,仍存在一定的局限。遥感技术的 快速发展,尤其是目前在轨的卫星传感器感测的电磁波段涵盖了可见光、近红外、热红外和微波等波段, 为区域尺度农业干旱监测提供了新的手段。充分利用卫星遥感数据获得的丰富地表信息进行农业干旱监测 和预测具有重要的研究意义。本文从遥感指数方法、土壤含水量方法和作物需水量方法三个方面阐述了基 于卫星遥感的农业干旱监测研究进展。农业干旱预测是在干旱监测的基础上进行时间轴的预测,本文在总 结干旱监测进展的基础上,进一步简述了以干旱指数方法和作物生长模型方法为主的农业干旱预测研究 进展。
分类: 计算机科学 >> 计算机科学的集成理论 提交时间: 2018-04-12 合作期刊: 《计算机应用研究》
摘要: 针对图像压缩采样中原子的选择规则难以确定的问题,在改进的正交匹配追踪算法的基础上提出了一种基于l_(2,1)范数的原子选择方式。l_(2,1)范数的原子选择方式考虑了原子间的相关性,剔除了干扰原子,选择出了代表性原子。将所提方法用于图像分块重构,算法以图像进行分块,利用l_(2,1)范数选择对图像块支撑集进行筛选,增强块特征的判别性,提高原子的稀疏度,最终提高图像重构的准确率和速率。实验结果表明,相同条件下在保证重建速度的同时,所提新方法提高了图像重构精度。
分类: 其他 >> 综合 提交时间: 2023-03-28 合作期刊: 《中国科学院院刊》
摘要: 进入生物经济时代以来,世界各国加大了对生物产业发展的支持力度。文章通过分析我国生物产业发展现状,探究其中存在的问题。研究结果表明,我国生物产业发展成效显著,但仍存在国际竞争力不强、区域发展不协调、部分企业经营状况较差等问题。针对上述问题,文章从注重生物产业区域协调发展、完善生物产业资本市场建设和提高生物产业国际竞争力3个方面提出了我国发展生物产业的对策,以期为我国生物产业和生物经济发展提供决策参考。
分类: 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间: 2023-02-17 合作期刊: 《智慧农业(中英文)》
摘要: 拉曼光谱是一种散射光谱,具有快速、不易受水分干扰、样品无需预处理和在体检测等特点,可作 为分析、测试物质分子成分和结构强有力的表征手段。随着拉曼光谱技术的不断发展,其在农业检测领域 中逐渐发挥出极其重要的作用。本文概述了拉曼光谱的检测原理,从共聚焦显微拉曼光谱、傅里叶变换拉 曼光谱、表面增强拉曼光谱、针尖增强拉曼光谱、共振拉曼光谱、空间偏移拉曼光谱、移频激发拉曼差分 光谱、基于非线性光学的拉曼光谱等8个方面介绍了拉曼光谱技术,重点总结了拉曼光谱技术在植物检测、 土壤检测、水质检测、食品检测等方面的应用研究进展,并提出了其在农业检测领域中应用需要解决的难 题和未来的发展方向,以期对未来农业生产和研究带来启发。
分类: 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间: 2023-02-17 合作期刊: 《智慧农业(中英文)》
摘要: 为实现定量化分析温、光和水资源对果树生长的影响,本研究以成龄骏枣树为研究对象,提出了 基于校正WOFOST模型的枣树生长和水分运移模拟方法。利用2016和2017年的田间试验观测数据,重点校 正WOFOST模型的物候学发育、初始化、绿叶、CO2同化、干物质分配、呼吸作用和水分利用参数。在田间 尺度,完成总地上生物量(TAGP)、叶面积指数(LAI) 和土壤水分含量的动态模拟和精度验证; 在县域尺 度,使用55个果园的最大LAI、单产、实际蒸散量(ETa) 和水分利用效率(WUE) 数据评价模型区域尺度 的模拟性能。结果表明,在田间尺度,校正模型模拟不同灌溉梯度TAGP的决定系数R2范围为0.92~0.98, 归一化均方根误差NRMSE 为8.7%~20.5%; 模拟LAI的R2范围为0.79~0.97,NRMSE 为8.3%~21.1%; 模拟 土壤水分含量的决定系数R2范围为0.29~0.75,NRMSE 为4.1%~6.1%。在县域尺度,两年模拟最大LAI与实 测LAI的R2分别为0.64和0.78,NRMSE 分别为13.3%和10.7%; 模拟单产的R2分别为0.48和0.60,NRMSE 分 别是12.1%和11.9%; 模拟ETa 均方根误差分别为36.1 mm (7.9%) 和30.8 mm (7.4%); 模型也表现了较高 的WUE模拟精度(10%
分类: 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间: 2023-02-17 合作期刊: 《智慧农业(中英文)》
摘要: 快速准确的鱼类识别系统需要良好的识别模型和部署系统作为支撑。近年来,卷积神经网络在图 像识别领域取得了巨大成功,不同的卷积网络模型都有不同的优点和缺点,面对众多可供选择的模型结构, 如何选择和评价卷积神经网络模型成为了必须考虑的问题。此外,在模型应用方面,移动终端直接部署深 度学习模型需要对模型进行裁剪、压缩处理,影响精度的同时还会导致安装包体积增大,不利于模型升级 维护。针对上述问题,本研究根据水下鱼类实时识别任务特点,选取了AlexNet、GoogLeNet、ResNet 和 DenseNet预训练模型进行对比试验研究,通过在Ground-Truth鱼类公开数据集基础上对图像进行随机翻转、 旋转、颜色抖动来增强数据,使用Label smoothing作为损失函数缓解模型过拟合问题,通过研究Ranger优化 器和Cosine学习率衰减策略进一步提高模型训练效果。统计各个识别模型在训练集和验证集上的精确度和召 回率,最后综合精确度和召回率量化模型识别效果。试验结果表明,基于DenseNet训练的鱼类识别模型综 合评分最高,在验证集的精确度和召回率分别达到了99.21%和96.77%,整体F1值达到了0.9742,模型理论 识别精度达到预期。基于Python开发并部署了一套远程水下鱼类实时识别系统,将模型部署到远程服务器, 移动终端通过网络请求进行鱼类识别模型调用,验证集图像实际测试表明,在网络良好条件下,移动终端 可以在1 s内准确识别并显示鱼类信息。
分类: 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间: 2023-02-17 合作期刊: 《智慧农业(中英文)》
摘要: 基于点云采集技术的非接触式测量能够缓解肉牛在采集体尺体重等参数时的应激问题,但采集肉 牛的三维数据耗时长且易受环境干扰而产生大量无关噪点,难以适应实际养殖环境需求。为解决该问题, 本研究开发了一种非接触式肉牛三维点云重建与目标提取系统与方法,采集的肉牛三维点云可为肉牛育种 育肥提供大量标准化和三维量化表型数据。三维点云采集系统由Kinect DK深度相机、红外对射光栅触发器 和射频识别(Radio Frequency Identification,RFID) 触发器组成,可在肉牛自由通过步行道的瞬间实现肉牛 点云的多角度瞬时采集。肉牛点云目标提取方法基于C++语言与点云处理库(Point Cloud Library,PCL) 开 发,通过空间直通滤波、统计学离群点滤波、随机抽样一致(Random Sample Consensus,RANSAC) 形态拟 合与点云抽稀、基于降维密度聚类的感知盒滤波等算法有效滤除与肉牛紧贴的栏杆等干扰,不破坏点云的 完整性,实现肉牛点云的三维重建与分析。在养殖场中对20头肉牛进行了124次点云采集与目标提取试验。 结果表明,重建的肉牛三维模型与肉牛真实形态1:1对应,系统的采集成功率为91.89%,采集的点云与真实 值相比,体尺重建误差为0.6%。该系统与方法可以在无人干预的情况下,实现多角度肉牛点云数据的自动 采集与三维重建,并从复杂环境中自动提取目标肉牛的点云,为非接触式肉牛体高、体宽、体斜长、胸围、 腹围和体重等核心表型参数的测量提供重要的方法支撑,促进肉牛育种和育肥的标准化管理。
分类: 统计学 >> 社会统计学 提交时间: 2023-12-04 合作期刊: 《智慧农业(中英文)》
摘要: [目的/意义]不同类型的小麦倒伏(根部倒伏、茎部倒伏)对产量和质量会产生不同影响。本研究旨在 通过无人机图像对小麦倒伏类型进行分类,并探究无人机飞行高度对分类性能的影响。[方法]研究设置3个无人 机飞行高度(15、45、91 m) 来获取小麦试验田的图像,并利用自动分割算法生成不同高度的数据集,提出一种 EfficientNetV2-C改进模型对其进行分类识别。模型通过引入CA(Coordinate Attention) 注意力机制来提升网络特 征提取能力,并结合CB-Focal Loss (ClassBalanced Focal Loss) 来解决数据不均衡对模型分类准确度的影响。 [结果和讨论]改进的EfficientNetV2-C表现最佳,平均准确率达到93.58%。对比未改进的4种机器学习分类模型 (支持向量机(Support Vector Machine,SVM)、K 最近邻(K Nearest Neighbor,KNN)、决策树(Decision Tree, DT) 和朴素贝叶斯(Naive Bayes,NB)) 与两种深度学习分类模型(ResNet101和EfficientNetV2),其中Efficient⁃ NetV2在各个高度下表现最优,平均准确率达到82.67%。无人机飞行高度对4种机器学习分类器性能无显著影响, 但随飞行高度上升,由于图像特征信息损失,深度学习模型的分类性能下降。[结论]改进的EfficientNetV2-C在 小麦倒伏类型检测方面取得了较高的准确率,为小麦倒伏预警和农作物管理提供了新的解决方案。