共查询到20条相似文献,搜索用时 140 毫秒
1.
机器学习在苹果智慧生产中的应用 总被引:1,自引:0,他引:1
苹果是我国重要的园艺作物,机器学习和计算机视觉融合促进了苹果检测与识别技术的发展,为苹果智慧生产提供了新的支撑.文章以苹果智慧生产中苹果果实识别、苹果品质和营养的无损检测、苹果品质分级技术为重点,介绍了机器学习在苹果智慧生产领域中的应用进展.包括基于支持向量机的苹果果实识别方法,基于深度学习的在树水果实时识别方法,光谱... 相似文献
2.
3.
在农业保险中,苹果园受灾理赔需要通过快速准确的落果计数进行定损,然而自然场景的复杂性、落果的分布状态、采集员的身高、拍照习惯等环境因素和人为因素影响了基于影像的落果识别与计数的准确性和可靠性。通过获取不同落果背景、光照度、落果分布密集度、拍摄高度和拍摄距离等条件下地面的苹果影像,采用基于深度学习的更快速的区域卷积神经网络(faster region convolutional neural networks,Faster-RCNN)模型进行地面苹果检测的方法,与传统方法Hough变换和分水岭算法进行对比。结果表明,Faster-RCNN模型的平均识别精度达到95.53%,明显优于传统的地面苹果提取方法;在弱光、落果分布密集、拍摄距离较远等不理想的条件下,识别精度也达到90%以上,有较好的稳定性。基于深度学习的地面苹果识别与计数方法,有望为提高农业果品保险定损的精度与效率提供重要的技术参考。 相似文献
4.
农作物病害是严重影响农业生产的关键因素之一。近年来,深度学习技术迅速发展,其在农作物叶部病害检测和识别领域的应用逐渐受到关注。本文对基于深度学习的农作物病害识别方法进行总结,分析了该技术在农作物病害识别中的应用,从田间环境、成本和数据量等方面入手探讨其需要解决的一些问题,并对其发展进行了展望,为今后农作物病害识别的深入研究与发展提供参考。 相似文献
5.
深度学习在大田种植中的应用及展望 总被引:2,自引:0,他引:2
深度学习是目前机器学习领域最前沿和最具前景的技术,本研究采用归纳总结法,介绍了深度学习的特征及与传统机器学习的区别,归纳和梳理了深度学习在大田种植中的应用现状。结果表明:1)深度学习在大田种植中的应用初现端倪,主要集中在作物的识别与分类、农业遥感影像应用、土壤环境监测、农业场景识别等;2)采用的主要模型有卷积神经网络(CNN)、自编码(AE)、深度置信网络(DBN)、堆栈自编码(SAE)、全卷积神经网络(FCN)、深度神经网络(DCNN)等,其对各领域的分类与识别精度均有提高;3)目前存在的主要问题是标注数据缺乏,尤其在遥感图像分类领域,普遍采用了迁移学习、数据增强、微调等技术来解决标注数据缺乏的问题。随着大田种植领域数据的增长以及信息技术的快速发展,基于深度学习和多源异构数据的作物识别与分类、作物长势监测、病虫害预测预警、农作物产量预测、果树花朵及果体识别、水果质量及产量的优化控制等将会获得较快发展。 相似文献
6.
基于深度学习的农作物病害图像识别技术进展 总被引:5,自引:0,他引:5
农作物病害的无损检测和早期识别是精准农业和生态农业发展的关键。随着图像采集和图像处理技术的进步,高光谱成像等先进成像探测技术和基于深度学习的图像分析技术越来越多地应用于农作物病虫害的无损检测中。本文首先简单介绍了以深度学习为代表的图像识别技术的基本原理,然后系统地阐述了基于深度学习的先进成像技术和先进图像识别分析技术在农作物病害检测识别中的国内外研究现状,分析了其在农作物病害检测识别上存在的优缺点,如具有快速、准确率高等优点以及数据量过大处理不便等缺点,并进一步指出,利用高光谱成像和热红外成像与深度学习相结合,将成为今后研究农作物病虫害早期检测的主要发展方向。 相似文献
7.
随着沈阜200万亩现代农业示范带项目建设,阜新地区寒富苹果产业发展势头迅猛,千亩果园、精品园、采摘园层出不穷,寒富苹果种植现已成为当地果农脱贫致富的重要抓手。近几年种植面积不断激增,但日常管护尤其是春季果园管理技术缺失,导致树势弱、萌芽不整齐、病虫害发生率高等问题频发。经过多年实践摸索,总结出一整套符合当地生产实际的阜新地区寒富苹果园春季管理关键技术,包含肥水管理、整形修剪、园地清理与病虫害防治等技术,希望对果农生产起到一定的帮助和指导作用。 相似文献
8.
9.
姜常娜 《中国农业文摘-农业工程》2022,34(1):27-29
近年来,我国果树种植行业发展迅速,果树种植技术也在不断发展,苹果矮化栽培技术逐渐替代了传统的苹果种植技术,大大提高了苹果的产量,为苹果种植户带来了巨大的经济效益.本文充分结合我国目前苹果种植的实际情况,对苹果矮化栽培技术的作用进行分析,并从品种选择、种植深度控制、树冠控制、整形修剪以及人工辅助授粉等方面探讨了苹果矮化栽... 相似文献
11.
受莲蓬形状外观和生长环境影响,传统计算机视觉算法识别莲蓬存在效率与精度不佳的问题。本文研究采用YOLO v2算法进行莲蓬识别的方式,通过扩充莲蓬检测数据集、K-means维度聚类、深度可分离卷积网络结构和多分辨率图像对模型微调等方法实现提高识别精度、鲁棒性与识别速度。对比Darknet-19、Tiny Darknet与DS Tiny Darknet算法,结果表明,本文研究的识别方式可以达到102.1 fps的识别速率,可实现在复杂环境下对莲蓬的快速识别,满足莲蓬采摘机器人在采摘过程中对实时视觉信息的需求。 相似文献
12.
13.
基于深度学习的苹果树侧视图果实识别 总被引:3,自引:2,他引:1
【目的】传统果树侧面果实识别方法精度难以满足实际果实识别的需求,研究深度学习方法对提高苹果树侧面果实识别精度、增强模型对苹果复杂生长环境的适应性和泛化性具有重要意义。【方法】文章提出基于深度卷积神经网络对广域复杂背景环境下的侧面苹果特征进行学习的方法,完成苹果树侧面果实多目标识别任务。【结果】在广域复杂场景下,基于VGG16为特征提取网络的Faster-RCNN多目标检测模型在果实多目标检测任务中,识别精度达到91%,单幅影像识别时间约为1.4 s,相较于ResNet50作为特征提取层的目标检测模型识别精度提高4%;在相同影像数据下,模型识别精度的主要影响因素是遮挡,导致模型漏判果实数量较多,VGG16在不同程度遮挡区域的漏判率比ResNet低6%。【结论】基于VGG16卷积神经网络果树侧视图果实识别算法对广域复杂场景下的果实提取效果较好,特别是在具有遮挡情况下的识别结果更优,能够为果园产量估算提供一定的借鉴。 相似文献
14.
本文通过对陕西省132个村的236个苹果种植农户进行问卷调查,运用描述性统计分析方法和Logistic回归模型分析了苹果生产的基本情况和影响苹果种植农户实施农业标准化生产行为的因素。研究结果表明,苹果种植收入与总收入的比值、农户标准化生产技术是否来源于政府、农事决策者性别、获得标准化生产信息的意愿、农事决策者的文化程度、农户家庭投入劳动力与总人口的比值等因素对农户的标准化生产行为具有不同程度的影响。其中,苹果种植收入与总收入的比值对农户标准化生产行为影响最大。 相似文献
15.
16.
结合现代信息技术和网络技术,分析富硒苹果产业链节点信息特点,针对富硒苹果生产、供应、市场需求等营销体系,构建了富硒苹果产业链信息发布平台,以Smarty引擎实现MVC架构,采用PHP语言,My SQL数据库实现了产业链信息管理模块、订单管理模块、富硒苹果产品管理模块等功能模块。提高了富硒苹果产业链信息化水平,为我国农业信息化服务于苹果产业信息化提供有益的借鉴。 相似文献
17.
18.
<正>河北省邢台市隆尧县分良家庭农场以发展大棚甜瓜种植为基础,逐步形成集瓜果蔬菜种植、新品种培育、订单生产、观光采摘于一体的全产业链融合发展模式。农场依托专业的技术团队、良好的产品品质、稳定的销售渠道,带动周边农户共同发展大棚甜瓜种植,进一步壮大了区域特色农业的发展规模,拓宽了农民增收渠道。 相似文献
19.
为了实现自然环境下疏果前苹果的快速识别和精确定位,满足果园智能化种植需求,提出了一种基于改进的YOLOv5深度学习的检测模型。首先,为了解决苹果的尺度大小不一带来的问题,改进目标检测层,在YOLOv5的第17层之后对特征图进行上采样,在第20层将网络提取到的特征图与Backbone网络中的第2层特征图进行融合操作,以生成不同尺寸的检测层。其次,为了克服复杂环境的影响,改进特征融合网络,使用BiFPN(Bidirectional Feature Pyramid Network))进行特征融合,来更有效地提取目标信息。最后,将采集到的苹果图像进行不同网络模型检测效果对比试验。试验表明,改进的模型经过8 274幅图像训练,在2 759幅测试集上的检测准确率为94.2%,召回率为95.2%,F1值为94.7%;相比YOLOv3、YOLOv4、原YOLOv5网络,准确率分别提高了4.4%、7.0%、2.3%,F1值分别提高6.1%、6.5%、2.6%;相比YOLOv3、YOLOv4网络,图像的检测速度分别提高了13.5、21.4 ms/幅。结果表明,在... 相似文献
20.
现代苹果生产的终极目标是向商品化方向演变,苹果大小、着色程度花芽饱满程度直接关系到苹果的品质,
基于此,为提升苹果生产品质,相关技术栽培人员要不断提高栽培种植技术,强化特殊天气下对苹果瓜果的管理水平,
本文就影响苹果开花坐果的因素进行分析,并探究花果管理的应对措施,以期提高苹果产量、提升苹果品质。 相似文献