检索结果-内蒙古大学图书馆

光谱学与光谱分析 2024年第5期44卷 1364-1371页

作者：杨增荣王怀彬田密密李军会赵龙莲中国农业大学信息与电气工程学院北京100083 现代精细农业系统集成研究教育部重点实验室北京100083

苹果早期轻微瘀伤是影响苹果品质的重要因素。早期轻微瘀伤在可见光下肉眼无法识别,为寻找一种高效的苹果早期轻微瘀伤识别方法,以红富士苹果为研究对象,通过倒立摆装置人为制造不同程度的苹果瘀伤。首先采用傅里叶变换近红外光谱仪采... 详细信息

苹果早期轻微瘀伤是影响苹果品质的重要因素。早期轻微瘀伤在可见光下肉眼无法识别,为寻找一种高效的苹果早期轻微瘀伤识别方法,以红富士苹果为研究对象,通过倒立摆装置人为制造不同程度的苹果瘀伤。首先采用傅里叶变换近红外光谱仪采集80个无损样品、60个轻度损伤样品以及60个重度损伤样品各自在损伤后0、10、20和30 min的近红外漫反射光谱;采用SNV作为光谱数据预处理方法,谱区范围选择4000~9000 cm^(-1);主成分个数为9,采用偏最小二乘法-判别分析(PLS-DA)和支持向量机(SVM)两种方法建立“无损-有损”二分类模型,预测集的平均识别率分别为85.00%和89.80%,模型识别效果有待提高。在以上实验结果的基础上,使用波段范围为1000~2350 nm的近红外相机采集无损、轻度瘀伤、中度瘀伤和重度瘀伤的100个苹果样品的近红外图像,相机加装1150和1400 nm的滤光片后分别再次采集这些苹果样品的近红外图像,所有图像均在瘀伤产生后立即采集。共采集3个波段、4种瘀伤程度的苹果样本图像共1200张。提取图像吸光度信息并分别建立KNN、SVM和DT分类模型,DT法“无损-损伤”二分类模型和“无损-轻度-重度”三分类模型的识别率最高,分别为99.00%和94.67%。相比基于近红外光谱的苹果早期外部瘀伤识别方法,近红外相机多波段成像法在苹果表面早期瘀伤和瘀伤程度分类的应用中都有更高的识别准确率。与此同时近红外相机成像方法方便确定瘀伤的位置,这为苹果表面瘀伤的实时在线检测与分类提供了一种快速高效的新思路。

关键词：近红外光谱近红外相机成像苹果早期瘀伤

来源：评论

学校读者我要写书评

暂无评论

基于CNN-LSTM的苹果树种植区域提取

引用

农业机械学报 2024年第S2期55卷 277-285页

作者：王子航常晗张瑶郭树欣张海洋中国农业大学信息与电气工程学院北京100083 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

苹果树种植区域提取有利于农业资源高效管理。为解决苹果种植区域提取中存在的分类精度不高、时效性滞后等问题,提出一种基于Sentinel-2和MODIS融合影像的卷积神经网络-长短期记忆网络(CNN-LSTM)时序分类模型。首先采用ESTARFM时空融合... 详细信息

苹果树种植区域提取有利于农业资源高效管理。为解决苹果种植区域提取中存在的分类精度不高、时效性滞后等问题,提出一种基于Sentinel-2和MODIS融合影像的卷积神经网络-长短期记忆网络(CNN-LSTM)时序分类模型。首先采用ESTARFM时空融合算法构建融合影像,对不同卫星影像在空间和时间监测能力优势和缺陷进行互补,得到高空间和高时间分辨率共存的影像数据。在特征选择方面,通过随机森林模型进行重要性分析并结合后向特征消除法从25个原始特征中选15个关键特征变量作为最优特征组合。分类模型方面,卷积神经网络(Convolutional neural network,CNN)可以很好地在空间域、光谱域提取有效特征。长短期记忆网络(Long short-term memory,LSTM)作为循环神经网络(Recurrent neural network,RNN)的改进,可以处理不等长的输入序列。二者结合能够提取“时空谱”有效特征,实现更精准的图像分类和遥感数据分析。以烟台市牟平区观水镇为研究区,利用时空融合弥补原始Sentinel-2的影像缺失,使用CNN-LSTM模型进行苹果树种植区域提取,并与常用的机器学习分类算法进行对比,进而确定最优分类模型。研究表明在苹果种植区域提取方面CNN-LSTM模型总体精度为97.98%,Kappa系数为0.9586,总体精度对比其他4种机器学习算法CART、SVM、RF、GBDT分别高15.43、5.25、4.00、3.31个百分点,与LSTM模型总体精度和Kappa系数相比分别提高2.11个百分点和0.0148。所提出的苹果树种植区域精准遥感提取方法可为制定科学合理的农业管理措施提供有力支持。

关键词：深度学习卷积神经网络 CNN-LSTM 苹果树种植区域提取

来源：评论

学校读者我要写书评

暂无评论

基于改进CBAM-DeepLab V3+的苹果种植面积提取

引用

农业机械学报 2023年第S02期54卷 206-213页

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ESTA... 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90.4%。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3433.33 hm^(2),与烟台市国民经济和社会发展统计公报公布的3666.66 hm^(2)相比,误差为233.33 hm^(2),预测准确率高达93.64%。

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

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

融合数据增强与改进ResNet34的奶牛热红外图像乳腺炎检测

引用

光谱学与光谱分析 2023年第1期43卷 280-288页

作者：张倩杨颖刘刚吴潇宁远霖中国农业大学信息与电气工程学院北京100083 现代精细农业系统研究教育部重点实验室北京100083 农业部农业信息获取技术重点实验室北京100083

乳腺炎是奶牛生产养殖中最为严重的疾病之一,奶牛乳腺炎的早期检测可以为后续治疗提供依据,从而提高疾病治疗效率,降低养殖风险。为了对自然行走的奶牛实现快速、高精度的“一步式”乳腺炎疾病检测,提出了一种基于热红外图像,融合数据... 详细信息

乳腺炎是奶牛生产养殖中最为严重的疾病之一,奶牛乳腺炎的早期检测可以为后续治疗提供依据,从而提高疾病治疗效率,降低养殖风险。为了对自然行走的奶牛实现快速、高精度的“一步式”乳腺炎疾病检测,提出了一种基于热红外图像,融合数据增强与改进ResNet34的奶牛乳腺炎疾病检测方法。相对于现有的“多步式”奶牛红外图像乳腺炎检测方法,该方法无需奶牛关键部分如乳房和眼睛的定位以及温度提取等,可有效避免“多步式”造成的误差累计,从而实现更高效的乳腺炎检测。首先,将包含奶牛关键部位的局部图片水平拼接成信息完整的整体图片,结合RandAugment数据增强方法扩增训练样本;其次,采用ResNet34残差网络作为实验的基础网络,并根据热红外图像特性对模型进行如下改进:(1)精简网络内部冗余层使得模型更轻量化;(2)中间层添加辅助分类器弥补由于模型精简带来的特征损失;(3)将改进的多融合池化层代替原有单一池化层,使得特征提取内容更丰富。随机选取3298张热红外图像(66头奶牛)作为实验对象,并设置多组对比实验,结果表明:与传统ResNet34相比改进后ResNet34模型分类准确率提高3.4%,基于改进ResNet34并融合迁移学习和数据增强的模型验证准确率达到90.3%,测试准确率为88.4%,分类时间仅需3.39×10^(-3)s。为了保证实验数据集的样本独立性,进一步将奶牛个体数量按照3∶1∶1划分为训练集、验证集和测试集,测得模型测试准确率达到80.3%,证明所提出模型具有很好的鲁棒性。根据测试结果,计算出模型查准率为91.2%、查全率为91.6%、F1分数为91.4%,与前人所做实验相比准确率提高了5.1%,特异度提升5.3%。该研究方法可以为初期奶牛乳腺疾病筛选和医学诊断提供辅助和参考。

关键词：迁移学习 ResNet34 数据增强热红外图像奶牛乳腺炎检测

来源：评论

学校读者我要写书评

暂无评论

作物根系生长监测微根管装置设计与试验

引用

农业机械学报 2023年第S02期54卷 286-293页

作者：黄祺成杨佳昊左昊轩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

为实现不同深度下作物根系的实时监测与图像采集,设计开发了作物根系生长监测微根管装置,图像采集后可以通过上位机软件进行实时显示与存储。装置由监测管与控制箱组成,监测管使用亚克力材料制作透明外壳,同时在管内通过丝杠和导杆架设... 详细信息

为实现不同深度下作物根系的实时监测与图像采集,设计开发了作物根系生长监测微根管装置,图像采集后可以通过上位机软件进行实时显示与存储。装置由监测管与控制箱组成,监测管使用亚克力材料制作透明外壳,同时在管内通过丝杠和导杆架设滑动轨道,利用步进电机实现摄像头在导轨上的运动控制;控制箱以STM32单片机为核心控制板,并根据实际需求选取了相应外设模块。以番茄根系为研究对象进行持续98 d的图像采集,借助软件RhizoVision Explore对根系图像进行分析,试验结果表明,前70 d番茄根系整体生长速度较快,后28 d逐渐趋于稳定,在深度6~10 cm处分布较为密集,根长密度在深度10 cm处于第91天达到最大值(1.22 cm/cm^(3)),分析结果与番茄根系生长规律一致,表明本根系生长监测微根管装置能在不影响根系持续生长的情况下完成对作物根系的长期在线监测,满足作物根系监测要求。

关键词：根系微根管实时监测嵌入式系统

来源：评论

学校读者我要写书评

暂无评论

融合改进头脑风暴与Powell算法的马铃薯多模态图像配准

引用

农业工程学报 2024年第19期40卷 146-158页

作者：李易达王雨欣李晨曦赵冀马恢张漫李寒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 中国农业大学农业农村部农业信息获取技术重点实验室北京100083 张家口市农业科学院张家口075000

基于热成像仪获取作物冠层温度可以实现作物水分胁迫状态的非接触式、无损检测,并且具有高通量检测的潜力。然而热红外图像存在作物边缘分布不清晰、噪声强、缺乏形状、纹理信息等问题,无法实现作物冠层温度自动化提取,利用可见光与热... 详细信息

基于热成像仪获取作物冠层温度可以实现作物水分胁迫状态的非接触式、无损检测,并且具有高通量检测的潜力。然而热红外图像存在作物边缘分布不清晰、噪声强、缺乏形状、纹理信息等问题,无法实现作物冠层温度自动化提取,利用可见光与热红外图像间的信息互补性,通过图像自动配准技术可以弥补热红外图像缺点,为自动化检测提供基础。为解决可见光图像与热红外图像之间辐射、形状和纹理差异,导致不同模态图像配准难度较大问题,该研究提出了一种融合改进头脑风暴(brain storm optimization algorithm,BSO)与Powell算法的可见光与热红外图像配准方法。研究通过对原始BSO优化算法进行改进使得整体算法更好寻找到最优仿射变换矩阵进而完成图像配准任务,具体改进包含以下5个方面:使用混沌映射函数初始化BSO群体分布、修改新个体变异范围、手肘法动态调整BSO中K-means聚类数、在个体变异方式策略中加入混沌本地搜索方法、在算法执行过程中根据BSO算法前期后期不同特性动态调整概率参数。研究选用互信息值(mutual information,MI)、归一化互信息值(normalized mutual information,NMI)、均方根误差(root mean square error,RMSE)和平均结构相似性指数(mean structure similarity index measure,MSSIM)作为评价指标。该研究算法相对比Powell优化算法、遗传算法(genetic algorithm,GA)和BSO_Powell算法在温室数据中MI指标分别提升0.054 2、0.076 9、0.040 5,NMI指标分别提升0.015 9、0.023 1、0.052 7,RMSE指标分别降低15.02、13.03、27.08,MSSIM指标分别提升0.052 3、0.048 8、0.122 4;大田数据中MI指标分别提升0.064 2、0.066 7、0.035 5,NMI指标分别提升0.007 7、0.012 5、0.012 4,RMSE指标分别降低14.06、10.57、15.40,MSSIM指标分别提升0.047 1、0.038 1、0.042 9。结果表明,所提出算法具有很强的鲁棒性,能够准确完成复杂环境下马铃薯多模态图像配准任务。

关键词：图像配准头脑风暴算法 Powell算法互信息马铃薯

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

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

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：