排序方式: 共有26条查询结果,搜索用时 46 毫秒
1.
为探索水稻氮素营养的快速、无损诊断方法以及构建基于高光谱技术的水稻氮素营养状况分类识别模型。本研究以 4种不同施氮水平的“中嘉早 17”水稻分蘖期顶部第三完全展开叶叶片(简称顶三叶)为研究对象,测定各叶片的可见光到近红外波段(350~ 2500 nm)内的光谱数据,对所获取的光谱数据进行平滑处理和归一化处理,以消除噪声及量纲的影响,并采用主成分分析(PCA)的方法进行数据降维至 22维,同时分别选用基于网格搜索算法、粒子群算法和遗传算法优化参数的支持向量机进行水稻氮素营养状况分类识别模型的建立。研究结果表明:1)不同施氮水平下的水稻叶片光谱反射率曲线走势大致相同,但不同施氮水平下 780~ 1 300、1 400~ 1 850及 1 900~ 2500 nm波段光谱反射率存在一定的差别;2)优化参数后的 SVM模型与默认参数下的 SVM模型相比,其训练集与测试集分类识别效果都要优于默认参数下的 SVM模型。其中,以遗传算法优化参数的 SVM模型识别分类效果最佳,训练集和测试集识别准确率分别为 99.375%、98.750%,测试集的4种施氮水平(施氮量从低到高)识别准确率分别为 100%、95%、100%和 100%。结果表明利用高光谱技术能够很好地进行水稻氮素营养状况的定性诊断研究。为快速水稻氮素营养诊断提供了一种新途径,为精确施氮提供了技术支撑和理论依据。 相似文献
2.
1我省农网存在的问题
电力系统在初建时缺乏统一和长远的规划,变电所布点较少,供电半径较大,高能耗设备较多;变电设备运行年代已久,设备陈旧,绝缘老化,供电能力低;网架基础薄弱,没有形成110 kV主网架,也未能构成35 kV环网,多数是辐射状供电的单电源,运行方式单一;线路分支多,走径不合理,两线一地线路、迂回线、卡脖线较多;导线截面小,线损率高,电能质量差. 相似文献
3.
一般万用表具有多用途、多量程、携带方便等优点,但由于它不能测量低量程电压(如毫伏)和交流电流,因此有时也限制了它的使用,以下几种情况就是万用表显为人知的用法。 相似文献
4.
介绍了三桠的特征特性及主要利用价值,并总结了其栽培技术,包括育苗、选地整地、造林、抚育管理、病虫害防治等内容。 相似文献
5.
基于大学生毕业人数逐年增长环境下,高校在进行人才教育时应更加重视学生的创新创业精神培养,并将大学生的创业教育融入到高校党建工作中,提升基层党员的创业能力。本文通过分析大学生创业教育融入到高校党建工作中的意义,对如何融入进行了有关策略提出。 相似文献
6.
旨在建立猪瘟病毒(CSFV)化学发光抗体检测方法,本研究以CSFV E2蛋白作为包被抗原,山羊抗猪IgG-HRP抗体作为酶标抗体,鲁米诺为底物溶液,优化检测方法,成功建立CSFV化学发光抗体检测方法。该方法能在室温20 min内完成对CSFV抗体血清特异性检测,灵敏度与商品化CSFV抗体检测试剂盒相当,且与A型口蹄疫病毒、O型口蹄疫病毒、猪繁殖与呼吸综合征病毒、塞内卡病毒、非洲猪瘟病毒抗体阳性血清均无交叉反应;批内变异系数为1.80%~6.88%,批间变异系数为1.11%~9.18%,重复性好。通过对152份田间猪血清样品的检测并与商品化CSFV抗体检测试剂盒检测结果进行比较,其Kappa值为0.929,具有高度的一致性。综上表明,本研究建立的CSFV化学发光抗体检测方法特异性强、灵敏性高、重复性好、简单快速,可应用于临床血清CSFV抗体的检测。 相似文献
8.
为探究水稻冠层外观特征与水稻氮素营养状况的关系,综述了应用计算机视觉技术进行水稻氮素营养诊断的基本思路及研究进展。主要分述了常规性水稻氮素营养指标的获取,水稻冠层图像的获取、预处理以及特征的提取与优化,水稻氮素营养诊断模型建立的方法等方面的内容。指出近地面水稻冠层图像的获取方法、水稻图像处理方法、多种综合性特征的优化选择方式都有待进一步研究,应用机器学习进行水稻氮素营养诊断建模的方法需要更加深入探究。今后应加大计算机视觉技术在水稻氮素营养诊断相关研究中的应用,将多种图像处理方法、特征优化选择方法与机器学习建模方法相结合,并探寻更为简便易行的方法进行水稻氮素营养诊断。 相似文献
9.
随着时代的前进,教育观念逐渐发生了变革,在此环境下成长的"00后"具有鲜明的群体特征,适合"00后"大学生思想政治教育模式成为高校亟待研究的重要课题。高校应充分结合互联网信息技术特点构建全新的教育体系,提高00后大学生整体综合素质。本文通过研究00后大学生群体特征,对新时代学生思想政治教育新路径进行阐述,希望有助于当前高校思政教育工作的有效进展。 相似文献
10.
为了提高水稻病害计算机视觉识别的准确性,研究提出针对水稻白叶枯病、赤枯病、胡麻斑病和纹枯病4种病害进行分类识别的模型。利用计算机视觉和机器学习软件库opencv对病斑图像进行随机旋转、随机翻转、随机亮度变换及随机对比度等处理方式扩充样本,应用区域生长、基于水平集的CV模型、显著性检测3种算法对图像进行分割。通过Tensorflow深度学习平台,构建网络层分别为6层(输入层32×32×3,卷积核大小为5×5)和8层(输入层227×227×3,卷积核大小为11×11、5×5、3×3)的卷积神经网络,将图像分割后得到的3组数据,均以8∶2的比例分别作为卷积神经网络的训练数据和测试数据,训练后得到6个模型,并结合召回率、F1评价指标对模型进行评估。结果表明,6个模型中训练识别准确率最低为97.66%,测试识别准确率最低为95.31%,其中以显著性检测分割算法和8层网络层的卷积神经网络结合得到的模型效果最佳,其训练识别准确率为99.99%,测试识别准确率为99.88%,相较于端到端的卷积神经网络水稻病害识别结果也有所提升。 相似文献