科研产出
基于RGB图像和CNN模型的水稻氮素诊断系统
《现代农业装备 》 2024
摘要：氮素营养诊断是水稻栽培取得优质高产的关键技术之一。为了能达到利用无人机或智能手机采集水稻冠层图像即可快速获得水稻氮素营养状况和施肥建议处方的研究目的，于2021-2022年在紫色水稻田开展7水平氮素施肥试验，获取不同氮素含量水稻冠层无人机RGB图像，通过深度学习方法获得卷积神经网络(CNN)优化模型，构建基于安卓智能手机的水稻氮素营养诊断系统。结果表明，不同施氮水平对水稻叶片氮素含量的影响，表现在返青期和分蘖期的差异更加明显，共获得10 173张RGB冠层图像。通过调整CNN训练参数batch＿size、epoch、learning＿rate及图像缩放比例，获得准确率超过80%以上的模型9个，开发完成1套基于Android智能手机的APP客户端程序，实现了深度学习模型由Python环境到Android系统的迁移。研究证明，应用无人机或智能手机采集水稻各生长期冠层RGB图像数据，采用深度学习CNN模型构建的基于Android智能手机的水稻氮营养诊断系统，技术方法可行，能够作为水稻生育期氮素营养快速诊断的工具。
关键词： 水稻 氮素营养 诊断系统 深度学习 图像识别 无人机
全文链接
请求原文
基于机器视觉的工厂化循环水养殖智能投喂策略
《渔业现代化 》 2024 北大核心 CSCD
摘要：智能投喂策略是实现工厂化循环水养殖过程中饲料高效利用、降低养殖成本的关键。提出一种结合水面图像纹理判别和YOLOv5-BCH残饲检测的智能投喂策略。首先，以平静水面为基线，通过摄食过程水面图像纹理特征获得残饲识别帧；其次，通过采用BottleNet-CSP模块与CBAM模块分别对YOLOv5的Backbone和Neck端进行改进，增强了深度神经网络在空间和通道维度上的特征表示能力，且有效融合了多尺度特征。同时在Head部分设置3个微尺度检测头增强对水面小目标特征的捕捉能力，使mAP0.5、mAP0.5:0.95和精确率分别提升40.26%、15.59%和37.85%;最后，设计智能投喂系统并采用“试投+单轮多次”自适应投喂策略，有效降低了劳动力投入及饲料浪费。研究表明，该系统可代替人工实现全流程智能化投喂，为工厂养殖饲喂环节实现无人化提供参考。
关键词： 智能投饲策略 机器视觉 深度学习 残饲识别 工厂化循环水养殖
全文链接
请求原文
基于深度学习的玉米病虫害智能诊断系统开发
《南方农业 》 2023
摘要：使用自定义CNN和DenseNet201两种基于深度学习的网络,对大斑病、南方锈病、玉米黏虫、玉米蚜虫、玉米叶螨等10种常见玉米病虫害图像样本开展模型训练,并对部分训练结果进行了对比分析.发现所得val_accuracy大于0.8的模型中,基于CNN网络的模型相对稳定,val_loss值相对较小,说明在特定情况下基于CNN网络的模型收敛性相对较好,但DenseNet201网络更容易取得较高准确率的模型.面向Android系统开发基于深度学习的玉米病虫害智能诊断系统,并对系统开展诊断结果验证.验证结果:系统对于小斑病、纹枯病、茎腐病3种病害的诊断错误率较高,泛化能力不足.结论:开发基于深度学习的玉米病虫害智能诊断系统是可行的,但还需进一步调整完善.
关键词： 玉米病虫害 深度学习 CNN DenseNet201 智能诊断系统
全文链接
请求原文
用于农作物种植信息提取的图像分割技术研究进展
《南方农业 》 2023
摘要：为了解农作物种植信息提取领域的图像分割技术研究现状,对常用的图像分割方法进行了系统性梳理.根据是否引入深度学习算法将图像分割技术分为传统方法和深度学习分割方法.简要概述了阈值分割、分水岭分割、聚类分割、边缘分割及多尺度分割等4种传统图像分割方法和FCN、Deep-Lab及SegNet等3种基于深度学习的图像分割方法,分析了各种方法在农作物种植信息提取中的优缺点,以及图像分割技术目前存在的难点,以期为提高图像分割技术在农作物种植信息提取中的应用水平提供参考.
全文链接
请求原文
基于Faster R-CNN网络的茶叶嫩芽检测
《农业机械学报 》 2022 EI 北大核心 CSCD
摘要：为有效识别茶叶嫩芽提高机械采摘精度、规划采摘路线以避免伤害茶树,针对传统目标检测算法在复杂背景下检测精度低、鲁棒性差、速度慢等问题,探索了基于Faster R-CNN目标检测算法在复杂背景下茶叶嫩芽检测方面的应用.首先对采集图像分别进行等分裁切、标签制作、数据增强等处理,制作VOC2007数据集;其次在计算机上搭建深度学习环境,调整参数进行网络模型训练;最后对已训练模型进行测试,评价已训练模型的性能,并同时考虑了 FasterR-CNN模型对于嫩芽类型(单芽和一芽一叶/二叶)的检测精度.结果表明,当不区分茶叶嫩芽类型时,平均准确度(AP)为54%,均方根误差(RMSE)为3.32;当区分茶叶嫩芽类型时,单芽和一芽一叶/二叶的AP为22%和75%,RMSE为2.84;另外剔除单芽后,一芽一叶/二叶的AP为76%,RMSE为2.19.通过对比基于颜色特征和阈值分割的茶叶嫩芽识别算法(传统目标检测算法),表明深度学习目标检测算法在检测精度和速度上明显优于传统目标检测算法(RMSE为5.47).可以较好地识别复杂背景下的茶叶嫩芽.
全文链接
请求原文
基于3D卷积的高光谱玉米地块识别模型设计与实现
《南方农业 》 2022
摘要：种植地块的精准识别是开展玉米农情监测的基础。受山地地形、影像的分辨率和提取方法限制，如何及时准确地获取玉米种植信息仍然是目前山地农业需要解决的重大问题之一。为了给基于高光谱影像的玉米地块精准识别与应用提供参考，以高光谱影像玉米地块为研究对象，利用深度学习技术，通过深度学习框架Keras对地物类型样本进行训练，提出了一种3D卷积神经网络模型以提高玉米地块的识别准确率，分类效果Overall Accuracy、Average Accuracy达到90%以上，Kappa系数达到86%以上。该模型具有泛化能力较强、准确率较高、鲁棒性较好及损失率较小等特点。
关键词： 高光谱影像 深度学习 3D卷积神经网络 玉米 地块识别模型
全文链接
请求原文
首页上一页1下一页尾页
