基于Faster R-CNN复杂背景的茶芽检测

茶芽检测是判断茶树农艺性状的基础,也是研发基于计算机视觉采茶机器人的基础。针对复杂背景中传统茶芽检测方法准确率低、稳定性差等问题,提出一种基于深度学习的茶芽检测方法。以Faster R-CNN(region-convolutional neural network)算法为框架,比较AlexNet、ResNet50、VGG19 3种网络模型茶芽检测性能,寻找最佳网络模型。结果表明,使用VGG19的茶芽检测准确率为86.3%,召回率为96.1%,F1分数为0.909,综合检测效果最优。该方法可很好地应用于复杂背景茶芽检测。     

基于激光热应力法的薄膜蠕变性能评估方法

采用单脉冲激光在薄膜表面进行局部加载,对薄膜在受热区域、冷热接合部及与基体连接界面产生的热应力、热应变及应力松弛进行理论分析,研究薄膜的蠕变机制和非弹性变形的热力学响应。分析结果表明,薄膜受高温及冷却退火作用都会产生应力松弛;冷却退火还会形成拉应力,薄膜裂纹由拉应力过大引起,薄膜的蠕变性能是薄膜断裂前的热力学行为,由应力的性质和大小决定,用激光热应力法可以实现对薄膜性能的评估。     

清原县冻土深度特征变化分析

对清原满族自治县国家基本气象站1962-2020年冻土器观测数据进行分析,得出清原满族自治县冻土深度变化与月平均气温之间的月、年变化特征.将冻土深度的年平均值、月值与月平均(最低、最高)气温等气象因素进行比较分析得到:一般温度越高,冻土深度越浅,反之冻土深度越深.通过比较分析得出清原满族自治县年冻土深度变化与气温呈负相...     

弱阳性犬瘟热的发病原因和治疗

<正>在临床上用犬瘟热试纸(韩国进口,有效期至2011年9月)对患犬进行诊断时会出现3种结果:在观察区内出现一条颜色明显的紫红色C线,确诊为阴性;在观察区内出现颜色深度基本相同的紫红色C线和T线,确诊为阳性;在     

农业机械深松深翻技术

一、实施机械化深松深翻技术的作用农作物生长需要一定的耕作深度,用畜力步犁耕地,犁底不平,耕作深度一般只有12cm左右,而且不能很好地翻松土壤。小型拖拉机带灭茬机或双铧犁耕地,耕作质量虽然比畜力步犁好,但耕深一般也较浅。长此以往,熟土层厚度减少,犁底层厚度增加,     

基于深度学习的病虫害智能化识别系统

我国农作物种植覆盖面广、分散度高,病虫害发生种类多、区域性发生规律复杂,传统的人工鉴定技术从效率、能力与精度方面均难以满足新形势下重大病虫测报要求。针对这一实践需求,以测报灯下害虫图像数据库(约18万张)、田间病虫害图像数据库(约32万张)为基础,构建了基于深度学习方法的病虫害种类特征自动学习、特征融合、识别和位置回归计算框架,并研发了移动式病虫害智能化感知设备和自动识别系统。通过近2年的精确度和实操运行效率检验,该系统在自然状态下对16种灯下常见害虫的识别率为66%～90%,对38种田间常见病虫害(症状)的识别率为50%～90%。随基础数据库的不断丰富、神经网络深层特征提取的不断完善,该系统有望进一步提高识别准确率,从而真正实现田间病虫害识别自动化、智能化和高效率。     

蔬菜盆栽技术

农产品价格不断上涨,不少人开始学习家庭小面积栽培农作物的技术,盆载蔬菜渐成时尚,现介绍简单易行的蔬菜盆栽技术要点。1)材料准备。可用花园里小面积土地,也可以用垃圾桶、大型花盆等深度至少有24cm的容器材料,如一个花盆里只     

基于深度学习的森林可燃物含水率反演技术

【目的】探究基于卫星遥感数据的森林可燃物含水率反演,比较深度学习模型与传统机器学习模型的精度,并探索一种解决冠层遮挡问题的方案,为全国建立森林可燃物含水率数据库提供理论依据。【方法】以河北省张家口市崇礼区为研究区,基于实地测量数据,针对传统机器学习模型误差较大的问题,建立深度学习中的多层感知机(MLP)模型,研究光谱反射率与森林冠层植被和地表枯落物含水率之间的关系,并与传统机器学习中的支持向量回归(SVR)模型进行精度对比。选取与实地考察时间同季度的哨兵遥感数据,以光谱反射率、光谱水分指数等遥感估测法中常用变量作为反演森林冠层植被和地表枯落物含水率的影响因子,结合实地考察数据进行模型训练。针对以往采用遥感估测法反演地表枯落物含水率遇到的冠层遮挡问题,使用双向反射分布函数处理遥感数据获得不同观测角度的遥感数据,结合辐射传输模型,将冠层反射率映射到地表反射率后再训练模型。【结果】以红光、绿光、近红外和短波红外波段为输入变量的MLP模型在森林冠层植被含水率反演中的拟合度为0.843,优于SVR中最优模型的拟合度0.807,精度提高4.5%;MLP模型在地表枯落物含水率反演中拟合度为0.448...     

基于深度学习算法的京津冀地区综合干旱评估模型构建

及时准确的干旱评估对社会经济发展和农业生产具有重要的指导意义,当前的干旱评估指标通常仅考虑植被或降水等单方面影响因素,在实际干旱评估中存在一定的局限性。本研究综合考虑降水、温度、地形等多个干旱致灾因子,以主要产粮基地京津冀地区为例,基于2007-2017年地表温度（Land Surface Temperature,LST）、归一化植被指数（Normalized Difference Vegetation Index,NDVI）以及降水等多源数据,利用深度学习框架Tensorflow构建以标准化降水蒸散发指数（Standardized Precipitation Evapotranspiration Index,SPEI）为目标值的综合干旱评估模型。利用决定系数（R2）和均方根误差（RMSE）对模型进行测试;利用站点标准化降水指数（Standardized Precipitation Index,SPI）、土壤相对湿度数据以及2016年京津冀地区的气象灾害数据,从时间和空间上对模型的可靠性进行验证。结果表明：模型的训练集和测试集在不同月份上均表现较好（R2均大于0.5而RMSE均小于0.55）。模型输出的综合干旱指数（Comprehensive Drought Index,CDI）在密云站上与SPI和SPEI接近,变化趋势基本一致,并且与站点SPI和土壤相对湿度的相关系数分别大于0.7和0.4,均通过了0.01水平的显著性检验。空间上,相较于SPEI,CDI计算的2016年3-7月京津冀地区干旱事件结果与实际情况符合度更高,表明该模型适用于京津冀地区干旱评估。     

玉米秸秆混合还田深度对土壤有机质及养分含量的影响

秸秆还田是提升土壤肥力的重要措施之一,还田深度是影响还田效果的重要因素。本文以黑土为研究对象,分析了连续3年等量秸秆混入不同深度土层对土壤有机质及养分含量的影响。试验包括4个秸秆混合还田深度,0~15 cm(D15S),0~20 cm(D20S),0~35 cm(D35S)和0~50 cm(D50S),秸秆还田量均为10 000 kg·hm^(-2)。研究结果表明等量秸秆混入不同深度土层,导致不同处理秸秆在土壤中的含量(SC)在1.68~6.06 g·kg^(-1)之间,随着秸秆混入土层深度的增加SC值逐渐减小;秸秆混合还田增加了相应土层土壤有机质含量,与D15S处理相比,D20S、D35S和D50S处理土壤有机质增加量分别降低了27.3%,48.4%和67.8%,但是秸秆的有机质转化率在D35S处理达到了最大值,与D15S、D20S和D50S相比分别增加了28.6%,32.6%和17.5%,不同处理土壤有机质增加的总量表现为D35S>D50S>D15S>D20S,土壤轻组有机碳总量表现出相似的趋势;等量秸秆混入不同深度土层没有显著增加相应土层全量养分的含量,但是显著增加了速效养分含量(P<0.05),与初始值相比,D15S、D20S、D35S和D50S处理土壤碱解氮、速效磷和速效钾含量分别提高了7.17%~20.6%、9.16%~38.2%和12.6%~43.7%,其中土壤速效养分增加率在D35S处理达到了最大值,说明秸秆深混还田能够促进养分在土壤深层的积累,增加全层土壤养分的供给能力。因此,建议研究区域秸秆混合还田的深度为0~35 cm,提高秸秆混合还田对土壤肥力的贡献,实现黑土地保护。