检索结果-内蒙古大学图书馆

农业机械学报 2024年第S1期55卷 263-269页

作者：李振东李云飞杨立伟刘刚吕树盛宫艳晶中国农业大学智慧农业系统集成研究教育部重点实验室北京100083 中国农业大学烟台研究院烟台264670 中国农业机械化科学研究院集团有限公司北京100083

针对果园环境中樱桃树图像分割和直径计算精度低的问题,本文提出一种基于改进UNet的休眠期樱桃树枝直径计算方法。首先,对樱桃树的主干和枝条采用分类网格化标记,增加UNet对枝干数据的训练量;其次,选取通用性强的VGG16,替换UNet的主干... 详细信息

针对果园环境中樱桃树图像分割和直径计算精度低的问题,本文提出一种基于改进UNet的休眠期樱桃树枝直径计算方法。首先,对樱桃树的主干和枝条采用分类网格化标记,增加UNet对枝干数据的训练量;其次,选取通用性强的VGG16,替换UNet的主干特征提取网络,并在池化层后加入SAM模块,克服复杂背景和枝干结构的影响;再次,使用加权交叉熵损失函数,赋予各类目标不同的权值,解决像素类别不平衡问题;最后,在UNet获取的枝干掩膜图像中生成最大内接圆,通过最大内接圆直径计算枝干实际直径。实验结果表明,改进的UNet模型检测休眠期樱桃树的MPA和MIoU分别达到85.79%和77.97%,相比原UNet模型提高0.52个百分点和4.49个百分点。将本文方法与实地测量的方法进行线性回归分析,得到树枝直径计算结果的决定系数均不小于0.9157,均方根误差均不大于0.86 mm。表明本文提出的方法能准确分割樱桃树枝干图像,计算枝条直径,可为樱桃树自动化修剪提供有效的技术支持。

关键词：樱桃树 U-Net 深度学习距离变换直径计算

来源：评论

学校读者我要写书评

暂无评论

基于改进YOLO v5的自然环境下樱桃果实识别方法

引用

农业机械学报 2022年第S01期53卷 232-240页

作者：张志远罗铭毅郭树欣刘刚李淑平张瑶中国农业大学信息与电气工程学院北京100083 中国农业大学现代精细农业系统集成研究教育部重点实验室北京100083

为提高对樱桃果实识别的准确率,提升果园自动采摘机器人的工作效率,使用采集到的樱桃原始图像以及其搭配不同数据增强方式得到的数据图像共1816幅建立数据集,按照8∶2将数据集划分成训练集与测试集。基于深度学习网络,利用YOLO v5模型... 详细信息

为提高对樱桃果实识别的准确率,提升果园自动采摘机器人的工作效率,使用采集到的樱桃原始图像以及其搭配不同数据增强方式得到的数据图像共1816幅建立数据集,按照8∶2将数据集划分成训练集与测试集。基于深度学习网络,利用YOLO v5模型分别对不同数据增强方式以及组合增强方式扩增后的樱桃数据集进行识别检测,结果表明离线增强与在线增强均对模型精度提升有一定的正向促进作用,其中采用离线数据增强策略能够显著且稳定的增加检测精度,在线数据增强策略能够小幅度提高检测精度,同时使用离线增强以及在线增强能够最大幅度的提升平均检测精度。针对樱桃果实之间相互遮挡以及图像中的小目标樱桃检测难等导致自然环境下樱桃果实检测精度低的问题,本文将YOLO v5的骨干网络进行改动,增添具有注意力机制的Transformer模块,Neck结构由原来的PAFPN改成可以进行双向加权融合的BiFPN,Head结构增加了浅层下采样的P2模块,提出一种基于改进YOLO v5的自然环境下樱桃果实的识别网络。实验结果表明:相比于其他已有模型以及单一结构改进后的YOLO v5模型,本文提出的综合改进模型具有更高的检测精度,使平均精度均值2提高了2.9个百分点。结果表明该方法有效的增强了识别过程中特征融合的效率和精度,显著地提高了樱桃果实的检测效果。同时,本文将训练好的网络模型部署到安卓(Android)平台上。该系统使用简洁,用户设备环境要求不高,具有一定的实用性,可在大田环境下对樱桃果实进行准确检测,能够很好地满足实时检测樱桃果实的需求,也为自动采摘等实际应用奠定了基础。

关键词：樱桃目标检测 YOLO v5 数据增强注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于ECA-FV-CNN的水稻单籽粒质量分级方法

引用

农业机械学报 2023年第S02期54卷 235-243页

作者：陈孟燕王敏娟宋青峰朱新广李民赞郑立华中国农业大学智慧农业系统集成研究教育部重点实验室北京100083 中国科学院植物分子遗传国家重点实验室上海200032

为解决传统水稻质量分级依靠人工分拣,工作量大、错误率高、分级标准不严格等问题,本文提出一种基于ECA改进的双流卷积神经网络模型对水稻单粒质量分级进行研究。首先,获取每组水稻单籽粒(本文以7颗水稻单籽粒为1组)正视和俯视图像,对于... 详细信息

为解决传统水稻质量分级依靠人工分拣,工作量大、错误率高、分级标准不严格等问题,本文提出一种基于ECA改进的双流卷积神经网络模型对水稻单粒质量分级进行研究。首先,获取每组水稻单籽粒(本文以7颗水稻单籽粒为1组)正视和俯视图像,对于5种简单的监督模型(朴素贝叶斯、决策树、随机森林、最邻近结点算法、支持向量机)、基于遗传算法和投票机制优化的模型(GA-SVM)、集成模型(RF+GA-SVM),通过图像预处理轮廓检测分离出单籽粒图像,利用颜色矩、LBP(Local binary pattern)和Canny算子提取籽粒颜色、纹理和边缘特征,并采用PCA(Principal component analysis)降维后进行训练;而对于单流卷积神经网络模型、双流卷积神经网络模型(FV-CNN)以及本文提出并构建的基于ECA改进的双流卷积神经网络模型(EA-FV-CNN),则使用预处理后的图像进行训练。将上述多种模型进行对比分析,发现基于ECA改进的双流卷积神经网络模型性能最好,其在单粒质量三分级、四分级和五分级准确率分别达94.0%、92.3%和71.0%。实验结果表明,使用基于ECA改进的双流卷积神经网络模型能够提高水稻单粒质量的分级精度,弥补传统方法的不足,规范籽粒筛选分级标准。

关键词：水稻质量分级机器学习 ECA 双流卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于SSA-LSTM-Attention的日光温室环境预测模型

引用

农业工程学报 2025年

作者：孟繁佳许瑞峰赵维娟宋文臻高艺璇李莉中国农业大学农业农村部农业信息获取技术重点实验室中国农业大学智慧农业系统集成研究教育部重点实验室中国农业大学信息与电气工程学院

建立准确的温室环境预测模型有助于精准调控温室环境促进作物的生长发育，针对温室小气候具有时序性、非线性和强耦合等特点，该研究提出了一种基于SSA-LSTM-Attention(sparrow search algorithm-long short-term memoryattention mecha... 详细信息

建立准确的温室环境预测模型有助于精准调控温室环境促进作物的生长发育，针对温室小气候具有时序性、非线性和强耦合等特点，该研究提出了一种基于SSA-LSTM-Attention(sparrow search algorithm-long short-term memoryattention mechanism)的日光温室环境预测模型。首先，通过温室物联网数据采集系统获取温室内外环境数据；其次，使用皮尔逊相关性分析法筛选出强相关性因子；最后，构建环境特征时间序列矩阵输入模型进行温室环境预测。对日光温室的室内温度、室内湿度、光照强度和土壤湿度4种环境因子的预测，SSA-LSTM-Attention模型的平均拟合指数达到了97.9%。相较于反向传播神经网络（back propagation neural network,BP）、门控循环单元（gate recurrent unit,GRU）、长短期记忆神经网络（long short term memory,LSTM）和LSTM-Attention(long short-term memory-attention mechanism)模型，分别提高8.1、4.1、3.5、3个百分点；平均绝对百分比误差为2.6%，分别降低6.5、3.2、2.8、2.5个百分点。试验结果表明，通过利用SSA自动优化LSTM-Attention模型的超参数，提高了模型预测精度，为日光温室环境超前调控提供了有效的数据支持。

关键词：日光温室麻雀搜索算法长短期记忆网络注意力机制环境预测模型

来源：评论

学校读者我要写书评

暂无评论

基于改进DeepLab V3+的苹果种植面积提取

引用

农业机械学报 2023年

作者：常晗郭树欣张海洋张瑶中国农业大学信息与电气工程学院中国农业大学现代精细农业系统集成研究教育部重点实验室

为提高苹果种植区域的提取精度，提出了一种基于Sentinel-2和MODIS融合影像的CBAM-DeepLab V3+模型。影响苹果种植区域提取精度的主要因素包括遥感影像的质量以及语义分割模型的性能。从影像质量角度来看，采用基于时序的时空融合算法ES... 详细信息

为提高苹果种植区域的提取精度，提出了一种基于Sentinel-2和MODIS融合影像的CBAM-DeepLab V3+模型。影响苹果种植区域提取精度的主要因素包括遥感影像的质量以及语义分割模型的性能。从影像质量角度来看，采用基于时序的时空融合算法ESTARFM，通过融合Sentinel-2和MODIS的遥感影像数据，实现更高空间分辨率和时间分辨率数据的获取。与此同时，将训练样本从原始的800幅扩充至2400幅，为后续语义分割模型提供更为充足的样本容量。在语义分割模型优化方面，为了进一步提高苹果种植面积的提取精度，以DeepLab V3+网络结构模型为基础，引入基于通道和空间的CBAM注意力机制，进而发展出CBAM-DeepLab V3+模型。与原始DeepLab V3+模型相比，加入CBAM注意力机制的CBAM-DeepLab V3+模型在拟合速度较慢、边缘目标分割不精确、大尺度目标分割内部不一致和存在孔洞等缺陷方面实现了显著突破，这些改进提高了模型的训练与预测性能。本研究采用原始Sentinel-2影像及时空融合后的影像数据集，结合烟台市牟平区王格庄镇的数据集和观水镇苹果数据集对U-Net、FCN以及DeepLab V3+模型和CBAM-DeepLab V3+模型进行对比，研究发现在苹果种植面积提取方面，CBAM-DeepLab V3+优化模型所取得的MIoU为84.6%，苹果种植面积提取准确率达93.3%。U-Net、FCN和DeepLab V3+模型的MIoU分别为79.2%、75%、81.2%。此外，该模型预测的烟台市牟平区王格庄镇苹果种植面积为3433.33hm2，与烟台市国民经济和社会发展统计公报公布的数据3666.67 hm2相比，误差仅为233.33 hm2，预测准确率高达93.64%。

关键词：时空融合卷积神经网络 DeepLab V3+ 语义分割苹果种植面积提取

来源：评论

学校读者我要写书评

暂无评论

基于Soft Voting改进的STAA集成深度学习种子模式识别模型

引用

农业工程学报 2025年

作者：李鸿强张栋张超张诗欣李民赞河北建筑工程学院理学院中国农业大学智慧农业系统集成研究教育部重点实验室

该研究针对谷子种子因表型细微差异导致的识别精度低问题，以VGG16＿bn、Resnet50、MobileNet＿V2与GoogleNet模型为基础，构建Soft Voting集成学习模型，该模型针对8个谷子品种的识别准确率为96.52%，较最优子模型Resnet50的识别准确... 详细信息

该研究针对谷子种子因表型细微差异导致的识别精度低问题，以VGG16＿bn、Resnet50、MobileNet＿V2与GoogleNet模型为基础，构建Soft Voting集成学习模型，该模型针对8个谷子品种的识别准确率为96.52%，较最优子模型Resnet50的识别准确率提升了12.76个百分点。为进一步提升集成模型能力，对投票机制进行优化，提出了STAA增强框架：首先，采用TS2-stack动态权重分配算法，基于子模型准确率的非线性映射tan(πxi2x)强化高性能模型贡献，较于初始深度学习集成模型识别准确率提升了2个百分点，然后，引入自适应惩罚机制，动态抑制对特定品种低效子模型的权重影响，联合TS2-stack使准确率较于只引入TS2-stack动态权重分配算法，又提升了0.5个百分点，最后，设计顺序软增强选择模块与自适应参数更新模块，通过多模型预测协同优化（70%～30%迭代权重）提升决策平滑性，较于引入自适应惩罚机制和TS2-stack动态权重分配算法，又提升了0.47个百分点。最终，模型识别准确率达98.49%。试验表明，STAA框架通过动态权重分配、噪声抑制与协同优化，显著提升复杂表型种子的鉴别能力。该试验为种子图像识别提供了参考。

关键词：谷子深度学习集成学习模式识别

来源：评论

学校读者我要写书评

暂无评论

基于近红外光谱信息的土壤电导率预测模型研究

引用

农业机械学报 2022年第S01期53卷 218-223页

作者：王懂杨玮曹永研孟超李民赞中国农业大学烟台研究院烟台264670 中国农业大学智慧农业系统集成研究教育部重点实验室北京100083

利用土壤含水率与近红外光谱土壤反射率和土壤电导率三者之间的关系,以土壤含水率为中间变量,间接表达土壤光谱反射率和土壤电导率之间的关系。土壤含水率与土壤光谱反射率存在指数关系,土壤含水率与土壤电导率存在线性关系,消除中间变... 详细信息

利用土壤含水率与近红外光谱土壤反射率和土壤电导率三者之间的关系,以土壤含水率为中间变量,间接表达土壤光谱反射率和土壤电导率之间的关系。土壤含水率与土壤光谱反射率存在指数关系,土壤含水率与土壤电导率存在线性关系,消除中间变量(土壤含水率),得到土壤光谱反射率和土壤电导率之间的关系。以土壤水分敏感波段1450 nm作为研究对象,研究土壤电导率的预测模型,分别建立指数预测模型和对数预测模型,并分别对两种模型进行验证。本文实验建模集样本72个,验证集样本48个,土壤电导率对数预测模型R^(2)达0.80,土壤电导率指数预测模型R^(2)达0.85,预测效果均可满足农田电导率估算,但对数模型在土壤电导率较低区间预测效果不理想,因此土壤电导率指数预测模型预测效果优于对数模型的预测效果。研究结果表明,土壤光谱反射率预测土壤电导率的方案可行,并为光谱信息预测土壤电导率提供了新思路。

关键词：土壤电导率土壤含水率土壤光谱反射率近红外光谱

来源：评论

学校读者我要写书评

暂无评论

基于光谱结构特性的马铃薯干腐和疮痂病识别方法研究

引用

光谱学与光谱分析 2022年第8期42卷 2471-2476页

作者：李鸿强孙红李民赞河北建筑工程学院理学院河北张家口075000 中国农业大学现代精细农业系统集成研究教育部重点实验室北京100083

马铃薯干腐病和疮痂病的检测通过人工目测,结果存在主观性,该工作研究正常、干腐和疮痂病马铃薯的光谱分类识别方法。试验获取116个样本,光谱采集范围860~1745 nm。经过一阶导数(first derivative,FD)处理后的光谱数据,主成分(PCA)分类... 详细信息

马铃薯干腐病和疮痂病的检测通过人工目测,结果存在主观性,该工作研究正常、干腐和疮痂病马铃薯的光谱分类识别方法。试验获取116个样本,光谱采集范围860~1745 nm。经过一阶导数(first derivative,FD)处理后的光谱数据,主成分(PCA)分类识别效果较好,FD作为光谱预处理方法。光谱曲线上的极值点、极值点间的中点和极值点间连线的斜率决定光谱曲线的形状和变化,是曲线上的关键点,光谱曲线形状变化代表着内部物质的变化,具有指纹特性,利用极值点和中点对应的光谱或极值点间连线的斜率组成模式特征向量。分别用3种样本关键点的平均光谱形成标准模式特征向量,通过计算待测样本关键点组成的特征向量和标准模式特征向量之间的马氏距离,以最小马氏距离判定样本的归属,通过错误识别率检验模型识别性能。正常、干腐、疮痂样本分别有13,12,15个关键点,由各自关键点对应的反射率组成的模式特征向量,3类样本的错误识别率为0。去掉冗余关键点整合成一个标准模式特征向量,正常和疮痂样本的错误识别率为0,干腐样本的错误识别率为14.3%,全部错误识别为疮痂样本,特征向量数据点的增多,增加了病害样本之间的贴合度,降低了两类病害样本之间的区分度。利用波长911,1269和1455 nm处两点间的斜率形成模式特征向量,正常和疮痂样本的错误识别率为0,干腐样本的错误识别率为2.4%。利用前2个主成分得分作为参数,采用线性判别分析(LDA)和贝叶斯分类器(BC)建模,提供不同角度的分类模型,对比检验基于模式特征向量建立的分类模型的有效性,2种识别方法的错误识别率均为0。实验结果表明,可以利用表征光谱曲线结构特征的模式特征向量作为分类参数,结合距离法建模,与常见识别方法具有同等识别精度。

关键词：马铃薯干腐病疮痂病高光谱模式识别

来源：评论

学校读者我要写书评

暂无评论

土壤粒度对基于近红外离散波长土壤全氮预测精度影响

引用

光谱学与光谱分析 2021年第12期41卷 3682-3687页

作者：周鹏王炜超杨玮冀荣华李民赞中国农业大学现代精细农业系统集成研究教育部重点实验室北京100083

土壤粒度是对土壤近红外光谱造成严重干扰的主要因素之一。通常在样本前处理阶段采用研磨和过筛土壤来降低土壤粒度干扰,在数据处理阶段通过对连续光谱微分法等数学方法消除土壤粒度干扰。但是对于近红外波段离散波长的建模,至今没有有... 详细信息

土壤粒度是对土壤近红外光谱造成严重干扰的主要因素之一。通常在样本前处理阶段采用研磨和过筛土壤来降低土壤粒度干扰,在数据处理阶段通过对连续光谱微分法等数学方法消除土壤粒度干扰。但是对于近红外波段离散波长的建模,至今没有有效的方法消除土壤粒度干扰。为此,提出了土壤粒度修正法以解决土壤粒度干扰消除难题。首先建立土壤粒度修正模型,将农田采集的标准土壤在实验室烘干消除水分后,进行土样配置,得到4个土壤粒度(2.0,0.9,0.45,0.2 mm)和6个全氮浓度等级(0,0.04,0.08,0.12,0.16,0.2 g·kg^(-1))的96个土壤样本。采用MATRIX-Ⅰ型傅里叶变换近红外光谱仪采集土壤样本近红外光谱,计算四个不同粒度(每个粒度包含24个土壤样本)和全部土壤样本在每个波长处(850~2500 nm)所有样本间吸光度的光谱标准偏差,分析得到土壤粒度的特征波段为1361和1870 nm。采用特征波段吸光度比值作为单一输入变量建立SVM土壤粒度分类模型,土壤粒度整体分类准确率为93.8%,表明对土壤粒度进行分类是可行的。选择本研究团队开发的基于近红外波段离散波长(1070,1130,1245,1375,1550,1680 nm)吸光度的车载土壤全氮检测仪对提出的土壤粒度修正模型进行验证。结果表明修正后粒度为2.0,0.9和0.45 mm的吸光度和原始土壤吸光度分别降低了62%,74%,111%和61%。表明土壤粒度修正法可以显著减小土壤粒度干扰。最后采用BPNN建立不同吸光度的全氮模型,相较于原始吸光度模型,修正后的土壤吸光度模型R^(2) v提高了25%。表明提出的土壤粒度修正法可以显著减小土壤粒度对近红外光谱离散波长吸光度的干扰,提高车载土壤全氮检测仪的测量精度。

关键词：土壤粒度干扰近红外离散波长光谱标准偏差土壤粒度修正法 SVM

来源：评论

学校读者我要写书评

暂无评论

基于CBAM-YOLO v7的自然环境下棉叶病虫害识别方法

引用

农业机械学报 2023年第S01期54卷 239-244页

作者：张楠楠张晓白铁成尚鹏王文瀚李莉中国农业大学智慧农业系统集成研究教育部重点实验室北京100083 塔里木大学信息工程学院阿拉尔843300 塔里木绿洲农业教育部重点实验室(塔里木大学) 阿拉尔843300 中国农业大学农业农村部农业信息获取技术重点实验室北京100083

针对自然环境下棉花叶片病害检测难度大和人工设计特征提取器难以获取与棉叶病虫害相近特征表达的问题,提出一种改进的注意力机制YOLO v7算法(CBAM-YOLO v7)。该模型在YOLO v7模型基础上,在Backbone与Head中间增加注意力机制CBAM,并在H... 详细信息

针对自然环境下棉花叶片病害检测难度大和人工设计特征提取器难以获取与棉叶病虫害相近特征表达的问题,提出一种改进的注意力机制YOLO v7算法(CBAM-YOLO v7)。该模型在YOLO v7模型基础上,在Backbone与Head中间增加注意力机制CBAM,并在Head部进行4倍下采样,然后将CBAM-YOLO v7模型用于棉叶病虫害识别,并与YOLO v5和YOLO v7进行对比试验。试验结果表明:蚜虫和正常叶片检测方面,YOLO v7可取得好的检测结果;CBAM-YOLO v7对黄萎病、棉盲蝽、红蜘蛛棉叶病虫害图像检测的准确率高于其他模型。CBAM-YOLO v7的mAP为85.5%,相较于YOLO v5提高21个百分点,相较于YOLO v7提高4.9个百分点;单幅图检测耗时为29.26 ms,可为棉叶病害在线监测提供理论基础。

关键词：棉叶病虫害目标检测注意力机制 YOLO v7

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：