排序方式: 共有36条查询结果,搜索用时 15 毫秒
1.
监测采样间隔对作物模型性能的影响研究 总被引:1,自引:0,他引:1
为了获得不同监测采样间隔对作物生长模型的影响规律,避免现有研究和应用中存在的主观性或随意性,以番茄叶片蒸腾速率和CO2交换率为对象,采用3 种采样间隔数据及2 种常用方法进行建模、预测和比较研究。研究结果显示,在15、30、60 min的监测采样间隔下,番茄叶片蒸腾速率模型和CO2交换率模型的预测误差是不同的,GA-BP神经网络模型的预测能力普遍优于纯二次回归模型,但两者的结论是一致的,即对蒸腾速率和CO2交换率而言,最合适的监测采样间隔分别为30 min和15 min。本研究结果为监测采样间隔的设定、试验数据的选取和建模方法的运用提供依据,对作物模型研究和应用具有重要意义。 相似文献
2.
基于卷积神经网络和小样本的茶树病害图像识别 总被引:2,自引:0,他引:2
以常见且特征相似的茶轮斑病、炭疽病和云纹叶枯病为对象,研究在小样本情况下利用卷积神经网络进行病害图像识别问题。运用7种模式的预处理方法对茶树叶部病害图像样本进行处理,并采用Alex Net经典网络模型进行学习实验,比较、分析其训练及识别效果。结果显示,模式7训练模型精度为93. 3%,平均测试准确率为90%,且对茶轮斑病、炭疽病和云纹叶枯病的正确区分率分别为85%、90%和85%,在预测值和真实值一致性方面优于其他预处理方法。在小样本情况下,该预处理方法可有效区分、识别3种易混病害,且识别精度高,性能好。 相似文献
3.
4.
基于ARM和Android的通用化农田信息检测终端研究 总被引:2,自引:0,他引:2
为了提高复杂、多样的农田信息检测效果,运用通用化设计概念和高性能硬、软件技术方案,设计了一种便携式、可配置的农田信息检测终端。采用主流的ARM Cortex-A8嵌入式处理器与Android操作系统相结合的一体化架构,集成AD、232、485、USB传感器接口,按键、触摸屏、液晶屏人机交互模块,SD卡、USB、3G、Wi Fi、Bluetooth数据交换模块,北斗/GPS双模定位模块以及电源/电量计模块,定制、移植核心驱动程序和HAL库层、JNI接口层。测试及应用试验表明,检测终端可选择配接或同时配接模拟/数字式、电流/电压型以及视频/图像摄像头等多种类型传感器,实现对土壤及大气参数、作物图像和地理信息的采集,并具有多种模式的数据展示和交换功能;模拟信号检测误差小于0.669 5%,3G无线通信下载速率达1 248 Kb/s,整机最大功耗小于3.6 W,检测终端外观尺寸152 mm×83 mm×34 mm,整机质量仅330 g。该检测终端易于配置或二次开发,使用方便,满足农田信息的全面、高效和精准检测需求。 相似文献
5.
土壤水分快速测量传感器研究及应用进展 总被引:2,自引:1,他引:1
土壤水分的测量直接关系到作物的灌溉,进而影响到作物的产量,是一项长期且艰巨的任务。总结了目前市场上3种主流的基于介电原理的土壤水分传感器,阐述了它们的测量原理、标定方法、影响因素以及性能情况,分析了使用过程中可能出现的一些问题,并对其未来的发展方向进行了展望,旨在为农技、水利部门在选用该类型的土壤水分传感器产品和测量土壤水分的过程中提供一定的参考和借鉴。 相似文献
6.
基于无线传感器网络和WebGIS的墒情监测系统 总被引:3,自引:1,他引:2
为了解决墒情监测中便携式监测仪数据存储、发送困难及墒情实时监测和分析等问题,建立了基于无线传感器网络和WebGIS的墒情监测系统。系统以STC单片机为核心芯片,结合GPRS模块、GPS模块,通过无线传感器网络技术,实现土壤水分数据的实时监测及无线传送。建立了数据库,接收监测点数据。并以SuperMap IS.NET和SQL Server 2005为开发平台进行二次开发,将GIS技术与墒情监测结合起来,根据作物耕作深度、作物生长期对土壤含水量进行判断,得出墒情结果。实现墒情监测点信息、土壤含水量曲线图、等值线分布图在Web服务器上的显示。墒情监测系统的建立和使用,对农业生产有深远的意义。 相似文献
7.
8.
为探索蜂巢内温度变化以及蜂巢恒温调控机理,设计了一种蜂巢温度采集系统。该系统由温度采集电路、嵌入式微处理器、Zigbee无线模块及上位机监测终端组成,其中温度传感器采集电路安放于2巢础间,微处理器及传输电路置于蜂箱外。采集电路以负温度系数热敏电阻作为温度传感器,微处理器控制多路切换开关、AD转换器,采用阵列式结构对巢脾各蜂房温度进行全覆盖检测、采集,采用Zigbee无线网络传输数据,利用C语言基于Visual Studio软件平台开发监测终端软件。试验表明:该系统在自然环境下运行稳定,105 s内可获取蜂巢单张巢脾2 880个蜂房温度数据,覆盖巢脾90%区域,获取温度数据与实际温度值误差小于0.5℃。 相似文献
9.
毛桃等果实的准确检测是实现机械化、智能化农艺管理的必要前提。然而,由于光照不均和严重遮挡,在果园中实现毛桃,尤其是套袋毛桃的检测一直面临着挑战。本研究基于改进YOLOv5s和多模态视觉数据提出了面向机械化采摘的毛桃多分类准确检测。具体地,构建了一个多类标签的裸桃和套袋毛桃的RGB-D数据集,包括4127组由消费级RGB-D相机获取的像素对齐的彩色、深度和红外图像。随后,通过引入方向感知和位置敏感的注意力机制,提出了改进的轻量级YOLOv5s(小深度)模型,该模型可以沿一个空间方向捕捉长距离依赖,并沿另一个空间方向保留准确的位置信息,提高毛桃检测精度。同时,通过将卷积操作分解为深度方向的卷积与宽度、高度方向的卷积,使用深度可分离卷积在保持模型检测准确性的同时减少模型的计算量、训练和推理时间。实验结果表明,使用多模态视觉数据的改进YOLOv5s模型在复杂光照和严重遮挡环境下,对裸桃和套袋毛桃的平均精度(Mean Average Precision,mAP)分别为98.6%和88.9%,比仅使用RGB图像提高了5.3%和16.5%,比YOLOv5s提高了2.8%和6.2%。在套袋毛桃检测方面,改进YOLOv5s的mAP比YOLOX-Nano、PP-YOLO-Tiny和EfficientDet-D0分别提升了16.3%、8.1%和4.5%。此外,多模态图像、改进YOLOv5s对提升自然果园中的裸桃和套袋毛桃的准确检测均有贡献,所提出的改进YOLOv5s模型在检测公开数据集中的富士苹果和猕猴桃时,也获得了优于传统方法的结果,验证了所提出的模型具有良好的泛化能力。最后,在主流移动式硬件平台上,改进后的YOLOv5s模型使用五通道多模态图像时检测速度可达每秒19幅,能够实现毛桃的实时检测。上述结果证明了改进的YOLOv5s网络和含多类标签的多模态视觉数据在实现果实自动采摘系统视觉智能方面的应用潜力。 相似文献
10.