CN117574280A - 基于多元特征参数与mdbo-rf的播种质量检测方法 - Google Patents
基于多元特征参数与mdbo-rf的播种质量检测方法 Download PDFInfo
- Publication number
- CN117574280A CN117574280A CN202410050860.XA CN202410050860A CN117574280A CN 117574280 A CN117574280 A CN 117574280A CN 202410050860 A CN202410050860 A CN 202410050860A CN 117574280 A CN117574280 A CN 117574280A
- Authority
- CN
- China
- Prior art keywords
- sowing
- mdbo
- server
- data
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000009331 sowing Methods 0.000 title claims abstract description 76
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000010899 nucleation Methods 0.000 claims description 38
- 241000254173 Coleoptera Species 0.000 claims description 14
- 210000003608 fece Anatomy 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 9
- 230000002431 foraging effect Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000000903 blocking effect Effects 0.000 claims description 4
- 230000000739 chaotic effect Effects 0.000 claims description 3
- 239000000428 dust Substances 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000007637 random forest analysis Methods 0.000 description 14
- 230000017448 oviposition Effects 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 241001229848 Aphodius granarius Species 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000019637 foraging behavior Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于多元特征参数与MDBO‑RF的播种质量检测方法，包括由安装在排种管壁上的红外光电传感器去采集不同播种情况的脉冲信号，并将数据上传到服务器，由服务器去提取脉冲信号的特征参数来构建数据集、建立RF模型去训练数据集，并用MDBO算法优化RF模型的超参数，构成MDBO‑RF模型以及在播种过程中，每当红外传感器获得实时播种的信号时就传输到服务器进行特征提取，再输入到训练好的MDBO‑RF模型中去检测播种质量，最后再将结果反馈给农机播种监控终端，该种基于多元特征参数与MDBO‑RF的播种质量检测方法,可以提高RF对播种质量检测的准确程度。
Description
技术领域
本发明涉及农机播种检测技术领域，具体为基于多元特征参数与MDBO-RF的播种质量检测方法。
背景技术
播种质量会对作物产量产生重要影响，传统的播种机由于田间工作的复杂性，会导致播种机漏播、多播和堵塞的现象。所以对播种进行实时检测就显得尤为重要。目前的播种检测技术主要有：①光电传感器检测；②压电传感器检测；③电容传感器检测；④视觉图像检测。
在光电传感器检测技术中，红外光电传感技术应用最为广泛。将其安装在排种管壁上，一侧发出红外信号，另一侧检测红外信号的强度，通过种子下落过程中对光束造成遮挡引起光强的变化，使接收端收到的信号强度产生变化，再对信号进行调制放大处理，最终将种子下落的信息转换成脉冲信号用于检测播种质量。
现有的红外光电检测技术集中在硬件设计方面，在优化程序算法上略有不足，检测方法不够细致，使得检测播种质量的时候分类不清晰，这会导致在实际的农机播种过程中无法提供具体的播种调整思路。且现有的播种检测方案仅使用脉冲信号的高低电平这一特征进行播种检测太过单一化，无法用足够的特征来准确反应播种状况，会导致判断结果对异常值特别敏感的情况，这使得信号强度的变化直接影响到检测的准确度。当红外光电传感器检测信号受到较大噪声干扰时，此方法准确率较低无法提供精准的播种检测信息。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
因此，本发明的目的是提供基于多元特征参数与MDBO-RF的播种质量检测方法,可以提高RF对播种质量检测的准确程度。
为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
一种基于多元特征参数与MDBO-RF的播种质量检测方法，其包括：
S1、由安装在排种管壁上的红外光电传感器去采集不同播种情况的脉冲信号，并将数据上传到服务器，由服务器去提取脉冲信号的特征参数来构建数据集；
S2、建立RF模型去训练数据集，并用MDBO算法优化RF模型的超参数，构成MDBO-RF模型；
S3、在播种过程中，每当红外传感器获得实时播种的信号时就传输到服务器进行特征提取，再输入到训练好的MDBO-RF模型中去检测播种质量，最后再将结果反馈给农机播种监控终端。
作为本发明所述的基于多元特征参数与MDBO-RF的播种质量检测方法的一种优选方案，其中，所述步骤S1中，由安装在排种管壁上的红外光电传感器去采集不同播种情况的脉冲信号，并将数据上传到服务器，由服务器去提取脉冲信号的特征参数来构建数据集的步骤如下：
利用红外光电传感器按照固定的时间间隔分别采集漏播、多播、堵塞、正常和受灰尘影响时的脉冲信号，并将数据传输至服务器上；
由服务器对数据进行清洗，并分别对不同播种情况下的脉冲信号进行多元特征参数提取与处理。
作为本发明所述的基于多元特征参数与MDBO-RF的播种质量检测方法的一种优选方案，其中，分别对不同播种情况下的脉冲信号进行多元特征参数提取与处理具体包括：
分别计算出不同的播种情况下产生的脉冲幅度Um、脉冲宽度tw、脉冲重复周期t、占空系数q、脉冲频率f、脉冲能量和高低电平的变化次数；
提取采集数据时间段内脉冲信号的方差和标准差；
对漏播、多播、堵塞、正常和受灰尘影响这几种播种质量设置标签来对播种质量进行分类；
对处理后的数据进行Min-Max归一化，作为最终的模型训练数据，归一化公式如下：
；
其中，是归一后的值，/>是原始数据值，/>和/>分别为数据的最小值和最大值。
作为本发明所述的基于多元特征参数与MDBO-RF的播种质量检测方法的一种优选方案，其中，用MDBO算法优化RF模型的超参数步骤如下：
利用Logistic-tent混沌映射来初始化种群，公式如下：
；
式中表示取值范围[0,4]的实数，/>为系统变量初始值；
计算当前种群位置的适应度；
更新蜣螂位置并在觅食时进行反向学习；
更新当前最佳位置和最佳适应度，依次迭代，直到到达最大迭代次数，输出最优解。
作为本发明所述的基于多元特征参数与MDBO-RF的播种质量检测方法的一种优选方案，其中，所述在播种过程中，每当红外传感器获得实时播种的信号时就传输到服务器进行特征提取，再输入到训练好的MDBO-RF模型中去检测播种质量，最后再将结果反馈给农机播种监控终端的步骤如下：
农机在播种时，红外传感器按照固定的时间间隔进行播种信号数据采集，实时的将数据传输至服务器，由服务器去提取与训练数据相同的特征并输入到训练好的MDBO-RF模型中去，对于输入的一个数据集，n颗决策树会产生n个分类结果，通过投票的方式选择投票次数最多的作为最终的播种质量检测结果，最终把判断结果反馈给播种监控终端。
与现有技术相比，本发明具有的有益效果是：本发明通过红外光电传感器采集播种质量信号数据，提取更加多元的特征参数，减小了对信号数据单一特征的依赖，使得播种质量判别更加细致的同时增强结果的准确性，可以为农机播种时提供调整方案。且本发明采用的MDBO-RF分类算法，利用RF的集成分类器的方式提高了分类的泛化能力，同时根据训练数据利用MDBO算法对RF的超参数进行自适应调整，可以提高RF对播种质量检测的准确程度。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明基于多元特征参数与MDBO-RF的播种质量检测方法的流程图；
图2为本发明基于多元特征参数与MDBO-RF的播种质量检测方法的MDBO流程图；
图3为本发明基于多元特征参数与MDBO-RF的播种质量检测方法的分类流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
其次，本发明结合示意图进行详细描述，在详述本发明实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
本发明提供一种基于多元特征参数与MDBO-RF的播种质量检测方法，可以提高RF对播种质量检测的准确程度。
本发明提供一种基于多元特征参数与MDBO-RF的播种质量检测算法，首先由安装在排种管壁上的红外光电传感器去采集不同播种情况的脉冲信号，并将数据上传到服务器，由服务器去提取脉冲信号的特征参数来构建数据集；然后，建立RF模型去训练数据集，并用MDBO算法优化RF模型的超参数，最终构成MDBO-RF模型。随后在实际的播种过程中，每当红外传感器获得实时播种的信号时就传输到服务器进行特征提取，再输入到训练好的MDBO-RF模型中去检测播种质量，最后再将结果反馈给农机播种监控终端。播种质量检测流程图如图1所示。
具体的模型训练包括以下步骤：
Step1：数据收集
利用红外光电传感器按照固定的时间间隔分别采集漏播、多播、堵塞、正常和受灰尘影响时的脉冲信号，并将数据传输至服务器上。
Step2：特征提取
由服务器对数据进行清洗，并分别对不同播种情况下的脉冲信号进行多元特征参数提取与处理：
1.分别计算出不同的播种情况下产生的脉冲幅度Um、脉冲宽度tw、脉冲重复周期t、占空系数q（q = tw/t）、脉冲频率f、脉冲能量和高低电平的变化次数。
2.提取采集数据时间段内脉冲信号的方差和标准差。
3.对漏播、多播、堵塞、正常和受灰尘影响这几种播种质量设置标签如0,1,2,3,4来对播种质量进行分类，比如0代表漏播。
4.对处理后的数据进行Min-Max归一化，作为最终的模型训练数据，归一化公式如下：
（1）
其中，是归一后的值，/>是原始数据值，/>和/>分别为数据的最小值和最大值。
Step3：构建MDBO-RF模型
1.随机森林（RF）是一种基于Bagging集成学习的分类器算法，基本单元是决策树，有大量的超参数，其中决策树个数n_estimators和决策树最大深度max_depth的选择对RF的分类准确性的影响较为明显，这两个参数如果太小模型可能会欠拟合，准确性较差；如果设置的太大又会使模型将变得更复杂导致过拟合。因此为了能够使模型更贴合数据的同时提升模型对播种质量分类的准确性，本发明利用改进的蜣螂算法（DBO）对RF的超参数n_estimators和max_depth进行迭代寻优。适应度函数为：
（2）
式中为分类的准确率，/>为分数，计算公式分别为：
（3）
（4）
式中Exactly为分类正确的样本数，Total为总样本数。和/>分别为模型的精确率和召回率，其计算公式为：
（5）
（6）
指被预测为正类的正类样本，/>指被预测为正类的负类样本，/>指被预测为负类的负类样本。
2. 蜣螂算法（DBO）是一种通过模拟自然界中蜣螂的滚球、繁殖、觅食和偷窃行来实现寻优的。
①滚球行为
表现出两种不同的模式：有障碍模式和无障碍模式，当无障碍时，太阳光源的强度会影响蜣螂的位置，这种模式下的滚球过程中的位置更新如式（7）所示；当有障碍时，会通过跳舞的方式来重新定位，此时蜣螂的位置更新如式（8）所示。
（7）
（8）
式中为第/>个蜣螂在第/>次迭代时的位置；/>为自然系数，取值为1时表示无偏差，-1时表示偏离原方向；/>为偏转系数，取值范围在/>；/>是取值在/>之间的常数；为最差蜣螂的位置，/>用于模拟光强的变化；/>是取值在/>之间的偏转角，当/>或/>时，蜣螂的位置不会更新。
②繁殖行为
用边界策略来模拟蜣螂安全产卵区，如式(9)所示；一旦确定了产卵区域，雌性蜣螂会在每次迭代中产生一个卵球，卵球的位置会随着产卵区域的变化而动态更新，如式(10)所示。
（9）
（10）
式中表示为当前局部最佳位置；/>和/>分别表示为产卵区的下界和上界；
，/>为最大迭代次数；/>和/>分别表示为优化问题的下界和上界；/>为第/>个卵球在第/>次迭代时的位置信息；/>和/>表示两个大小为1×D的独立随机变量，D表示优化问题的维数。
③觅食行为
小蜣螂觅食通过式(11)和式(12)来表示最佳觅食区域和位置变化。
（11）
（12）
式中和/>表示最佳觅食区域的下界和上界；/>表示全局最优位置；/>为服从正态分布的随机数，/>为在（0,1）范围内的随机向量；/>为第/>只小蜣螂在第/>次迭代时的位置。
④偷窃行为
在种群中会有小偷蜣螂从其他蜣螂那里偷取食物，其位置更新如式(13)所示。
（13）
式中为常数，/>为服从正态分布的大小为/>的随机向量。
为了增强初始化种群的多样性和均匀性引入Logistic-tent混沌映射来初始化种群，公式如下：
（14）
式中表示取值范围[0,4]的实数，/>为系统变量初始值。
为避免陷入局部最优，在觅食行为引入反向学习策略，将反向学习后的觅食位置与原觅食位置进行适应度比较选出更优的解，公式如下：
（15）
式中和/>为D维向量的上下界，/>为D维随机变量。综上所述，MDBO流程图2所示。
Step4：模型应用
农机在播种时，红外传感器按照固定的时间间隔进行播种信号数据采集，实时的将数据传输至服务器，由服务器去提取与训练数据相同的特征并输入到训练好的MDBO-RF模型中去，对于输入的一个数据集，n颗决策树会产生n个分类结果，通过投票的方式选择投票次数最多的作为最终的播种质量检测结果，最终把判断结果反馈给播种监控终端。分类流程图如图3所示。
虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。
Claims (5)
1.一种基于多元特征参数与MDBO-RF的播种质量检测方法，其特征在于，包括：
S1、由安装在排种管壁上的红外光电传感器去采集不同播种情况的脉冲信号，并将数据上传到服务器，由服务器去提取脉冲信号的特征参数来构建数据集；
S2、建立RF模型去训练数据集，并用MDBO算法优化RF模型的超参数，构成MDBO-RF模型；
S3、在播种过程中，每当红外传感器获得实时播种的信号时就传输到服务器进行特征提取，再输入到训练好的MDBO-RF模型中去检测播种质量，最后再将结果反馈给农机播种监控终端。
2.根据权利要求1所述的基于多元特征参数与MDBO-RF的播种质量检测方法，其特征在于，所述步骤S1中，由安装在排种管壁上的红外光电传感器去采集不同播种情况的脉冲信号，并将数据上传到服务器，由服务器去提取脉冲信号的特征参数来构建数据集的步骤如下：
利用红外光电传感器按照固定的时间间隔分别采集漏播、多播、堵塞、正常和受灰尘影响时的脉冲信号，并将数据传输至服务器上；
由服务器对数据进行清洗，并分别对不同播种情况下的脉冲信号进行多元特征参数提取与处理。
3.根据权利要求2所述的基于多元特征参数与MDBO-RF的播种质量检测方法，其特征在于，分别对不同播种情况下的脉冲信号进行多元特征参数提取与处理具体包括：
分别计算出不同的播种情况下产生的脉冲幅度Um、脉冲宽度tw、脉冲重复周期t、占空系数q、脉冲频率f、脉冲能量和高低电平的变化次数；
提取采集数据时间段内脉冲信号的方差和标准差；
对漏播、多播、堵塞、正常和受灰尘影响这几种播种质量设置标签来对播种质量进行分类；
对处理后的数据进行Min-Max归一化，作为最终的模型训练数据，归一化公式如下：
；
其中，是归一后的值，/>是原始数据值，/>和/>分别为数据的最小值和最大值。
4.根据权利要求1所述的基于多元特征参数与MDBO-RF的播种质量检测方法，其特征在于，用MDBO算法优化RF模型的超参数步骤如下：
利用Logistic-tent混沌映射来初始化种群，公式如下：
；
式中表示取值范围[0,4]的实数，/>为系统变量初始值；
计算当前种群位置的适应度；
更新蜣螂位置并在觅食时进行反向学习；
更新当前最佳位置和最佳适应度，依次迭代，直到到达最大迭代次数，输出最优解。
5.根据权利要求1所述的基于多元特征参数与MDBO-RF的播种质量检测方法，其特征在于，所述在播种过程中，每当红外传感器获得实时播种的信号时就传输到服务器进行特征提取，再输入到训练好的MDBO-RF模型中去检测播种质量，最后再将结果反馈给农机播种监控终端的步骤如下：
农机在播种时，红外传感器按照固定的时间间隔进行播种信号数据采集，实时的将数据传输至服务器，由服务器去提取与训练数据相同的特征并输入到训练好的MDBO-RF模型中去，对于输入的一个数据集，n颗决策树会产生n个分类结果，通过投票的方式选择投票次数最多的作为最终的播种质量检测结果，最终把判断结果反馈给播种监控终端。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410050860.XA CN117574280B (zh) | 2024-01-15 | 2024-01-15 | 基于多元特征参数与mdbo-rf的播种质量检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410050860.XA CN117574280B (zh) | 2024-01-15 | 2024-01-15 | 基于多元特征参数与mdbo-rf的播种质量检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117574280A true CN117574280A (zh) | 2024-02-20 |
| CN117574280B CN117574280B (zh) | 2024-04-16 |
Family
ID=89884814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410050860.XA Active CN117574280B (zh) | 2024-01-15 | 2024-01-15 | 基于多元特征参数与mdbo-rf的播种质量检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117574280B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102968079A (zh) * | 2012-10-31 | 2013-03-13 | 长春理工大学 | 玉米精播机排种监控系统 |
| CN203149368U (zh) * | 2013-03-04 | 2013-08-21 | 北京农业智能装备技术研究中心 | 一种玉米精密播种机的播种工况监控装置 |
| CN104392430A (zh) * | 2014-10-22 | 2015-03-04 | 华南农业大学 | 基于机器视觉的超级杂交稻穴播量的检测方法及装置 |
| CN106134579A (zh) * | 2015-04-03 | 2016-11-23 | 中国农业机械化科学研究院 | 气力式精密播种机播种监测装置及监测方法 |
| CN107409547A (zh) * | 2017-06-02 | 2017-12-01 | 南京农业大学 | 一种基于北斗卫星的智能播种作业系统 |
| CN108801665A (zh) * | 2018-03-27 | 2018-11-13 | 昆明理工大学 | 一种基于LabVIEW的玉米免耕播种质量监测系统 |
| CN109660297A (zh) * | 2018-12-19 | 2019-04-19 | 中国矿业大学 | 一种基于机器学习的物理层可见光通信方法 |
| CN114694047A (zh) * | 2022-04-12 | 2022-07-01 | 中国农业科学院作物科学研究所 | 一种玉米播种质量的评价方法及装置 |
| CN116453162A (zh) * | 2023-04-13 | 2023-07-18 | 天津农学院 | 一种基于蜣螂优化算法的肉鸡健康状态识别方法 |
| CN116451142A (zh) * | 2023-06-09 | 2023-07-18 | 山东云泷水务环境科技有限公司 | 一种基于机器学习算法的水质传感器故障检测方法 |
| CN116671318A (zh) * | 2023-08-02 | 2023-09-01 | 南京农业大学 | 一种大蒜播种机排种性能智能监测及定位标记系统及方法 |
| CN116702053A (zh) * | 2023-08-09 | 2023-09-05 | 长春理工大学 | 一种基于多元信息与mcsa-svm的农机故障检测方法 |
| CN116910542A (zh) * | 2023-06-30 | 2023-10-20 | 淮阴工学院 | 一种基于改进蜣螂算法优化Elman神经网络的废气污染预测方法 |
| CN117332340A (zh) * | 2023-10-24 | 2024-01-02 | 长安大学 | 基于多传感器视觉特征融合pmsm故障诊断方法及系统 |
| CN117370877A (zh) * | 2023-12-06 | 2024-01-09 | 长春理工大学 | 一种基于多元传感器与ipso-gpr的农机故障预测方法 |
| CN117392157A (zh) * | 2023-12-13 | 2024-01-12 | 长春理工大学 | 一种边缘感知的保护性耕作秸秆覆盖率检测方法 |
-
2024
- 2024-01-15 CN CN202410050860.XA patent/CN117574280B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102968079A (zh) * | 2012-10-31 | 2013-03-13 | 长春理工大学 | 玉米精播机排种监控系统 |
| CN203149368U (zh) * | 2013-03-04 | 2013-08-21 | 北京农业智能装备技术研究中心 | 一种玉米精密播种机的播种工况监控装置 |
| CN104392430A (zh) * | 2014-10-22 | 2015-03-04 | 华南农业大学 | 基于机器视觉的超级杂交稻穴播量的检测方法及装置 |
| CN106134579A (zh) * | 2015-04-03 | 2016-11-23 | 中国农业机械化科学研究院 | 气力式精密播种机播种监测装置及监测方法 |
| CN107409547A (zh) * | 2017-06-02 | 2017-12-01 | 南京农业大学 | 一种基于北斗卫星的智能播种作业系统 |
| CN108801665A (zh) * | 2018-03-27 | 2018-11-13 | 昆明理工大学 | 一种基于LabVIEW的玉米免耕播种质量监测系统 |
| CN109660297A (zh) * | 2018-12-19 | 2019-04-19 | 中国矿业大学 | 一种基于机器学习的物理层可见光通信方法 |
| CN114694047A (zh) * | 2022-04-12 | 2022-07-01 | 中国农业科学院作物科学研究所 | 一种玉米播种质量的评价方法及装置 |
| CN116453162A (zh) * | 2023-04-13 | 2023-07-18 | 天津农学院 | 一种基于蜣螂优化算法的肉鸡健康状态识别方法 |
| CN116451142A (zh) * | 2023-06-09 | 2023-07-18 | 山东云泷水务环境科技有限公司 | 一种基于机器学习算法的水质传感器故障检测方法 |
| CN116910542A (zh) * | 2023-06-30 | 2023-10-20 | 淮阴工学院 | 一种基于改进蜣螂算法优化Elman神经网络的废气污染预测方法 |
| CN116671318A (zh) * | 2023-08-02 | 2023-09-01 | 南京农业大学 | 一种大蒜播种机排种性能智能监测及定位标记系统及方法 |
| CN116702053A (zh) * | 2023-08-09 | 2023-09-05 | 长春理工大学 | 一种基于多元信息与mcsa-svm的农机故障检测方法 |
| CN117332340A (zh) * | 2023-10-24 | 2024-01-02 | 长安大学 | 基于多传感器视觉特征融合pmsm故障诊断方法及系统 |
| CN117370877A (zh) * | 2023-12-06 | 2024-01-09 | 长春理工大学 | 一种基于多元传感器与ipso-gpr的农机故障预测方法 |
| CN117392157A (zh) * | 2023-12-13 | 2024-01-12 | 长春理工大学 | 一种边缘感知的保护性耕作秸秆覆盖率检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 杜沅昊 等: "基于改进灰狼算法和自适应分裂KD-Tree 的点云配准方法", 《系统仿真学报》, 7 December 2023 (2023-12-07), pages 1 * |
| 杨宏伟 等: "新型玉米精密播种机排种监视器设计", 《长春理工大学学报（自然科学版）》, vol. 38, no. 2, 30 April 2015 (2015-04-30) * |
| 郭琴 等: "多策略改进的蜣螂优化算法及其应用", 《计算机科学与探索》, 15 December 2023 (2023-12-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117574280B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kumar et al. | Deep convolution neural network based solution for detecting plant diseases | |
| Sabrol et al. | Tomato plant disease classification in digital images using classification tree | |
| Zhang et al. | Hyperspectral imaging technology combined with deep forest model to identify frost-damaged rice seeds | |
| Devi et al. | IoT enabled efficient detection and classification of plant diseases for agricultural applications | |
| Wang et al. | YOLOv3-Litchi detection method of densely distributed litchi in large vision scenes | |
| CN104766099B (zh) | 基于图像的分布式光纤周界振动信号处理与识别方法 | |
| Lu et al. | A novel image measurement algorithm for common mushroom caps based on convolutional neural network | |
| CN111723711A (zh) | 基于Pléiades和面向对象的地膜信息提取方法及系统 | |
| CN107123115A (zh) | 一种基于图像处理的谷物收割清选损失实时在线检测方法 | |
| CN115220007A (zh) | 一种针对姿态识别的雷达点云数据增强方法 | |
| Kilaru et al. | Prediction of maize leaf disease detection to improve crop yield using machine learning based models | |
| CN116778333A (zh) | 一种基于卫星遥感影像识别的油茶林生长趋势预测方法和系统 | |
| CN117574280B (zh) | 基于多元特征参数与mdbo-rf的播种质量检测方法 | |
| Sunil et al. | A review on prediction of crop yield using machine learning techniques | |
| Paudel et al. | Prediction of crop yield based-on soil moisture using machine learning algorithms | |
| Nagaraju et al. | Multifactor Analysis to Predict Best Crop using Xg-Boost Algorithm | |
| Sudha et al. | Real Time Riped Fruit Detection using Faster R-CNN Deep Neural Network Models | |
| Sethy et al. | Pest Detection and Recognition in Rice Crop Using SVM in Approach of Bag-Of-Words | |
| Nirmala et al. | An Approach for Detecting Complications in Agriculture Using Deep Learning and Anomaly-Based Diagnosis | |
| CN115392311A (zh) | 基于变分模态分解的高效甘蔗茎节识别方法 | |
| CN110210376A (zh) | 一种基于深度学习的高分遥感影像西北地区农膜提取方法 | |
| Kumar et al. | Crop recommendation using machine learning algorithms | |
| Gao et al. | Classification Method of Rape Root Swelling Disease Based on Convolution Neural Network | |
| McDonald | Effects of soil properties on variation in growth, grain yield and nutrient concentration of wheat and barley | |
| Gehlot et al. | Technical analysis of crop production prediction using Machine Learning and Deep Learning Algorithms |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |