检索结果-内蒙古大学图书馆

农业工程学报 2018年第1期34卷 164-170页

作者：杨信廷刘蒙蒙许建平赵丽魏书军李文勇陈梅香陈明李明上海海洋大学信息学院上海201306 北京农业信息技术研究中心/国家农业信息化工程技术研究中心/农产品质量安全追溯技术及应用国家工程实验室/农业部农业信息技术重点实验室北京100097 北京市丰台区植保植检站北京100097 北京市农林科学院植物保护环境保护研究所北京100097

为了监测温室黄瓜作物虫害种类、数量变化情况以预测虫害发展趋势,该文以粉虱和蓟马为例,提出了一种基于Prewitt、Canny边缘检测算子分割和SVM(support vector machine)的温室粉虱和蓟马诱虫板的图像识别算法。该方法利用HSI(Hue-Satura... 详细信息

为了监测温室黄瓜作物虫害种类、数量变化情况以预测虫害发展趋势,该文以粉虱和蓟马为例,提出了一种基于Prewitt、Canny边缘检测算子分割和SVM(support vector machine)的温室粉虱和蓟马诱虫板的图像识别算法。该方法利用HSI(Hue-Saturation-Intensity)颜色空间的I分量与L*a*b*颜色空间的b分量二值图像中害虫目标与背景的高对比性,再分别相应地利用Prewitt算子和Canny算子进行单头害虫边缘分割,再经过形态学处理,最后融合这两幅二值图像完成单头害虫区域的提取。然后提取害虫的5个形态特征(面积、相对面积、周长、复杂度、占空比)及9个颜色特征(Hue-Saturation-Value颜色空间、HSI颜色空间、L*a*b*颜色空间各分量的一阶矩),并对这14个特征参数进行归一化处理,将特征值作为SVM的输入向量,进行温室粉虱和蓟马的诱虫板图像识别。通过分析比较不同向量组合的BP(back propagation)与SVM的害虫识别率、4种不同SVM核函数的害虫识别率,发现颜色特征向量是粉虱和蓟马识别的主成分,且SVM的识别效果优于BP神经网络、线性核函数的SVM分类性能最好且稳定。结果表明:平均识别准确率达到了93.5%,粉虱和蓟马成虫的识别率分别是96.0%和91.0%,能够实现温室害虫的诱虫板图像识别。该研究可以为虫害的监测与预警提供支持,为及时采取正确的防治措施提供重要的理论依据。

关键词：图像处理、图像分割算法边缘检测支持向量机颜色空间虫害监测

来源：评论

学校读者我要写书评

暂无评论

数字乡村背景下的农民数字素养水平评价与影响因素研究

引用

农业图书情报学报 2024年第7期36卷 19-33页

作者：马晨李瑾李泽欣范贝贝冯献北京市农林科学院信息技术研究中心北京100097 国家农业信息化工程技术研究中心北京100097 农业农村部数字乡村技术重点实验室北京100097

[目的/意义]农民数字素养是数字乡村建设与发展的前提和基础。如何量化评价农民数字素养、精准识别其影响因素,进而有的放矢地提升农民数字素养水平,激发农民建设数字乡村的活力,已成为当前数字乡村建设的当务之急。[方法/过程]文章在... 详细信息

[目的/意义]农民数字素养是数字乡村建设与发展的前提和基础。如何量化评价农民数字素养、精准识别其影响因素,进而有的放矢地提升农民数字素养水平,激发农民建设数字乡村的活力,已成为当前数字乡村建设的当务之急。[方法/过程]文章在对农民数字素养相关概念界定的基础上,基于理论依据与现实依据构建了北京农民数字素养评价指标体系并进行了合理性检验,评价分析了现阶段北京市农民数字素养水平,并分析探讨了北京农民数字素养的影响因素。[结果/结论]北京农民数字素养综合水平为68.15,在不同区域间、不同维度间、不同群体间存在较大差异。农民数字素养受年龄的负向影响,受受教育程度、收入水平、数字化培训、数字化服务、数字科普宣传、数字生活氛围、数字网络的正向影响。建议通过加强顶层设计、营造良好氛围、构建终身学习体系、构建保障机制等方式来有效提升农民数字素养,激发其数字乡村参与活力。

关键词：数字乡村农民数字素养概念框架水平评价影响因素

来源：评论

学校读者我要写书评

暂无评论

植株自旋转多视角重建技术在小麦植株三维表型获取中的应用评估

引用

中国农业科技导报 2022年第8期24卷 87-98页

作者：张文麒吴升郭新宇温维亮卢宪菊赵春江上海海洋大学信息学院上海201306 北京市农林科学院信息技术研究中心数字植物北京市重点实验室北京100097 国家农业信息化工程技术研究中心北京100097

基于多视角重建技术的作物三维表型高通量获取系统成本低、获取效率高,引起越来越多的关注。植物自旋转式拍摄平台易于搭建,但植物旋转过程中产生的抖动对点云三维重建和表型解析精度有一定影响。为评估旋转式多视角成像在小麦植株三维... 详细信息

基于多视角重建技术的作物三维表型高通量获取系统成本低、获取效率高,引起越来越多的关注。植物自旋转式拍摄平台易于搭建,但植物旋转过程中产生的抖动对点云三维重建和表型解析精度有一定影响。为评估旋转式多视角成像在小麦植株三维表型解析中的适用性,基于植物旋转设计了便携式小麦植株三维表型高通量采集系统,选取穗期不同品种的小麦植株作为实验样本进行点云重建,基于Hausdorff距离评价了重建点云的精度误差;并基于人工测量数据,对所提取的表型指标精度进行评价。结果表明,植物旋转式重建的点云与相机旋转式重建的点云有较高的一致性,点云精度差距基本控制在0.4 cm以下;获取的叶长、叶宽和株高的均根方误差分别为0.79、0.13和0.53 cm,平均绝对百分比误差分别为3.26%、7.63%和0.74%,表明该方式适合穗期的小麦植株表型重建,具有较高的点云重建和表型提取精度,并为小麦植株表型评价提供了一种低成本的解决方案。

关键词：多视角三维重建小麦植株点云表型低成本

来源：评论

学校读者我要写书评

暂无评论

玉米维管系统表型高通量解析与多组学研究进展

引用

江苏农业科学 2022年第20期50卷 9-18页

作者：周国靓郭新宇郭尚敬张颖聊城大学农学院山东聊城252000 北京市农林科学院信息技术研究中心北京100097 国家农业信息化工程技术研究中心北京100097 数字植物北京市重点实验室北京100097

维管束是贯穿玉米整株植物的输导组织和支持系统,其特性对玉米高产、稳产起着重要作用。随着对玉米需求的不断增长,以及作物源-库性状的改善和栽培水平的提高,维管束作为源库之间联系的重要纽带,其形态结构和生理功能对产量形成的作用... 详细信息

维管束是贯穿玉米整株植物的输导组织和支持系统,其特性对玉米高产、稳产起着重要作用。随着对玉米需求的不断增长,以及作物源-库性状的改善和栽培水平的提高,维管束作为源库之间联系的重要纽带,其形态结构和生理功能对产量形成的作用日益受到育种工作者的重视。本文系统概述玉米根、茎、叶和果穗的维管束表型特征,以及维管系统在水分运输、物质营养运输及机械支撑等方面的功能;探讨维管系统表型的定义及其内涵;整理近年来国内外维管组织表型高通量获取方法并对比分析各种获取方法的优缺点;总结基于组学的维管系统表型-基因型关联组学分析研究进展;最后对玉米维管束系统研究面临的挑战和前景进行讨论,提出以表型组学为切入点,结合细胞生物学、计算机图像处理、计算数学等多学科交叉,高通量、系统获取维管束的表型信息,实现玉米果穗柄维管束表型的精准解析,以期为开展基于组学的结构-功能探究、计算与模拟提供大数据支撑,并为玉米的抗性评价、品种选育及功能机制研究提供有益参考。

关键词：玉米维管束表型解析多组学分析

来源：评论

学校读者我要写书评

暂无评论

基于Micro-CT的玉米自交系茎秆维管束表型高通量获取与精准解析

引用

江苏农业科学 2022年第12期50卷 201-211页

作者：赵欢王璟璐张颖廖生进杜建军郭新宇赵春江华中农业大学湖北武汉4300701 北京市农林科学院信息技术研究中心北京100097 国家农业信息化工程技术研究中心北京100097 数字植物北京市重点实验室北京100097

针对玉米自交系茎秆不同节位形态特征差异大、维管束分布不同等特点,利用Micro-CT扫描技术及基于区带的维管束表型解析方法,对茎秆基部第3节、穗位节、顶位节节间进行显微图像获取,实现茎秆不同节间横切面、表皮区、周皮区、髓区、维管... 详细信息

针对玉米自交系茎秆不同节位形态特征差异大、维管束分布不同等特点,利用Micro-CT扫描技术及基于区带的维管束表型解析方法,对茎秆基部第3节、穗位节、顶位节节间进行显微图像获取,实现茎秆不同节间横切面、表皮区、周皮区、髓区、维管束相关表型的精准解析。研究结果表明,基于区带的维管束表型解析方法适用于茎秆不同节间维管束表型解析,可获得表征茎秆节间组织和维管束形态、几何性状、分布等共47项指标,获取效率高达20 s/张图像。同传统方法相比,基于区带的维管束表型解析方法效率高、通量大,且可获取的表型指标类型多。描述性统计分析结果显示,同茎秆横切面长轴长等传统指标相比,基于区带的维管束表型解析方法获取的功能区表型指标变异系数较大,能更好地反映出不同节间、不同自交系间的差异;且在不同自交系间,基部第3节的周皮区维管束数量(P=7.79×10^(-29))和穗位节的周皮区维管束面积占比(P=1.79×10^(-26))差异最显著。此外,从基部到顶部,表征横切面及各功能区几何、形态性状以及维管束数量、面积相关的表型指标呈依次减小的趋势;表征维管束分布的表型指标呈依次增加的趋势;功能区面积占比分布趋势不同,其中周皮区面积占比在基部节间最大,髓区面积占比在穗位节最大,表皮区面积占比在顶位节最大。本研究实现了玉米自交系茎秆不同节间维管束表型的高通量获取与精准解析,初步揭示了表型指标在不同节间的分布趋势,可为后期茎秆表型遗传解析和性状定向改良提供参考。

关键词：玉米茎秆 Micro-CT 区带维管束表型高通量获取精准解析

来源：评论

学校读者我要写书评

暂无评论

玉米叶片气孔表型鉴定及研究进展

引用

作物杂志 2023年第6期 1-10页

作者：金玉郭新宇张颖李大壮王璟璐数字植物北京市重点实验室北京100097 北京市农林科学院信息技术研究中心北京100097 国家农业信息化工程技术研究中心北京100097 华中农业大学湖北武汉430070

叶片气孔是植物与外界联系的直接通道。气孔在玉米植株生长过程中碳、水循环调控中起着重要作用,影响着植株蒸腾和光合作用的强度。本文概述了玉米叶片气孔形态结构与主要功能特点,梳理了气孔表型破坏性与非破坏性获取方法,沿时间脉络... 详细信息

叶片气孔是植物与外界联系的直接通道。气孔在玉米植株生长过程中碳、水循环调控中起着重要作用,影响着植株蒸腾和光合作用的强度。本文概述了玉米叶片气孔形态结构与主要功能特点,梳理了气孔表型破坏性与非破坏性获取方法,沿时间脉络整理了气孔表型人工―半自动化―自动化解析方法,归纳了玉米叶片气孔表型特征分析研究进展及影响气孔形态建成的相关基因研究现状,展望了叶片气孔研究可能面临的挑战与机遇,为基于气孔表型的玉米品种筛选鉴定及遗传改良提供参考。

关键词：玉米叶片气孔表型研究进展

来源：评论

学校读者我要写书评

暂无评论

京津冀地区蔬菜生产的时空分异及分区研究

引用

经济地理 2015年第1期35卷 89-95页

作者：李艳梅孙焱鑫刘玉廖上强北京市农林科学院中国北京100097 北京市农林科学院植物营养与资源研究所中国北京100097 农业部都市农业(北方)重点实验室中国北京100097 北京市缓控释肥料工程技术研究中心中国北京100097 北京农业信息技术研究中心中国北京100097

采用洛伦兹曲线与基尼系数,借助Arc GIS等软件从地区和县域两个尺度揭示2000—2012年京津冀地区蔬菜生产格局的时空分异特征。结果表明:京津冀地区蔬菜种植面积呈现"上升—下降—上升"的变化趋势,13年间总计增加了25.76万hm2... 详细信息

采用洛伦兹曲线与基尼系数,借助Arc GIS等软件从地区和县域两个尺度揭示2000—2012年京津冀地区蔬菜生产格局的时空分异特征。结果表明:京津冀地区蔬菜种植面积呈现"上升—下降—上升"的变化趋势,13年间总计增加了25.76万hm2,蔬菜产量和蔬菜单产总体呈现增长趋势;县域蔬菜生产呈现"北进南移"的态势,京津所辖县域的蔬菜种植面积下降,冀北坝上高原区和燕山太行山山前平原区的蔬菜生产优势进一步显现,县域人均蔬菜种植面积呈现两极分化趋势。采用双重自组织模型将173个县域划分为都市型蔬菜生产区、山地丘陵特色蔬菜种植区、平原规模化蔬菜生产区、冀北高原错季蔬菜生产区、冀东南蔬菜生产区5个区。该研究结果可为京津冀地区蔬菜发展战略制定提供依据。

关键词：蔬菜生产蔬菜种植面积时空分异双重自组织模型京津冀地区

来源：评论

学校读者我要写书评

暂无评论

农业大模型:关键技术、应用分析与发展方向

引用

智慧农业（中英文） 2024年第2期6卷 1-13页

作者：郭旺杨雨森吴华瑞朱华吉缪祎晟顾静秋国家农业信息化工程技术研究中心北京100097 北京市农林科学院信息技术研究中心北京100097 农业农村部数字乡村技术重点实验室北京100097 新加坡国立大学设计与工程学院新加坡117583新加坡

[目的/意义]近年来,人工智能在农业领域的应用取得了显著进展,但仍面临诸如模型数据收集标记困难、模型泛化能力弱等挑战。大模型技术作为近期人工智能领域新的热点技术,已在多个行业的垂直领域中展现出了良好性能,尤其在复杂关联表示... 详细信息

[目的/意义]近年来,人工智能在农业领域的应用取得了显著进展,但仍面临诸如模型数据收集标记困难、模型泛化能力弱等挑战。大模型技术作为近期人工智能领域新的热点技术,已在多个行业的垂直领域中展现出了良好性能,尤其在复杂关联表示、模型泛化、多模态信息处理等方面较传统机器学习方法有着较大优势。[进展]本文首先阐述了大模型的基本概念和核心技术方法,展示了在参数规模扩大与自监督训练下,模型通用能力与下游适应能力的显著提升。随后,分析了大模型在农业领域应用的主要场景;按照语言大模型、视觉大模型和多模态大模型三大类,在阐述模型发展的同时重点介绍在农业领域的应用现状,展示了大模型在农业上取得的研究进展。[结论/展望]对农业大模型数据集少而分散、模型部署难度大、农业应用场景复杂等困难提出见解,展望了农业大模型未来的发展重点方向。预计大模型将在未来提供全面综合的农业决策系统,并为公众提供专业优质的农业服务。

关键词：生成式人工智能大模型农业知识服务机器学习自主决策多模态深度学习

来源：评论

学校读者我要写书评

暂无评论

基于卷积神经网络的田间麦穗检测方法研究

引用

麦类作物学报 2023年第6期43卷 798-807页

作者：张合涛赵春江王传宇郭新宇李大壮苟文博西北农林科技大学信息工程学院陕西杨凌712100 北京农业信息技术研究中心北京100097 国家农业信息化工程技术研究中心/数字植物北京市重点实验室北京100097

为提高卷积神经网络对麦穗的识别检测精度,在YOLOv5检测模型基础上提出改进的识别检测模型YOLOv5-αTB,在特征提取网络末端部分加入Transformer模块,强化特征提取网络对小麦麦穗图像的颜色、纹理、几何等特征的提取,在特征融合部分将路... 详细信息

为提高卷积神经网络对麦穗的识别检测精度,在YOLOv5检测模型基础上提出改进的识别检测模型YOLOv5-αTB,在特征提取网络末端部分加入Transformer模块,强化特征提取网络对小麦麦穗图像的颜色、纹理、几何等特征的提取,在特征融合部分将路径聚合网络(path aggregation network,PANet)替换成加权双向特征金字塔(bidirectional feature pyramid network,BiFPN),进一步优化多尺度特征的融合。针对边界框回归损失函数的计算方式IoU的局限性,引入了α-CIoU加强了边界框回归的效果。利用YOLOv5-αTB检测模型在测试集上得到的精确度(precision)、召回率(recall)和平均精度(average precision,AP)分别是99.95%、81.86%和88.64%,在平均精度上相比于传统的YOLOv5模型提升2.92个百分点。该模型检测统计麦穗数量对比人工计数结果,识别检测精度约为97.00%。

关键词：小麦麦穗卷积神经网络特征提取特征融合损失函数麦穗识别检测模型

来源：评论

学校读者我要写书评

暂无评论

基于改进YOLOv8s的大田甘蓝移栽状态检测算法

引用

智慧农业（中英文） 2024年第2期6卷 107-117页

作者：吴小燕郭威朱轶萍朱华吉吴华瑞广西大学计算机与电子信息学院广西南宁530000 国家农业信息化工程技术研究中心北京100097 北京市农林科学院信息技术研究中心北京100097 农业农村部数字乡村技术重点实验室北京100097 农业农村部农业信息技术重点实验室北京100097

[目的/意义]借助智能化识别及图像处理等技术来实现对移栽后蔬菜状态的识别和分析,将会极大提高识别效率。为了实现甘蓝大田移栽情况的实时监测和统计,提高甘蓝移栽后的成活率以及制定后续工作方案,减少人力和物力的浪费,研究一种自然... 详细信息

[目的/意义]借助智能化识别及图像处理等技术来实现对移栽后蔬菜状态的识别和分析,将会极大提高识别效率。为了实现甘蓝大田移栽情况的实时监测和统计,提高甘蓝移栽后的成活率以及制定后续工作方案,减少人力和物力的浪费,研究一种自然环境下高效识别甘蓝移栽状态的算法。[方法]采集移栽后的甘蓝图像,利用数据增强方式对数据进行处理,输入YOLOv8s(You Only Look Once Version 8s)算法中进行识别,通过结合可变形卷积,提高算法特征提取和目标定位能力,捕获更多有用的目标信息,提高对目标的识别效果;通过嵌入多尺度注意力机制,降低背景因素干扰,增加算法对目标区域的关注,提高模型对不同尺寸的甘蓝的检测能力,降低漏检率;通过引入Focal-EIoU Loss(Focal Extended Intersection over Union Loss),优化算法定位精度,提高算法的收敛速度和定位精度。[结果和讨论]提出的算法经过测试,对甘蓝移栽状态的召回率R值和平均精度均值(Mean Average Precision,mAP)分别达到92.2%和96.2%,传输速率为146帧/s,可满足实际甘蓝移栽工作对移栽状态识别精度和速度的要求。[结论]提出的甘蓝移栽状态检测方法能够实现对甘蓝移栽状态识别的准确识别,可以提升移栽质量测量效率,减少时间和人力投入,提高大田移栽质量调查的自动化程度。

关键词：甘蓝移栽 YOLOv8s 目标检测多尺度注意力机制可变形卷积

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：