检索结果-南通市图书馆

基于混合扩张卷积和注意力的黄瓜病害严重度估算方法

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2023年第2期54卷 231-239页

作者：李凯雨朱昕怡马浚诚张领先中国农业大学信息与电气工程学院北京100083 中国农业科学院农业环境与可持续发展研究所北京100081

自动和准确地估计病害的严重度对病害管理和产量损失预测至关重要。针对传统病害严重度估算步骤复杂且低效,难以实现在田间场景下精准估算问题,提出了一种基于混合扩张卷积和注意力机制改进UNet(Mixed dilated convolution and attentio... 详细信息

自动和准确地估计病害的严重度对病害管理和产量损失预测至关重要。针对传统病害严重度估算步骤复杂且低效,难以实现在田间场景下精准估算问题,提出了一种基于混合扩张卷积和注意力机制改进UNet(Mixed dilated convolution and attention mechanism optimized UNet,MA-UNet)的病害严重度估算方法。首先,针对病斑尺寸不一、形状不规则问题,提出混合扩张卷积块(Mixed dilation convolution block,MDCB)增加感受野并保持病斑信息的连续性,提升病斑分割精度。其次,为了克服复杂背景的影响,利用注意力机制(Attention mechanism)对空间维度和通道维度进行相关性建模,获得每个像素类内响应和通道间的依赖关系,缓解背景对网络学习带来的影响。最后,计算病害分割图中病斑像素与叶片像素的比率来获得严重度。基于田间条件下收集的黄瓜霜霉病和白粉病图像进行了验证,并与全卷积网络(Fully convolutional network,FCN)、SegNet、UNet、PSPNet、FPN、DeepLabV3+进行比较。结果表明,MA-UNet优于比较方法,能够满足复杂环境下健康叶片和病斑的分割需求,平均交并比为84.97%,频权交并比为93.95%。基于MA-UNet分割结果估计黄瓜叶部病害严重度的决定系数为0.9654,均方根误差为1.0837%。该研究可为人工智能在农业中快速估计和控制病害严重度提供参考。

关键词：黄瓜病害病害严重度扩张卷积注意力机制语义分割

基于可见光谱与轻量级卷积神经网络的冬小麦分蘖数估算

在线全文

学校读者我要写书评

暂无评论

光谱学与光谱分析 2023年第1期43卷 273-279页

作者：李云霞马浚诚刘红杰张领先中国农业大学信息与电气工程学院北京100083 中国农业科学院农业环境与可持续发展研究所北京100081 商丘市农林科学院河南商丘476000

分蘖数是表征冬小麦生长的关键性参数,对于冬小麦苗情监测、产量预估具有重要意义。针对目前冬小麦分蘖数估算方法存在的数据获取繁复和估算模型体量大的问题,提出一种基于可见光图像和轻量级卷积神经网络的冬小麦分蘖数估算方法,以期... 详细信息

分蘖数是表征冬小麦生长的关键性参数,对于冬小麦苗情监测、产量预估具有重要意义。针对目前冬小麦分蘖数估算方法存在的数据获取繁复和估算模型体量大的问题,提出一种基于可见光图像和轻量级卷积神经网络的冬小麦分蘖数估算方法,以期实现冬小麦分蘖数无损快速估算,并且可嵌入移动终端设备。可见光图像具有获取便捷,处理简单的特点,利用数码相机连续采集2017年—2018年和2018年—2019年两个生长季的冬小麦冠层可见光图像。利用该数据图像,分别构建基于轻量级卷积神经网络MobileNetV2,SqueezeNett,ShuffleNet的冬小麦分蘖数估算模型进行比较试验,并与基于非轻量级卷积神经网络AlexNet和ResNet系列构建的估算模型进行对比试验。开展冬小麦分蘖数估算模型针对不同植株密度数据的鲁棒性以及针对不同生长季数据的泛化能力的验证试验。结果表明,基于MobileNetV2构建的冬小麦分蘖数估算模型的决定系数(R^(2))为0.7,归一化均方根误差(NRMSE)为0.2,在三个轻量级卷积神经网络中具有最优表现;基于非轻量级卷积神经网络构建的冬小麦分蘖数估算模型体积是基于MobileNetV2构建的冬小麦分蘖数估算模型的2.3~16.1倍。与非轻量级卷积神经网络相比较,基于MobileNetV2构建的估算模型在具有较好R^(2)的同时有较小的体量,适宜嵌入移动终端设备;针对120,270和420株·m^(-2)三个不同植株密度的可见光图像数据集,基于MobileNetV2构建的冬小麦分蘖数估算模型的R^(2)分别为0.8,0.8和0.7,表现鲁棒;针对两个生长季的可见光图像,基于MobileNetV2构建的冬小麦分蘖数估算模型通过迁移学习将R^(2)提升了2倍,NRMSE下降了7.6%,表现出对数据季节性差异较好的适应性,体现了模型的泛化能力。利用可见光图像,基于MobileNetV2构建的估算模型能够满足冬小麦分蘖数估算需求,为冬小麦生长观测以及田间农艺措施管理决策提供了一个准确、鲁棒、可嵌入移动终端设备的工具。

关键词：可见光谱冬小麦分蘖数估算轻量级卷积神经网络

基于语义分割和可见光谱图的作物叶部病斑分割方法

在线全文

学校读者我要写书评

暂无评论

光谱学与光谱分析 2023年第4期43卷 1248-1253页

作者：李凯雨张慧马浚诚张领先中国农业大学信息与电气工程学院北京100083 河南农业大学信息与管理科学学院河南郑州450018 中国农业科学院农业环境与可持续发展研究所北京100081

病害严重影响作物品质,并造成经济损失。病斑分割是病害定量诊断的重要过程,其分割结果可为后续的识别和严重度估算提供有效依据。由于病斑具有不规则性和复杂性,且自然环境下病斑可见光谱图像易受光照变化等影响,传统的图像处理方法对... 详细信息

病害严重影响作物品质,并造成经济损失。病斑分割是病害定量诊断的重要过程,其分割结果可为后续的识别和严重度估算提供有效依据。由于病斑具有不规则性和复杂性,且自然环境下病斑可见光谱图像易受光照变化等影响,传统的图像处理方法对病斑图像分割存在准确率低、普适性低和鲁棒性不高等问题。该工作提出了基于语义分割和可见光谱图像的作物叶部病害病斑分割方法。首先,以花生褐斑病、烟草赤星病为研究对象,使用尼康D300s单反相机共采集到165张可见光谱图像。通过Matlab Image Labeler APP对病害可见光谱图像进行像素标记,分别标记出褐斑病病斑、赤星病病斑和背景区域。其次,对标记后的数据采用水平翻转、垂直翻转、改变亮度等图像扩充方式,获得1850份增强后样本数据集。为了节约计算成本,将数据集的像素分辨率调整为300×300。最后,基于FCN,SegNet和U-Net 3种语义分割网络,构建4种作物叶部病害病斑分割模型,探索了数据增强、病害类别对病斑分割模型的影响,并采用4种分割指标评价模型效果。结果表明:仅对于病斑分割,图像增强能够提高模型的分割精度,增强后FCN模型的平均精度(MP)和平均交并比(MIoU)分别为95.71%和93.36%。4个语义分割模型显著优于支持向量机(SVM),其中FCN与U-Net,SegNet-2和SegNet-4分割模型相比,能够有效避免光线变化等影响,病斑分割精度(P)和交并比(IoU)分别达到99.25%和97.55%。对于病斑分类分割实验,FCN对两种病害的分割精度Pd分别达到97.54%和90.41%,对两种病害的交并比IOUd分别为95.61%和70.30%,均优于其他3种分割模型。FCN能够在分割病斑的同时也准确地识别病害类别,有较好的泛化性和鲁棒性,实现了自然场景下作物叶部病害病斑的识别与分割,为计算混合病害严重度提供了技术参考。

关键词：可见光光谱作物病斑分割语义分割全卷积神经网络

Sentinel-2宽波段光谱指数预测拔节后受冻冬小麦减产率

在线全文

学校读者我要写书评

暂无评论

光谱学与光谱分析 2022年第7期42卷 2225-2232页

作者：赵爱萍马浚诚武永峰胡新任德超李崇瑞中国农业科学院农业环境与可持续发展研究所北京100081 商丘市农林科学院小麦研究所河南商丘476000

冬小麦拔节期后的晚霜冻害在区域尺度上表现出一定的空间差异,决定了应对冻害采取分区措施。基于Sentinel-2卫星数据的宽波段光谱指数预测区域冬小麦减产率,对灾情评估和生产管理决策具有重要意义。采用人工模拟霜冻试验,以光谱重采样将... 详细信息

冬小麦拔节期后的晚霜冻害在区域尺度上表现出一定的空间差异,决定了应对冻害采取分区措施。基于Sentinel-2卫星数据的宽波段光谱指数预测区域冬小麦减产率,对灾情评估和生产管理决策具有重要意义。采用人工模拟霜冻试验,以光谱重采样将ASD FieldSpec■3光谱辐射计获取的冠层反射率模拟为Sentinel-2传感器对应的波段反射率。采用19个已有光谱指数和以3种形式(简单比值、简单差值、归一化)组合构建的光谱指数构建冬小麦减产率线性回归模型。在每种形式中,筛选出决定系数排名前三的宽波段光谱指数作为候选指数。以商丘地区自然霜冻事件为契机,以Sentinel-2卫星数据计算候选指数,利用地面采样点的实测减产率验证候选指数精度。结果表明:(1)随着处理温度的降低,冬小麦冠层反射率在近红外区呈降低趋势,在可见光区和短波段红外区呈升高趋势;(2)重采样前后反射率数据计算的19个已有光谱指数中,大部分指数与减产率呈显著相关(p<0.001)。筛选出的12个候选光谱指数预测冬小麦减产率的线性回归精度较好,在校正集和验证集中的决定系数均高于0.631;(3)Sentinel-2卫星数据计算的候选光谱指数精度验证结果表明,包含波段B9的3个光谱指数未能通过显著性检验,其他9个光谱指数通过极显著性检验(p<0.001)。基于波段B8,B8a和B12组合的2个光谱指数(B8a-B12和B8-B12)精度较好,决定系数R^(2)分别为0.543和0.492,均方根误差RMSE分别为8.510%和8.971%。该研究构建光谱指数B8a-B12和B8-B12符合简单差值形式,是预测冬小麦减产率宽波段光谱指数的最佳组合。研究成果揭示了冬小麦幼穗发育期冠层反射率在不同低温胁迫下的响应机制,表明Sentinel-2宽波段光谱指数预测冬小麦减产率有良好的精度,在霜冻后区域尺度上的冬小麦减产率预测具有可行性,对于不同地区霜冻灾害的措施制定具有指导作用。

关键词：冬小麦晚霜冻害光谱重采样 Sentinel-2 遥感减产率

基于无人机载遥感的水分胁迫下冬小麦叶绿素变化及冠层光谱响应

在线全文

学校读者我要写书评

暂无评论

光谱学与光谱分析 2023年第11期43卷 3524-3534页

作者：朱志成武永峰马浚诚冀琳柳斌辉靳海亮河南理工大学测绘与国土信息工程学院河南焦作454000 中国农业科学院农业环境与可持续发展研究所北京100081 河北省农林科学院旱作农业研究所河北衡水053000

为探究水分胁迫下冬小麦冠层反射率在各生育期响应叶片叶绿素变化的特性,针对2020年-2021年小麦生长季11个品种(分为强、一般和弱3个抗旱性品系),设置了2次灌溉(拔节、扬花)、 1次灌溉(冬季、返青、拔节、拔节后7天和拔节后14天)以及无... 详细信息

为探究水分胁迫下冬小麦冠层反射率在各生育期响应叶片叶绿素变化的特性,针对2020年-2021年小麦生长季11个品种(分为强、一般和弱3个抗旱性品系),设置了2次灌溉(拔节、扬花)、 1次灌溉(冬季、返青、拔节、拔节后7天和拔节后14天)以及无灌溉总共3个水分梯度处理,分析了叶绿素与反射率之间的相关性,利用波长随机组合方式[简单比值(SRSI)、简单差值(SDSI)和归一化(NDSI)]与线性拟合方法,筛选了对叶绿素最为敏感的窄波段光谱指数。结果表明:(1)所有品系叶绿素含量在各生育期均差异显著,从拔节到灌浆大致表现为降低-升高-降低态势,但冬季和返青期灌溉处理下的抗旱性一般品系、以及返青期灌溉处理下的抗旱性较差品系除外;(2)随着发育进程推移和品种抗旱性减弱,不同处理间在近红外区域的冠层反射率差距逐渐增大。(3)叶绿素与窄波段光谱指数的线性拟合决定系数高值区集中在绿(445~591 nm)和红边(701~755 nm)波段。抗旱性较强品系和抗旱性较差品系的SRSI指数均在开花期反演叶绿素的精度最高,分别达0.762和0.811;抗旱性一般品系的NDSI指数在灌浆期精度最高,为0.732。该研究对于揭示水分胁迫下叶绿素变化的反射率响应在冬小麦各关键生育期以及品种间差异等,具有一定参考价值,可为基于无人机载高光谱技术的抗旱小麦品种高效筛选奠定基础。

关键词：遥感无人机冬小麦水分胁迫高光谱反射率叶绿素

在线全文

学校读者我要写书评

暂无评论

基于迁移学习和卷积神经网络的生菜鲜重估测

中国农业大学学报 2022年第11期27卷 197-206页

作者：崔庭源杨其长张义徐丹马浚诚中国农业科学院农业环境与可持续发展研究所北京100081 中国农业科学院都市农业研究所成都610000 中国农业大学水利与土木工程学院北京100083

为提高设施生产中对各生长阶段生菜鲜重的无损估测精度进而更好地指导生产,提出一种利用生菜冠层图像为输入,基于迁移学习技术和卷积神经网络估测鲜重的方法,对比分析AlexNet、VGG-16、GoogLeNet和ResNet-18模型迁移学习后在生菜鲜重估... 详细信息

为提高设施生产中对各生长阶段生菜鲜重的无损估测精度进而更好地指导生产,提出一种利用生菜冠层图像为输入,基于迁移学习技术和卷积神经网络估测鲜重的方法,对比分析AlexNet、VGG-16、GoogLeNet和ResNet-18模型迁移学习后在生菜鲜重估测任务上的效果;同时,对比不同迁移学习方法对模型性能的影响,通过冻结卷积层和减少全连接层改善模型的参数量和训练速度。结果表明:1)AlexNet和VGG-16两种模型能较好的实现生菜鲜重的估测,AlexNet模型的决定系数R^(2)为0.9280,标准均方根误差NRMSE为19.08%,VGG-16模型的R^(2)为0.9380,NRMSE为17.71%,但VGG-16模型存在参数量大训练慢的问题,综合考虑选取AlexNet模型迁移学习后作为生菜鲜重估测模型;2)与全新学习方法相比,在预训练模型基础上对生菜鲜重数据集进行迁移学习,可以明显提升生菜鲜重估测模型的训练速度和准确度;3)冻结卷积层能显著加快模型的训练速度,训练时间可减少18%,减少全连接层在保持精度的前提下能大幅度减少模型的参数量。基于迁移学习的卷积神经网络模型可用于生菜鲜重的快速估测,该方法也可以拓展应用到其他叶类蔬菜的鲜重估测中。

关键词：生菜鲜重估测卷积神经网络迁移学习

基于RGB图像与深度学习的冬小麦田间长势参数估算系统

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2021年第24期37卷 189-198页

作者：李云霞马浚诚刘红杰张领先中国农业大学信息与电气工程学院北京100083 中国农业科学院农业环境与可持续发展研究所北京100081 河南省商丘市农林科学院小麦研究所商丘476000

为准确、快速获取冬小麦田间长势信息,该研究设计并实现了一种基于深度学习的冬小麦田间长势参数估算系统。该系统主要包含长势参数估算模块和麦穗计数模块。长势参数估算模块基于残差网络ResNet18构建长势参数估算模型,实现了冬小麦苗... 详细信息

为准确、快速获取冬小麦田间长势信息,该研究设计并实现了一种基于深度学习的冬小麦田间长势参数估算系统。该系统主要包含长势参数估算模块和麦穗计数模块。长势参数估算模块基于残差网络ResNet18构建长势参数估算模型,实现了冬小麦苗期叶面积指数(Leaf Area Index,LAI)和地上生物量(Above Ground Biomass,AGB)的估算,并基于迁移学习进行泛化能力测试;麦穗计数模块基于Faster R-CNN并结合非极大值抑制(Non Maximum Suppression,NMS)构建麦穗计数模型,实现了开花期麦穗准确计数。结果表明,针对2017—2018和2018—2019两个生长季数据,基于ResNet18的长势参数估算模型对LAI估算的决定系数分别为0.83和0.80,对AGB估算的决定系数均为0.84,优于基于传统卷积神经网络(Convolutional Neural Networks,CNN)、VGG16和GoogLeNet构建的估算模型,并且泛化能力测试表明该模型对数据的季节性差异具有鲁棒性。基于Faster R-CNN的麦穗计数模型,在利用NMS优化后决定系数从0.66增至0.83,提升了25.8%,NRMSE从0.19降至0.05,下降了73.7%。相较于基于CNN构建的分类计数模型,基于Faster R-CNN+NMS的麦穗计数模型表现更优,决定系数为0.83,提升了33.9%,单个麦穗识别时间为1.009 s,效率提升了20.7%。综上所述,该系统能够满足冬小麦田间长势参数估算需求,可为冬小麦田间精细化管理提供支撑。

关键词：机器视觉图像处理模型冬小麦深度学习叶面积指数地上生物量麦穗计数

基于探地雷达的田块尺度下不同深度土壤含水量监测

在线全文

学校读者我要写书评

暂无评论

智慧农业（中英文） 2022年第1期4卷 84-96页

作者：张文瀚杜克明孙彦坤刘布春孙忠富马浚诚郑飞翔东北农业大学资源与环境学院黑龙江哈尔滨150030 中国农业科学院农业环境与可持续发展研究所北京100081

为确定田块尺度下探地雷达对不同深度及相邻反射层间土壤含水量的反演精度、有效反演深度、最佳反演深度及最优反演模型,本研究采用1000 MHz中心频率探地雷达设备,分别在无降雨偏干旱土壤和降雨后湿润土壤两种条件下,在选定农田区域基... 详细信息

为确定田块尺度下探地雷达对不同深度及相邻反射层间土壤含水量的反演精度、有效反演深度、最佳反演深度及最优反演模型,本研究采用1000 MHz中心频率探地雷达设备,分别在无降雨偏干旱土壤和降雨后湿润土壤两种条件下,在选定农田区域基于共中心点法采集雷达波数据,提取有效地表波与反射波数据,通过双曲线拟合法分别获取不同深度反射层雷达波的传播速度,计算得出土壤的相对介电常数,最后根据土壤体积含水量和介电常数之间的经验模型计算获得不同深度的土壤体积含水量。通过Topp、Roth、Herkelrath和Ferre四种经验模型分别进行土壤体积含水量反演测定,同时以利用烘干法获取的代表性测定土壤含水量实测值为指标进行精度验证。田间试验结果表明,1000 MHz探地雷达的有效反演深度范围为0~50 cm;土壤偏干旱和偏湿润条件的最佳反演深度分别为50 cm和40 cm;Roth模型相关性最好,决定系数R2最高为0.750,且Roth模型反演土壤含水量值最稳定,在土壤偏干旱和偏湿润条件下均方根误差(Root Mean Square Error,RMSE)平均值分别为0.0401 m;/m;和0.0335 m;/m;相对误差(Relative Error,RE)最低为3.0%。探地雷达具备对定量深度田间土壤含水量快速、精准监测的能力,但其反演模型需根据不同土壤类型等条件进行相应参数校正。

关键词：探地雷达土壤含水量监测共中心点法最佳反演深度最优反演模型 Roth模型

在线全文

学校读者我要写书评

暂无评论

基于卷积神经网络的温室黄瓜病害识别系统

农业工程学报 2018年第12期34卷 186-192页

作者：马浚诚杜克明郑飞翔张领先孙忠富中国农业科学院农业环境与可持续发展研究所北京100081 中国农业大学信息与电气工程学院北京100083

基于图像处理和深度学习技术,该研究构建了一个基于卷积神经网络的温室黄瓜病害识别系统。针对温室现场采集的黄瓜病害图像中含有较多光照不均匀和复杂背景等噪声的情况,采用了一种复合颜色特征(combinations of color features,CCF)及... 详细信息

基于图像处理和深度学习技术,该研究构建了一个基于卷积神经网络的温室黄瓜病害识别系统。针对温室现场采集的黄瓜病害图像中含有较多光照不均匀和复杂背景等噪声的情况,采用了一种复合颜色特征(combinations of color features,CCF)及其检测方法,通过将该颜色特征与传统区域生长算法结合,实现了温室黄瓜病斑图像的准确分割。基于温室黄瓜病斑图像,构建了温室黄瓜病害识别分类器的输入数据集,并采用数据增强方法将输入数据集的数据量扩充了12倍。基于扩充后的数据集,构建了基于卷积神经网络的病害识别分类器并利用梯度下降算法进行模型训练、验证与测试。系统试验结果表明,针对含有光照不均匀和复杂背景等噪声的黄瓜病害图像,该系统能够快速、准确的实现温室黄瓜病斑图像分割,分割准确率为97.29%;基于分割后的温室黄瓜病斑图像,该系统能够实现准确的病害识别,识别准确率为95.7%,其中,霜霉病识别准确率为93.1%,白粉病识别准确率为98.4%。

关键词：温室病害识别卷积神经网络病斑分割