排序方式: 共有26条查询结果,搜索用时 15 毫秒
21.
22.
基于多路卷积神经网络的大田小麦赤霉病图像识别 总被引:1,自引:7,他引:1
为了准确地识别小麦病害,及时采取防治措施,减少农药施用的成本,同时减少农业生态环境的污染,该研究以灌浆期感染赤霉病的小麦麦穗图像为研究对象,根据病变区域与健康区域的颜色分布特点,设计了一种多路卷积神经网络用于小麦赤霉病图像的识别。首先利用深度语义分割网络U-Net对大田环境下的小麦图像进行分割,去除小麦叶片及其他无关背景的影响,从而分割出麦穗图像。然后设计结构较为简单的多路卷积神经网络分别提取麦穗图像R、G、B 3个通道的特征,通过特征融合获得具有高辨识性的麦穗图像语义特征。最后,为了增大赤霉病和健康麦穗图像特征之间的可区分性,同时减小赤霉病麦穗图像类内特征的差异,采用联合损失函数进一步改善网络的性能。该研究对采集的大田环境下的510幅灌浆期小麦群体图像进行分割,选取2 745幅完整单株麦穗图像利用所设计的多路卷积神经网络进行赤霉病识别试验,结果表明该研究所提算法对单株麦穗赤霉病识别精度达到100%,能够为小麦病害的智能识别提供帮助。 相似文献
23.
小麦的最终产量可由单位面积的小麦麦穗数侧面反映,为了快速准确统计小麦麦穗数,该研究给出一种在单幅图像上利用深度卷积神经网络估计田间麦穗密度图并进行麦穗计数的方法。首先对采集的田间小麦图像进行直方图均衡化及阈值分割预处理,以减少图像中光照及一些复杂背景对计数的影响;然后根据灌浆期田间小麦图像麦穗密集的特点,引入拥挤场景识别网络(Congested Scene Recognition Network,CSRNet)构建麦穗密度图估计模型,并采用迁移学习方法,利用小麦图像公开数据集对模型进行预训练,再用所采集的小麦图像数据集进行模型参数调整和优化;利用得到的模型生成单幅小麦图像的麦穗密度图,根据密度图中所有密度值的总和对图像进行麦穗计数。最后根据对单幅麦穗图像的试验数据,构建田间麦穗计数函数模型,实现田间小麦麦穗数估计。通过对所采集的安农170、苏麦188、乐麦608和宁麦24这4个品种共296幅小麦图像进行试验,平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Squared Error,RMSE)分别为16.44和17.89,4个品种小麦的麦穗计数值与真实值的决定系数R2均在0.9左右,表明该方法对单幅图像小麦麦穗计数精度较高。此外,通过对田间小麦麦穗数进行估计试验,结果表明,随面积的增大麦穗估计的误差越小,研究结果可以为小麦的产量自动估计提供参考。 相似文献
24.
25.
[目的]研究侧深施肥不同用量对中籼杂交稻两优688生长和产量的影响,以便合理使用化肥,寻求更科学的施肥方法.[方法]试验设5个处理(处理①为基肥用缓释肥375.0 kg/hm2机插秧同步侧深施肥,在倒二叶时追施187.5 kg/hm2复合肥作穗肥;处理②为基肥用缓释肥450.0 kg/hm2机插秧同步侧深施肥,在倒二叶时追施187.5 kg/hm2复合肥作穗肥;处理③为基肥用缓释肥525.0 kg/hm2机插秧同步侧深施肥,在倒二叶时追施187.5 kg/hm2复合肥作穗肥;CK1为基肥用复合肥450.0 kg/hm2机插秧同步侧深施肥,在倒二叶时追施187.5 kg/hm2复合肥作穗肥;CK2为基肥用复合肥450.0 kg/hm2旋耕前人工撒施,机插后8和15 d分别追施尿素75.0、150.0 kg/hm2,倒二叶时追施复合肥187.5 kg/hm2做穗肥),对比分析各处理条件下水稻生育进程、分蘖动态和产量的差异.[结果]各处理生育期由长到短排序为处理③、处理②、处理①、CK1、CK2,其中处理③生育期最长,CK1、CK2均最短;各处理最终有效穗数的差异较小,但成穗率差异较明显,处理①成穗率最高;CK2倒三叶长度最长,处理①长度较为适中;实际产量由大到小排序为处理①、处理③、处理②、CK1、CK2.[结论]常量侧深施肥可以为水稻定量、均匀施肥提供保证,可提高水稻对肥料的利用率,促进形成大穗和高产,同时可降低肥料的损失和对环境的污染,值得在大规模水稻生产中应用和推广. 相似文献
26.
在无人机上安装光学传感器捕捉农作物图像是一种经济高效的方法,它有助于产量预测、田间管理等。该研究以无人机小麦作物图像为研究对象,针对图像中麦穗分布稠密、重叠现象严重、背景信息复杂等特点,设计了一种基于TPH-YOLO(YOLO with transformer prediction heads)的麦穗检测模型,提高无人机图像麦穗计数的精度。首先,为了减小光照不均匀对无人机图像质量造成的影响,该研究采用Retinex算法进行图像增强处理。其次,在YOLOv5的骨干网络中添加坐标注意力机制(coordinateattention,CA),使模型细化特征,更加关注麦穗信息,抑制麦秆、麦叶等一些背景因素的干扰。再次,将YOLOv5中原始的预测头转换为Transformer预测头(transformer prediction heads,TPH),该预测头具有多头注意力机制的预测潜力,可以在高密度场景下准确定位到麦穗。最后,为了提高模型的泛化能力和检测精度,采用了迁移学习的训练策略,先使用田间采集的小麦图像数据集对模型进行预训练,接着再使用无人机采集的小麦图像数据集对模型进行参数更新和优化训练,... 相似文献