文摘
本文深入研究和分析了精细农业的生态经济进行使用智能传感器网络的图像检测方法。无线传感器网络的模拟信号输出过滤和阈值转换成数字信号完成传感器监测数据预处理数字信息分析。本文的目标环境适应性好,低功耗,低成本、标准化,精细农业的无线传感器网络的关键技术进行了研究,包括网络结构、网络方法,节点定位方法,数据融合方法,快速能源自给自足和节能策略,以及无线传感器网络系统的性能评价方法,IoT-oriented中间件设计方法、通用节点软硬件设计方法,典型的应用系统。首先,使用卷积层而不是完全连接层,这使得网络更加灵活的输入图像的计算需求,使目标地区大米。不仅会产生很多复杂的操作,但它也将限制模型的泛化能力。然后,通过引入一个灵活的连接层基于单元测试和优化网络的损失函数,农作物卷积神经网络(Crop-Net)终于提出了培训和测试大米图像在不同生长阶段来提高检测精度。摘要网络服务质量目标驱动的评价策略和评价方法对农业无线传感器网络系统设计提供一个参考行业标准的建立为精细农业的无线传感器网络系统。
1。介绍
精细农业是现代农业是基于信息和知识的支持,和它的主要目标是获得作物生长的环境因素,这在很大程度上决定了农作物的产量和品质。这些因素通常包括作物环境的温度和湿度、含水量、风速、方向,等等。这些信息,它通常表现为时空变异性(1]。神经网络学习过程的本质是学习的分布数据。虽然中国的农业生产取得了某些成就,粮食产量逐年增加;的总量蔬菜、水果、水产品丰富,人均占有是在世界的前沿。然而,这主要是依靠过度投入等有机化合物的杀虫剂和化肥,加剧环境污染和不合理的灌溉农业的地下水,导致浪费水资源;这个粗糙的农业操作不仅会导致高投入的农业资源和生产效率低,而且还甚至会导致生态平衡的破坏。经济快速发展和现代科学技术的伟大成就,传统的农业管理方法已不适应当今社会发展的需要,和国家大力提倡使用先进的科学技术进行现代农业建设,促进农业的转型升级产业链(2]。“好”农业的核心是集约农业的发展在先进的技术支持。作物本身及其生长环境的特点是非常不同的,很难控制和不断变化的。在这个不断变化的环境中,我们大部分的农业仍是传统上,依靠许多人力和物质资源进行“万无一失和均质”农业生产活动。
因此,《纽约时报》要求积极改进传统农业的效率低下,主要依赖观察和实施农业、人力资源和发展好农业信息技术的高度(3]。通过精细农业的发展,可以规范农业种植的监控和反馈活动前期的准备,中间阶段的实现,实现的结果,全面跟踪种植事情的整个过程,实现故障的责任,有效防止自然灾害和病虫害,减少经济损失。基于无人机遥感技术在作物的需求分类信息采集和因为无人机遥感图像的特点和高分辨率图像特征的巨大差异现象造成的同一物种丰富的几何纹理特性所带来的高空间分辨率,本研究使用深度学习技术,在图像处理和语音识别方面取得了突破,探索一种方法,可以快速和准确的目标4]。如果不进行集中和标准化,每一批的训练数据的分布是不同的。本研究使用突破图像处理和语音识别探索一个快速和准确的作物为无人机遥感图像分类方法,这是很重要的数字信息快速采集的中小规模的农田和精确农业管理。
农业物联网无线通信和传感技术结合,实现实时监控的环境参数在农业领域和完成的调整和处理农业环境通过远程终端平台。促进农业物联网技术解决了许多问题在传统农业,用先进的设备和技术,节约了大量的成本,和物联网的发展农业的现实意义,以促进经济增长和农业现代化。本文构建一个基于物联网的IoT-based农业环境参数监测系统通信,充分考虑系统的实用性,描述了系统的总体架构和子系统的设计,并实现了自动化和智能农业生产环境。农业生态环境参数的实时监控,完成作物的科学和完善管理,提高农业生产的效率。
2。相关的工作
很难实现大规模农业领域管理由于早期行和管道部署的难度。的繁荣发展传感器、计算机网络、无线通信技术和遥感技术,发达国家为首的美国和荷兰,开始大力推进农业信息的数字化管理5]。美国,作为主要是一个农业国家,有一个高达80%的采用率农业技术。此外,美国建立了AGNET,大量农业遥感技术为核心的计算机网络系统,它提供了许多信息资源为现代农业信息管理在美国古普塔等人开发了一种无线传感器网络的温室监控系统来监控温室的温度和湿度信息(6]。它是一种常用的疾病检测方法在传统方法。聂和阳设计一个自动灌溉系统基于Arduino单片机,它包含一个水流传感器和水压力传感器,和水在管道可以打开设置湿度达到完成自动浇灌果园(7]。实验结果表明,该方法取得了良好的结果在玉米叶数据库。Udutalapally等人提出了一种方法来区分小麦害虫叶子基于成像高光谱技术从光学的角度,构建了一个光谱比指纹特征光谱的相对变化的基础上,优先选择几个目标的方式,基于图像的几何和纹理特性,取得了非常有前途的小麦识别能力实验(8]。
识别领域的作物生长时期,当前作物生长检测基于传统方法,除了观察在人工经验,仍主要依靠光谱特性进行分析一方面和遥感图像检测的大范围的作物另一方面(9]。首先,检测手段依赖光谱分析比直接图像捕获更复杂,更少的实时和容易作物在不同生长时期出现的问题相同的光谱特性。此外,尽管基于遥感图像的检测方法适用于检测大型作物,它容易受到天气的影响,通常,图像采集系统更为复杂如果使用遥感卫星图像数据,以及检测精度有很大的改进空间。吉拉尔多等人提取五个主成分的全部可见近红外光谱甘蔗,使用多元线性回归模型来提高各种建模方法来检测甘蔗叶片反射光谱图像确定甘蔗生长(10]。不在等人用颜色范围有效图像检测方法检测三种类型的水稻的生长周期使用热红外图像,但通常,大米的生长周期可分为至少八个时期,这种检测方法不适合多种作物生长检测(11]。
这种传统方法通过支持向量机分类提取的特征,获得最终的疾病识别结果。提高无线传感器网络的性能,从概念的数据融合技术、数据融合技术的意义和基本方法概述,和的基础上,阐述了算法的基础上,构造一组数据处理算法对该系统提高系统数据融合性能,精度和算法的实现能力通过系统仿真实验验证。因为西瓜栽培过程中出现的问题,完善管理系统的建设可以实现精确的实时监控,培养过程的优化,智能管理,和自主决策,使作物的整个生产经营过程可视化、数字化,并跟踪,种植绿色和营养的农作物,可有效提高西瓜的产量和质量,扩大农业规模种植,使大规模的。农民的经济效益,越来越多的食品安全问题可以进一步实现,这样人们可以吃与内心的平静和安慰。
3所示。智能传感器网络为精细农业生态的和经济的图像检测分析
3.1。智能传感器网络设计
物联网的核心和基础是互联网和物联网的出现是互联网的延伸,但物联网的本质仍是互联网(12]。部署的收藏家,传感器和其他物联网设备在农场可以收集和监测现场环境数据和设备实时数据并将这些数据在农场的数据存储和管理中心,然后处理,然后显示在手机和平板电脑等移动设备的形式图表。突变的丢包率从0到1完成后在很短的距离。农业信息传感技术是开展精细农业的基础,相当于神经末梢;神经末梢的敏感性是很重要的,准确的数据采集和需要使用高精度的传感器设备。
在农业环境中,物联网网络技术收集和传播信息,如现场传感数据的所有方面,全景地图数据、视频监控数据和区域气象数据云平台的数据集成在一个统一的方式。如图1,使用不同的协议和点对多点无线个域网+ GPRS网络通信实现远程收集传感器数据的智能农业、作物生长环境可以实时监控和作物可以合理控制。
无线通信技术是指通信方法来交换信息通过使用功能,可以在空气中传播电磁波信号。我们所说的移动移动通信,通信方法,人们称无线通信和移动通信无线移动通信。在这项研究中,考虑到10米的测量时间间隔测量的发送和接收距离,距离与1%的丢包率测量第一次被认为是其传输范围或传输距离。线通信技术本身也有很多优点。成本低,无线通信技术没有建立物理线路,此外,大量的人力铺设电缆,不有限和无线通信技术的工业环境。抵消环境的变化的能力强,故障诊断也容易,和无线通信技术主要有远程通讯技术和短距离无线通信技术。
无线传感的制造商的生产标准和规范进行产品的生产过程,和他们经常使个人定制和生产根据要求出具产品的需求者(13]。尤其是在早期阶段的生产产品,一些芯片制造商产出产品主要为少量的客户的要求,因此,规范生产有很大的不同,不能通用;限制适用的芯片系统,很难实现共同使用和互操作性。历史数据提供了一个参考用户完全掌握系统和中间件提供数据查询功能。GUI提供历史数据查询功能。在农业生产、作物与生长有关的因素是复杂多样的,适用的传感装置的规格有所不同。互连无线传感设备,提高匹配系统,应根据无线传感器网络的工作标准,共同实现目标。
根据系统管理的主体和实现,系统的特定submanagement角色主要包括公司的决策和管理、农业技术人员、农业基地经理,和农业专家5目标用户进行实时监控的增长,种植、标准化管理和远程指导和控制瓜果生产基地。属于这个系统的甜瓜个性化定制和水果种植操作过程规范,细化操作的管理系统,实时传播planting-related指令后,种植标准化计划管理的具体实现细节优化,所以每个操作价值并记录,进一步标准化种植标准(14]。最高的准确率是89.75%。其中,本文提出的方法具有良好的检测效果,无论是疾病图像与模糊纹理在黑暗的光和低对比度状态或疾病下图像越清晰明亮的灯光和高对比度的状态。
从各种接口导入的数据后,聚集到一个包含大量数据的数据总线。相比,这些数据将被整合和分析获得的精华部分,充分利用数据中提取关键信息,如温度传感器数据超过该标准将实施生产预警和同步发布生产指令通知基地经理执行相应的操作,形成快速反应和有效解决问题的方法。
农场的综合感知数据源在这个系统主要包括两个部分,如图2;一个是作物生长的全景图像数据的收集,农业技术人员或管理员拍照通过手机等移动终端,农场网站特定图像的形式出现,然后定期传回到平台,实现自动智能缝合多向定点地图,向农场的环境条件全景图像。
在物联网的感知层,农场内外的重要环境因素,如土壤、大气、水质、气象、和灾难,监控,收集,无线传输,并报告通过射频技术,传感器,照相机,和RS技术实时获取作物的生长,种植物体上安装标签在每个区域,记录并监督他们,掌握所有方面的实时情况,并上传至云平台(15]。实现数字控制的操作如选种、播种、科学施肥、灌溉、有效和合理的婚礼,这样精确农业投入的资源利用和最大效率。
提供的视频和图像实时多通道数据来源可以通过农场的管理者和员工看到新形势下公共账户。因此,一方面,通过直观的全景图像的数据收集,另一方面,使用先进的物联网技术来组织和分析客观数据对作物的生长和成长环境,种植大量的积累和分析后的数据,建立作物生长数字映射文件可以提供客观依据未来调查的可追溯性。
有各种因素的作物生长指数数据和增长情况,建设物联网需要严格的标准适用于它。作物遥感数据包括各种类型的信息不同的计量单位,如温度、湿度、和营养水平。此外,不同的数据传输协议存在的问题,和农业遥感数据也形成了丰富的资源和异质性的特点16]。仍有很多改进的余地作物疾病的图像检测,尤其是对许多不同类型的疾病作物图像。提高作物遥感的效率,物联网数据的输出是一个标准的格式;对于这些多个来源的异构数据需要进一步的融合,实现标准化的快速输出,高质量的数据。
稳步推进的标准优化农业种植过程,实现科学合理的政策发展和方法实现,并促进高效农业种植和管理的过程,和其他问题似乎强调了。在此基础上,促进改变农村生产和管理结构和农业生产的优化也需要进一步改善。仍有许多困难要克服农业生产。在当前形势下,我们需要充分利用现代信息技术,如互联网和物联网对接的实时监督和控制农业生产基地,农业生产监督通信链接和农业生产结果数据的存档和利用率。实现精细农业育种和生产管理,提高产品质量,增加农民的利润。
3.2。生态和经济的图像检测和分析
作物疾病领域的图像检测,我们检测的数据大部分来自农田的可见光图像。由于作物本身的特点,许多农业有更复杂的图像纹理特征信息。另一方面,由于密集种植,图片很容易被周围的农作物的叶子,树枝,花朵,和其他外部对象,从而导致更复杂的图像的特征信息和严重影响疾病的准确性图像检测等传统方法使用枸杞多糖和其他功能操作符(17]。因此,特征提取枸杞多糖等运营商,重要的是要提高特性计算模式来增强作物图像检测的准确性在复杂环境下的作物疾病检测的传统方法。因此,LLP的优点和LVP领域的图像特征提取相结合,进一步优化和改进,和当地的线段向量模式特性提出了。
首先,与传统方法一样,LLVP也利用周围像素之间的关系和计算中心像素。首先,确定中心像素的位置;然后,其他像素附近的决心,和社区中的每一个像素与中心像素一个一分之一相比固定顺序。当它小于中心像素,它是0;否则,它是1。然而,而不是依靠一个圆形的半径 ,周围的像素是由定制相交的线段与采样点 ,符合LLP)。的距离之间的角相交的线段L1和L2和采样点均匀分布在理论上可以任意选择。这解决了问题,很难考虑附近和遥远的功能特性计算的过程中。这允许特征算子提取更丰富的图像纹理信息和改进传统方法下作物图像检测的效率。
因此,LLP的优点和LVP图像特征提取领域的融合,和当地的行向量模式(LLVP)特性提出和应用领域的作物疾病的检测和识别,并融合LLVP特性公式如下所示:
在哪里表示一个二进制特征向量和代表一个本地块变换函数的特征向量基于在二进制逻辑操作。一个新的关键向量得到特征向量除以相同的间隔顺序,然后由操作。
深度学习技术提供解决大数据在日常生活中所出现的问题,但条件构建深度学习模型相对较高,主要是在高需求的样本数据的数量和质量18]。换句话说,样本的数量和质量在构建深度学习样本集是直接关系到模型精度的重要因素之一。一个好的样本集可以通过训练得到一个更好的模型精度,而一个坏样本集可能无法收敛模型中的训练,导致低精度模型,从而为解决分类问题毫无意义。这也表明卷积神经网络的分类方法有更多的优势在目标类型的分类能力比传统的检测方法基于人工特征结合支持向量机分类的想法。因此,有效的获取高质量的模型训练样本成为主要的关键问题。
样本集的建设是基于所选样本的作物正色摄影获得最初的无人机,和特定的操作是选择60 2048样品2048像素的面积大小和标签与标签,每个类的样本随机作物每个样本和标签一起到64年的256块256大小的输入数据,在样本的数量不是很大,其样本集部门的比率。训练集的推荐比例:验证设置:测试集是6:2:2,所以36表随机选择作为训练集,12个表作为验证集,然后剩下的12个样品作为测试集,和样品标签的数量如表所示1。
样本库分为三类:训练集、验证集和测试集。原因在于,在训练的过程中模型由于模型训练中提取深度特性进行训练集,通过不断迭代,对训练集的精度通常是高,但也许,以确保其准确性使用验证组培训也相对较高。测试集是用来测试模型的准确性训练模式训练完成后,用于测试模型的泛化能力。
为了解决这个问题,本研究采用任意的水平和垂直翻转,失真,种植,或亮度调整图像增强来减少之间的差距的样本的数量不同的作物,分布不均匀的解决问题的数量特征。这种方法是简单而有效的,最重要的是,该方法可以提供有效的扩大的训练,同时也帮助网络训练更通用的功能和提高网络的能力忍受输入样本在特征提取畸变。
输入样本的质量在很大程度上影响模型的准确性,因为结构或定量差异之间存在原始数据不仅产生很多复杂的操作,还强加限制模型的泛化能力(19]。神经网络学习过程的本质是学习的分布数据,没有集中以及正常化,训练数据的分布将为每一批是不同的。在大的方向,其中多个神经网络需要找到平衡分布,小方向,作为输入数据的分布在网络的每一层都是不断变化的,这也会导致网络的每一层找到一个平衡。为神经网络难以收敛。
从图可以看出3,原始数据集中后搬到了附近的原点过程,和原始数据的特征在不同的维度有相同的规模通过规范化过程,所以当使用梯度下降法优化参数,不同特性的影响是相同的,和重量参数值可以更快地收敛。因此,梯度训练网络,也没太大,最优解搜索过程往往是光滑和加速收敛的重量参数,从而使其更容易正确地收敛于最优解。
通过预处理样品图片,我们获得了作物疾病数据集与较高的图像质量。作物疾病领域更明显,和疾病特征清晰,一些额外的图像干扰信息的影响。农作物在原来的农田的特点和他们的成长环境有很大的不同,很难控制,不断变化的。后续实验的过程中,常规的图像大小提供了极大的方便各种图像特性的计算,和清晰的图像纹理也提高计算的准确性的详细示例图像的特征(20.]。在我们的实验中,我们发现,在实际的作物疾病的任务形象检测、图像样本的预处理对后来的实验产生重大影响。患病的作物图像的特征信息提取方法使用手动设计特征检测操作符,然后通过分类器是一种常见的方式分类下疾病检测的传统方法。这种类型的传统分类方法提取的特征由支持向量机来获取最后的疾病识别结果。
4所示。分析的结果
4.1。智能传感器网络性能分析结果
实现下一个智能传感模块、智能物联网设备(如收藏家,传感器和摄像机可以部署在农业生产基地,实现自动实时收集和监控生产站点的土壤和空气温度和湿度、水分,光,和其他相关的环境数据。全景技术的实现,用户可以查看公园天气数据,土壤数据、设备状况等,通过登录到这个系统的手机或电脑。在异常情况下如高温和高湿度,系统将自动发出警报,提醒基地经理及时处理异常。
仿真结果数据的数量由协调器节点如图接收4。随着时间的推移,LEACH-based路由算法存在数据冗余,太多的数据包从簇头节点导致网络传输阻塞和严重的丢包。ACO-BP算法优化网络性能在一定程度上,但解决方法时间长,搜索能力是有限的,和数据融合的效果并不理想;GA-ACO-BP算法不同于ACO-BP算法LEACH算法。GA-ACO-BP算法得到的大多数数据协调者节点ACO-BP算法和LEACH算法相比,这是由于GA-ACO-BP算法优化网络性能,快速找到全局最优解,提高了BP神经网络数据融合的效果,减少了数据冗余,减少数据传输的延迟,提高了无线信道的利用率。
收发器的距离增加,可以实现可靠通信时,接收信号的强度高于接收机的灵敏度,在这段时间里,丢包率是0;随着距离的增加,接收信号的强度最初等于接收灵敏度,仍然可以实现可靠通信距离短的临界点;当继续增加的距离,信号损失发生时,突然改变的丢包率从0到1的完成在一个较短的距离。种植的东西可以完全跟踪整个过程,责任可以再细分,和自然灾害,害虫、疾病可以有效地预防,可以减少经济损失。在这项研究中,考虑到测量间隔10米的收发距离测量、距离丢包率为1%的测量第一次被确定为其传输范围或传输距离、节点的覆盖范围。从数据包损失率数据图5,它可以获得的丢包率的增长速度时,发送和接收距离小于60米,和丢包率的增长相对平坦当大于60米。
在控制系统中,确保准确性和有效性的控制装置控制的先决条件,因此控制器状态和设备状态的定义在控制协议至关重要。处理故障的设备或控制器和各种控制设备之间的关系通常是基于特定系统的决定。探索一种快速而准确的作物分类方法对无人机遥感图像具有重要意义的数字信息的快速采集小型和中等规模的农田和精确农业管理。农业物联网的传感器节点采集的数据上传到网络层通过聚合节点。上传信息主要包括传感器节点收集的数据的相关参数,控制好相关设备的状态信息,控制器本身的状态信息,等等。农业物联网中间件是一个数据库系统,包括实时数据和历史数据的处理。实时数据是最重要的监测系统的一部分,它提供了控制器的动作执行的基础,是用户的注意力的重点掌握系统。中间件提供了数据查询功能,GUI提供历史数据查询功能。
参数管理可以完成指定数据类型的过滤在指定地区,这样用户可以很容易地找到他们所需要的数据;系统储备传感器数据类型,所以可以添加数据,根据实际的农业条件下,保证系统的可扩展性;用户可以设置通过作物生长最好的生长条件改善农业生产管理。
动态网页设计提高了用户与系统的交互,提高了系统的灵活性。这个数据被收集到农场数据存储和管理中心,然后处理并显示在手机和平板电脑等移动设备的形式图表。协调器节点的数据上传到监控中心通过RS232接口和Java串行通信的设计完成。MySQL数据库用于存储农田环境信息,和执行SQL语言完成操作的添加、删除、修改和查询数据。监控中心平台的软件设计完成后,包括记录系统的流程设计、数据显示、参数设置和系统报告。操作系统的功能描述,并且系统可以满足实际的需求。
4.2。图像检测系统的实验结果
以来更好的比较分析,基于特征算子检测的传统方法通常用于图像分类和检测任务类别较少,实验被分成5组和10组疾病样本。这样做一方面是仁慈的,同时避免了传统方法的问题,导致了一些图像的少量样本不平衡数据库,从而影响实验结果的确定。因此,有效地获取高质量的样品已经成为模型训练的主要关键问题。这是因为我们可以人为确保图像的数量为5和10作物疾病选择数据集是相同的,与平衡的400个样本数据库。最后,这个方法也被应用于作物图像数据库的所有20疾病类别。在训练过程中,训练样本来测试样品的比例也是一个重要因素影响最终的分类精度。这里,对于每个类疾病的数据集的图像,训练样本的比例该类疾病的总样本图像设置为0.8,和具体的实验结果如图6。
通过传统的方法的实验结果和改进方法自建作物疾病图像数据库,我们可以看到,该方法融合的改进特征算子与SVM作物疾病检测比传统的单一LBP特征算子,精度最高的89.75%。特别是,该方法具有良好的结果对疾病与模糊纹理图像低对比度在黑暗的光和高对比度在明亮的光线下清晰的图像。
作物疾病的检测图像的清晰图像质量良好的习得环境,我们发现传统方法之间的差异和融合改进方法在本文中并不重要。然而,对于光线暗的低对比度图像的检测任务获得在恶劣的环境条件下,该fusion-improved特征算子弥补原始特性的问题很容易受到环境因素的影响,导致功能丧失。更不用说很多劳动力铺设电缆和无线通信技术并不局限的工业环境中,它有很强的抵御环境变化的能力,故障诊断是容易。它提高了检测性能的传统手工特点运营商在复杂环境中。
另一方面,当数据采集执行多种类型的作物疾病的图片,有许多种类的疾病很难获取的图像,和sample数据库的数量和质量也在preexperimental阶段直接影响最终的实验精度。鉴于上述实验结果,很容易发现传统方法基于特征提取结合支持向量机分类检测有很大改进的余地作物疾病的图像检测,尤其是对许多不同类型的疾病作物图像。无线通信技术主要包括远程通讯技术和短距离无线通信的技术。因此,为了解决这一问题,传统方法的分类精度不高,不适应多种类型的作物疾病的检测,深度学习方法介绍了基于人工神经网络在接下来的部分中,并检测实验是进行数据库包含7342张图片样品在20个类别不同的疾病。
图7显示了对应的图像时由网络衍生后网络训练过程中的迭代次数是1,50岁,100年和500年,和相应的纹理和形状光掩模输入。从时代10图710次迭代之后,整个训练集,叶轮廓不完全显示;后,从时代50 50迭代的整个训练集,叶子图像生成的模型是清楚的,但黑腐病损区和相应的纹理细节仍然不显示;从100年时代,经过100次迭代的整个训练集,叶轮廓并非完全显示出来。最后,500年时代,500次迭代后,模型是稳定的,和葡萄叶黑腐病的图像是可见的。
人眼可以直观地判断一般对图像的质量,但需要参考一些指标,难以检测到的人眼对图像进行评估。因此,在本文中,PSNR和MSE也用于定量评估生成的图像。第一个指标是峰值信噪比(PSNR),而法官的区别不同的图像通过直接测量像素值之间的差异,更大值指示不失真。互连的无线传感器设备和提高匹配度与系统,应根据无线传感器网络标准工作,共同实现目标。使用PSNR值的方法,生成的图像之间的像素的灰度值差异和真正的样本图像计算判断生成的美好形象,如图8。
我们可以看到,卷积网络的检测精度显著提高分类方法与传统方法相比,无论状态的数据集,可以显著增加,平均分类精度。种植后大量的积累和分析数据,建立作物生长的数字地图文件为未来的调查提供客观依据和可追溯性。这也表明卷积神经网络的分类能力更有利目标类型比传统的检测方法基于人工特征结合支持向量机分类的想法。
5。结论
在本文中,我们建立了一个农业传感器网络体系结构和提出了WSN系统评价策略为精细农业应用提供一个参考农业无线传感器网络的建立行业标准,考虑到需求精细农业应用和网络服务质量为目标。首先,建立作物疾病数据库对图像检测的任务是至关重要的。穷人可能无法收敛在模型训练样本集,导致模型精度为解决分类问题是没有意义的。一个完美的和高质量的样本图像数据库是非常重要的特征提取方法在传统方法和基于大数据的深度学习方法,所以本文首先建立其实验数据库。其次,作物疾病的图像检测,实验比较传统方法的优缺点以及深度学习方法和试图改善传统的基于功能的检测方法。个性化和定制的策略实现自己的生产经验,可控制、优化和调整等农作物种植方法的培养方案和种植预测。在本文中,我们分析了西瓜种植基地在湖南的方法,发展种植流程规范根据天气等自然因素,开展标准化种植,实现大规模、高效生产,产生经济增长数字文件通过农场经理和技术员检验记录建立一个可跟踪的基础。实验证明,改进传统的功能可以发挥一定的作用,但检测精度有很大改进的余地而深刻的学习方法。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。
确认
这项工作是支持的项目的重点科研项目于2022年在河南省高等教育(“production-living-ecological空间”的健康测量和优化河南省水生态敏感地区的基于自然的相关性,22号a790016)的项目和河南省哲学社会科学规划项目在2021年(和可持续发展机制研究农民的居住空间在水源地区的南水北调工程中线,2021号bjj075)。