检索结果-内蒙古大学图书馆

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

温室温湿度传感网簇头选举算法研究

引用

农业机械学报 2021年第S01期52卷 418-426页

作者：况洋王跃亭王敏娟李桂鑫李民赞郑立华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

针对目前传统温室当中仍然存在着远程操作困难、数据采集需要人工干预、智慧化程度低等问题,构建了以边缘计算为基础的智慧化边缘Mesh传感网,并提出一种基于改进LEACH算法的温室温湿度传感网簇头选举方法。利用ESP8266-12F型无线模块、N... 详细信息

针对目前传统温室当中仍然存在着远程操作困难、数据采集需要人工干预、智慧化程度低等问题,构建了以边缘计算为基础的智慧化边缘Mesh传感网,并提出一种基于改进LEACH算法的温室温湿度传感网簇头选举方法。利用ESP8266-12F型无线模块、NodeMCU型物联网扩展板和DHT-11型温湿度传感器组建了温湿度传感节点并开发了自动化数据采集算法,基于ESP8266-12F型无线模块构建了边缘无线Mesh传感网,实现了节点之间的自动化组网。针对中心路由器多节点负载消耗大以及信号传输速率低等问题提出了一种基于中心路由器RSSI值划分网络的方法,提升了网络的传输速率,在此基础之上改进了LEACH算法,设计了一种适用于温室温湿度Mesh传感网的Sink簇头选举方法,以均衡网络整体的能量效率。仿真结果表明,当初始簇头概率为0.1时,原始LEACH算法在中心位置出现簇头的概率为10.86%;应用权重k=1改进LEACH算法在中心位置出现簇头的概率为17.42%;应用权重k=2改进LEACH算法在中心位置出现簇头的概率为24.96%。

关键词：温室无线传感网数据采集簇头选举算法 Mesh网络 LEACH算法

来源：评论

学校读者我要写书评

暂无评论

基于拉曼光谱的水溶性磷定量分析

引用

光谱学与光谱分析 2023年第12期43卷 3871-3876页

作者：李奇辰李民赞杨玮孙红张瑶中国农业大学烟台研究院山东烟台264003 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

土壤磷素是植物最重要养分之一。磷素在土壤中动态性强,检测困难,在可见-近红外光谱范围没有明显吸收波段,因此研究基于其他光谱手段的磷素快速检测方法对于发展精细农业和智慧农业具有重要意义。拉曼光谱具有受水分干扰小,样本预处理... 详细信息

土壤磷素是植物最重要养分之一。磷素在土壤中动态性强,检测困难,在可见-近红外光谱范围没有明显吸收波段,因此研究基于其他光谱手段的磷素快速检测方法对于发展精细农业和智慧农业具有重要意义。拉曼光谱具有受水分干扰小,样本预处理小、与红外光谱信息互补等特点,国内外很多学者尝试了应用拉曼光谱对土壤磷素的检测。但是,拉曼信号弱,稳定性差,制约了拉曼光谱在土壤检测方面的应用。为进一步弄清拉曼光谱与磷素的定量关系,采用水溶性磷(KH2PO4)为研究对象,研究了不同磷浓度的KH2PO4溶液对拉曼光谱产生的影响。采用移动平均(MA)、 MA+基线校正(BL)、 MA+标准正态变量(SNV)、 MA+多元散射校正(MSC)对原始光谱(RS)进行预处理,分析了低浓度(0.02~5 g·L^(-1))与高浓度(5.21~93.87 g·L^(-1))区间KH2PO4拉曼光谱的变异特性及其与磷浓度之间的关系,建立了磷浓度含量的预测模型。结果表明:(1)低浓度区间与高浓度区间光谱的变异系数具有显著差异,高浓度区间光谱的离散程度较大;(2)低浓度区间的拉曼光谱未检测到明显的拉曼波峰,浓度变化展现了明显的基线变化。偏最小二乘(PLSR)模型决定系数R2=0.28~0.36;(3)高浓度区间的拉曼光谱在863与1 070 cm^(-1)处检测到明显的拉曼波峰,PLSR建模结果为R2=0.65~0.7。MA+SNV、 MA+MSC处理比MA单独处理模型预测精度高,说明磷酸根的拉曼特征峰为模型主要贡献因子;(4)使用全浓度区间PLSR建模可增加PLSR模型精度(R2=0.73~0.89)。使用RS建模的精度最高,说明基线漂移对PLSR结果具有积极作用;(5)通过PLSR回归系数,选取645、863、1 070和1 412 cm^(-1)四点波段建立多元线性回归(MLR)模型,决定系数R2接近1。说明特征峰选取可以滤除背景光干扰,抽取有效磷酸根浓度信号。(6)由以上结果可知,利用拉曼光谱定量检测水溶性磷的含量是可行的,降低背景光干扰、提高拉曼信号的稳定性的同时,开发特征波段选择方法、提高模型可重复性及抗干扰能力是高分辨率拉曼光谱检测技术的关键。

关键词：拉曼光谱土壤磷素光谱分析变异系数回归系数

来源：评论

学校读者我要写书评

暂无评论

基于树莓派的农田表土层土壤容重检测系统研究

引用

农业机械学报 2021年第S01期52卷 329-335,376页

作者：李民赞任新建杨玮孟超王炜超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

设计了一种基于树莓派的表层土壤容重检测系统,利用易于获取的土壤表面图像特征对表层土壤容重进行预测。提取图像的Tamura纹理特征以及图像的分形维数特征。经过验证,Tamura纹理特征中的粗糙度、对比度、方向度以及图像分形维数特征与... 详细信息

设计了一种基于树莓派的表层土壤容重检测系统,利用易于获取的土壤表面图像特征对表层土壤容重进行预测。提取图像的Tamura纹理特征以及图像的分形维数特征。经过验证,Tamura纹理特征中的粗糙度、对比度、方向度以及图像分形维数特征与土壤容重的相关性较高,相关系数分别为-0.754、-0.799、-0.806、-0.849,因而选用这4个参数作为预测模型输入。分别采用SVM回归模型和GRNN回归模型以及基于SVM、GRNN的Bagging集成模型对土壤容重进行预测。基于SVM、GRNN的Bagging集成模型预测结果同环刀法得到的结果进行相关性分析,决定系数R^(2)达到0.8641,预测结果的平均绝对误差(MAE)达到了0.0316 g/cm^(3),相对单一SVM回归模型和单一GRNN回归模型具有更好的预测结果。基于树莓派的农田表土层土壤容重检测系统的田间实时测量结果显示测量的平均绝对误差(MAE)为0.0412 g/cm^(3),满足了田间精准、快速检测的要求。

关键词：土壤容重树莓派 Bagging模型数字图像 Tamura纹理特征

来源：评论

学校读者我要写书评

暂无评论

日光温室光照强度与空气温湿度变化趋势分析

引用

农业机械学报 2021年第S01期52卷 410-417页

作者：吕欢欢牛源艺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

为研究温室内光照及空气温湿度的变化趋势,指导温室作物生产,以下沉式日光温室为研究对象,利用无线传感器网络实现光照强度与空气温湿度的实时采集,分析在夏季日光温室内部光照强度及空气温湿度的变化趋势,得到靠近温室内南侧测点(S)、... 详细信息

为研究温室内光照及空气温湿度的变化趋势,指导温室作物生产,以下沉式日光温室为研究对象,利用无线传感器网络实现光照强度与空气温湿度的实时采集,分析在夏季日光温室内部光照强度及空气温湿度的变化趋势,得到靠近温室内南侧测点(S)、北墙测点(N)、东侧测点(E)、西侧测点(W)、中部测点(M)与室外测点(O)的光照强度变化趋势,以及温室跨度1/2截面内不同位置处的空气温湿度变化特征。实验结果表明,夏季晴朗天气下,温室内外日间平均光照强度由大到小依次为O(68267 lx)、S(53359 lx)、M(44770 lx)、W(44141 lx)、N(38907 lx)、E(28615 lx),南北方向光照环境较东西两侧光照环境更为接近,温室内日间平均温度高于35℃,日间平均相对湿度低于50%,不利于作物生长。夏季阴天时,温室内整体光照较弱,温室整体温、光、湿环境较晴朗天气下均匀,靠近北墙区域的光照明显不足(日间平均光强7985 lx)。

关键词：日光温室光照强度空气温湿度无线传感器网络

来源：评论

学校读者我要写书评

暂无评论

基于YOLOv5m和CBAM-CPN的单分蘖水稻表型参数提取

引用

农业工程学报 2024年第2期40卷 307-314页

作者：陈慧颖宋青峰常天根郑立华朱新广张漫王敏娟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 中国科学院分子植物科学卓越创新中心植物分子遗传国家重点实验室上海200032 中国农业大学烟台研究院烟台264670

为快速获取单分蘖水稻植株的形态结构和表型参数,该研究提出了一种基于目标检测和关键点检测模型相结合的骨架提取和表型参数获取方法。该方法基于目标检测模型生成穗、茎秆、叶片的边界框和类别,将所得数据分别输入到关键点检测模型检... 详细信息

为快速获取单分蘖水稻植株的形态结构和表型参数,该研究提出了一种基于目标检测和关键点检测模型相结合的骨架提取和表型参数获取方法。该方法基于目标检测模型生成穗、茎秆、叶片的边界框和类别,将所得数据分别输入到关键点检测模型检测各部位关键点,按照语义信息依次连接关键点形成植株骨架,依据关键点坐标计算穗长度、茎秆长度、叶片长度、叶片-茎秆夹角4种表型参数。首先,构建单分蘖水稻的关键点检测和目标检测数据集;其次,训练Faster R-CNN、YOLOv3、YOLOv5s、YOLOv5m目标检测模型,经过对比,YOLOv5m的检测效果最好,平均精度均值(mean average precision,mAP)达到91.17%;然后,应用人体姿态估计的级联金字塔网络(cascaded pyramid network,CPN)提取植株骨架,并引入注意力机制CBAM(convolutional block attention module)进行改进,与沙漏网络(hourglass networks,HN)、堆叠沙漏网络模型(stacked hourglass networks,SHN)和CPN模型相比,CBAM-CPN模型的预测准确率分别提高了9.68、8.83和1.06个百分点,达到94.75%,4种表型参数的均方根误差分别为1.06 cm、0.81 cm、1.25 cm和2.94°。最后,结合YOLOv5m和CBAM-CPN进行预测,4种表型参数的均方根误差分别为1.48、1.05、1.74cm和2.39°,与SHN模型相比,误差分别减小1.65 cm、3.43 cm、2.65 cm和4.75°,生成的骨架基本能够拟合单分蘖水稻植株的形态结构。所提方法可以提高单分蘖水稻植株的关键点检测准确率,更准确地获取植株骨架和表型参数,有助于加快水稻的育种和改良。

关键词：目标检测注意力机制水稻关键点检测骨架提取表型参数单分蘖植株

来源：评论

学校读者我要写书评

暂无评论

数字信号发生器参数对土壤电导率仪测量结果的影响

引用

农业机械学报 2021年第S01期52卷 336-343页

作者：王懂杨玮孟超任新建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

针对基于电流-电压四端法的车载式土壤电导率测量系统激励源会随着土壤负载的变化而波动,从而影响测量结果的问题,采用波形标准、抗干扰能力强的可调频、调幅数字信号发生器代替普通激励源,通过探究信号发生器不同频率、幅值对实验结果... 详细信息

针对基于电流-电压四端法的车载式土壤电导率测量系统激励源会随着土壤负载的变化而波动,从而影响测量结果的问题,采用波形标准、抗干扰能力强的可调频、调幅数字信号发生器代替普通激励源,通过探究信号发生器不同频率、幅值对实验结果的影响,进而找到最适合车载式测量系统的频率与幅值。为减少大田复杂环境对实验结果的影响,实验分为实验室探究性实验和大田验证性实验。实验室探究性实验设置5个幅值和20个频率进行实验,通过分析60组样本的6000组实验室数据可知,同频率下幅值越大实验效果越好,最佳幅值为10 V;同幅值下随着频率的增加土壤电导率呈现先增加后减小的抛物线趋势,幅值10 V、频率100 Hz梯度下土壤电导率测量值和参考值决定系数R^(2)达到0.9505,实验效果最佳。大田验证性实验最佳幅值仍为10 V,但由于土壤负载随着电极间距的变大而变大,大田验证性实验最佳频率变为1 kHz,幅值10 V、频率1 kHz梯度下电导率测量值和参考值R;为0.8484,为最佳实验效果。

关键词：数字信号发生器频率幅值电流-电压四端法土壤电导率

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：