排序方式: 共有39条查询结果,搜索用时 15 毫秒
11.
柑桔根结线虫病研究初报 总被引:1,自引:0,他引:1
柑桔根结线虫病是江西省新发现的一种病害,经室外调查、室内研究确定,病原线虫为南方根结线虫(Meloidogyne incognita)和爪哇根结线虫(M.javanica).本文对病害的症状、病原、发病条件和综合防治进行了探讨。 相似文献
12.
几种常见桑树病害的识别与防治 总被引:1,自引:0,他引:1
桑树是蚕桑产业的重要物质基础。为确保桑树健康成长,促进产业发展,桑树病害的有效识别与及时防控尤为重要。真核微生物、原核微生物及非细胞类病毒中均存在能引发桑树传染性病害的病原微生物。其中由真核微生物引起的桑里白粉病与桑椹菌核病,原核微生物引起的桑青枯病与桑疫病是爆发频繁、危害极大的桑树病害。本文就这四种桑树病害的病原、侵染循环、病害识别及防治方法等进行系统梳理,并简要介绍几种非细胞类微生物引起的桑树病害,以期为生产上防治相关病害提供参考。 相似文献
13.
14.
15.
针对果园目标检测时相机抖动以及物体相对运动导致检测图像模糊的问题,本文提出一种将DeblurGAN-v2去模糊网络和YOLOv5s目标检测网络相融合的D2-YOLO一阶段去模糊识别深度网络,用于检测识别果园模糊场景图像中的障碍物。为了减少融合网络的参数量并提升检测速度,首先将YOLOv5s骨干网络中的标准卷积替换成深度可分离卷积,并且在输出预测端使用CIoU_Loss进行边界框回归预测。融合网络使用改进的CSPDarknet作为骨干网络进行特征提取,将模糊图像恢复原始自然信息后,结合多尺度特征进行模型预测。为了验证本文方法的有效性,选取果园中7种常见的障碍物作为目标检测对象,在Pytorch深度学习框架上进行模型训练和测试。试验结果表明,本文提出的D2-YOLO去模糊识别网络准确率和召回率分别为91.33%和89.12%,与分步式DeblurGAN-v2+YOLOv5s相比提升1.36、2.7个百分点,与YOLOv5s相比分别提升9.54、9.99个百分点,能够满足果园机器人障碍物去模糊识别的准确性和实时性要求。 相似文献
16.
针对目前泵站变压器经济运行可操作性差,节能效果不明显等缺点,从分析泵站变压器经济运行的特点入手,在详细讨论了泵站变压器经济运行原理及判定原则的基础上,设计开发了基于Profibus-DP现场总线的变压器经济运行实时监控系统。该系统通过实时采集变压器现场数据,经分析计算和判断,选取变压器经济运行方式,自动投切变压器。实际试运行表明:系统具有计算判断准确,投切可靠,节能效果明显等特点,很好地满足了泵站安全、高效、节能的运行要求。 相似文献
17.
18.
19.
基于改进型YOLOv4的果园障碍物实时检测方法 总被引:9,自引:6,他引:3
针对农业机器人在复杂的果园环境中作业时需要精确快速识别障碍物的问题,该研究提出了一种改进型的YOLOv4目标检测模型对果园障碍物进行分类和识别。为了减少改进后模型的参数数量并提升检测速度,该研究使用了深度可分离卷积代替模型中原有的标准卷积,并将主干网络CSP-Darknet中的残差组件(Residual Unit)改进为逆残差组件(Inverted Residual Unit)。此外,为了进一步增强模型对目标密集区域的检测能力,使用了软性非极大值抑制(Soft DIoU-Non-Maximum Suppression,Soft-DIoU-NMS)算法。为了验证该研究所提方法的有效性,选取果园中常见的3种障碍物作为检测对象制作图像数据集,在Tensorflow深度学习框架上训练模型。然后将测试图片输入训练好的模型中检测不同距离下的目标障碍物,并在同一评价指标下,将该模型的测试结果与改进前YOLOv4模型的测试结果进行评价对比。试验结果表明,改进后的YOLOv4果园障碍物检测模型的平均准确率和召回率分别为96.92%和91.43%,视频流检测速度为58.5帧/s,相比于原模型,改进后的模型在不损失精度的情况下,将模型大小压缩了75%,检测速度提高了29.4%。且改进后的模型具有鲁棒性强、实时性更好、轻量化的优点,能够更好地实现果园环境下障碍物的检测,为果园智能机器人的避障提供了有力的保障。 相似文献
20.