首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到17条相似文献,搜索用时 187 毫秒
1.
目的 获取水稻田的低空遥感图像并分析得到杂草分布图,为田间杂草精准施药提供参考。方法 使用支持向量机(SVM)、K最近邻算法(KNN)和AdaBoost 3种机器学习算法,对经过颜色特征提取和主成分分析(PCA)降维后的无人机拍摄的水稻田杂草可见光图像进行分类比较;引入一种无需提取特征和降维、可自动获取图像特征的卷积神经网络(CNN),对水稻田杂草图像进行分类以提升分类精度。结果 SVM、KNN和AdaBoost对测试集的测试运行时间分别为0.500 4、2.209 2和0.411 1 s,分类精度分别达到89.75%、85.58%和90.25%,CNN对图像的分类精度达到92.41%,高于上述3种机器学习算法的分类精度。机器学习算法及CNN均能有效识别水稻和杂草,获取杂草的分布信息,生成水稻田间的杂草分布图。结论 CNN对水稻田杂草的分类精度最高,生成的水稻田杂草分布图效果最好。  相似文献   

2.
【目的】 在蛋鸡养殖中,如球虫病和传染性法氏囊病等鸡肠道疾病发病率高,严重影响鸡舍饲料的利用率,增加了养殖成本。为在密集的蛋鸡笼养环境中使用肠道疾病智能化诊断方法,实现多种肠道疾病的分类识别,【方法】 文章根据病理粪便的差异,提出了基于多尺度卷积的对鸡肠道疾病进行分类的算法。首先,实验共采集正常粪便、稀便、绿便和血便4类图像共1 834幅,建立蛋鸡粪便数据集。为减少过拟合的出现,对数据集进行了数据增强,扩充数据集至5 128幅。其次,对VGG16模型进行改进,使用全局平均池化代替全连接层,同时引入了3×3和5×5的多尺度卷积和通道注意力机制,将SE模块插入到多尺度卷积的末端,构建了一个基于多尺度卷积的蛋鸡肠道疾病识别网络VGG-MSC。【结果】 VGG-MSC的各项指标较VGG16均得到提高,其中在蛋鸡粪便数据集上的分类准确率达到了98.04%,较VGG16提高了1.75%,可为鸡的肠道疾病诊断提供有效的决策支持。【结论】 以深度学习为基础,该方法能够实现对鸡肠道疾病的智能诊断,有利于及早发现并预防鸡肠道疾病,为畜禽养殖提供信息化服务,推动蛋鸡产业持续高质量发展。  相似文献   

3.
目的 提升柑橘果园的智能化管理水平,快速无损获取柑橘树冠层的施药情况,改善小规模数据集导致施药情况分类模型易发生过拟合的问题。方法 提出一种基于卷积神经网络的柑橘树冠层施药情况分类模型——VGG_C模型。模型以VGG模型核心思想为基础进行构建,通过交叉熵损失函数优化,加速概率分布与真实分布的迭代过程,并在输出端引入不确定性度量计算以及在下采样模块中插入Droupout方法,降低由于数据较少而发生过拟合的概率。结果 VGG_C模型针对训练集的分类损失值为0.44%,比ResNet和VGG模型分别降低了87%和91%;准确率为95.3%,比ResNet和VGG模型分别提高了5%和10%;验证集的预测平均准确率为96.4%。结论 VGG_C模型通过多层卷积模型协同实现柑橘冠层热红外图像特征的高效提取,通过优化输出端结构提高了柑橘冠层施药情况分类模型在小数据集规模上的训练测试优度,可为柑橘树施药情况的智能化判断提供有效参考。  相似文献   

4.
粳稻冠层叶绿素含量PSO-ELM高光谱遥感反演估算   总被引:1,自引:0,他引:1  
目的 叶绿素含量是表征粳稻生长状态的重要指示信息,利用无人机高光谱遥感技术及时获取区域尺度的粳稻叶绿素含量。方法 以2016—2017年沈阳农业大学辽中水稻实验站粳稻无人机遥感试验数据为基础,利用连续投影算法(SPA)进行有效波段的提取,提取的特征波段分别为410、481、533、702和798 nm。将提取出的特征波段作为输入,利用极限学习机(ELM)和粒子群优化的极限学习机(PSO-ELM)分别建立粳稻冠层叶绿素含量反演模型。在PSO-ELM模型中,针对PSO算法的种群规模(p)、惯性权重(w)、学习因子(C1C2)、速度位置相关系数(m)这5个参数进行了优化。结果 确定了最优参数:p为80,w为0.9~0.3线性递减,C1C2分别为2.80和1.10,m为0.60。利用优化后的ELM和PSO-ELM所建立的粳稻冠层叶绿素含量模型的决定系数分别为0.734和0.887,均方根误差分别为1.824和0.783。结论 利用优化后的PSO-ELM建立的粳稻叶绿素含量反演模型精度要明显高于单纯利用ELM建立的反演模型,前者具有较好的粳稻叶绿素含量反演能力。本研究为东北粳稻叶绿素含量反演无人机遥感诊断提供了数据支撑和应用基础。  相似文献   

5.
目的 引入区域卷积神经网络Faster R-CNN算法并对其改进,以实现在田间真实环境下背景复杂且具有相似病斑特征的玉米病害的智能诊断。方法 在玉米田间和公开数据集网站获取具有复杂背景的9种常见病害图像1 150幅,人工标注后对原始图像进行离线数据增强扩充;对Faster R-CNN算法进行适应性改进,在卷积层加入批标准化处理层,引入中心代价函数构建混合代价函数,提高相似病斑的识别精度;采用随机梯度下降算法优化训练模型,分别选取4种预训练的卷积结构作为Faster R-CNN的特征提取网络进行训练,并测试得到最优特征提取网络,利用训练好的模型选取不同天气条件下的测试集进行对比,并将改进Faster R-CNN与未改进的Faster R-CNN和SSD算法进行对比试验。结果 在改进Faster R-CNN病害识别框架中,以VGG16卷积层结构作为特征提取网络具有更出色的性能,利用测试集图像检验模型,识别结果的平均精度为 0.971 8,平均召回率为0.971 9,F1为0.971 8,总体平均准确率可达97.23%;晴天的图像识别效果优于阴天的。改进Faster R-CNN算法与未改进的Faster R-CNN算法相比,平均精度高0.088 6,单张图像检测耗时减少0.139 s;与SSD算法相比,平均精度高0.0425,单张图像检测耗时减少0.018 s,表明在大田环境中具有复杂背景的玉米病害智能检测领域,改进Faster R-CNN算法综合性能优于未改进的Faster R-CNN算法和SSD算法。结论 将改进后的Faster R-CNN算法引入田间复杂条件下的玉米病害智能诊断是可行的,具有较高的准确率和较快的检测速度,能够避免传统人工识别的主观性,该方法为田间玉米病害的及时精准防控提供了依据。  相似文献   

6.
【目的】分析不同低温环境对黄瓜光系统Ⅱ(PSⅡ)潜在活性Fv/Fo的影响,为黄瓜冷害的无损诊断提供技术支持。【方法】试验在光强140 μmol/(m2·s)、CO2浓度为400 μmol/mol及昼/夜光周期为14 h/10 h、空气相对湿度为60%/50%的CO2人工气候箱中进行,以16株不同Fv/Fo值(4.5~6.0)的黄瓜幼苗为试验样本,平均分组,分别于8,10,12和14 ℃低温条件下连续培养8 d,每天16:00采集黄瓜叶片荧光参数(Fv/Fo),以其代表黄瓜PSⅡ潜在活性,分析低温对黄瓜叶片生理状态的影响,并采用量子遗传-支持向量机回归算法建立低温环境下黄瓜叶片Fv/Fo值预测模型。【结果】培养温度、持续时间和低温处理前黄瓜Fv/Fo值共同影响黄瓜幼苗PSⅡ潜在活性(Fv/Fo)对低温的响应。低温环境下,黄瓜幼苗Fv/Fo值均在0~2 d快速下降,后随低温持续时间的延长缓慢降低,但温度越低下降速度越快。低温处理前Fv/Fo值越大,遭受低温胁迫时,黄瓜叶片PSⅡ反应中心受到的损伤越小,其对低温环境的应对能力越强。以培养温度、持续时间和低温处理前黄瓜叶片Fv/Fo为输入,当前Fv/Fo为输出建立黄瓜叶片Fv/Fo预测模型,模型在训练集和预测集上的R2分别为0.946 9和0.949 7,RMSE分别为0.231 6和0.227 6,MAE为0.316 8和0.295 2。【结论】所构建的预测模型可实现低温环境下的黄瓜叶片Fv/Fo的精准预测,为作物早期冷害胁迫的无损诊断奠定了基础。  相似文献   

7.
基于图像处理和深度迁移学习的芒果果实病状识别   总被引:1,自引:1,他引:0       下载免费PDF全文
目的 基于计算机层析成像(Computed tomography, CT)设备所得芒果CT序列图像,实现芒果内部品质的无损检测和病状识别分类。方法 利用分段函数法、中值滤波结合双边滤波,实现芒果图像增强;采用局部自适应阈值法,实现二值化处理;采用种子填充法进行区域填充;最后通过差影法准确提取芒果果实内部组织的坏损区域。基于深度迁移学习模型,对未处理和已处理的芒果图像数据开展训练和测试,通过AlexNet和GoogLeNet深度学习网络开展迁移学习,调整超参数完成训练过程的网络微调,在不同模型中对比未处理和已处理的芒果测试集在模型上的分类结果。结果 基于未处理数据集,GoogLeNet模型在学习率为0.0002下训练,Accuracy和Macro-average指标分别为98.79%和98.41%。基于已处理数据集,GoogLeNet模型在学习率为0.0002下训练,Accuracy和Macro-average指标分别为100%和100%。深度迁移学习模型在已处理数据集下的模型分类指标较未处理的数据集下有较大的提升。基于同一数据集且超参数一致时,GoogLeNet网络的分类效果明显优于AlexNet网络。结论 设定学习率为0.0002、迭代轮数为3、最小批值为64,基于GoogLeNet网络开展深度迁移学习训练,将所得模型作为最终的分类模型。  相似文献   

8.
目的 研究融合无人机遥感影像多光谱信息和纹理特征估算马铃薯Solanum tuberosum叶面积指数(Leaf area index,LAI)方法,提高马铃薯LAI反演精度。方法 利用大疆P4M无人机采集2021年2-4月南方冬种马铃薯幼苗期、现蕾期、块茎膨大期多光谱影像,用LAI-2000冠层分析仪实测LAI数据。提取影像光谱、纹理等信息,分析植被指数、纹理特征与LAI的相关性,基于R2adj的全子集分析优选特征变量。采用主成分分析,融合光谱和纹理特征,用PCA-MLR(Principal component analysis-multiple linear regression)模型估算马铃薯LAI。结果 从幼苗期到块茎膨大期,PCA-MLR估算模型优于T-MLR(Texture multiple linear regression)和VI-MLR(Vegetation index multiple linear regression)模型,R2分别为0.73、0.59和0.66。结论 本研究提出一种估算马铃薯LAI的PCA-MLR方法,为马铃薯的长势监测和田间管理提供数据支持。  相似文献   

9.
目的 侧向风是影响植保无人机航空喷施雾滴飘移和作业效果的主要因素。探究航空植保喷施过程中侧向风对雾滴沉积和飘移的影响,为植保无人机航空喷施作业参数的选择和作业关键部件的改进提供数据支持和理论指导。方法 以常用平面扇形喷头Lechler系列的LU 120-015和LU 120-03标准压力喷头为研究对象,基于计算流体力学离散相模型的粒子跟踪技术,在适宜的边界条件下对喷施作业过程中风洞内雾滴流场和农药喷洒离散相进行模拟试验;通过仿真模拟对平面扇形喷头喷施的雾滴沉积和飘移分布情况进行可视化分析,探究雾滴粒子在不同侧风风速条件下的飘移特性;在农业航空专用风洞中,采用近似条件对雾滴的沉积飘移特性进行试验验证和分析。结果 仿真模拟结果表明,随着侧向风速的增加,离散相雾滴粒子飘移程度越严重,雾滴水平飘移越明显。随着侧向风速的增加,模拟离散相雾滴粒子的准确沉积率(Ra)呈指数下降,由14.11%下降到0.66%;水平飘移率(Rh)呈线性增加,由14.25%增加到60.58%。风洞试验结果表明,在侧风风速分别为1、3和6 m/s的条件下,雾滴的Rh分别为0.4%、48.1%和75.1%,且雾滴在风洞内部会随着侧风风速的增加发生一定程度的卷扬现象。仿真模拟与风洞测试试验的Rh具有显著相关性(R2=0.963,P<0.05)。结论 仿真模拟对航空喷施条件下的雾滴飘移具有较好的预测效果;采用仿真模拟辅助风洞试验测试的方法,可以比较准确地得出航空植保无人机作业中常用平面扇形喷头的雾滴沉积与飘移情况。  相似文献   

10.
基于物联网和LSTM的柑橘园土壤含水量和电导率预测模型   总被引:2,自引:1,他引:1  
目的 构建柑橘果园环境信息物联网实时采集系统,建立基于物联网和长短期记忆(LSTM)的柑橘园土壤含量和电导率预测模型,为果园灌溉施肥管理、效果预测评估提供参考依据。方法 利用土壤温度、含水量、电导率三合一传感器,在柑橘果园中设置5个节点和1个气象站,通过ZigBee短距离无线通信和GPRS远距离无线传输,将果园气象数据和土壤墒情数据传输至远程服务器。利用LSTM模型建立气象数据与土壤含水量和电导率的预测模型,计算均方根误差(RMSE)和决定系数(R2)以进行性能评估。结果 物联网系统能够实现远程传输柑橘果园环境数据,建立了基于LSTM和广义回归神经网络(GRNN)的土壤含水量和电导率预测模型,模型在5个节点的数据集的训练结果分别为:LSTM模型训练的土壤含水量和电导率的RMSE范围分别为6.74~8.65和6.68~8.50,GRNN模型训练的土壤含水量和电导率的RMSE范围分别为7.01~14.70和7.60~13.70。利用生成的LSTM模型和气象数据进行拟合,将土壤含水量和电导率的预测值与实测值进行回归分析,LSTM模型拟合的土壤含水量和电导率的R2范围分别为0.760~0.906和0.648~0.850,GRNN模型拟合的土壤含水量和电导率的R2范围分别为0.126~0.369和0.132~0.268,说明LSTM模型的性能表现较好。结论 建立了柑橘果园环境的物联网信息传输系统,构建的基于LSTM的果园土壤含水量和电导率预测模型具有较高的精度,可用于指导柑橘果园的灌溉施肥管理。  相似文献   

11.
【目的】在水稻生产过程中,针对不同虫害需要采用不同的防治方案,水稻害虫的准确识别分类是制定针对性防治方案的前提。【方法】采用深度学习结合机器视觉的方法,基于Res2Net结构提出了一种多尺度特征提取的深度残差网络,通过准确地提取害虫特征实现复杂自然背景下的水稻害虫识别;采用改进的残差结构,使用等级制的类残差连接取代了原本的3×3卷积核,增加了每个网络层的感受野,可以更细粒度地提取多尺度特征。【结果】本网络训练的模型能够有效地识别自然背景下的水稻害虫,在自建的包含22类常见水稻害虫的图像数据集上,平均识别准确率达到了92.023%,优于传统的ResNet、VGG等网络。【结论】本文提出的模型可应用于水稻虫情自动监测系统,为实现水稻害虫虫情的机器视觉监测提供参考。  相似文献   

12.
【目的】针对目前三七Panax notoginseng病害识别模型结构复杂、参数庞大,难以实现在移动设备上部署的问题,提出一种基于SSD(Single shot multibox detector)目标检测的改进模型,以期实现三七病害检测的便捷化、快速化与精准化。【方法】基于SSD模型架构,采用轻量化卷积神经网络(MobileNet)替换原始特征提取网络(VGG16),降低主干网络的参数量与计算量,同时根据人类视觉皮层中群智感受野(pRF)的大小与其视网膜图中偏心率之间的函数关系,构建RFB模块,用该模块替换原SSD模型框架顶部卷积层,从而增强网络深层特征,提高轻量化模型的检测精度与检测速度,实现多尺度三七病害检测。【结果】与SSD模型相比,RFBMobileNet-SSD模型网络参数量和参数计算量分别降低了96.67%和96.10%。在不同天气条件下应用模型对4种不同病害数据进行验证发现,改进模型的准确率提高了4.6个百分点,召回率提高了6.1个百分点,F1精度提高了5.4个百分点,单幅图像检测时间由SSD模型的0.073 s缩短为0.020 s,尺寸仅为SSD模型的54.6%。【结...  相似文献   

13.
秸秆还田与氮肥管理对稻田杂草群落和水稻产量的影响   总被引:1,自引:1,他引:0  
为了研究秸秆还田和氮肥管理对稻油轮作夏季稻田杂草群落分布特征和水稻产量的影响,试验设5个处理:常规施肥NPK+秸秆不还田,N基追肥比例为6:2:2(F0NS,CK);常规施肥NPK+秸秆全量还田,N基追肥比例为6:2:2(F0S);常规施肥NPK+秸秆全量还田+秸秆腐解剂,N基追肥比例为6:2:2(F0SA);常规施肥NPK+秸秆全量还田+秸秆腐解剂,N基追肥比例为7:2:1(F1SA);常规施肥PK,N减量15%+秸秆全量还田+秸秆腐解剂,N基追肥比例为6:2:2(F2SA)。记录杂草种类、数量、密度、生物量等指标,并于2016年9月底进行水稻实收测产。结果表明,与CK相比,F0S、F0SA、F1SA和F2SA处理的杂草总密度分别降低50.3%、29.2%、20.3%和6.8%,秸秆还田可以有效降低稻田杂草密度、生物量和杂草多样性;与F0S相比,F0SA、F1SA和F2SA处理的杂草发生数量和发生密度差异不显著,但禾本科和莎草科杂草不同程度地减少,柳叶菜科和玄参科杂草显著增加,配施秸秆腐解剂对农田杂草种类影响显著。在秸秆腐解剂和不同施氮措施下,与F0SA相比,F1SA和F2SA处理杂草种类、生物量增加,杂草相对密度降低,但差异不显著;各处理间优势杂草种类和种群数量减少,但F2SA处理下生物多样性指数明显高于F0SA和F1SA处理。与CK相比,F0S、F0SA、F1SA和F2SA处理的水稻产量分别提高7.13%、16.55%、17.80%和10.67%,其中F1SA处理作物产量增幅最高。研究表明,秸秆还田和氮肥管理能有效降低稻田杂草的发生密度、总生物量和和生物多样性,有利于提高水稻产量。  相似文献   

14.
稻茬油菜田杂草的发生规律及防除   总被引:1,自引:0,他引:1  
采用拔除法调查稻茬油菜田杂草种类及其出苗动态和发生规律,以人工除草和不除草作对照,考察3种除草剂13.5%草铵膦、油力1+1、10.8%高效氟吡甲禾灵对杂草的田间控制效果。结果表明:在稻茬油菜田中共发现杂草16种,分属10个科,优势种群为早熟禾,亚优势种群为看麦娘、繁缕;杂草于油菜播种后开始出苗,有冬前出苗最高峰和春季出苗次高峰2个出苗高峰;施用草铵膦第8 天后,对总杂草、禾本科杂草、阔叶类杂草等的防效达90%以上,第16、32、64 天后的防效仍可高达90%以上;与不除草相比,施用草铵膦,可使油菜增产约8%。  相似文献   

15.
为探索25g/l氯氟吡啶酯EC在推荐剂量下,防除直播水稻田杂草效果、杀草谱,安全性及施药技术等指标,采取茎叶喷雾施药、定期调查的方法进行田间药效试验。结果表明:氯氟吡啶酯杀草谱主要包括禾本科杂草、阔叶杂草及莎草科杂草,但对千金子无效;施药时间为直播水稻4~6叶期,推荐剂量为15~30ga.i./hm2,施药后25d对阔叶杂草综合防除效果达100%,与氰氟草酯混合使用,对千金子防效更好。建议在直播稻4~6叶期,25g/l氯氟吡啶酯EC22.5~30ga.i./hm2+100g/l氰氟草酯EC100~150ga.i./hm2混合喷施可以有效防除直播稻田杂草危害,水稻生长安全。  相似文献   

16.
基于深度卷积神经网络的柑橘黄龙病症状识别   总被引:5,自引:5,他引:0  
【目的】探究深度学习在柑橘Citrus spp.黄龙病症状识别上的可行性,并评估识别器的识别准确率。【方法】以黄龙病/非黄龙病引起的发病叶片图像及健康叶片图像为训练素材,基于卷积神经网络及迁移学习技术构建二类识别器(I-2-C和M-2-C)和八类识别器(I-8-C和M-8-C)。【结果】M-8-C模型的整体识别表现最优,对所有图像的识别准确率为93.7%,表明构建的神经网络识别器能有效辨别柑橘黄龙病症状;I-8-C和M-8-C对所有类型图像的平均F1分值分别为77.9%和88.4%,高于I-2-C(56.3%)和M-2-C(52.5%),表明症状细分有利于提高模型的识别能力。同时M-8-C比I-8-C略高的平均F1分值表明基于MobileNetV1结构的八类识别器识别表现略优于基于InceptionV3的八类识别器。基于M-8-C改进的识别器M-8f-C能够转移到智能手机上,在田间测试中取得较好的识别表现。【结论】基于深度学习和迁移学习开发的识别器对黄龙病单叶症状具有较好的识别效果。  相似文献   

17.
为实现水稻氮素营养的快速、准确识别,采用改进的VGG 16网络和迁移学习相结合的水稻氮素营养诊断识别方法,以杂交稻‘两优培九’为试验对象进行田间试验,设置4组不同的施氮水平(施氮量分别为0、210、300和390 kg/hm2),在水稻幼穗分化期和齐穗期,扫描获取水稻叶片图像数据;通过图像预处理方法,对数据进行扩充;构建改进的VGG16和迁移学习相结合的网络模型对水稻叶片图像数据进行氮素营养诊断识别。结果表明:1)在幼穗分化期时,改进的VGG16网络的识别准确率为93.1%,模型大小约为迁移学习VGG16模型的1/6,训练时间约为1 261 s。2)在水稻幼穗分化期和齐穗期,该模型微调后的识别准确率均能达到95%以上。基于迁移学习和改进的VGG16网络所建立的水稻氮素营养诊断模型具有较好的泛化能力,可以预测水稻氮素营养状况,为水稻氮素营养诊断提供参考。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号