排序方式: 共有91条查询结果,搜索用时 15 毫秒
41.
基于深度卷积神经网络的水稻穗瘟病检测方法 总被引:15,自引:9,他引:6
穗瘟是一种严重影响水稻产量及品质的多发病害,有效地检测穗瘟是水稻病害防治的重要任务。该文提出基于深度卷积神经网络GoogLeNet模型的水稻穗瘟病检测方法,该方法利用Inception基本模块重复堆叠构建主体网络。Inception模块利用多尺度卷积核提取不同尺度穗瘟病斑分布式特征并进行级联融合。GoogLeNet利用其结构深度和宽度,学习复杂噪声高光谱图像的隐高维特征表达,并在统一框架中训练Softmax分类器,实现穗瘟病害预测建模。为验证该研究所提方法的有效性,以1 467株田间采集的穗株为试验对象,采用便携式户外高光谱成像仪Gaia Field-F-V10在自然光照条件下拍摄穗株高光谱图像,并由植保专家根据穗瘟病害描述确定其穗瘟标签。所有高光谱图像-标签数据对构成GoogLeNet模型训练和验证的原始数据集。该文采用随机梯度下降算法(SGD,stochastic gradient descent)优化GoogLeNet模型,提出随机扔弃1个波段图像和随机平移平均谱图像亮度的2种数据增强策略,增加训练数据规模,防止模型过拟合并改善其泛化性能。经测试,验证集上穗瘟病害预测最高准确率为92.0%。试验结果表明,利用GoogLeNet建立的深度卷积模型,可以很好地实现水稻穗瘟病害的精准检测,克服室外自然光条件下利用光谱图像进行病害预测面临的困难,将该类研究往实际生产应用推进一大步。 相似文献
42.
3GY-1920型宽幅水田中耕除草机的设计与试验 总被引:3,自引:1,他引:2
为了提高机械除草的作业效率、降低地头频繁调头引起的伤苗率,该文研制了3GY-1920型宽幅水田中耕除草机。该机由12 k W水田拖拉机提供动力,工作幅宽为5.7 m,一次作业可覆盖6行插秧机3个行程的作业宽度,并配备了4个双作用液压缸,控制整个机架的展开闭合与除草轮位置的横向调节。该文结合水田土壤特性和现有除草部件的特点,通过对除草轮的运动学与显式动力学仿真分析,设计并优化了螺旋刀齿式样除草轮,该除草轮通过与土壤及杂草的剪切、翻耕作用实现中耕除草作业。田间除草试验结果表明:在机具不同前进速度(0.3、0.6、0.9 m/s)和除草轮入土深度(3、6、9 cm)条件下,该机平均除草率为82%,伤苗率为4.8%;根据机具作业速度和幅宽可知该机作业效率为0.6~1.8 hm2/h;整机工作性能和作业效率满足水稻田机械中耕除草作业的技术要求。机械除草与化学除草产量对比试验结果表明:在试验区域内,机械除草产量高于化学除草,该研究可为中耕除草对水稻田产量的影响提供参考。 相似文献
43.
为确定淹水胁迫下适应性相对较强的苜蓿(Medicago sativa)品种,以‘金皇后’(B1)、‘阿尔金刚’(B2)、‘维多利亚’(B3)、‘巨能551’(B4)和‘巨能耐湿’(B5)为材料,研究了淹水处理对不同苜蓿品种群体质量和品质的影响。结果表明,随着淹水时间增加,不同苜蓿品种草产量之间差异显著,与0d相比1d淹水处理下B3,B4,B5的产量增加,随水淹胁迫时间的增加产量逐渐下降,而B1,B2则随淹水时间延长持续降低,5d时各品种草产量表现为B5B1B4B3B2;短期淹水对B1,B3,B5株高有促进作用,之后随时间延长逐渐降低,淹水5d时明显高于B2,B4。淹水5d时,B1,B4,B5的叶片数显著高于B2,B3,而B5的生长速率较0d仅降低15.38%,生长速率显著高于其他品种,其节间数、分枝数、根长和根重也均显著高于其他各品种;同时淹水5d时,B5光合能力显著强于其他品种,表现为B5B1B4B2B3;而品质上,B1,B4,B5在水淹胁迫后牧草品质均显著优于B2和B3。综上所述,‘巨能耐湿’(B5)在淹水胁迫下抗逆和恢复能力表现较好,群体质量相对较高,对产量品质影响较小,适宜在我国淮河以南多雨地区推广种植。 相似文献
44.
45.
46.
QSC-2型步进式水稻除草机的设计与试验 总被引:2,自引:0,他引:2
为解决水稻田草害问题并减少除草剂施用对环境的影响,研制了QSC-2型步进式水稻除草机。该机由汽油发动机提供动力,利用蜗轮蜗杆传动系统进行减速和传动,通过一对除草轮耙压、抛送土壤进行除草作业。田间试验结果表明:随着机具前进速度的增加,除草率下降,伤苗率上升;随着除草轮转速的增大,除草率和伤苗率均上升;综合除草率和伤苗率指标考量,除草机在前进速度为0.6m/s、除草轮旋转速度为120r/min时,除草作业质量较好;除草机除草率平均值为85.9%,伤苗率平均值为4.4%,满足水稻田除草的作业质量要求。 相似文献
47.
48.
不同光质与光照度对水稻温室立体育秧秧苗素质的影响 总被引:4,自引:2,他引:4
水稻温室立体育秧技术具有节省秧田、减少土地浪费,利于标准化集中育秧等特点,但立体育秧中秧架各层之间光线互相遮挡造成的秧苗采光不足的问题,需要采用补光技术来改善秧架内光照条件以保证秧苗生长。该文基于植物光学理论分析确定水稻秧苗生长所需的红蓝光通量比(简称红蓝光比)范围,运用光照分析理论确定温室内光照度,并采用Ecotect软件进行温室内光环境模拟仿真。在理论分析和仿真结果的基础上研究不同补光条件对水稻秧苗生长质量的影响,采用LED植物补光灯分别对立体秧架上除顶层外的各层秧苗进行补光,设计红蓝光比、光照度及秧层间距3个因素的正交试验,分析不同红蓝光比、光照度和秧层间距对水稻秧苗素质的影响。试验结果表明,红蓝光比10:1、光照度2 500 lx的光处理对水稻苗茎伸长生长促进作用更好;红蓝光比8:1的光处理则对水稻幼苗干物质积累和根系盘结作用更好,而且比红蓝光比10:1和6:1的光处理的壮苗指数要高。分析得出各个因素对水稻秧苗素质影响的主次顺序为:红蓝光比光照度秧层间距,最佳的补光条件为:红蓝光比8:1,光照度2 500 lx,秧层间距45 cm。该文的研究结果为水稻工厂化立体育秧技术提供了参考。 相似文献
49.
基于高光谱成像技术的水稻叶瘟病病害程度分级方法 总被引:9,自引:7,他引:2
为了快速、准确地对水稻叶瘟病病害程度进行分级评估,结合定性分析与定量估算,提出了一种基于高光谱成像技术的水稻叶瘟病病害程度分级方法。利用HyperSIS高光谱成像系统采集了受稻瘟病侵染后不同病害等级的水稻叶片高光谱图像,通过分析叶瘟病斑区域与正常叶片部位的光谱特征,对差异较大的550和680 nm波段进行二维散点图分析,提取只含病斑的高光谱图像;然后通过主成分分析(principal component analysis,PCA)方法得到利于褐色病斑和灰色病斑分割的第2主成分图像,采用最大类间方差法(Otsu)分割出灰色病斑;最后结合延伸率和受害率2个参数对水稻叶瘟病病害程度进行分级。试验结果表明:测试的166个不同稻叶瘟病害等级的叶片样本中,其中160个样本可被准确分级,分级准确率为96.39%。该研究为稻叶瘟病田间病害程度评估提供了基础,也为稻瘟病抗性鉴定方法提供了新思路。 相似文献
50.
为提高水稻苗带中心线检测的适应性和实时性,满足巡田机器人导航的低成本、轻量级计算、高实时性需求,针对水稻苗带中心线检测结果容易受到光照变化和机器震动等原因产生图像噪声影响的问题,该研究以返青期和分蘖初期水稻秧苗为研究对象,提出基于区域生长顺序聚类-随机抽样一致性算法(random sample consensus,RANSAC)的水稻苗带中心线检测方法。首先,对采集的水稻秧苗图像运用归一化超绿特征法(excess green,ExG)和最大类间方差法(Otsu)分割水田背景和秧苗区域,应用先腐蚀后开运算的形态学方法去除秧苗图像噪声点;然后,采用基于水平带的秧苗轮廓质心检测方法提取秧苗特征点,利用区域生长顺序聚类方法将同一秧苗行的特征点聚成一类;最后,通过RANSAC算法拟合苗带中心线,从而得到巡田机器人视觉导航基准线。试验结果表明:该方法对返青期和分蘖初期水稻苗带中心线检测率均在97%以上,比已有YOLOv3算法提高6.12个百分点,比基于区域生长均值漂移聚类算法降低2.41个百分点;平均误差角度为2.34°,比已有YOLOv3算法高1.37°,比基于区域生长均值漂移聚类算法低0.12... 相似文献