基于机器视觉的葡萄霜霉病分级方法研究与系统设计
这是一篇关于图像分割,葡萄霜霉病,病害分级,K-Means聚类,随机森林算法的论文, 主要内容为霜霉病是葡萄病害中危害最大的病害之一,如果防治不及时将导致整个园区染病,大大降低葡萄的质量和产量,造成严重经济损失。目前难以准确识别该病害等级,导致农药不合理施用,造成环境污染和药液浪费。为了降低农药使用量、提高药效、保护农业生态环境,研究葡萄霜霉病分级检测方法和分级检测系统尤为重要。本研究以葡萄霜霉病为研究对象,采用机器视觉结合深度学习技术识别葡萄霜霉病病害等级。针对自然环境下复杂背景的葡萄霜霉病病害分级评价需求,提出了一种语义分割结合K-Means聚类和随机森林的葡萄霜霉病分级检测算法,实现对葡萄霜霉快速分级检测,为其他类似病害分级评价提供算法支撑。基于上述方法,进一步设计葡萄霜霉病分级检测系统,采用Android智能手机作为采集和显示终端,将复杂的计算过程放在本地高性能计算机进行运算。本文主要研究内容如下:(1)基于深度学习的复杂背景下葡萄叶片提取模型研究。构建自然环境下复杂背景的果园葡萄叶片分割数据集,考虑到实际果园环境的复杂性,采用HRNet v2+OCR算法构建了葡萄叶片提取模型,对比不同语义分割网络的准确率和平均交并比的结果,分析不同分割算法的分割性能。研究结果表明,HRNet v2+OCR算法能够较好的分割实际果园环境下的葡萄叶片,与其他常见语义分割网络相比较,识别准确性有一定的提高,该模型在w48主干网络基础上的准确率为98.45%,平均交并比为97.23%。(2)基于机器学习的葡萄霜霉病病斑分割算法设计。提出一种基于K-Means和随机森林的病斑分割算法,将无法直接标注病斑区域的图像采用子区域图像的方式进行有监督学习,只需要标注少量子区域图像即可完成病斑训练;同时结合语义分割算法引入一种像素尺寸变换策略,使病斑分割算法有更多信息和更高分辨率。采用该病斑分割算法的葡萄叶片正面、反面和正反面霜霉病病害分级准确率分别为52.59%、73.08%和63.32%,病害等级误差小于等于2级时的病害分级准确率分别为88.67%,96.97%和92.98%。(3)葡萄霜霉病分级检测系统设计与部署。基于上述方法构建葡萄霜霉病分级检测系统,该系统主要由Android应用端、云服务器端和深度学习计算端组成。应用端基于Android开发,采用C/S模式设计完成,主要实现葡萄霜霉病图像数据采集、位置信息采集、图像数据上传服务器以及运算完成的结果展示;云服务器端采用Spring Cloud微服务框架结合其他分布式组件进行开发,采用云平台进行项目部署,主要实现基于HTTP和Web Socket的云服务器端与Android应用端通信、基于GRPC的云服务器端与深度学习计算端通信、任务调度与持久化等功能;深度学习计算端采用Python开发,主要实现与云服务器端通信和葡萄霜霉病分级检测算法部署。通过试验验证,该系统能够帮助用户识别葡萄霜霉病病害等级,并提供相应的防治措施,实现果园环境的葡萄霜霉病分级检测。
基于室内场景图像增强的房屋交易推荐系统的研究与开发
这是一篇关于推荐系统,图像处理,YOLOv3,K-Means聚类,协同过滤的论文, 主要内容为随着社会的发展,人员流动性增强,通过网络进行租赁房屋和房产买卖的情况在快速增加。部分传统的网络房屋租赁和售卖系统对上传的房屋图片的室内场景没有优化,图片不清晰,严重影响了房屋在网络平台的展示;另外,一些网络平台在推荐系统中没有很好地解决数据稀疏问题,导致推荐效果不佳。基于上述出现的问题,本文通过对当前租房行业的调研和分析,研究并开发了基于室内场景图像增强的房屋交易推荐系统的方案。本文的主要工作如下:(1)提出了一种小样本的FRDSP-YOLOv3(Few-show Retinex Dark Net based on S3Pool)的室内场景识别。对背景干扰问题采取了随机空间采取池化(S3POOL)的下采样方法,以此保留特征图的空间信息;使用Retinex图像增强的方式解决了因设备拍摄的角度以及光线等因素造成的室内场景目标识别不佳的情况,提高了对室内场景识别的能力。实验结果表明,在室内场景识别任务中准确率为93%,召回率为80%。(2)针对在传统协同算法中出现的数据稀疏问题,本文提出了user B-CF推荐算法,即考虑了点击率、用户浏览时间、购买记录、浏览记录和评价等行为的推荐算法。利用用户聚类的方式,先计算出用户在簇中的近邻用户,再根据近邻用户的评分对用户未评分的物品进行评分预测,解决了数据的稀疏导致精度不高的问题。(3)设计开发了基于室内场景图像增强的房屋交易推荐系统的架构方案。系统采用了Spring Boot和Vue框架进行设计与实现。系统由用户网站、管理员后台服务组成,其中用户网站包括了房源查找,房源发布和投诉等模块,后台的服务实现了用户管理、租房管理、售房管理和投诉管理等模块。
基于机器视觉的葡萄霜霉病分级方法研究与系统设计
这是一篇关于图像分割,葡萄霜霉病,病害分级,K-Means聚类,随机森林算法的论文, 主要内容为霜霉病是葡萄病害中危害最大的病害之一,如果防治不及时将导致整个园区染病,大大降低葡萄的质量和产量,造成严重经济损失。目前难以准确识别该病害等级,导致农药不合理施用,造成环境污染和药液浪费。为了降低农药使用量、提高药效、保护农业生态环境,研究葡萄霜霉病分级检测方法和分级检测系统尤为重要。本研究以葡萄霜霉病为研究对象,采用机器视觉结合深度学习技术识别葡萄霜霉病病害等级。针对自然环境下复杂背景的葡萄霜霉病病害分级评价需求,提出了一种语义分割结合K-Means聚类和随机森林的葡萄霜霉病分级检测算法,实现对葡萄霜霉快速分级检测,为其他类似病害分级评价提供算法支撑。基于上述方法,进一步设计葡萄霜霉病分级检测系统,采用Android智能手机作为采集和显示终端,将复杂的计算过程放在本地高性能计算机进行运算。本文主要研究内容如下:(1)基于深度学习的复杂背景下葡萄叶片提取模型研究。构建自然环境下复杂背景的果园葡萄叶片分割数据集,考虑到实际果园环境的复杂性,采用HRNet v2+OCR算法构建了葡萄叶片提取模型,对比不同语义分割网络的准确率和平均交并比的结果,分析不同分割算法的分割性能。研究结果表明,HRNet v2+OCR算法能够较好的分割实际果园环境下的葡萄叶片,与其他常见语义分割网络相比较,识别准确性有一定的提高,该模型在w48主干网络基础上的准确率为98.45%,平均交并比为97.23%。(2)基于机器学习的葡萄霜霉病病斑分割算法设计。提出一种基于K-Means和随机森林的病斑分割算法,将无法直接标注病斑区域的图像采用子区域图像的方式进行有监督学习,只需要标注少量子区域图像即可完成病斑训练;同时结合语义分割算法引入一种像素尺寸变换策略,使病斑分割算法有更多信息和更高分辨率。采用该病斑分割算法的葡萄叶片正面、反面和正反面霜霉病病害分级准确率分别为52.59%、73.08%和63.32%,病害等级误差小于等于2级时的病害分级准确率分别为88.67%,96.97%和92.98%。(3)葡萄霜霉病分级检测系统设计与部署。基于上述方法构建葡萄霜霉病分级检测系统,该系统主要由Android应用端、云服务器端和深度学习计算端组成。应用端基于Android开发,采用C/S模式设计完成,主要实现葡萄霜霉病图像数据采集、位置信息采集、图像数据上传服务器以及运算完成的结果展示;云服务器端采用Spring Cloud微服务框架结合其他分布式组件进行开发,采用云平台进行项目部署,主要实现基于HTTP和Web Socket的云服务器端与Android应用端通信、基于GRPC的云服务器端与深度学习计算端通信、任务调度与持久化等功能;深度学习计算端采用Python开发,主要实现与云服务器端通信和葡萄霜霉病分级检测算法部署。通过试验验证,该系统能够帮助用户识别葡萄霜霉病病害等级,并提供相应的防治措施,实现果园环境的葡萄霜霉病分级检测。
铁路货运数据分析系统的设计与实现
这是一篇关于数据挖掘,K-Means聚类,铁路货运,SSM的论文, 主要内容为铁路货运一直在国民经济中扮演着重要的角色,保证了大宗商品的长途运输。和公路、水路等运输方式相比,铁路运输具有安全、快速和不间断的优势。伴随着经济结构转型,能源利用率大幅提升,清洁能源的使用更加广泛,货运商品品类不断增加和变化,大宗商品在国家淘汰落后产能的政策下产量不断减少,铁路货源不断流失,铁路货运和市场需求之间的矛盾不断凸显。所以,在传统的大宗商品运输需求疲软的前提下,铁路白货的运输对发挥铁路运输的优势具有重要意义。通过分析往年铁路白货信息,可以更好地把握铁路白货运输的基本情况,为铁路企业的决策和商业服务提供数据支持。.论文设计和实现了铁路货运数据分析系统。本项目主要分为三大模块,系统设置模块、数据查询模块和数据分析模块。软件的实现采用浏览器和服务器的模式,前端使用JSP、JavaScript、CSS技术,WEB服务器采用 SpringMVC、Spring、MyBatis技术即SSM框架。笔者独立完成了系统设置模块、数据查询模块、数据分析模块的需求分析、概要设计、详细设计和功能的实现。完成了数据分析模块的数据分析方法的设计,数据分析模块主要运用了K-Means聚类算法,通过得到城市簇,并过滤得到城市簇对;聚类分析主要分析了城市簇间的热门运输通道。独立完成了数据查询模块和系统设置模块中的省份数据展示、城市数据展示、城市吨数排名、城市热力图、品类热力图、企业发车分析等功能,并且设计了测试用例,完成了测试工作。目前铁路货运数据分析平台已经投入使用,本人独立设计和开发的模块功能正常。运行稳定,达到了预期的目标。
基于Spark平台的电商推荐系统的研究
这是一篇关于电商推荐系统,协同过滤,K-Means聚类,Spark的论文, 主要内容为当今社会,互联网产业发展迅速,如何让用户从电商网站中获取有价值的信息成为了电商从业者的困扰。电商推荐系统成为了解决问题的主要手段。目前,一部分电商推荐系统为用户推荐的商品与用户的兴趣不符合,推荐精度低成为了电商推荐系统面临的重大难题。不仅如此,当一个新用户使用系统时,系统并没有用户的行为数据,系统不知道如何向新用户推荐,这也就是系统的冷启动问题,推荐效率和系统的运行效率同样影响用户的体验感。所以本文主要针对电商推荐系统的不足之处进行了以下的研究:(1)针对推荐效率低的问题,本文对传统K-Means算法进行改进,提出了一种基于孤立森林的K-Means聚类算法——IFK-Means算法,采用了对用户的客服满意度聚类的方式,降低推荐算法的计算量。IFK-Means算法通过孤立森林算法计算出数据的异常因子,筛除异常因子高过阈值的数据,然后在K-Means聚类过程中,通过异常因子加权欧氏距离公式和平均误差公式。IFK-Means算法提高了聚类的效果和推荐算法的运行效率。(2)针对推荐精度低的问题,本文对基于用户的协同过滤算法进行改进,提出了融合客服满意度的协同过滤算法——CS-CF算法,分析了计算用户相似度的过程,在过程中融入用户的客服满意度。CS-CF算法采用IFK-Means对用户的客服满意度聚类,通过欧式距离公式计算用户与用户之间的客服满意度相似度,并将客服满意度相似度作为权重与皮尔逊相关系数加权和,得到最终的用户相似度,然后根据用户相似度,预测用户对其他商品的评分。该方法提高了算法的推荐精度。(3)针对冷启动问题,采用了推荐近期热门商品的方式。系统会将离线推荐计算的近期热门商品推荐给新用户,缓解了用户冷启动问题。系统的架构主要有用户可视化、综合业务服务、数据库服务、离线推荐服务、实时推荐服务这五个部分。为了提高系统的运行效率,本文的电商推荐系统采用Spark高性能计算框架,减少了计算所需要的时间。实验结果表明,基于Spark平台实现的IFK-Means算法提升了聚类的效果和效率,更好地应用在CS-CF算法中。IFK-Means在对用户的客服满意度聚类时,生成更优的聚类结果。实验通过准确率、召回率、F1值、覆盖率验证CS-CF算法,相对于传统协同过滤算法,CS-CF算法提升了推荐精度和推荐效率。对电商推荐系统测试后,其功能都可以较好的实现,并缓解了用户冷启动问题。本文有图45幅,表14个,参考文献87篇。
融合用户偏好和地理信息的兴趣点推荐算法研究与应用
这是一篇关于LBSN推荐,POI,推荐系统,K-Means聚类,幂律分布的论文, 主要内容为在信息高速发达的二十一世纪,每分每秒都伴随着网络数据的输出,这必然会产生信息过载的问题。基于地理位置的社交网络(Location-based Social Network,简称LBSN)以各种应用软件为载体,从海量数据中筛选出符合用户偏好的信息推荐给用户,为用户提供了一个将虚拟世界和物理世界合二为一的新体验。智能移动设备的广泛使用以及定位技术的日趋成熟,越来越容易获得用户的实时位置,这就使得地点推荐成为专家学者广泛研究和使用的焦点,基于LBSN的个性化兴趣点(Point-Of-Interest,简称POI)推荐通过对用户签到进行建模,从而帮助用户分析潜在偏好并得出推荐结果反馈给用户。本文以提高推荐结果准确度为目标,主要工作如下:(1)详细阐述了国内外学者针对LBSN的研究现状,主要从地理、社交和时间三个因素方面着重论证,在此基础上说明本文使用LBSN进行推荐的理论意义和实践意义。(2)对真实的LBSN数据(Gowalla数据集)进行统计与分析,通过分析用户偏好及POI距离分布方面的特点对用户和POI进行建模,找出用户的签到行为、签到位置所表现出的规律。(3)对用户的签到数据进行K-Means聚类找出用户偏好的POI区域,对POI之间的距离采用幂律分布的概率模型来计算地理影响,提出了一种融合用户偏好和地理信息的混合推荐算法。(4)引入用户活跃度和POI新鲜度来自适应调节混合推荐算法中的权重,以解决对于签到不活跃的用户和签到较少的新POI来说,推荐效果较差的问题。(5)以融合用户偏好和地理信息的混合推荐算法作为核心推荐模型,实现了一个移动推荐原型系统,并将其运用在一个日常生活娱乐签到系统中。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码工坊 ，原文地址：https://m.bishedaima.com/lunwen/46068.html
