排序方式: 共有64条查询结果,搜索用时 15 毫秒
61.
为了宏观掌握智慧果园在国内外的研究动态、前沿和热点,更好地推动智慧果园乃至智慧农业的发展,该研究采用文献计量分析方法,以Web of science核心论文集为检索平台分析了智慧果园2002年1月1日-2022年8月累计20年的时空分布、主要研究内容以及前沿热点。主要结论如下:智慧果园的研究自2014年起步入正轨,2018年起在人工智能技术推动下发展迅猛,2018-2021年总发文量占比37.5%;总体而言,作者(Lan Yubin、Chen Chao、Tang Yu等)、机构(华南农业大学、中国农业大学和佛罗里达大学等)、地域(中国、美国、西班牙等国)交流和合作均较为密切;中国、美国是开展智慧果园研究的主要国家,总发文量共占比58.2%;当前主要研究集中在果树长势和病虫害识别和预警、无人化或智能化农机作业。根据研究目的细分的技术主要包含人工智能模型/算法、传感、物联和精准农业等。自2007年以来,研究热点由柑橘病害、产量预估等对象研究逐步过渡到技术研究上,深度学习、无人机、人工智能的研究是当今智慧果园的发展前沿。智慧果园研究深受技术推动尤其在当前人工智能技术背景下方兴未艾,而当前的环境复杂度高、种植欠规范等问题依旧制约着其进一步发展。星-空-地立体化果园感知、空-地协同无人化精准作业、水果采摘、果品的可视化溯源等方面将是未来智慧果园主要研究方向。 相似文献
62.
针对传统立体视觉三维重建技术难以准确表征果树多尺度复杂表型细节的问题,该研究提出了一种基于相机位姿恢复技术与神经辐射场理论的果树三维重建方法,设计了一套适用于标准果园环境的果树图像采集设备和采集方案。首先,环绕拍摄果树全景视频并以抽帧的方式获取果树多视角图像;其次,使用运动结构恢复算法进行稀疏重建以计算果树图像位姿;然后,训练果树神经辐射场,将附有位姿的多视角果树图像进行光线投射法分层采样和位置编码后输入多层感知机,通过体积渲染监督训练过程以获取收敛且能反映果树真实形态的辐射场;最后,导出具有高精度与高表型细节的果树三维实景点云模型。试验表明,该研究构建的果树点云能准确表征从植株尺度的枝干、叶冠等宏观结构到器官尺度的果实、枝杈、叶片乃至叶柄、叶斑等微观结构。果树整体精度达到厘米级,其中胸径、果径等参数达到毫米级精度,尺度一致性误差不超过5%。相较于传统的立体视觉三维重建方法,重建时间缩短39.50%,树高、冠幅、胸径和地径4个树形参数的尺度一致性误差分别降低了77.06%、83.61%、45.47%和62.23%。该方法能构建具有高精度、高表型细节的果树点云模型,为数字果树技术的应用奠定基础。 相似文献
63.
为精准化管理果园,针对存在裸露土壤、遮蔽物、果树冠层阴影和杂草等复杂环境下难以提取导航线问题,通过无人机搭载多光谱相机获取苹果园影像数据后提取果树像元并进行全局果树行导航线提取。通过处理多光谱影像数据得到正射影像图(DOM)、数字表面模型(DSM)图像,选取并计算易于区分杂草与苹果树的归一化差异绿度指数(NDGI)、比值植被指数(RVI)分布图,构建DSM、NDGI、RVI融合图像后,综合利用过绿植被(EXG)指数和归一化差异冠层阴影指数(NDCSI)以阈值分割法剔除融合图像中土壤、遮蔽物、阴影等像元,降低非植被像元对果树提取的干扰。对比使用支持向量机(SVM)法、随机森林(RF)法和最大似然(MLC)法分别提取最终融合图像和普通正射影像中的苹果树像元,并计算混淆矩阵评价各识别精度。试验表明,MLC法对融合图像中果树的识别效果最优,其用户精度、制图精度、总体分类精度、Kappa系数分别为88.57%、93.93%、93.00%、0.8824;相对于普通正射影像,本文构建的最终融合图像使3种方法的识别精度均得到有效提升。其中,融合图像对RF法的用户精度提升幅度最大,为27.12个百分点;对SVM法的制图精度提升幅度最大,为9.03个百分点;对3种方法的总体分类精度提升幅度最低为13个百分点;对SVM法的Kappa系数提升幅度最大,为22.55%,且对其余两种方法的提升也均在20%以上。将本文得到的苹果树像元提取结果图像做降噪、二值化、形态学转换等处理后,以感兴趣区域划分法提取各果树行特征点,并以最小二乘法拟合各行特征点得到导航线,其平均角度偏差为0.5975°,10次测试整体平均用时为0.4023s。所提方法为复杂环境中果树像元和果树行导航线提取提供了重要依据。 相似文献
64.
为快速获取台风过后玉米倒伏信息,该研究以生态无人农场大田玉米作为研究对象,利用无人机搭载多光谱相机获取玉米田块图像。采用主成分分析(Principal Component Analysis,PCA)变换多光谱图像,保留信息量最多的前3 个主成分波段;应用最小噪声分离变换(Minimum Noise Fraction Rotation,MNF)对48项纹理特征降维,保留信息量最多的前6项特征;计算选择10种植被指数;对多光谱图像进行低通、高通滤波,将以上特征作为全特征集。使用支持向量机递归(Support Vector Machines-Recursive Feature Elimination,SVM-RFE)、 ReliefF和套索算法(Least Absolute Shrinkage and Selection Operator,Lasso)筛选出3种特征子集,建立5种监督分类模型,对4种数据集进行训练。ReliefF特征子集训练的5种监督分类模型测试集最低分类准确率为89.02%,SVM-RFE和Lasso特征子集训练的5种监督分类模型测试集最低分类准确率均为95.38%,与全特征相比仅相差0.58%,表明通过特征筛选方法可在取得较高分类精度同时大幅减少特征输入数量;运用3种特征筛选方法与不同分类模型的最佳组合提取验证区域玉米倒伏信息,通过混淆矩阵验证结果可知,K最邻近模型结合SVM-RFE特征筛选方法分类精度最高,达93.49%,Kappa系数为0.9,表明了分类模型普适性较强。该研究使用最少特征数量参与分类,且获得最高分类识别精度,可为无人机多光谱技术快速、准确提取台风灾后玉米倒伏信息提供技术支持。 相似文献