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 260-269页

作者：王楠李震李佳盟张源孙红李民赞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 中国农业大学烟台研究院烟台264670

为了满足田间作物长势快速检测与指导变量管理的需求,以玉米为例设计了基于多光谱成像的田间作物植株叶绿素检测系统,包括可见光(RGB)和近红外(Near-infrared,NIR)图像采集模块、主控处理器模块、模型加速模块、显示及电源模块,用于实... 详细信息

为了满足田间作物长势快速检测与指导变量管理的需求,以玉米为例设计了基于多光谱成像的田间作物植株叶绿素检测系统,包括可见光(RGB)和近红外(Near-infrared,NIR)图像采集模块、主控处理器模块、模型加速模块、显示及电源模块,用于实现玉米植株智能识别与叶绿素指标一体化检测。首先,采集玉米苗期和拔节期冠层图像数据集,比较了植株冠层实例分割与株心目标检测两种深度学习模型,构建了基于MobileDet+SSDLite(Single shot multibox detector lite)轻量化网络的玉米植株定位检测模型,实现玉米植株识别。其次,提取被识别的植株株心RGB-NIR图像,开展RGB和NIR图像匹配与分割,提取R、G、B和NIR灰度值计算植被指数,使用SPXY算法(Sample set portioning based on joint X-Y distances)和连续投影算法(Successive projections algorithm,SPA)分别对数据集进行样本划分及特征变量筛选,选择高斯过程回归(Gaussian process regression,GPR)算法建立叶绿素指标检测模型。结果显示,玉米株心目标检测模型在遮挡重叠的复杂环境下识别率达到88.7%,在不交叉重叠时识别精度达到90%以上;叶绿素含量指标检测模型建模集的模型决定系数R^(2)为0.62,测试集模型决定系数R^(2)为0.61。对开发系统进行田间测试,结果显示,系统检测速率可达14.6 f/s,平均精度为92.9%。研究结果能够有效解决大田环境下玉米营养状态的检测问题,满足大田环境实时检测需求,为作物生产智慧感知提供解决思路和技术支持。

关键词：玉米叶绿素含量检测目标检测株心识别多光谱成像深度学习

来源：评论

学校读者我要写书评

暂无评论

基于轻量化改进模型的小麦白粉病检测装置研发

引用

农业机械学报 2023年第S02期54卷 314-322页

作者：李震李佳盟王楠张源孙红李民赞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 中国农业大学烟台研究院烟台264670

为快速、全面的监测大田小麦病害,并结合小麦发病特征实现对小麦不同生长部位的病害进行识别,设计了一款便携式小麦白粉病病害检测装置,其由双相机采集模块和主控模块组成,配合病害检测软件系统实现对小麦多部位的白粉病害采集与检测。... 详细信息

为快速、全面的监测大田小麦病害,并结合小麦发病特征实现对小麦不同生长部位的病害进行识别,设计了一款便携式小麦白粉病病害检测装置,其由双相机采集模块和主控模块组成,配合病害检测软件系统实现对小麦多部位的白粉病害采集与检测。为保证模型在检测装置部署的可行性,提出了一种基于YOLO v7-tiny模型轻量化改进的白粉病目标检测模型(YOLO v7tiny-ShuffleNet v1,YT-SFNet)。为验证该轻量化模型的准确率和检测速度,与YOLO v7-tiny模型进行训练对比,结果表明YT-SFNet模型相较于YOLO v7-tiny在平均精度上提高了0.57个百分点;在检测时间和模型内存占用量上分别下降了2.4 ms和3.2 MB。最后将轻量化模型和软件系统移植至装置主控模块,制作测试集对装置的检测准确率和检测速度进行了性能测试。其对于测试集的识别准确率为86.2%,检测速度上有较好的稳定性,且单幅病害图像从处理、检测及显示保存的全过程平均耗时为0.5079 s。

关键词：发病特征轻量化模型小麦白粉病目标检测性能测试

来源：评论

学校读者我要写书评

暂无评论

PROSPECT模型的特征波长优化与作物叶绿素含量检测

引用

光谱学与光谱分析 2022年第5期42卷 1514-1521页

作者：张俊逸高德华宋迪乔浪孙红李民赞李莉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 河南牧业经济学院能源与智能工程学院河南郑州450046

叶绿素是作物生长诊断的重要参数,对其进行高效检测是农田精细化管理的基础。PROSPECT模型是作物光谱学检测研究的重要工具,可为建立高精度叶绿素诊断模型提供数据集基础。为了建立具有普适性的田间玉米作物叶绿素含量检测模型,使用PROS... 详细信息

叶绿素是作物生长诊断的重要参数,对其进行高效检测是农田精细化管理的基础。PROSPECT模型是作物光谱学检测研究的重要工具,可为建立高精度叶绿素诊断模型提供数据集基础。为了建立具有普适性的田间玉米作物叶绿素含量检测模型,使用PROSPECT模型输入叶片结构参数和生化参数模拟叶片400~2500nm波段反射率曲线10650条。在其他参数设置保持不变的情况下,分析光谱反射率曲线对叶绿素含量参数的敏感性,结果显示叶绿素含量仅在400~780nm区间对光谱反射率曲线产生影响。讨论了3种叶绿素检测特征波长筛选策略,分别为:根据敏感性分析结果,选出548~610和694~706nm区域共计76个波长,记为SEN-BAND;基于反向区间偏最小二乘法(Bi-PLS)筛选5个区间共计91个波长,记为BPBAND;基于连续投影算法(SPA),在叶绿素影响区域400~780nm筛选10个特征波长,记为SPA-BAND。进而使用2019年、2020年两年期田间实测玉米叶片光谱反射率曲线和叶绿素含量数据,分别应用上述3种方法选取的特征波长构建玉米叶片叶绿素含量检测模型。结果显示,使用SPA-BAND特征波长构建的模型,在两年期数据中均得到最佳结果。2019年数据模型建模集决定系数(R2c)为0.8156,建模集均方根误差RMSEC为2.9086,验证集决定系数(R2v)为0.7995,验证集均方根误差RMSEV为2.9977。2020年数据模型建模集决定系数(R2c)为0.9492,建模集均方根误差RMSEC为0.9768,验证集决定系数(R2v)为0.9102,验证集均方根误差RMSEV为1.5629。表明,基于PROSPECT模型筛选叶绿素含量特征波长建立的叶绿素诊断模型具有普适性。

关键词： PROSPECT模型叶绿素波长筛选 SPA Bi-PLS PLSR

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

基于无人机可见光影像的新疆棉田田间尺度地物识别

引用

农业机械学报 2023年第S02期54卷 199-205页

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(R... 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,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99.252%和0.986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影像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

基于改进YOLO v5s的作物黄化曲叶病检测方法

引用

农业机械学报 2023年第S01期54卷 230-238页

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

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,作物叶片黄化曲叶病毒病(Yellow leaf curl virus,YLCV)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YOLO v5s通用模型... 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,作物叶片黄化曲叶病毒病(Yellow leaf curl virus,YLCV)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YOLO v5s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中手机拍摄获取的患病作物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YOLO v5s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YOLO v5原模型、YOLO v8、Faster R-CNN、SSD等模型,本方法的精确率P、召回率R、平均识别准确率mAP_(0.5)、mAP_(0.5:0.95)分别达到97.40%、94.20%、97.20%、79.10%,本文所提出的算法在提高了精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：病害识别 YOLO v5s 注意力机制 BiFPN EIoU

来源：评论

学校读者我要写书评

暂无评论

基于改进UNet的樱桃树枝直径计算方法

引用

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

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

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：