前言
农业是一个复杂的生命系统，具有典型的生态区域性和生理过程复杂性。信息技术是推动社会经济变革的重要力量，加速农业信息化发展是世界各国的共同选择。我国是个农业大国，对农业信息化技术与科学有着巨大需求。目前，大部分农业设备或者终端只能采集农作物图像，缺乏加工提取功能，不能提取到能指导农业生产管理的有用信息，并对农业物联网终端的图像信息实现自动分析识别处理，同时做出智能响应，这已经成为破解困于设备“视而不见”困局的首要任务。长势图像直观地、形象地表达了作物生长、发育、健康状况、受害程度、病因等方方面面的信息。让机器视觉设备近似正确地识别解读农学信息，实时地、科学地、自动地指导农技措施，一直就是智慧农业的发展目标。
本书主要从以下方面开展了系统性的研究实践工作：
(1) 基于SVN的CT图像籽种品质评价定级方法。以SVN为基础，探讨惩罚支持向量分类方法处理不平衡样本时，在不同目标尤其是样本稀疏目标的学习错误率的差异，基于拉格朗日系数分析方法，提出惩罚校正的支持向量分类算法和校正方法。该模型应用小麦籽种的CT图像特征数据分类分析，可使稀疏样本目标的准确率显著提高，整体分类性也得到明显改善，具备显著的有效性和通用性。
(2) 复杂场景下病害图像的病变识别预处理。基于作物病害图像的病变模式识别对于提高物联网化的、设施化的农场、果园的作物生产管理的智能化、自动化水平和管理效率有着积极意义。与广泛使用的基准数据集相比，农场果园视频感知设备采集环境复杂，充满着多种干扰，定点、移动方式都难以保证在受限条件和有限样次数下，采集到代表性图像在各状态下分布均匀的样本。在形成适于实验样本之前，必须消除其中噪声，规格化其大小。以苹果为例，介绍病害图像采集和病变识别，提出病害图像预处理过程及其方法——整形算法、方位多样性仿真、亮度多样性仿真、灰值化和稀疏化方法，阐述基于计算和学习的特征提取方法。
(3) 病变模式识别的数值分析降维。在剖析PCA方法降维方法的数学过程中，给出一种基于特征值溢界丢弃的特征提取方法，针对降维性能的重构评价设计误差距离分析方法，在苹果病变图像集合和人脸图像上展开了降维实验，结果显示： “95”原则的PCA特征提取表现出较好的重构性能； 在实验的第二个阶段，以第一阶段实验提取得到的病害模式特征集，以支持向量机为识别网络，对特征化的病害模式开展交叉验证识别实验，算法表现出相当乐观的可用性； 在最后一个阶段，对ORL人脸数据集也进行了泛化实验，泛化准确率三维曲面说明，在合理选择训练参数的前提下，溢界丢弃特征提取能有效降维人脸数据。
(4) 病害图像模式半监督深度学习降维。在分析限制玻尔兹曼机能量模型的数学逻辑的基础上，针对网络的粗糙学习过程，在k阶对比发散方法的基础上提出“基于随机反馈的对比散度方法”，并以RBM自动编码网络为工具，开展了苹果病变图像和人脸图像上的半监督深度学习降维及识别的一系列实验。算法的重构较PCA算法有明显的改进。随机反馈发散方法和kCD的目标函数趋近对比实验显示： 该算法有着较长的收敛时间，但是收敛之后，目标函数具备更好的稳定性，更高的最优目标值，更加有利于系统性能的稳定。
(5) 病害图像降维识别一体化监督深度学习网络。基于卷积运算提出深度卷积网络的果体病变图像识别诊断方法，设计学习网络结构和面向卷积的误差BP传递算法，提出弹性冲量的权值更新机制，构造线性弹性动量和二次弹性动量方法。该方法通过一体化的学习网络，融合特征提取和模式识别，共享学习机制完成了对识别部件和特征提取部件的协同训练，解决了“过程和目标”失配的问题，收敛曲线反映出该方法有很快的收敛速度； 二次弹性动量和线性弹性动量相比于经典动量梯度下降、自适应动量方法，收敛迭代周期呈现较大幅度的提前。
(6) 从软件工程的观点、从系统分析和系统设计的角度、侧重于面向对象的、基于组件的分层设计技术和方法，详细地论述了“多媒体农业智能应用系统平台”的系统分析、设计、实现方法。首先，说明了“多媒体农业智能应用系统平台”的概要情况，描述了平台的基本约束条件、平台的系统分析和系统设计方案； 然后，阐述了农业领域知识表示和知识管理子系统、电子图书子系统、农情数据库子系统的分析与设计及其实现和技术解决方案； 最后，介绍了平台的系统管理功能。
编者2020年12月
