排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
【目的】通过调节训练集内实验室场景图片与田间场景图片的分布,提高深度学习模型的准确度,
以减少植物病害识别深度学习模型对田间场景数据的依赖。【方法】通过调节训练集内实验室场景图片和田间
场景图片的分布,使用 ResNeSt-50、VGG-16、ResNet-50 等 3 种神经网络结构分别对训练得到的深度学习模型
进行测试和比较,从而优化植物病害识别模型。【结果】在由一定数量的植物病害图像组成的训练集内,调节
其中不同场景图片的分布会对模型的准确率产生影响。当训练集内的田间场景图片分布达 30% 时,模型准确率
提升 18% 以上。在 100% 实验室场景图片的训练集内添加 30% 田间场景图片,可提升模型准确率 17% 以上;在
100% 田间场景图片的训练集内添加实验室场景图片,模型准确率随图片数量增加而提升,提升幅度为 2%~4%。
【结论】该方法适用于农业复杂环境下高准确度病害识别模型的快速建立,可减少深度学习模型对田间场景数
据的依赖,缩短模型建立初期的田间数据采集周期,降低田间数据采集成本,促进人工智能技术在无人农场及
智慧农业中更有效地运用。 相似文献
2.
为了对2020年我国华南地区牛结节性皮肤病(lumpy skin disease, LSD)疫情进行溯源调查，本研究采用商品化检测试剂盒和透射电镜对2份华南地区疑似感染的牛皮肤结节组织样本进行鉴定，利用高通量测序技术进行病毒全基因组测序，并对其进行序列比对、遗传进化和病毒重组分析。qPCR检测结果显示2份样本均为牛结节性皮肤病病毒(lumpy skin disease virus, LSDV)阳性，电镜观察到典型LSDV病毒粒子形态，将其命名为China/GD02/2020株和China/GX01/2020株，获得全基因组序列上传GenBank获得登录号分别为OM803091和OM803092。对病毒全基因组序列比对及遗传进化分析显示GD02和GX01株的核苷酸相似性达到99.99%,并与2020年中国台湾、中国香港和越南的LSDV分离株处于进化树的同一小分支，且均归属为重组病毒。病毒重组分析表明2株病毒的主要亲本为南非疫苗株(Neethling vaccine LW 1959),次要亲本为摩洛哥从牛分离的田间株(LSD/KSGP 0240/Morocco/2017)和南非野毒株(Ne... 相似文献
1