20190301 基于無人機高光譜遙感的柑橘黃龍病植株的監(jiān)測與分類/蘭玉彬（華南農(nóng)業(yè)大學(xué)工程學(xué)院/國家精準農(nóng)業(yè)航空施藥技術(shù)國際聯(lián)合中心），朱梓豪...// 農(nóng)業(yè)工程學(xué)報.-2019，35（3）.-92～100

柑橘黃龍病（Huanglongbing，HLB）是柑橘產(chǎn)業(yè)的毀滅性病害，及早發(fā)現(xiàn)并挖除病株是防治HLB的有效手段。通過無人機低空遙感監(jiān)測大面積果園，可大大減少HLB排查工作量和勞動力。該文獲取了無人機低空柑橘果園的高光譜影像，分別提取并計算健康和感染HLB植株冠層的感興趣區(qū)域的平均光譜，并對初始光譜進行Savitzky-Golay平滑、異常數(shù)據(jù)剔除和光譜變換，得到原始光譜、一階導(dǎo)數(shù)光譜和反對數(shù)光譜3種光譜，對這3種光譜采用主成分分析法進行降維，與全波段信息比較，分別采用k近鄰（kNN）和支持向量機（SVM）進行建模和分類。結(jié)果表明，以二次核SVM判別模型對全波段一階導(dǎo)數(shù)光譜的分類準確率達到94.7%，對測試集的誤判率為3.36%。表明低空高光譜遙感監(jiān)測HLB的手段具有可行性，可大大提高果園管理效率和政府防控病情力度。

20190302 基于多通道數(shù)據(jù)流在線相關(guān)分析及聚類的閘站工程安全監(jiān)測/包加桐（揚州大學(xué)水利與能源動力工程學(xué)院），錢江...// 農(nóng)業(yè)工程學(xué)報.-2019，35（3）.-101～108

閘站工程自動安全監(jiān)測可積累大量高質(zhì)量監(jiān)測數(shù)據(jù)，然而對這些數(shù)據(jù)的在線自動分析手段較為有限。該文提出一種針對多通道實時監(jiān)測數(shù)據(jù)流的在線相關(guān)分析與聚類方法，以挖掘多個感興趣測點通道數(shù)據(jù)流之間的聯(lián)系。該方法能夠在線快速計算數(shù)據(jù)流的統(tǒng)計特征，在計算數(shù)據(jù)流之間相關(guān)性度量的基礎(chǔ)上，對多數(shù)據(jù)流進行自動聚類。以泰州高港閘站工程安全監(jiān)測系統(tǒng)為例，針對揚壓力、伸縮縫、溫度等多類型共65個通道數(shù)據(jù)流進行在線相關(guān)分析與聚類，一次特征計算、分析與聚類總時長低于1 s，滿足在線處理的實時性要求。該文提出的方法能夠判斷閘站工程滲壓情況、伸縮縫與溫度變化特性等，可有效發(fā)現(xiàn)潛在的工程安全問題或傳感器故障。

20190303 基于R-FCN深度卷積神經(jīng)網(wǎng)絡(luò)的機器人疏果前蘋果目標的識別/王丹丹（揚州大學(xué)水利與能源動力工程學(xué)院） ，何東健//農(nóng)業(yè)工程學(xué)報.-2019，35（3）.-156～163

疏果前期蘋果背景復(fù)雜、光照條件變化、重疊及被遮擋，特別是果實與背景葉片顏色極為相近等因素，給其目標識別帶來很大困難。為識別疏果前期的蘋果目標，提出基于區(qū)域的全卷積網(wǎng)絡(luò)（region-based fully convolutional network，R-FCN）的蘋果目標識別方法。該方法在研究基于ResNet-50和ResNet-101的R-FCN結(jié)構(gòu)及識別結(jié)果的基礎(chǔ)上，改進設(shè)計了基于ResNet-44的R-FCN，以提高識別精度并簡化網(wǎng)絡(luò)。該網(wǎng)絡(luò)主要由ResNet-44全卷積網(wǎng)絡(luò)、區(qū)域生成網(wǎng)絡(luò)（RegionProposal Network，RPN）及感興趣區(qū)域（Region of Interest，RoI）子網(wǎng)構(gòu)成。ResNet-44全卷積網(wǎng)絡(luò)為基礎(chǔ)網(wǎng)絡(luò)，用以提取圖像的特征，RPN根據(jù)提取的特征生成Ro I，然后Ro I子網(wǎng)根據(jù)ResNet-44提取的特征及RPN輸出的Ro I進行蘋果目標的識別與定位。對采集的圖像擴容后，隨機選取23 591幅圖像作為訓(xùn)練集，4 739幅圖像作為驗證集，對網(wǎng)絡(luò)進行訓(xùn)練及參數(shù)優(yōu)化。該文提出的改進模型在332幅圖像組成的測試集上的試驗結(jié)果表明，該方法可有效地識別出重疊、被枝葉遮擋、模糊及表面有陰影的蘋果目標，識別的召回率為85.7%，識別的準確率為95.1%，誤識率為4.9%，平均速度為0.187 s/幅。通過與其他3種方法進行對比試驗，該文方法比FasterR-CNN、基于ResNet-50和ResNet-101的R-FCN的F1值分別提高16.4、0.7和0.7個百分點，識別速度比基于ResNet-50和ResNet-101的R-FCN分別提高了0.010和0.041 s。該方法可實現(xiàn)傳統(tǒng)方法難以實現(xiàn)的疏果前蘋果目標的識別，也可廣泛應(yīng)用于其他與背景顏色相近的小目標識別中。