检索结果-内蒙古大学图书馆

农业工程学报 2022年第15期38卷 186-194页

作者：郭希岳李劲松郑立华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 中国农业大学烟台研究院烟台264670

为了解决目标检测区域中冗余信息过多导致无法准确检测大豆分枝的缺陷,同时快速获取大豆植株表型参数,该研究提出了一种基于Re-YOLOv5和检测区域搜索算法的大豆植株表型参数获取方法。Re-YOLOv5引入圆形平滑标签技术(Circular Smooth La... 详细信息

为了解决目标检测区域中冗余信息过多导致无法准确检测大豆分枝的缺陷,同时快速获取大豆植株表型参数,该研究提出了一种基于Re-YOLOv5和检测区域搜索算法的大豆植株表型参数获取方法。Re-YOLOv5引入圆形平滑标签技术(Circular Smooth Label,CSL)实现旋转目标检测,解决了传统目标检测中检测区域冗余信息过多导致无法准确检测大豆分枝的缺陷,并加入协调注意力机制(Coordinate Attention,CA)获取目标位置信息以提升检测精度,此外,将原始骨干网络中的3×3卷积结构替换为RepVGG结构进一步增强模型的特征提取能力。基于Re-YOLOv5提出一种检测区域搜索算法(Detection Area Search,DAS),该算法将检测到的大豆分枝区域作为待搜索区域,通过该区域中的茎节点坐标信息判断各分枝的茎节点,然后将其进行顺序连接,重构大豆植株骨架,最终获取相关的表型参数。试验结果表明,Re-YOLOv5可以实现检测旋转目标的能力,而且在各项性能指标上都优于YOLOv5,其m AP提升了1.70个百分点,参数量下降0.17 M,针对茎节点的检测精确率提升了9.90个百分点,检测小目标的能力明显增强。检测区域搜索算法也能够准确地定位每个分枝上的茎节点从而重构大豆植株骨架,并得到比较准确的大豆植株表型参数,其中,株高、茎节点数、大豆分枝数的平均绝对误差分别为2.06 cm、1.37个和0.03个,在能够满足实际采集的精度要求的同时,也为获取大豆植株表型信息提供参考。

关键词：模型算法大豆植株目标检测 YOLOv5 区域搜索

来源：评论

学校读者我要写书评

暂无评论

叶片多理化参数的高光谱遥感与深度学习估算

引用

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

基于改进YOLO v4的生猪耳根温度热红外视频检测方法

引用

农业机械学报 2023年第2期54卷 240-248页

作者：刘刚冯彦坤康熙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 浙大宁波理工学院计算机与数据工程学院宁波315200

基于热红外视频的生猪体温检测过程中,视频中保育期生猪头部姿态变化大,且耳根区域小,导致头部和耳根区域定位精度低,影响生猪耳根温度的精准检测。针对以上问题,本文提出了一种基于改进YOLO v4(Mish Dense YOLO v4,MD-YOLO v4)的生猪... 详细信息

基于热红外视频的生猪体温检测过程中,视频中保育期生猪头部姿态变化大,且耳根区域小,导致头部和耳根区域定位精度低,影响生猪耳根温度的精准检测。针对以上问题,本文提出了一种基于改进YOLO v4(Mish Dense YOLO v4,MD-YOLO v4)的生猪耳根温度检测方法,构建了生猪关键部位检测模型。首先,在CSPDarknet-53主干网络中,添加密集连接块,以优化特征转移和重用,并将空间金字塔池化(Spatial pyramid pooling,SPP)模块集成到主干网络,进一步增加主干网络感受野;其次,在颈部引入改进的路径聚合网络(Path aggregation network,PANet),缩短多尺度特征金字塔图的高、低融合路径;最后,网络的主干和颈部使用Mish激活函数,进一步提升该方法的检测精度。试验结果表明,该模型对生猪关键部位检测的mAP为95.71%,分别比YOLO v5和YOLO v4高5.39个百分点和6.43个百分点,检测速度为60.21 f/s,可满足实时检测的需求;本文方法对热红外视频中生猪左、右耳根温度提取的平均绝对误差分别为0.26℃和0.21℃,平均相对误差分别为0.68%和0.55%。结果表明本文提出的基于改进YOLO v4的生猪耳根温度检测方法,可以应用于热红外视频中生猪关键部位的精准定位,进而实现生猪耳根温度的准确检测。

关键词：热红外视频生猪耳根温度 YOLO v4 密集连接网络

来源：评论

学校读者我要写书评

暂无评论

基于注意力机制和跨模态层级特征融合的群养肉牛个体质量估测

引用

农业工程学报 2025年

作者：宋平杨颖刘刚姚冲李子若毛天赐中国农业大学信息与电气工程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中国农业大学农业农村部农业信息获取技术重点实验室

为解决群养场景下肉牛个体质量称量复杂、精度低的问题，该研究提出了基于注意力机制的跨模态层级特征融合模型CMHFF-ResNet(cross-modal hierarchical feature fusion resnet)。首先，无接触式地采集俯视视角下日常活动的肉牛的RGB(red... 详细信息

为解决群养场景下肉牛个体质量称量复杂、精度低的问题，该研究提出了基于注意力机制的跨模态层级特征融合模型CMHFF-ResNet(cross-modal hierarchical feature fusion resnet)。首先，无接触式地采集俯视视角下日常活动的肉牛的RGB(red-green-blue)图像与深度图像，使用引入定向边界框OBB(oriented bounding box)的YOLOv8网络对肉牛进行旋转目标检测和识别，精准定位群养场景中的个体目标；其次，以ResNet50为骨干网络构建双流估重模型，分别提取RGB和深度模态特征，并引入CBAM(convolutional block attention module)注意力机制以增强关键特征表达能力。设计跨模态的层级特征融合，有效结合RGB流和深度流的特征并充分利用浅层特征；第三，引入肉牛的身份信息便于网络学习肉牛身份与其体质量之间的对应关系，为优化模型效率，将全连接层替换为KAN(kolmogorov-arnold networks)，显著减少参数量；最后，将双流的输出结果融合，回归肉牛体质量值。在试验中，构建了包含2 546对RGB-D图像的数据集，包括2 373对训练数据和173对验证数据。结果表明，CMHFF-ResNet在验证集上的平均绝对误差为14.19 kg。与基于RGB和深度的单流模型相比，双流模型在平均绝对误差上分别降低16.943%和26.133%。同时，该方法优于其他现有肉牛体质量估测方法：多元线性回归、改进MobileNetv2模型、改进DenseNet201模型和改进跨模态特征融合模型CFF-ResNet，在平均绝对误差上分别减少57.233%、34.699%、24.761%和20.991%，提升了群养环境下肉牛个体质量估测的精度与泛化性，能够有效地学习跨模态的层级特征表示。该研究为大规模群养环境中肉牛个体质量的高精度估测提供了参考。

关键词：模型计算机视觉目标检测体质量估测注意力机制跨模态层级特征融合双流网络

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NAS-Res的局部遮挡荷斯坦奶牛个体识别

引用

农业机械学报 2023年第S01期54卷 252-259页

作者：姚冲李前刘刚吕树盛侯冲张淼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 中国农业机械化科学研究院集团有限公司行业技术服务中心北京100083

针对荷斯坦奶牛个体识别神经网络的人工调参成本高、泛化性差、效率低,难以实现局部遮挡条件下精准识别等问题,提出了一种基于ResNet框架和神经网络架构搜索(NAS)的自适应网络参数优化算法(NAS-Res)。首先,通过设计包含CBR_K1、CBR_K3、... 详细信息

针对荷斯坦奶牛个体识别神经网络的人工调参成本高、泛化性差、效率低,难以实现局部遮挡条件下精准识别等问题,提出了一种基于ResNet框架和神经网络架构搜索(NAS)的自适应网络参数优化算法(NAS-Res)。首先,通过设计包含CBR_K1、CBR_K3、CBR_K5和SkipConnect的操作集,配合密集连接路径,构成超参数网络。然后基于梯度下降的搜索策略,在多目标优化复合损失函数的约束下,强化了对低成本模型的设计。结果表明,NAS-Res在GPU上仅耗时6.18 h获得最佳架构,在包含168头奶牛局部遮挡侧面图像的PO-Cows数据集上,闭集验证准确率为90.18%,与ResNet-18、ResNet-34和ResNet-50相比提高5.04、3.02、14.92个百分点,而参数量分别降低5.9×10^(5)、1.069×10^(7)和1.317×10^(7)。在包含174头奶牛背部图像的Cows2021数据集上闭集验证准确率为99.25%。此外,NAS-Res可忽略PO-Cows数据集规模变化的影响,牛只数量在50~168头之间变化时,Top-1准确率和Top-5准确率变化幅度仅为1.51、1.01个百分点,适用性较强。总体而言,NAS-Res算法实现了对局部遮挡奶牛的精准个体识别,本研究可为复杂背景下畜禽个体识别提供技术参考。

关键词：荷斯坦奶牛局部遮挡神经网络架构搜索卷积神经网络个体识别

来源：评论

学校读者我要写书评

暂无评论

农田生态系统碳通量遥感估算方法研究

引用

农业机械学报 2022年第S01期53卷 224-231页

作者：吴江梅田泽众张海洋刘凯迪李民赞张瑶中国农业大学信息与电气工程学院北京100083 中国农业大学智慧农业系统集成研究教育部重点实验室北京100083

为实现农田生态系统碳通量动态监测,提出一种基于Landsat系列多源遥感数据的农田生态系统碳通量估算方法。以美国东北部内布拉斯加州大学农业研发中心的3块试验田地为研究区域,并结合AmeriFlux公开的对应通量站点数据进行后续建模分析... 详细信息

为实现农田生态系统碳通量动态监测,提出一种基于Landsat系列多源遥感数据的农田生态系统碳通量估算方法。以美国东北部内布拉斯加州大学农业研发中心的3块试验田地为研究区域,并结合AmeriFlux公开的对应通量站点数据进行后续建模分析。从气候变量、土壤性质、植物性状3方面综合出发,优选与农田生态系统碳通量密切相关的遥感因子,构建覆盖农田生态过程关键环节的全遥感要素数据集。随后,构建基于随机森林(Random forest,RF)的农田碳通量回归预测模型,相比于岭回归模型和套索模型,该模型在农田生态系统碳通量估算方面效果更优,其决定系数(Coefficient of determination,R^(2))达到0.94,均方根误差(RMSE)为4.281 g/(m^(2)·d)。基于随机森林模型进行因子的重要性分析可知,DVI、NDWI、MSAVI、NRI、NDVI对碳通量估算的贡献度分别为35.6%、25.8%、12.2%、7.8%、5.2%。在以上研究基础上,通过农田生态系统碳收支时空演变特性分析可知,内布拉斯加州2013年作物生育期内的7、8月时农田碳汇能力最强,在种植初期大豆和玉米均呈现弱碳源,且玉米的碳源能力更强,在生长高峰期时玉米和大豆均呈碳汇,且玉米碳汇能力更强。本研究为农田生态系统碳收支精准估算,进而指导农业生产提供理论支持。

关键词：农田生态系统二氧化碳净交换量随机森林多源卫星遥感玉米大豆

来源：评论

学校读者我要写书评

暂无评论

基于RSM的土壤原位测量参比电极制备优化与评估

引用

农业机械学报 2023年第S02期54卷 278-285页

作者：王茜茜吕树盛侯冲路逍刘子雯张淼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 中国农业机械化科学研究院集团有限公司行业技术服务中心北京100083 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

农用电化学原位监测Ag/AgCl参比电极存在氯离子泄漏风险,探讨通过新型液态金属纳米纤维复合毡改进柔性参比电极稳定性,利用响应面分析方法(RSM)确定材料制备工艺对参比电极稳定性的影响趋势,获取优化方案并进行可行性验证。试验结果表明... 详细信息

农用电化学原位监测Ag/AgCl参比电极存在氯离子泄漏风险,探讨通过新型液态金属纳米纤维复合毡改进柔性参比电极稳定性,利用响应面分析方法(RSM)确定材料制备工艺对参比电极稳定性的影响趋势,获取优化方案并进行可行性验证。试验结果表明,液态金属纳米纤维复合毡制备主影响因素包括纺丝收集距离、纺丝混液质量配比和拉伸次数,影响程度依次降低;收集距离和拉伸次数对参比电极稳定性的耦合作用显著;当制备参数方案为质量比为1∶5、收集距离为19 cm、拉伸次数为1150次时,参比电极稳定性最优,平均相对误差不大于4.4%;自制柔性Ag/AgCl参比电极,将其应用于土柱硝态氮和pH值监测原位测量,16 d的连续监测过程中硝态氮与pH值测试数据与离线商用电极测量值的绝对误差、相对误差和均方根误差分别小于5.55 mg/L、7.2%、1.98 mg/L和0.21、2.8%、0.17,参比电极持续提供稳定参考基准,保障了两工作电极与外检数据间良好的一致性,证明了自制Ag/AgCl参比电极在土壤农化分析中的可行性。

关键词：土壤原位测量 Ag/AgCl参比电极响应面液态金属静电纺丝纳米纤维柔性电极

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

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：