基于自动编码器的涉危农业投入品智慧监测系统
发布时间：2021-06-29 09:41
农业投入品的使用不当是导致大多数问题食品产生的主要原因,然而目前对农业投入品的监测大都为产后阶段的残留检测,溯源系统能够通过查询溯源信息追溯农产品生产过程的农业投入品使用情况,但由于溯源信息主要是人工录入,无法保证溯源信息的及时、准确。所以,农业投入品实时在线监测是一项具有挑战性和深远意义的工作。本文结合物联网和深度学习的技术特点,展开了对涉危农业投入品预测模型的研究,并开发农业投入品的在线监测平台,以保证投入品监测信息的时效性及准确性。本文的主要工作内容如下:（1）投入品特性分析及数据采集。研究分析农业投入品的理化特性,发现不同类别的投入品的电导率值及PH值都有不同的分布区间,且投入品施用到田地后都会引起土壤环境参数（湿度、电导率、PH值、温度）不同程度的变化;通过各类传感器实时采集土壤环境数据以监测施用投入品引起的数据变化,为确保采集的土壤环境数据准确,提高投入品的辨识精度,本文采用基于最小二乘拟合的校正算法对传感器进行输出校准处理。（2）投入品预测方法研究。一是特征提取;土壤的疏松程度、粘性大小、水份比例等都会影响到施用投入品后的土壤环境数据变化,通过一般的知识与经验难以提取数据...
【文章来源】：仲恺农业工程学院广东省
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
监测设备Fig3.1Monitoringequipment
图 3.2 传感器实时数据Fig 3.2 Real-time sensor data外界作用的条件下，土壤环境数据一般处于相对稳定的后，受其理化特性影响，各项土壤环境数据会发生剧烈发，土壤环境数据将维持在一个新的状态中。具体数据
第五章 投入品品种预测表 5.4 预测准确率对比表Table 5.4 Predictive accuracy comparison table训练数据 模型 输入层（神经元） 隐层（神经元） 输出层（神经元） 准确率原始数据 BP 6 10 15 85%原始数据 SOFTMAX 6 0 15 86%特征数据 BP 3 10 15 94%特征数据 SOFTMAX 3 0 15 94%原始数据 SAE-SOFTMAX 6 5-4-3 15 98%分别利用原始数据集与特征数据集训练一个三层 BP 神经网络（输入层节点为 6，隐层节点为 10，输出层节点为 15），通过测试数据集验证得到的预测准确率分别为 85%和 94%（如图 5.13 和 5.14 所示），可见利用特征数据集训练 BP 神经网络可使预测效果提升 9%。
【参考文献】：
期刊论文
[1]基质效应对水果中16种有机磷农药残留检测的影响[J]. 罗贵文,牙家璇,郭儒敏,滕燕媚,黄玉梅. 农业科技通讯. 2017(12)
[2]Decision tree and deep learning based probabilistic model for character recognition[J]. A.K.Sampath,Dr.N.Gomathi. Journal of Central South University. 2017(12)
[3]农业物联网技术研究进展与发展趋势分析[J]. 李道亮,杨昊. 农业机械学报. 2018(01)
[4]量子点传感器在有机磷农药残留检测中的应用[J]. 张晓慧,杨丽敏,马洪超,姜磊. 化学通报. 2017(11)
[5]食品安全检测技术在农产品农药残留检测中的运用[J]. 高兰萍,郭建亭. 现代商贸工业. 2017(31)
[6]一种基于改进堆栈自动编码器的航空发电机旋转整流器故障特征提取方法[J]. 崔江,唐军祥,龚春英,张卓然. 中国电机工程学报. 2017(19)
[7]深度神经网络算法研究及应用[J]. 刘念,王枫. 科技资讯. 2017(27)
[8]深度学习模型的应用研究[J]. 安培松. 山西科技. 2017(05)
[9]基于物联网架构的农业监控系统模块化设计[J]. 张志杰. 软件导刊. 2017(09)
[10]纳米标记免疫层析法在农药残留检测中的应用研究进展[J]. 司芳芳,郭逸蓉,赵颖,桂文君,王蒙岑,朱国念. 农药学学报. 2017(04)
硕士论文
[1]我国政策性农业保险监管法律问题研究[D]. 蔡新宇.华中农业大学 2016
本文编号：3256214
【文章来源】：仲恺农业工程学院广东省
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
监测设备Fig3.1Monitoringequipment
图 3.2 传感器实时数据Fig 3.2 Real-time sensor data外界作用的条件下，土壤环境数据一般处于相对稳定的后，受其理化特性影响，各项土壤环境数据会发生剧烈发，土壤环境数据将维持在一个新的状态中。具体数据
第五章 投入品品种预测表 5.4 预测准确率对比表Table 5.4 Predictive accuracy comparison table训练数据 模型 输入层（神经元） 隐层（神经元） 输出层（神经元） 准确率原始数据 BP 6 10 15 85%原始数据 SOFTMAX 6 0 15 86%特征数据 BP 3 10 15 94%特征数据 SOFTMAX 3 0 15 94%原始数据 SAE-SOFTMAX 6 5-4-3 15 98%分别利用原始数据集与特征数据集训练一个三层 BP 神经网络（输入层节点为 6，隐层节点为 10，输出层节点为 15），通过测试数据集验证得到的预测准确率分别为 85%和 94%（如图 5.13 和 5.14 所示），可见利用特征数据集训练 BP 神经网络可使预测效果提升 9%。
【参考文献】：
期刊论文
[1]基质效应对水果中16种有机磷农药残留检测的影响[J]. 罗贵文,牙家璇,郭儒敏,滕燕媚,黄玉梅. 农业科技通讯. 2017(12)
[2]Decision tree and deep learning based probabilistic model for character recognition[J]. A.K.Sampath,Dr.N.Gomathi. Journal of Central South University. 2017(12)
[3]农业物联网技术研究进展与发展趋势分析[J]. 李道亮,杨昊. 农业机械学报. 2018(01)
[4]量子点传感器在有机磷农药残留检测中的应用[J]. 张晓慧,杨丽敏,马洪超,姜磊. 化学通报. 2017(11)
[5]食品安全检测技术在农产品农药残留检测中的运用[J]. 高兰萍,郭建亭. 现代商贸工业. 2017(31)
[6]一种基于改进堆栈自动编码器的航空发电机旋转整流器故障特征提取方法[J]. 崔江,唐军祥,龚春英,张卓然. 中国电机工程学报. 2017(19)
[7]深度神经网络算法研究及应用[J]. 刘念,王枫. 科技资讯. 2017(27)
[8]深度学习模型的应用研究[J]. 安培松. 山西科技. 2017(05)
[9]基于物联网架构的农业监控系统模块化设计[J]. 张志杰. 软件导刊. 2017(09)
[10]纳米标记免疫层析法在农药残留检测中的应用研究进展[J]. 司芳芳,郭逸蓉,赵颖,桂文君,王蒙岑,朱国念. 农药学学报. 2017(04)
硕士论文
[1]我国政策性农业保险监管法律问题研究[D]. 蔡新宇.华中农业大学 2016
本文编号：3256214
本文链接：https://www.wllwen.com/kejilunwen/nykj/3256214.html
