基于改进YOLOv3的水稻叶部病害检测

为了解决水稻小病斑检测不准确的问题,提出一种基于改进YOLOv3的水稻叶部病害检测方法Rice–YOLOv3。首先,采用K–means++聚类算法,计算新的锚框尺寸,使锚框尺寸与数据集相匹配;其次,采用激活函数Mish替换YOLOv3主干网络中的Leaky Relu激活函数,利用该激活函数的平滑特性,提升网络的检测准确率,同时将CSPNet与DarkNet53中的残差模块相结合,在避免出现梯度信息重复的同时,增加神经网络的学习能力,提升检测精度和速率;最后,在FPN层分别引入注意力机制ECA和CBAM模块,解决特征层堆叠处的特征提取问题,提高对小病斑的检测能力。在训练过程中,采用COCO数据集预训练网络模型,得到预训练权重,改善训练效果。结果表明：在测试集下,Rice–YOLOv3检测水稻叶部3种病害的平均精度均值(mAP)达92.94%,其中,稻瘟病、褐斑病、白叶枯病的m AP值分别达93.34%、89.68%、95.80%,相较于YOLOv3,Rice–YOLOv3检测的m AP提高了6.05个百分点,速率提升了2.8帧/s,对稻瘟病和褐斑病的小病斑的检测能力明显增强,可以检测出原...     

基于改进特征HMM的尖叫音频检测算法

提出了一种基于改进特征隐马尔科夫模型(HMM)的尖叫音频检测算法。它可以对视频中的尖叫片段进行检测,具有实时性和准确性的特点。对音频中的短时能量、过零率和梅尔频率倒谱系数等特征进行了分析,利用其统计学特性对这些特征进行了改进,提出了尖叫检测中新的音频特征。将新的音频特征融合进HMM中,提出了基于改进特征HMM的尖叫音频检测算法。通过实验验证了该算法的准确性和可行性。结果显示该算法的平均准确率高于97%且平均查全率高于94%,性能高于其他同类算法。     

基于改进的DeepLabV3+模型结合无人机遥感的水稻倒伏识别方法

针对传统水稻倒伏监测方法以人工进行现场测量耗时耗力且受主观影响较大的问题,利用无人机成本低廉、操作简单以及分辨率高的优势,以黑龙江省佳木斯市七星农场水稻种植基地的水稻倒伏区域为研究对象,对无人机遥感图像结合改进DeepLabV3+模型的水稻倒伏识别方法进行研究.结果表明:1)与其他方法相比,改进DeepLabV3 +网...     

基于改进YOLO v5s算法的大豆叶片虫洞的识别

鉴于对大豆叶片虫洞进行识别有助于及时发现虫情并有针对性的防治虫害,提出了一种大豆叶片虫洞的识别方法：以YOLO v5s网络作为基础,在大豆叶片虫洞特征提取过程中引入空洞卷积代替3次池化处理,提取虫洞边缘不规则信息;将特征信息输入空间注意力机制,提取时空融合信息,进而捕获野外不同背景下的颜色信息;针对大豆叶片虫洞目标远近不一的问题,重构特征金字塔结构,增加了1层输出层,将80像素×80像素输出特征图经过上采样后得到160像素×160像素特征图,并将其与浅层同尺寸特征图进行拼接,提高虫洞目标识别定位的准确性;将融合后的总特征输入目标检测模块,输出单个对象的检测外框,得到大豆叶片虫洞识别模型。在大豆叶片虫洞样本数据集上对模型进行测试,结果对大豆叶片虫洞的平均识别准确率最高达95.24%,模型存储空间为15.1 MB,每秒传输91帧。所建立的方法与Faster R–CNN、YOLO v3、YOLO v5s对比,对大豆叶片虫洞识别的平均准确率分别提高2.50%、12.13%、2.81%。     

基于YOLOv5改进模型的杂交稻芽种快速分级检测

目的 提高杂交稻种子活力分级检测精度和速度。方法 提出了一种基于YOLOv5改进模型(YOLOv5-I)的杂交稻芽种快速分级检测方法,该方法引入SE (Squeeze-and-excitation)注意力机制模块以提高目标通道的特征提取能力,并采用CIoU损失函数策略以提高模型的收敛速度。结果 YOLOv5-I算法能有效实现杂交稻芽种快速分级检测,检测精度和准确率高,检测速度快。在测试集上,YOLOv5-I算法目标检测的平均精度为97.52%,平均检测时间为3.745 ms,模型占用内存空间小,仅为13.7 MB;YOLOv5-I算法的检测精度和速度均优于YOLOv5s、Faster-RCNN、YOLOv4和SSD模型。结论 YOLOv5-I算法优于现有的算法,提升了检测精度和速度,能够满足杂交稻芽种分级检测的实用要求。     

基于YOLOv4的草莓目标检测技术研究

草莓目标检测对草莓智能化监测和自动化采摘具有非常重要的意义。本文提出了一种基于YOLOv4的草莓目标检测方法。针对复杂环境下采集到的草莓数据集,首先采用LabelImg进行数据类型标注,然后采用改进的Kmeans聚类算法进行先验框尺寸的计算,最后采用分阶段训练方法对搭建的YOLOv4模型进行训练和模型评估。结果表明,该方法的测试集平均精度均值达到97.05%,单张图像检测时间平均为74 ms,能够满足草莓的高精度实时检测需求。     

杂交早粳稻米品质在四个生态点的变化

为揭示杂交早粳稻米品质对湖南和安徽早稻生态环境条件的响应,研究了3个杂交早粳稻组合在不同纬度(不同海拔)4个生态点的11个稻米品质性状的变化。结果表明,杂交早粳稻米的不同品质性状变异幅度在不同生态点存在一定差异。其中,糊化温度、碱消值、垩白粒率、垩白面积、垩白度的变异较大,各组合平均变异系数分别为47.76%、49.30%、41.15%、61.52%和77.65%;而糙米率、精米率、长宽比和整精米率相对稳定,各组合平均变异系数分别为5.73%、6.15%、8.65%和11.88%。聚类分析将稻米品质性状的变异系数划分为3种类型:Ⅰ敏感型,包括糊化温度、碱消值、垩白粒率、垩白面积、垩白度;Ⅱ相对稳定型,包括糙米率、精米率、整精米率、长宽比;Ⅲ中间型如胶稠度和直链淀粉含量。在云南省寻甸县由于灌浆结实时间延长稻米的品质趋优,整精米率明显提高,垩白粒率、垩白度变小。较相似生态条件下的早籼稻,杂交早粳稻整精米率高15%以上。这些结果对于杂交早粳稻在长江中下游地区作早稻种植提供了依据。     

基于轻量化YOLOv4的生猪目标检测算法

针对目前生猪目标检测算法模型较大,实时性差导致其难以在移动终端中应用等问题,将一种改进的轻量化YOLOv4算法用于生猪目标检测.在群养猪环境下以不同视角和不同遮挡程度拍摄生猪图像,建立生猪目标检测数据集.基于轻量化思想,在YOLOv4基础上缩减模型大小.结果表明,本研究算法的准确率和召回率分别为96.85％和91.75...     

基于卷积神经网络的微藻种类识别

微藻在生态系统的结构和功能中具有极为重要的作用,而传统光学人工镜检方法对微藻种类鉴别具有较大的难度。本研究将微藻的光学图像进行了采样,并结合国内外专家对微藻鉴定的经验知识,制作了微藻图像数据集,并进行了数据增强处理。借助深度学习的原理和方法,构建了基于卷积神经网络结构的深度学习模型（AlexNet）,对模型进行了训练,并利用5折交叉验证方法确保模型的稳定性。结果表明,模型的训练精度可达到98.78±0.98%,测试精度达85.46±0.23%,达到了预期效果。利用AlexNet模型训练得到的参数,对预留的280个样本图像进行实际测试,7个藻种的平均精确度、平均召回率和平均F1 Score分别为0.832,0.844和0.833。表明深度学习方法是鉴定微藻的一种有效方法。     

糙米中丁硫克百威及其代谢物的残留测定

[目的]监测与评价糙米中丁硫克百威及其代谢物克百威、3-羟基克百威的残留量。[方法]建立凝胶渗透色谱（GPC）净化、气相色谱-质谱（GC-MS）同时测定糙米中丁硫克百威及其代谢物克百威、3-羟基克百威残留的方法。样品中的待测农药组分采用环己烷-乙酸乙酯（1∶1,V/V）提取,GPC和中性氧化铝（A l2O3）小柱净化,GC-MS测定。[结果]丁硫克百威和克百威的最低检测量均为2.0×10-11g,3-羟基克百威为1.0×10-10g;最低检出质量分数均为0.1 mg/kg,各组分的添加回收率为77.8%～94.6%,变异系数为3.86%～6.58%。[结论]凝胶渗透色谱净化-气相色谱质谱法测定丁硫克百威及其代谢物在糙米中的残留方法灵敏度、准确度、精密度均符合农药残留分析的要求,可用于检测糙米中丁硫克百威及其代谢物的残留量。     

基于改进区域卷积神经网络的田间玉米叶部病害识别

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。     

基于深度学习的高分辨率麦穗图像检测方法

小麦是重要的粮食作物之一,针对人工田间麦穗计数及产量预测效率低的问题,基于深度学习提出了一种高分辨率的小密集麦穗实时检测方法。对麦穗图像数据集进行图像分割、标注、增强预处理,基于Tensorflow搭建YOLOv4网络模型,调整改进后对其进行迁移学习;与YOLOv3、YOLOv4-tiny、Faster R-CNN训练模型进行对比,对改进模型的实用性与局限性进行分析;重点分析影响麦穗检测模型性能的关键因素。通过图像分割的方式,证明了通过改变图像分辨率确定麦穗所占图像最优像素比,可以提高前景与背景差异,对小密集麦穗有显著效果。通过对改进模型的测试,表明该模型检测精度高,鲁棒性强。不同分辨率、不同品种、不同时期的麦穗图像均类平均精度（mAP）为93.7%,单张图片的检测速度为52帧·s^-1,满足了麦穗的高精度实时检测。该研究结果为田间麦穗计数以及产量预测提供技术支持。     

近年来湖北省审定水稻品种品质检测分析与思考

对2011-2015年湖北省审定的69个水稻(Oryza sativa L.)品种的品质检测结果分年度与品种类型进行了稻谷质量7个主要指标的统计。统计数据与分析结果表明,2011-2015年平均优质率为69.6%,出糙率、整精米率、直链淀粉含量、胶稠度和长宽比的平均数都达国标三级及三级以上质量标准;垩白粒率、垩白度仍是影响稻米品质的主要因素。并对存在的问题提出了几点思考。     

早籼稻饲料营养价值的品种间差异研究

分析了１８个不同早籼稻品种在相同栽培条件下的稻谷与糙米的各种饲料营养成分及这些品种的农艺性状，结果表明，不同早籼稻谷与糙米的各种营养成分存在明显的品种间差异，其中以早籼稻品种稻谷与糙米的粗蛋白含量的品种间差异最大，１８个早籼稻品种糙米 灰分、粗纤维与钙的平均呈比其稻谷的平均含量分别低２．４５％，７．７５％与０．００９％；而１８个早籼和妥品种糙米的干物质、总能、粗蛋白、粗脂肪与磷的平均含量比其稻谷的     

基于图像的水稻纹枯病智能测报方法

[目的]目前水稻纹枯病测报依赖人工调查水稻发病丛数、株数和每株严重度来计算其病情指数,操作专业性强,费时费力且数据难以追溯.本研究提出基于图像的水稻纹枯病病斑检测模型和发生危害分级模型,为水稻纹枯病智能测报提供理论依据.[方法]利用便携式图像采集仪采集田间水稻纹枯病图像,研究不同目标检测模型(Cascade R-CNN...     

用基于邻苯二甲醛柱前衍生的高效液相色谱法测定稻米的Y-氨基丁酸含量

建立基于邻苯二甲醛（0-phthalaldehyde,OPA）柱前衍生的高效液相色谱法（highperformanceliquidchromato—graphy,HPLC）,测定了稻米中Y-氨基丁酸（Y-aminobutyricacid,GABA）的含量。结果显示：用三氯乙酸作为提取溶剂的效果最好;检测限为0．5mg／L,提取回收率为79．1％-101．5％;巨胚糙米的GABA含量显著高于常规胚糙米的,发芽后巨胚糙米的GABA积累量也高于常规胚糙米的。     

依据Faster R-CNN的活体植株叶片气孔检测方法

当前植物叶片表皮气孔计数多使用人工计数,该方法耗时费力,且准确性有限,为了使气孔检测这一问题变的简单快速,需要训练出基于目标检测的深度学习模型自动检测植物气孔,提出一种依据Faster R-CNN的活体植株叶片下表皮气孔快速检测新方法。该方法以深度卷积神经网络为基础,以现有Faster R-CNN为原型,实现了对活体叶片气孔的快速检测与统计计数,并得到了气孔的密度值。分别采用两种倍率下(500 X,1000 X)共1000张气孔图像数据组成500 X、1000 X和两种倍率的混合共3类数据集进行建模,利用测试集的200张气孔数据(500 X和1000 X各100张)作为测试集进行测试。算法性能验证采用交叉验证的方法得到气孔的检测召回率,其检测召回率最高值为99.32%(1000 X模型测试同倍率数据),最低值为89.59%(500 X模型测试1000 X数据),误检率为0,检测时间约为0.08 s/张,用召回率最高的模型计算出杨树叶片下表皮气孔密度为183个/mm^2。最后还用杨树气孔图像训练的模型对白桦叶片气孔图像进行了测试,检测召回率为95.60%。     

两种施肥方法与施肥量对杂交水稻产量与米质影响的研究

以杂交水稻赣化2号和汕优3号为材料,研究在不同氮肥水平下均匀施肥法和两促施肥法对杂交水稻产量与米质的影响。在低肥情况下,两种施肥方法的产量相近;在高肥情况下,因两促施肥法结实翠较高而产量明显高于均匀施肥法。两品种,两施肥方法均随施氮量的增加出糙率提高,腹白率则逐渐下降,最大下降幅度为22.5—31.0％。糙米中蛋白质含量随施氮量增加而明显提高,由不施肥的7.94％,提高到12％左右。施肥方法和施肥量对糙米中直链淀粉含量影响不大。     

育成巨胚稻与其亲本的γ-氨基丁酸和氨基酸含量的比较分析

比较了育成的3种巨胚稻与其亲本糙米中GABA、氨基酸的含量。结果表明:育成巨胚稻糙米的GABA含量约为常规非巨胚稻的4倍,且高于其巨胚稻亲本的GABA含量;与常规非巨胚稻相比,巨胚稻糙米中绝大多数氨基酸的含量有不同程度的提高,其中赖氨酸、必需氨基酸总量和氨基酸总量的平均增幅分别达51.85%、26.24%和23.75%;育成巨胚稻与其巨胚稻亲本间的氨基酸含量没有显著差异。     

基于YOLOv4网络的棉花顶芽精准识别方法

为实现非接触、低成本、精准识别棉花顶芽,提出一种基于YOLOv4网络在复杂环境下对棉花顶芽进行精准识别的方法。利用K-means算法对棉花顶芽数据集进行聚类,优化先验框改善网络检测精度和速度,得到最优权值模型。对聚类前后模型以及与其他目标检测模型在棉花顶芽检测性能上进行了对比试验,并探究了顶芽在逆光和遮挡环境下,不同模型的检测性能。结果表明：该模型在测试集的平均检测精度（AP）、精确率（P）、召回率（R）、调和平均值（F₁）比原模型分别提高0.36%、1.73%、0.52%、1.16%,单张图像平均检测时间缩短0.28 s;对比SSD、YOLOv3、Tiny-YOLOV4模型,该模型检测精确率和F₁值最高,性能均衡;在自然场景处于逆光状态下,YOLOv4模型检测顶芽效果好于其他模型,且逆光环境对检测影响小;在遮挡条件下各个模型检测精度均有不同程度下降。