冯帅
- 作品数：14 被引量：72H指数：7
- 供职机构：沈阳农业大学信息与电气工程学院更多>>
- 相关领域：自动化与计算机技术农业科学理学更多>>
- 基于GA-BP神经网络高光谱反演模型分析玉米叶片叶绿素含量被引量：9
- 2018年
- 叶绿素是评价玉米健康状况的重要生理生化参数,而快速、准确检测玉米叶片叶绿素含量,是实现玉米长势及健康状况精准诊断的关键。为提高玉米叶片叶绿素含量的高光谱反演精度,以玉米试验小区为基础,测定了东北地区玉米不同生长期的叶片光谱反射率及其对应的叶绿素含量。首先采用一阶微分方法提取光谱特征,构建9种高光谱特征参数(Db、Dy、Dr、λb、λy、λr、SDb、SDy和SDr),并分析一阶微分光谱、高光谱特征参数与叶绿素含量间的相关关系,优选出与叶绿素含量相关性较高的3种特征参数作为自变量,分别为535nm处的一阶微分值、蓝边内最大一阶微分值Db、蓝边面积SDb,叶绿素含量实测值作为因变量,随后采用遗传算法对BP神经网络进行优化,建立BP神经网络(BPNN)和遗传算法优化的BP神经网络(GA-BPNN)反演模型,并对模型进行验证;再结合主成分回归(PCR)和偏最小二乘回归(PLSR)模型进行比较。结果表明:叶绿素含量与一阶微分光谱在535nm处具有最大相关系数(R=-0.738),并且与特征参数Db、SDb呈显著相关,相关系数R分别为-0.732和-0.728;遗传算法可以有效地对BPNN初始权值随机化、易陷入局部极值等不足实现优化,并为其定位出理想的搜索空间;GA-BPNN模型的建模集与验证集R2分别为0.878和0.898,RMSE为0.731,与其他反演模型相比,GA-BPNN模型的稳定性和预测能力均表现最好,可为定量预测玉米叶片叶绿素含量提供一定的理论和技术依据。
- 陈春玲金彦曹英丽于丰华冯帅周长献
- 关键词：玉米叶绿素含量遗传算法BP神经网络
- 基于CARS-RUN-ELM算法的水稻叶片氮磷含量协同反演方法
- 2022年
- 同时反演氮、磷元素含量相对于单一元素反演可以更加全面地表达水稻的营养状况,为快速、准确获取水稻叶片氮、磷含量和精准变量施肥提供依据。该研究基于不同氮肥处理的田间小区试验,获取水稻叶片氮、磷含量数据,采用竞争性自适应重加权采样法(Competitive Adapative Reweighted Sampling,CARS)筛选氮素与磷素共同特征波长,以特征波长反射率为输入,以化学方法测得叶片氮、磷元素含量为输出,分别使用反向传播神经网络、极限学习机(Extreme Learning Machine,ELM)、龙格-库塔算法优化极限学习机(RUNge Kutta optimizer-Extreme Learning Machine,RUN-ELM)构建水稻叶片氮、磷含量反演模型并分析。结果表明:采用CARS方法有效去除了高光谱中大量无用、冗余信息,得到5个氮、磷元素共同特征波长,去除具有共线性的特征波长,最后筛选出的特征波长分别是451、488、780、813 nm。使用筛选后的特征波长反射率构建RUN-ELM水稻叶片氮、磷含量反演模型效果最好,氮素训练集的决定系数R^(2)为0.690,均方根误差为0.669 mg/g,磷素训练集的决定系数R^(2)为0.620,均方根误差为0.027 mg/g。通过对比,RUN-ELM在预测能力、模型稳定性上优于反向传播神经网络以及ELM模型。综上研究,基于CARS-RUN-ELM的水稻叶片氮、磷含量反演模型可以快速、准确获取水稻叶片氮、磷含量,可为水稻精准施肥提供参考。
- 许童羽金忠煜郭忠辉杨柳白驹驰冯帅冯帅
- 关键词：磷素水稻
- 东北寒地水稻茎秆纤维素含量近红外光谱反演
- 2021年
- 在水稻抗倒伏育种中,水稻茎秆纤维素含量作为重要的作物性状表现型数据,用传统方法获取时受人力成本和时间成本的约束,采集群体大小有限。利用高光谱技术能够实现对作物性状信息的快速、无损检测。为探究水稻茎秆纤维素含量近红外光谱反演模型,以田间小区试验的方式,采集水稻灌浆期至成熟期茎秆基部倒2、3节作为实验样本,并在实验室内使用NIRQuest512型号高光谱仪测得茎秆近红外反射光谱数据;采用标准变量正态变换(SNV)、连续小波变换(CWT)及两种方法结合(SNV-CWT)对原始近红外光谱进行预处理,经对比分析,原始光谱经SNV处理后再通过CWT对应6尺度分解最优,然后采用联合区间偏最小二乘法(SiPLS)、迭代保留信息变量法(IRIV)对最优预处理(SNV-CWT)的光谱特征曲线进行光谱特征变量筛选,分别提取了64个和16个特征变量;为优化模型并提高其模型精度,采用IRIV算法对SiPLS所选的特征变量进行二次筛选,得到6个特征变量,特征波长为1200,1207,1325,1470,1482和1492 nm,最后基于优选出的特征变量分别建立水稻茎秆纤维素含量的支持向量机回归(εSVR)和核极限学习机(KELM)预测模型,模型参数(惩罚系数C,核函数系数γ和不敏感参数ε)分别采用灰狼算法(GWO)、差分进化灰狼算法(DEGWO)和自适应差分进化灰狼算法(SaDEGWO)进行优化选择。结果表明,采用SNV-CWT方法光谱预处理后,经SiPLS-IRIV方法筛选的特征变量构建的SaDEGWO优化的SVR模型精度最高,模型参数C,γ,ε分别为302.8382,0.0877,0.0708,测试集的决定性系数(R_(p)^(2))为0.880,均方根误差(RMSE P)为15.22 mg·g^(-1),剩余预测残差(RPD)为2.91,表明模型具有较好的预测能力,可为水稻茎秆纤维素含量预测提供参考。
- 徐博许童羽于丰华于丰华冯帅张国圣冯帅
- 关键词：水稻茎秆纤维素近红外光谱光谱预处理反演模型
- 基于无人机高光谱遥感的东北粳稻冠层叶片氮素含量反演方法研究被引量：18
- 2019年
- 为探究遥感监测水稻冠层叶片氮素含量的较优高光谱反演模型,以水稻小区试验为基础,获取了不同生长期水稻冠层高光谱数据。在综合比较一阶导数变换(1-Der)、标准正态变量变换(SNV)和SG滤波法等处理方法基础上,提出一种将SNV与一阶导数变换的SG滤波法相结合的光谱处理方法(SNV-FDSGF),并将处理后的数据经无信息变量消除法(UVE)与竞争自适应重加权采样法(CARS)选出不同生长期的敏感波段。将各生长期的敏感波段两两随机组合,并构建与水稻叶片含氮量相关性较高的差值光谱植被指数(DSI)、比值光谱植被指数(RSI)、归一化光谱植被指数(NDSI)。其中分蘖、拔节和抽穗3个时期的最优植被指数和决定系数R^2分别为:DSI(R857,R623),0.704;DSI(R670,R578),0.786;DSI(R995,R508),0.754。以各生长期内的较优的三种植被指数作为输入分别构建自适应差分优化的极限学习机(SaDE-ELM)、径向基神经网络(RBF-NN)以及粒子群优化的BP神经网络(PSO-BPNN)反演模型。结果表明:SaDE-ELM建模效果最好,在模型稳定性和预测能力上比RBF-NN和PSO-BPNN都有了明显提高,各生长期反演模型的训练集和验证集决定系数R2均在0.810以上,RMSE均在0.400以下,可为东北水粳稻冠层叶片含氮量的检测与评估提供科学和技术依据。
- 冯帅许童羽于丰华陈春玲杨雪王念一
- 关键词：氮素无人机植被指数反演模型
- 基于深度卷积神经网络的水稻知识文本分类方法被引量：12
- 2021年
- 为解决文本特征提取不准确和因网络层次加深而导致模型分类性能变差等问题,提出基于深度卷积神经网络的水稻知识文本分类方法。针对水稻知识文本的特点,采用Word2Vec方法进行文本向量化处理,并与OneHot、TF-IDF和Hashing方法进行对比分析,得出Word2Vec方法具有较高的分类精度,正确率为86.44%,能够有效解决文本向量表示稀疏和信息不完整等问题。通过调整残差网络(Residual network,Res Net)结构,分析残差模块结构和网络层次对分类网络的影响,构建了9种分类网络结构,测试结果表明,具有4层残差模块结构的网络具有较好的特征提取精度,Top-1准确率为99.79%。采用优选出的4层残差模块结构作为基本结构,使用胶囊网络(Capsule network,Caps Net)替代其池化层,设计了水稻知识文本分类模型。与Fast Text、Bi LSTM、Atten-Bi GRU、RCNN、DPCNN和Text CNN等6种文本分类模型的对比分析表明,本文设计的文本分类模型能够较好地对不同样本量和不同复杂程度的水稻知识文本进行精准分类,模型的精准率、召回率和F1值分别不小于95.17%、95.83%和95.50%,正确率为98.62%。本文模型能够实现准确、高效的水稻知识文本分类,满足实际应用需求。
- 冯帅许童羽周云成赵冬雪金宁王郝日钦
- 关键词：文本分类特征提取
- 基于GPS定位的四旋翼飞行器设计
- 2016年
- 设计基于微控制器STM32F4系列和GPS定位的新型农情监测平台,以微控制器STM32F407为控制核心,用GPS模组、陀螺仪、加速度计等多种传感器测算位置和姿态信息。硬件由飞行控制器、数传模组、动力系统、机架、云台伺服系统组成。软件则采用简洁稳定的四元数加互补滤波姿态解算算法,融入PID控制算法,实现稳定飞行、GPS定位等功能。四旋翼飞行器扩展性高、适应性强,能够适应各种复杂环境,在农情信息采集中具有较高的应用价值。
- 王鹏冯帅余昌乐许童羽
- 关键词：四旋翼飞行器GPS定位
- 融合CLAHE-SV增强Lab颜色特征的水稻覆盖度提取
- 2023年
- 为解决由于阈值不确定和光照强度不稳定所造成的植被覆盖度提取效果不理想的问题,该研究提出一种融合CLAHE-SV(contrast limited adaptive histogram equalization-saturation value)增强Lab颜色空间特征的高斯混合模型聚类算法。以分蘖后期的水稻为对象,利用无人机获取2、3、4和5 m高度下的水稻可见光图像,采用限制对比度自适应直方图均衡化算法(contrast limited adaptive histogram equalization,CLAHE)对HSV颜色空间中饱和度(S)和亮度(V)分量进行增强,并在此基础上应用高斯混合模型(gaussian mixture model,GMM)结合Lab颜色空间的a分量分割图像背景和提取水稻覆盖度,并与GMM-RGB、GMM-HSV、GMM-Lab进行对比分析。结果表明,基于a分量构建的GMM-CLAHE-SV-a与GMM-a模型在不同高度图像中的分割效果均优于RGB、HSV、Lab,其中GMM-CLAHE-SV-a精度最佳。相比于GMM-a,在高度为2、3、4和5 m时GMM-CLAHE-SV-a的总体分割精度均值分别提高了2.16、1.01、1.03和1.26个百分点,Kappa系数均值分别提高了0.0414、0.0173、0.0190和0.0221;覆盖度的平均提取误差分别降低了8.75、7.01、5.93和5.34个百分点,决定系数R2分别提高了0.0960、0.0502、0.0622和0.1906,较好地降低了光强和倒影的影响。与已有方法相比,该算法无需标记训练集或计算阈值,可直接对无人机图像进行处理,具有较高的普适性,可以在复杂的大田环境下快速分割水稻像素并提取植被覆盖度信息。
- 李金朋冯帅杨鑫李光明赵冬雪于丰华许童羽
- 关键词：图像处理水稻覆盖度高斯混合模型
- 基于分窗Gram-Schmidt变换和PSO-SVR算法的水稻纹枯病病情指数检测被引量：7
- 2021年
- 纹枯病是水稻的主要病害之一,其防治对于保证水稻产量、质量具有重要意义,以高光谱检测水稻病害得到了广泛应用,并且高光谱降维是光谱分析的重要环节。该研究在2019年沈农水稻试验基地获取水稻低空遥感冠层与地面冠层高光谱,并对其进行以窗口宽度为15和阶数为3的Savitzky-Golay平滑处理和光谱变换(得到原始光谱、一阶微分光谱和倒数之对数光谱),分窗口对这3种光谱分别进行Gram-Schmidt变换,找到投影空间并映射出主基底,实现高光谱数据降维,绘制具有显著性概率的主基底,其极大极小值为特征波段。此外3种光谱还采用了主成分分析和连续投影法降维。以降维后的数据与水稻纹枯病病情指数进行支持向量机回归建模,其中支持向量机回归进行粒子群优化,并以径向基为核函数,对比分析了3种降维方式的降维效果。结果表明:水稻地面冠层尺度建模效果高于低空遥感尺度建模;在光谱处理方面,低空冠层高光谱进行倒数之对数变换效果较好,地面冠层所得高光谱数据进行一阶微分变换效果较好;分窗Gram-Schmidt变换算法优于主成分分析和连续投影法;粒子群算法可以优化支持向量机中的惩罚系数和核函数参数,提高其反演精度;无人机低空遥感尺度中,高光谱进行倒数之对数处理,以分窗Gram-Schmidt变换降维,敏感波段为427.3,539.6,749.5和825.4 nm,PSO-SVR建模决定系数R 2为0.731,均方根误差RMSE为0.151;地面冠层尺度中,高光谱进行一阶微分处理,以分窗Gram-Schmidt变换降维,敏感波段为552,607,702和730 nm,PSO-SVR模型决定系数R 2为0.778,均方根误差RMSE为0.147。因此,高光谱技术可以有效地检测水稻纹枯病,并且其病情指数可用冠层高光谱进行反演,分窗Gram-Schmidt变换对于高光谱数据降维有较好的效果,PSO-SVR建模对于水稻纹枯病病情指数的反演有明显提高,结果可为冠层尺度检测水稻纹�
- 肖文曹英丽冯帅刘亚帝江凯伦于正鑫闫丽
- 关键词：水稻纹枯病病害检测粒子群优化支持向量机回归
- 基于LMPSO-SVM的高光谱水稻稻瘟病害分级检测
- 2023年
- 为减少水稻产量损失,迫切需要建立快速、准确的水稻叶瘟监测和鉴别方法。本文以东北水稻为研究对象,以小区试验为基础,使用高光谱图像仪获取受稻瘟病菌侵染后不同发病程度的水稻叶片高光谱图像并提取光谱数据。首先,通过SG平滑方法对光谱数据进行预处理,然后运用主成分分析(PCA)、Pearson相关系数分析法(PCCs)、PLS-VIP方法对光谱数据进行降维,并提出了一种基于Logistic混沌映射PSO寻优的SVM分级检测模型(LMPSO-SVM)。为了验证提出方法的有效性,以不同降维方法提取的特征变量为输入,分别建立基于人工神经网络(ANN)、支持向量机(SVM)和PSO-SVM的分级模型并进行对比分析。仿真结果表明,各模型对4级病害的识别效果最好,综合5种级别病害,SVM和ANN分级模型的预测准确率波动相对较大,对于病害预测效果不太理想;而在不同特征选择下建立的LMPSO-SVM分级模型对各级病害预测准确率均较高,准确率波动较小,其中基于PCA提取特征变量和全波段作为输入的模型平均准确率非常相近,分别为96.49%和96.12%,PCA提取的输入变量仅为5个,大大简化了模型复杂性,降低了训练难度和训练时间。综合分析,PCA-LMPSO-SVM模型的训练效果最好,可以认为是最佳病害分级模型,其5种级别病害准确率分别为94.29%、96.43%、93.44%、98.30%和100%。因此,本文提出的方法可进一步提高水稻稻瘟病分级检测精度和可靠性,结果可为确定稻瘟病发生情况提供一定的理论基础和技术支撑。
- 刘潭李子默冯帅王雯琦袁青云许童羽
- 关键词：水稻稻瘟病病害检测粒子群算法
- 无人机高光谱遥感的水稻叶瘟病的光谱特征提取与检测方法研究
- 2024年
- 为了确定最佳的无人机高光谱遥感检测水稻冠层叶瘟病分类模型,以水稻大田试验为研究基础,获取了400~1000 nm波段内的无人机高光谱图像,参照国家标准GBT 15790—2009稻瘟病测报调查规范,按病情指数将叶瘟病划为5个等级,提取了0~4级共227组高光谱数据。采用Savitzky-Golay平滑(SG平滑)、一阶微分光谱(1-Der)和二阶微分光谱(2-Der)对数据进行预处理,并构建SVM模型,对比得出较优的预处理方法。采用主成分分析法(PCA)选取主成分累计贡献率;连续投影法(SPA)和随机青蛙法(RF)筛选光谱特征波段,并将筛选的结果作为模型的输入,分别构建粒子群优化的极限学习机(PSO-ELM)、极限学习机(ELM)、支持向量机(SVM)和决策树(DT)分类模型,并对模型进行对比分析得出最优分类模型。结果表明:相比于1-Der和2-Der,SG平滑方法的去噪效果较好,分类准确率较高,是较优的预处理方法,分类准确率和Kappa系数分别为93.47%、91.85%。PCA的前2个PC的累计贡献率为93.13%,为了模型的有效构建,最终选取了前6个PC,累计贡献率为99.02%。SPA使用RMSE作为最佳光谱特征波段选择标准,共显示了7个最佳光谱特征波段,其中可见光波段为400.8、416.7和426.2 nm,绿光波段为566 nm,红光波段为683.9 nm,近红外波段为830.2和916.4 nm。RF将筛选概率大于0.2的波段选为最佳光谱特征波段,最终筛选了8个光谱特征波段,其中红光波段为663.4和694.2 nm,近红外波段为784.4、787.9、791.4、905.5、927.2和930.9 nm,该方法有效地降低了波段间相关性和冗余性。将3种筛选结果分别构建分类模型,结果显示所有模型的总体分类准确率全部大于92.61%,建模结果较好;其中,以PSO-ELM模型对PCA的分类准确率达到97.77%,Kappa系数为97.22%,在所有模型中分类准确率最高,相比于ELM模型的最高分类准确率和Kappa系数高1.42%和1.56%,相比于SVM模型的最高分类准确率和Kappa系数高2.12%和
- 刘子扬冯帅赵冬雪李金朋关强许童羽
- 关键词：水稻无人机
