排序方式: 共有35条查询结果,搜索用时 15 毫秒
21.
为提高小样本茶树病害识别的准确率,提出一种基于2次迁移模型的卷积神经网络茶树病害图像识别方法.首先将ResNet模型在ImageNet数据集上进行预训练,然后将预训练模型对植物病害数据集进行参数迁移训练,最后将迁移学习训练后的模型对扩充后的小样本茶树病害数据集进行2次参数迁移训练.结果表明,扩充后的数据集识别准确率较原数据集提高2.32%,再进行2次迁移学习后识别准确率又提高6.38%.通过调整训练超参数,对茶红锈藻病、炭疽病、茶网饼病、圆赤星病、藻斑病等5种茶树病害图像的识别准确率高达96.64%.在对5种茶树病害进行验证时,验证样本识别率与常规深度学习相比由93%提高至98%.2次迁移学习能够有效提高在小样本茶树病害识别下模型的识别能力,对实用化茶树病害识别具有重要的参考意义. 相似文献
22.
为提高农业物联网的数据感知质量,提出了基于向量升维的异常农情数据实时检测方法.首先采用滑动窗口机制将标准化后的时序农情数据转换为观测向量,接着将相邻向量元素差值之和作为新向量元素对观测向量进行升维,最后构建了异常数据实时检测框架.采用畜禽养殖物联网环境数据进行实验,开展滑动窗口大小取值、分类模型的异常数据检测性能与敏感性分析.结果 表明,滑动窗口大小取2为宜,提出的向量升维方法能够有效提升分类模型的异常数据检测能力,且线性核支持向量机具有较优的异常数据检测性能和计算耗时,其检测效果与数据波动性和采样间隔负相关、与异常值偏离幅度正相关. 相似文献
23.
基于图像技术的玉米叶部病害识别研究 总被引:2,自引:0,他引:2
针对野外光照条件下玉米叶部病害的图像识别问题,采用Retinex算法进行图像增强,消除光照的不利影响,在R-G灰度空间中运用自动阈值法进行病斑图像分割,提取病斑的颜色、纹理及不变矩特征,并采用主成分分析和支持向量机相结合的方法进行玉米叶片常见病害的分类识别。实验结果显示,小斑病、锈病和弯孢菌叶斑病的总识别精度为90.74%。表明本研究方法在自然光照环境下可获得良好的病害识别效果,具有一定的实用价值。 相似文献
24.
25.
26.
基于图像特征的越冬期冬小麦冠层含水率检测 总被引:3,自引:0,他引:3
以越冬期冬小麦冠层可见光图像为对象,研究基于图像特征的含水率检测方法。采用同态滤波与多尺度Retinex相结合的光照增强算法,消除自然条件下光照不均匀和颜色失真的影响,提取颜色、纹理和形态等39个初始图像特征,采用相关分析和假设检验进行显著特征筛选,并运用偏最小二乘回归建立冠层含水率检测模型。对淮麦30和烟农19 2个冬小麦品种的测试结果显示,检测相对误差均值为1.290%,方差为1.053,2个品种之间没有明显差异,而晴天、中午的检测误差稍大,表明研究的方法具有较高的检测精度和良好的适应性。 相似文献
27.
茶叶智能采摘的关键技术之一是待采摘嫩芽的识别,而嫩芽大小、环境光照、拍摄角度等因素都会给嫩芽的精准识别带来困难。针对复杂场景下传统茶树嫩芽识别方法准确率低的问题,文章提出一种基于YOLOV3深度卷积模型的识别方法,并通过增加SPP模块优化模型,提高模型对茶树嫩芽的识别能力。实验结果表明,YOLOV3模型和YOLOV3优化模型均能在复杂场景下实现茶树嫩芽识别,且YOLOV3优化模型的平均精度均值mAP比YOLOV3模型提高3.5百分点,达到91%,说明YOLOV3优化模型能够更好地应用于自然场景下的茶树嫩芽识别。 相似文献
28.
针对茶园灌溉系统中灌溉时机与灌溉量难以确定的问题,以黄山太平地区猴魁茶园为研究对象,先利用CART算法对环境因子与灌溉之间的相关性进行分析,并与逻辑回归、支持向量机等预测模型进行对比,后采用Penman-Monteith公式等对灌溉量进行精确计算,再通过田间试验对本研究获得的灌溉方法进行验证。结果表明:1)地下20 cm、40 cm和地下60 cm处土壤湿度与灌溉之间的相关性最大,分别达到40.66%、12.74%、12.25%,因此,土壤湿度是判断灌溉时机最关键的环境因子;2)使用CART算法预测猴魁茶园的灌溉时机,其准确率、精确率、召回率、F1值较逻辑回归模型(Logistic Regression model)、支持向量机模型(Support vector machine model)分别提升了12%~16%、1.3%~1.4%、12%~16%、7%~9%;3)Penman-Monteith公式对灌溉量的计算结果表明,黄山太平地区猴魁茶园年灌溉量为200 ~500 mm,其中,夏梢期灌溉量最多,占全年灌溉量70%以上。田间试验结果表明该灌溉方法节水率达到30%~35%。因此,使用CART算法及Penman-Monteith公式所获取的灌溉策略对于该地区茶园精准灌溉有一定的借鉴意义。 相似文献
29.
30.