检索结果-内蒙古大学图书馆

光谱学与光谱分析 2024年第10期44卷 2873-2883页

作者：岳继博冷梦蝶田庆久郭伟刘杨冯海宽乔红波河南农业大学信息与管理科学学院河南郑州450002 南京大学国际地球系统科学研究所江苏南京210023 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 北京市农林科学院信息技术研究中心农业农村部农业遥感机理与定量遥感重点实验室北京100097

准确的植物叶片理化参数对于监测植物生长状况至关重要。随着深度学习技术的迅速应用,结合深度学习和高光谱遥感技术的植物叶片理化参数分析应用潜力巨大;然而,现阶段结合深度学习和高光谱遥感技术在植物多叶片理化参数的联合估算研究... 详细信息

准确的植物叶片理化参数对于监测植物生长状况至关重要。随着深度学习技术的迅速应用,结合深度学习和高光谱遥感技术的植物叶片理化参数分析应用潜力巨大;然而,现阶段结合深度学习和高光谱遥感技术在植物多叶片理化参数的联合估算研究尚少。该研究旨在挖掘结合高光谱遥感技术和深度学习技术开展高精度的多植被叶片理化参数(叶绿素含量、类胡萝卜素含量、水分含量、蛋白质含量和碳基成分含量)联合估算的潜力。首先,通过利用新型PROSPECT-PRO辐射传输模型模拟分析,确定了多个植被叶片理化参数的敏感光谱区域,并设计了LeafTraitNet模型;然后,基于Lopex93数据开展LeafTr aitNet模型训练和验证,取得了高精度的叶片参数估算结果。得到以下结论:(1)基于PROSPECT-PRO辐射传输模型辅助实测开展植被光谱特征选择十分必要;叶绿素(约434和约676 nm)和类胡萝卜素(约445 nm)两类色素的光谱吸收峰均主要位于可见光区域;然而,其与叶片光谱的相关系数绝对值最大的点却不是各自的吸收峰位置,这可能是因为叶绿素和类胡萝卜素对光谱吸收的相互影响。(2)水分的吸收峰主要位于950~2500 nm范围内,这与叶片蛋白质和碳基成分的吸收区域重叠,因此削弱了后者的高光谱遥感估算精度。基于PROSPECT-PRO辐射传输模型和Lopex93数据集的叶片参数相关性分析结果表明,叶片水分含量与950~2500 nm范围内叶片光谱反射率相关系数绝对值接近1,而叶片蛋白质和碳基成分含量与950~2500 nm范围内光谱反射率相关系数较低。(3)三种传统统计回归方法和LeafTraitNet模型的叶片理化参数估算精度可以基于其估算总nRMSE而排序为:Le afTraitNet(总nRMSE=0.84)研究显示基于深度学习的LeafTraitNet模型有潜力提供远高于传统统计回归模型的植物叶片理化参数估算结果,但其在冠层尺度的研究仍需要更多的实验来进一步验证。

关键词：深度学习高光谱遥感叶片蛋白质含量叶片叶绿素含量叶片类胡萝卜素含量

来源：评论

学校读者我要写书评

暂无评论

基于改进YOLOv5s的番茄黄化曲叶病检测方法

引用

农业机械学报 2023年

作者：左昊轩黄祺成杨佳昊孙泉李思恩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水利与土木工程学院

作物病害的初期快速准确识别是减小作物经济损失的重要保障。针对实际生产环境，中设施番茄叶片黄化曲叶病毒病（Tomato yellow leaf curl virus，TYLCV）患病初期无法应用传统图像处理算法通过颜色或纹理特征进行准确和快速识别，并且Y... 详细信息

作物病害的初期快速准确识别是减小作物经济损失的重要保障。针对实际生产环境，中设施番茄叶片黄化曲叶病毒病（Tomato yellow leaf curl virus，TYLCV）患病初期无法应用传统图像处理算法通过颜色或纹理特征进行准确和快速识别，并且YOLOv5s通用模型在复杂环境下识别效果差和效率低的问题，本文提出一种集成改进的叶片病害检测识别方法。该方法通过对Plant Village公开数据集中单一患病叶片图像以及实际生产温室中手机拍摄获取的患病番茄植株冠层图像两种来源制作数据集，并对图像中的患病叶片进行手动标注等操作，以实现在复杂地物背景和叶片遮挡等情况下正确识别目标，即在健康叶片、患病叶片、枯萎叶片、杂草和土壤中准确识别出所有的患病叶片。此外，用智能手机在日光温室生产现场拍摄图像，会存在手机分辨率、光线、拍摄角度等多种因素，会导致识别正确率降低等问题，需要对采集到的图像进行预处理和数据增强以提高模型识别率，通过对YOLOv5s原始模型骨干网络重复多次增加CA注意力机制模块（Coordinate attention），增强YOLO算法对关键信息的提取能力，利用加权双向特征金字塔网络（Bidirectional feature pyramid network，BiFPN），增强模型不同特征层的融合能力，从而提高模型的泛化能力，替换损失函数Eiou（Efficient IoU loss），进一步优化算法模型，实现多方法叠加优化后系统对目标识别性能的综合提升。在相同试验条件下，对比YOLOv5原模型、YOLOv8、Faster RCNN、SSD等模型，本方法的查准率P，查全率R，平均识别准确率mAP0.5，mAP0.5:0.95分别达到了97.40%、94.20%、97.20%、79.10%，所提出的算法在提高了准确率与平均精度的同时，保持了较高的运算速度，满足对作物黄化曲叶病毒病检测的准确性与时效性的要求，并为移动端智能识别作物叶片病害提供了理论基础。

关键词：番茄病害识别 YOLOv5s 注意力机制 BiFPN Eiou

来源：评论

学校读者我要写书评

暂无评论

基于双目视觉和改进YOLOv8的玉米茎秆宽度原位识别方法

引用

智慧农业（中英文） 2023年第3期5卷 86-95页

作者：左昊轩黄祺成杨佳昊孟繁佳李思恩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北京100083 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 中国农业大学水利与土木工程学院北京100083

[目的/意义]玉米茎秆宽度是影响玉米抗倒伏能力的重要指标。玉米茎秆宽度测量存在人工采集过程繁琐、设备自动采集识别精度误差较大等问题,研究一种玉米茎秆宽度原位检测与高精度识别方法具有重要应用价值。[方法]采用ZED2i双目相机并... 详细信息

[目的/意义]玉米茎秆宽度是影响玉米抗倒伏能力的重要指标。玉米茎秆宽度测量存在人工采集过程繁琐、设备自动采集识别精度误差较大等问题,研究一种玉米茎秆宽度原位检测与高精度识别方法具有重要应用价值。[方法]采用ZED2i双目相机并将其固定在田间获取实时的玉米茎秆左目和右目图片,对原始图片进行数据增强,使用YOLOv8对玉米茎秆进行识别,再通过多次增加注意力机制(Coordinate Attention,CA)模块,和替换损失函数(Efficient IoU Loss,EIoU)的方法,进一步提高玉米茎秆的识别精度,然后通过对玉米茎秆的三维重建,获取识别框边界点在世界坐标系下的三维数据,通过距离公式计算出茎秆宽度。最后对改进后的YOLOv8模型与YOLOv8原模型、YOLOv7、YOLOv5、Faster RCNN、SSD进行对比,验证模型的识别准确性和识别精度。[结果和讨论]改进后的YOLOv8模型的查准率P、查全率R、平均精确率mAP_(0.5)、平均精确率mAP_(0.5∶0.95)分别达到了96.8%、94.1%、96.6%、77.0%,玉米茎秆宽度原位检测宽度计算的线性回归决定系数R~2,均方根误差RMSE和平均绝对误差MAE分别为0.373、0.265和0.244 cm,可满足实际生产对玉米茎秆宽度测量精度的要求。[结论]本研究提出的基于改进YOLOv8模型的玉米茎秆宽度原位识别方法可以实现对玉米茎秆的原位准确识别,很好地解决了目前人工测量耗时费力和机器视觉识别精度较差的问题,为实际生产应用提供了理论依据。

关键词： YOLOv8 注意力机制双目视觉玉米茎宽检测三维重建

来源：评论

学校读者我要写书评

暂无评论

基于高光谱和连续投影算法的棉花叶面积指数估测

引用

农业机械学报 2022年第S01期53卷 257-262页

作者：张楠楠张晓王城坤李莉白铁成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 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

为实现快速、无损、实时监测不同灌溉处理下棉花植株叶面积指数,借助高光谱遥感技术获取了棉花植株4个生育期的冠层反射率,同时获取每株棉花的叶面积指数,用一阶导数、二阶导数、标准正态变换,多元散射校正、小波分析等光谱预处理方法,... 详细信息

为实现快速、无损、实时监测不同灌溉处理下棉花植株叶面积指数,借助高光谱遥感技术获取了棉花植株4个生育期的冠层反射率,同时获取每株棉花的叶面积指数,用一阶导数、二阶导数、标准正态变换,多元散射校正、小波分析等光谱预处理方法,经过连续投影算法提取特征波段,用偏最小二乘法建立4个生育期(总体)和各生育期的高光谱估算模型。对比6种预处理方法在4个生育期和各生育期建模精度表明,4个生育期(总体)、蕾期、花期、花铃期的小波分解尺度为4、2、8、2,模型分别为CWT-SPA-PLS、CWT-FD-SPA-PLS、CWT-SPA-PLS、CWT-FD-SPA-PLS时可取得较好的精度;经二阶导数处理后,铃期可取得较好的结果,R^(2)和RPD分别0.973、5.3295,优于其他预处理。试验结果表明,利用预处理方法尤其是小波分析方法得到的光谱信息可有效估测棉花4个生育期(总体)和各生育期的叶面积指数。

关键词：棉花植株叶面积指数高光谱遥感反演模型小波分析连续投影算法

来源：评论

学校读者我要写书评

暂无评论

家畜体尺自动测量技术研究进展

引用

农业工程学报 2022年第13期38卷 228-240页

作者：初梦苑司永胜李前刘刚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 中国农业大学农业农村部农业信息获取技术重点实验室北京100083 河北农业大学信息科学与技术学院保定071001

家畜体尺参数是评价家畜生产性能的关键指标之一,可为选取优良品种提供重要参考依据。人工测量家畜体尺费时费力、主观性强、有损动物福利。随着计算机技术的应用普及,家畜体尺自动测量技术发展较快,取得了较好的研究成果。该研究从家... 详细信息

家畜体尺参数是评价家畜生产性能的关键指标之一,可为选取优良品种提供重要参考依据。人工测量家畜体尺费时费力、主观性强、有损动物福利。随着计算机技术的应用普及,家畜体尺自动测量技术发展较快,取得了较好的研究成果。该研究从家畜数据采集与预处理、家畜直线体尺测量、家畜围度体尺测量3个方面,阐述了家畜体尺自动测量技术的一般流程、常见技术、研究现状及方法优劣。首先,数据采集与预处理是家畜体尺自动测量的重要步骤,包括家畜图像数据的采集、分析与处理,输出便于体尺测点定位的数据,为家畜直线与围度体尺测量奠定基础;其次,家畜直线体尺测量技术基于数字图像处理和计算机视觉等方法,提取直线体尺测点并计算体尺测量值,是目前家畜体尺自动测量领域的主要研究内容;最后,因家畜围度体尺测量难度较大,其测量方法也是近年来相关领域研究的难点,胸围、腹围等体尺参数是家畜体质量和肉产量的重要参考指标,围度体尺测量主要包括体尺测点定位、围度体尺曲线拟合与尺寸计算。该研究还探讨了目前家畜体尺自动测量领域存在的成本高、自动化程度低、实时性与普适性差等问题,展望了未来该领域发展趋势,以期为开展家畜体尺自动测量技术与方法研究提供参考。

关键词：机器视觉图像处理家畜养殖体尺测量目标分割无损监测

来源：评论

学校读者我要写书评

暂无评论

基于三维点云的田间香蕉吸芽形态参数获取

引用

农业工程学报 2022年第S01期38卷 193-200页

作者：彭程苗艳龙汪刘洋李寒李修华张漫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 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 广西大学电气工程学院南宁530004

针对传统的香蕉吸芽形态参数手工测量方法效率低下、人为主观性强等问题,提出了基于三维点云的田间香蕉吸芽形态参数信息提取方法,并针对吸芽茎秆直径小,普通测量算法误差大的问题,使用曲面平滑和圆柱拟合算法提高了茎粗测量精度和准确... 详细信息

针对传统的香蕉吸芽形态参数手工测量方法效率低下、人为主观性强等问题,提出了基于三维点云的田间香蕉吸芽形态参数信息提取方法,并针对吸芽茎秆直径小,普通测量算法误差大的问题,使用曲面平滑和圆柱拟合算法提高了茎粗测量精度和准确性。使用Kinect V2、PMD CamBoard pico flexx、ZED双目视觉相机和Velodyne 16线激光雷达4种深度传感器采集不同尺寸的香蕉吸芽点云,对比了不同深度传感器对于香蕉吸芽点云采集的效果和提取表型参数的精度。基于点云库开发了香蕉点云处理和表型参数提取算法,对从两侧获取的香蕉点云进行配准,提取了香蕉吸芽的株高、茎粗和叶面积参数。Kinect V2取得了最优的点云重建效果和表型参数获取精度,与人工测量值相比,测得株高、茎粗和叶面积的平均绝对百分比误差分别为4.79%、9.20%、16.59%,均方根误差分别为5.46 cm、4.44 mm、197.8 cm2,决定系数分别为0.96、0.87、0.92。研究表明,Kinect V2和该文的形态参数提取方法适用于香蕉吸芽的形态参数获取,可以为果园管理提供一种快速、准确的香蕉吸芽株高、茎粗和叶面积形态参数测量方案。

关键词：三维农业香蕉点云处理作物形态参数株高茎粗叶面积

来源：评论

学校读者我要写书评

暂无评论

半主动悬架山地拖拉机姿态控制系统设计与仿真

引用

农业机械学报 2022年第S02期53卷 338-348页

作者：刘国辉郝称意李民赞孙红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 山西农业大学农业工程学院太谷030801 中国农业大学烟台研究院烟台264670 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

为提高山地拖拉机在复杂农田环境中的作业平稳性,基于Matlab/Simulink仿真平台,搭建了半主动悬架拖拉机七自由度时域仿真模型,包括四轮路面激励模型、半主动悬架振动模型、半主动悬架拖拉机车体受力分析模型、车身姿态分析模型以及半主... 详细信息

为提高山地拖拉机在复杂农田环境中的作业平稳性,基于Matlab/Simulink仿真平台,搭建了半主动悬架拖拉机七自由度时域仿真模型,包括四轮路面激励模型、半主动悬架振动模型、半主动悬架拖拉机车体受力分析模型、车身姿态分析模型以及半主动悬架拖拉机时域仿真模型,以车身垂向位移、车身倾斜角和车身俯仰角作为拖拉机的姿态变化参数进行仿真试验。通过构建增量式比例积分微分(Proportion integration differentiation,PID)控制器和反向传播(Back propagation,BP)神经网络PID控制器仿真模型实现对半主动悬架拖拉机车身姿态的自动控制,并分别对两种控制器的控制性能进行测试与评价。利用车身垂直向加速度和车轮相对动载作为半主动悬架系统性能的评价指标,对两种控制方式下的半主动悬架性能进行了评价。仿真结果表明:基于传统增量式PID控制算法的半主动悬架拖拉机,其车身垂直位移均方根减少42.17%、侧倾角均方根减少36.76%、俯仰角均方根减少57.85%,其车身垂向加速度为0.0177 m/s^(2),4个车轮的动载荷均方根分别为0.0284、0.0346、0.0239、0.0304 N。基于BP神经网络PID控制算法的半主动悬架拖拉机,其车身垂直位移均方根减少74.54%、侧倾角均方根减少74.66%、俯仰角均方根减少75.03%,其车身垂向加速度为7.5758×10^(-5)m/s^(2),4个车轮的动载荷均方根值分别为0.0197、0.0235、0.0166、0.0198 N。相比增量式PID控制的半主动悬架拖拉机,基于BP神经网络PID控制的半主动悬架拖拉机,其车体平稳性得到了较好的提高。

关键词：山地拖拉机姿态调节半主动悬架 BP神经网络PID 控制仿真

来源：评论

学校读者我要写书评

暂无评论

基于无人机可见光的新疆棉田田间尺度地物识别方法

引用

农业机械学报 2023年

作者：张楠楠张晓白铁成袁新涛马瑞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塔里木大学信息工程学院塔里木绿洲农业教育部重点实验室(塔里木大学) 中国农业大学农业农村部农业信息获取技术重点实验室

针对无人机采集影像时不同地物最佳分辨率难以确定的问题，运用大疆M600Pro型无人机获取棉花蕾期可见光影像，结合地面调查采样数据，利用神经网络（Artificial neural networks，ANN）、支持向量机（Support vector machines，SVM）和... 详细信息

针对无人机采集影像时不同地物最佳分辨率难以确定的问题，运用大疆M600Pro型无人机获取棉花蕾期可见光影像，结合地面调查采样数据，利用神经网络（Artificial neural networks，ANN）、支持向量机（Support vector machines，SVM）和随机森林（Random forest，RF）3种监督分类算法进行田间地物识别。分析不同分辨率（1.00、2.50、5.00、7.50、10.00 cm）下对地物的识别精度，并结合算法运行时间，从分辨率、算法精度和运行时间上找到适合南疆田间尺度棉花田块地物识别的最佳分辨率和最优算法。试验结果表明：当空间分辨率为1.00 cm时，SVM对地物的识别精度最高，总体精度与Kappa系数分别为99.857%和0.997。随着空间分辨率的降低，总体精度和Kappa系数呈下降趋势。当分辨率为2.50 cm和5.00 cm时，采用RF算法时，运行时间最短，土地、棉花和滴灌带可获得较好的识别精度，总体精度与Kappa系数分别可达99.137%和0.983以上。当空间分辨率大于5.00 cm时，总体精度和Kappa系数下降，滴灌带的制图精度（Producer’s accuracy，PA）和用户精度（User’s accuracy，UA）下降最大。空间分辨率小于5.00 cm的图像能够很好地识别蕾期棉花地的典型地物，可为进行田间地物类型及其分布状况的识别提供指导。

关键词：棉田地物分类无人机可见光田间尺度空间分辨率随机森林

来源：评论

学校读者我要写书评

暂无评论

利用改进YOLOv5s模型检测番茄果实成熟度及外观品质

引用

园艺学报 2024年第2期51卷 396-410页

作者：孙宇朝李守豪夏秀波杨玮李民赞张焕春山东省烟台市农业科学研究院山东烟台265500 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 烟台市智慧农业研究中心山东烟台265500

以粉果番茄为试验材料,基于深度学习方法开展了番茄果实成熟度和外观品质的检测研究。试验中共采集番茄图片数据2036张,通过处理扩增至5316张,然后将数据进行标注和文件转换,构建了试验用数据集;通过在YOLOv5s模型中加入CA注意力机制、... 详细信息

以粉果番茄为试验材料,基于深度学习方法开展了番茄果实成熟度和外观品质的检测研究。试验中共采集番茄图片数据2036张,通过处理扩增至5316张,然后将数据进行标注和文件转换,构建了试验用数据集;通过在YOLOv5s模型中加入CA注意力机制、替换Stem block结构、结合识别需求优化检测层尺度、替换K-means++聚类算法来实现SC-YOLOv5s识别精度提升,提高模型的特征表达能力;通过在SC-YOLOv5s模型中加入Fire module结构进行轻量化卷积、降低Bottleneck模块的参数量来实现SC-YOLOv5s-lite轻量化设计,提升模型在硬件上的检测速度;将SC-YOLOv5s-lite模型在训练集上进行训练优化、消融试验和性能对比,结果表明,SC-YOLOv5s-lite模型内存大小为7.73 M,其准确率为89.04%,召回率83.35%,平均精度91.34%,检测时间为143 ms,相比于YOLOv5s,模型参数量降低了45.57%,模型大小压缩了44.86%,平均精度提升3.98%,检测时间减少20.99%,优势明显,更适合于硬件上部署。

关键词：番茄成熟度外观品质检测深度学习计算机视觉

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的玉米拔节期冠层识别

引用

农业工程学报 2021年第21期37卷 53-61页

作者：孙红乔金博李松李民赞宋迪乔浪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 中国农业大学农业部农业信息获取技术重点实验室北京100083

为了满足田间玉米植株快速识别与检测的需求,针对玉米拔节期提出了基于深度学习的冠层识别方法,比较并选取了适于玉米植株精准识别和定位的网络模型,并研制了玉米植株快速识别和定位检测装置。首先拍摄玉米苗期和拔节期图像共计3000张... 详细信息

为了满足田间玉米植株快速识别与检测的需求,针对玉米拔节期提出了基于深度学习的冠层识别方法,比较并选取了适于玉米植株精准识别和定位的网络模型,并研制了玉米植株快速识别和定位检测装置。首先拍摄玉米苗期和拔节期图像共计3000张用于训练深度学习模型,针对拔节期玉米叶片交叉严重的问题,提出了以玉米株心取代玉米整株对象的标记策略。其次在Google Colab云平台训练SSDLite-MobileDet网络模型。为了实现田间快速检测,开发了基于树莓派4B+Coral USB的玉米冠层快速检测装置。结果表明,田间玉米冠层识别模型精度达到91%,检测视频的帧率达到89帧/s以上。研究成果可为田间玉米高精度诊断和精细化作业管理奠定基础。

关键词：深度学习目标检测识别拔节期玉米冠层

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：