检索结果-南通市图书馆

维普期刊数据库博看期刊

全生育期增温对济麦229生长发育、旗叶和产量的影响

在线全文

学校读者我要写书评

暂无评论

麦类作物学报 2025年第1期45卷 63-72页

作者：黄金鑫刘百川展晓孟张玉梅郭雷李丹萍刘秀坤刘建军李豪圣赵振东高欣曹新有青岛农业大学农学院山东青岛266109 山东省农业科学院作物研究所/山东省农业科学院/小麦玉米国家工程研究中心/小麦育种全国重点实验室/农业农村部黄淮北部小麦生物学与遗传育种重点实验室/山东省小麦技术创新中心山东济南250100

为探究气候变暖对强筋优质小麦生长发育和产量的影响及机理,以强筋优质小麦济麦229为试验材料,以田间自然温度生长的小麦为对照,研究了全生育期增温对济麦229生长发育、旗叶衰老特性和产量的影响。结果表明,与对照相比较,全生育期增温... 详细信息

为探究气候变暖对强筋优质小麦生长发育和产量的影响及机理,以强筋优质小麦济麦229为试验材料,以田间自然温度生长的小麦为对照,研究了全生育期增温对济麦229生长发育、旗叶衰老特性和产量的影响。结果表明,与对照相比较,全生育期增温使济麦229营养生长阶段的分蘖数、株高、倒一叶面积、叶绿素含量和地上部干物质积累量显著增加,加快了花后旗叶面积和叶绿素含量的降低速度,减少干物质向穗部转运量;增温对济麦229孕穗期和开花期旗叶SOD、POD和CAT活性影响较小,旗叶中MDA和脯氨酸含量较低,但花后旗叶SOD活性显著增加,POD和CAT活性不同程度降低,导致MDA、脯氨酸含量和相对电导率增加;增温使济麦229的穗数和千粒重分别降低了20.3%和10.0%,产量减少了24.1%,对穗粒数的影响不显著。综上,全生育期增温可促进济麦229的营养生长,不利于生殖生长阶段小麦旗叶的光合作用和抗氧化作用,导致旗叶加速衰老和产量降低。

关键词：小麦全生育期增温分蘖旗叶抗氧化产量

同方期刊数据库

基于SSA-LSTM的日光温室环境预测模型研究

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 351-358页

作者：祖林禄柳平增赵妍平李天华李辉山东农业大学机械与电子工程学院泰安271018 农业农村部黄淮海智慧农业技术重点实验室泰安271018 山东农业大学信息科学与工程学院泰安271018

构建日光温室环境预测模型,准确预测温室环境变化有助于精准调控作物生长环境,促进果蔬生长。而温室小气候环境数据多参数并存、耦合关系复杂,且具有时序性和非线性,难以建立准确的预测模型。针对以上问题,提出一种基于麻雀搜索算法(SSA... 详细信息

构建日光温室环境预测模型,准确预测温室环境变化有助于精准调控作物生长环境,促进果蔬生长。而温室小气候环境数据多参数并存、耦合关系复杂,且具有时序性和非线性,难以建立准确的预测模型。针对以上问题,提出一种基于麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)温室环境预测模型,实现了温室环境数据的精准预测。实验结果表明,采用SSA自动进行参数选优的方式,解决了LSTM模型参数手动选择的难题,大幅缩短模型训练时间,且最优的网络参数能够发挥模型的最佳性能。对日光温室内空气温湿度、土壤温湿度、CO_(2)浓度和光照强度6种环境参数进行预测,SSA-LSTM平均拟合指数高达97.6%,相比BP、门控循环单元(GRU)、LSTM,其预测拟合指数分别提升8.1、4.1、4.3个百分点,预测精度明显提升。

关键词：日光温室物联网麻雀搜索算法长短期记忆网络环境预测模型

维普期刊数据库博看期刊

在线全文

学校读者我要写书评

暂无评论

基于改进YOLO v5n的猪只盘点算法

农业机械学报 2023年第1期54卷 251-262页

作者：杨秋妹陈淼彬黄一桂肖德琴刘又夫周家鑫华南农业大学数学与信息学院广州510642 农业农村部华南热带智慧农业技术重点实验室广州510642

猪只盘点是规模化养殖中的重要环节,为生猪精准饲喂和资产管理提供了依据。人工盘点不仅耗时低效,而且容易出错。当前已有基于深度学习的生猪智能盘点算法,但在遮挡重叠、光照等复杂场景下盘点精度较低。为提高复杂场景下生猪盘点的精度... 详细信息

猪只盘点是规模化养殖中的重要环节,为生猪精准饲喂和资产管理提供了依据。人工盘点不仅耗时低效,而且容易出错。当前已有基于深度学习的生猪智能盘点算法,但在遮挡重叠、光照等复杂场景下盘点精度较低。为提高复杂场景下生猪盘点的精度,提出了一种基于改进YOLO v5n的猪只盘点算法。该算法从提升猪只目标检测性能出发,构建了一个多场景的生猪数据集;其次,在主干网络中引入SE-Net通道注意力模块,引导模型更加关注遮挡条件下猪只目标信息的通道特征。同时,增加了检测层进行多尺度特征融合处理,使模型更容易学习收敛并预测不同尺度的猪只对象,提升模型遮挡场景的检测性能;最后,对边界框损失函数以及非极大值抑制处理进行了改进,使模型对遮挡的目标有更好的识别效果。实验结果表明,与原YOLO v5n算法相比,改进算法的平均绝对误差(MAE)、均方根误差(RMSE)以及漏检率分别降低0.509、0.708以及3.02个百分点,平均精度(AP)提高1.62个百分点,达到99.39%,在复杂遮挡重叠场景下具有较优的精确度和鲁棒性。算法的MAE为0.173,与猪只盘点算法CClusnet、CCNN和PCN相比,分别降低0.257、1.497和1.567。在时间性能上,单幅图像的平均识别时间仅为0.056 s,符合实际猪场生产的实时性要求。

关键词：猪只计数目标检测注意力机制多尺度感知

维普期刊数据库博看期刊

基于改进YOLOv5l的轻量化鸭蛋裂纹检测算法

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2024年第5期40卷 216-223页

作者：殷建军康俊琪肖德琴华南农业大学数学与信息学院广州510642 农业农村部华南热带智慧农业技术重点实验室广州510642

鸭蛋裂纹检测技术对于禽蛋加工工厂实现智能化蛋品检测、分级具有重要意义。该研究针对鸭蛋裂纹检测流程复杂、计算量大、模型尺寸大等问题,提出了一种基于改进YOLOv5l(you only look once version5 large)的轻量裂纹检测算法,通过在黑... 详细信息

鸭蛋裂纹检测技术对于禽蛋加工工厂实现智能化蛋品检测、分级具有重要意义。该研究针对鸭蛋裂纹检测流程复杂、计算量大、模型尺寸大等问题,提出了一种基于改进YOLOv5l(you only look once version5 large)的轻量裂纹检测算法,通过在黑暗条件下使用LED灯照射鸭蛋,根据裂纹蛋壳与完好蛋壳透光性不同产生的图像差异进行检测。通过在YOLOv5中引入Ghost_conv模块,大大减少了模型的浮点计算量和参数量,并在模型的骨干网络中加入ECA(efficient channel attention)注意力机制以及使用多尺度特征融合方法 BIFPN(bi-directional feature pyramid network),增加模型对有效信息的关注度,以提高算法检测精度。同时使用CIoU与α-IoU损失函数融合后替代YOLOv5原始GIoU函数加速回归预测。利用自建的鸭蛋裂纹数据集验证改进后模型的性能,结果表明,本研究提出的改进YOLOv5l网络模型检测精准率为93.8%,与原始YOLOv5l模型相比,检测精度提高了6.3个百分点,参数量和浮点计算量分别减少了30.6%、39.4%。检测帧速率为28.954帧/s,较原始YOLOv5l模型仅下降3.824帧/s。与其他的目标检测常用网络SSD(single shot multibox detector)、YOLOv4、Faster-RCNN(faster region convolutional neural networks)相比,精度分别提高了13.1、12.5、8.2个百分点。本研究提出的方法能够在低硬件资源条件下进行高精度检测,可为实际场景应用提供解决方案和技术支持。

关键词：计算机视觉图像识别裂纹检测注意力机制鸭蛋

在线全文

学校读者我要写书评

暂无评论

甘薯秧蔓收获特性试验装置研究

农业机械学报 2022年第S01期53卷 166-175页

作者：李涛魏训成姜伟李娜张华周进山东省农业机械科学研究院济南250100 农业农村部黄淮海现代农业装备重点实验室济南250100

针对甘薯秧蔓收获过程中输送通道堵塞、功耗大、作业参数采集难等问题,研究设计了在不同喂入速度、夹持输送速度和切割速度下甘薯秧蔓收获特性试验装置。试验装置由喂入装置、割台装置和控制系统组成,喂入速度、夹持输送速度和切割速度... 详细信息

针对甘薯秧蔓收获过程中输送通道堵塞、功耗大、作业参数采集难等问题,研究设计了在不同喂入速度、夹持输送速度和切割速度下甘薯秧蔓收获特性试验装置。试验装置由喂入装置、割台装置和控制系统组成,喂入速度、夹持输送速度和切割速度可调整。以秧蔓收净率、切割力和切割扭矩为目标值,对喂入速度、夹持输送速比和切割速度等影响因素进行了中心组合试验和验证试验。建立了响应面数学模型,分析了各因素对作业性能的影响,同时,对影响因素进行了综合优化。试验结果表明:收净率影响显著性主次顺序为夹持输送速比、喂入速度、切割速度,切割力和切割扭矩影响显著性主次顺序为切割速度、夹持输送速比、喂入速度;其最优工作参数组合为喂入速度0.55 m/s、夹持输送速比1.48、切割速度1.50 m/s时,收净率为91.0%、切割力为152.89 N、切割扭矩为5.87 N·m,验证试验表明实测值与理论优化值误差小于5%。

关键词：甘薯秧蔓收获特性试验台

基于空间注意力增强ResNeSt-101网络和迁移元学习的小样本害虫分类

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2024年第6期40卷 285-297页

作者：梁炜健郭庆文王春桃肖德琴黄琼华南农业大学数学与信息学院广州510642 农业农村部华南热带智慧农业技术重点实验室广州510642 广东省农业人工智能重点实验室广州510642 广州市智慧农业重点实验室广州510642 深圳鹏城技师学院深圳518000

害虫识别是害虫防治的关键基础,由于较难获得足够的害虫种类图像,如何使用少量标记图像构造害虫分类器是一个富有挑战性的问题。现有研究多采用匹配网络框架来解决这个问题,该框架使用元学习避免重新训练深度网络,然而主干网络的特征提... 详细信息

害虫识别是害虫防治的关键基础,由于较难获得足够的害虫种类图像,如何使用少量标记图像构造害虫分类器是一个富有挑战性的问题。现有研究多采用匹配网络框架来解决这个问题,该框架使用元学习避免重新训练深度网络,然而主干网络的特征提取能力有限,元学习算法没有提供较好的权重初始化策略,可能导致网络出现梯度消失或者梯度爆炸的情况。为了解决这一问题,该研究提出一种基于空间注意力增强ResNeSt-101和迁移元学习算法的小样本害虫分类器。首先,通过一个空间注意力模块增强ResNeSt-101以更好地提取害虫图像特征,即在ResNeSt-101的第1阶段的最大池化层之前以及在第2~4阶段的末尾分别附加集成空间注意力模块,并通过数值仿真确定空间注意力增强模块的最佳放置位置为第1阶段的最大池化层之前。随后,通过迁移学习策略初始化网络权重,进而通过元学习进行优化。为了避免网络出现梯度消失或者梯度爆炸的情况,在元学习算法中选择归一化的温度缩放交叉熵损失函数代替三元组损失函数。最后,通过计算查询图像和支持图像深度特征之间的相似度实现害虫分类。所提出方法在自建的害虫图像数据集AD0和MIP50上使用N-类K-例准确率和每张图像处理时间(the time of per image processing,TPIP)进行评估。害虫图像数据集的构建方式如下:首先对公共害虫图像数据集IP102和D0进行清洗,以消除由于英文害虫名称导致的歧义类别;然后移除卵、幼虫和蛹阶段的害虫图像,仅保留成虫阶段的图像。考虑到人工和时间成本,从清理后的IP102害虫数据集中选择50个类别构建MIP50害虫图像数据集。随后,通过害虫的拉丁名称从互联网搜索更多的害虫图像,生成AD0害虫图像数据集。自建的MIP50数据集包括来自IP102的50个类别的16424张成虫图像,AD0包含来自D0的所有40个类别的17112张成虫图像。试验结果表明,当测试集中只有少数未知类别的害虫图像时,本文方法在AD0数据集上的5-类10-例评估准确率达到了96.37%,在MIP50数据集上达到了76.91%。当测试集中同时存在几个未知和已知类别的害虫图像时,所提方法在AD0数据集上的5-类10-例设置下的识别准确率达到了93.73%,在MIP50数据集上达到90.60%。同时,本文方法的TPIP大约为0.44 ms,满足大多数场景下的实时害虫识别要求。此外,消融试验结果表明,基于空间注意力增强ResNeSt-101网络和迁移元学习的小样本害虫分类方法在AD0、MIP50数据集上对未知类别害虫图像的5-类10-例的识别准确率分别提升了5和3个百分点以上,具有良好应用前景。但未来研究中还需进一步研究本方法中存在的问题,如通过采用更好地表征支持集样本与查询集样本之间复杂关系的度量优化本工作中用到的度量以解决增加类别数可能导致分类准确率降低的问题,以及将所提方法应用于现实农业场景进行优化改进以更好提升本文方法的实用性。

关键词：病虫害图像处理小样本分类元学习 ResNeSt-101 交叉熵损失

基于多源信息和深度学习的多作物叶面积指数预测模型研究

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12期43卷 3862-3870页

作者：郝子源杨玮李浩于滈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

叶面积指数(LAI)是评价作物长势的重要参数,快速、准确、低成本地获取作物LAI对于指导作物田间管理有重要的意义。为了低成本获取多种作物的LAI,基于多源信息和深度学习构建了通用的LAI预测模型。在大豆、小麦、花生、玉米四种作物的六... 详细信息

叶面积指数(LAI)是评价作物长势的重要参数,快速、准确、低成本地获取作物LAI对于指导作物田间管理有重要的意义。为了低成本获取多种作物的LAI,基于多源信息和深度学习构建了通用的LAI预测模型。在大豆、小麦、花生、玉米四种作物的六个生长时期进行了大田实验,以获取用于建模的多源信息。使用航拍无人机获取作物低空可见光图像、红边图像和近红外图像等多光谱图像信息,此外还采集相关的一维数据信息,包括无人机飞行姿态、拍摄高度、作物生长状态和环境光照。借助深度学习出色的图像和数据处理能力建立基于复杂输入信息的LAI预测模型,考虑到一维数据也要参与模型的训练过程,在设计模型时,采用了组合型网络架构。在卷积神经网络(CNN)算法提取图像深度特征的基础上加入了LightGBM算法用于结合图像特征和一维数据实现作物LAI的最终预测。CNN模型部分使用了VGG19, ResNet50, Inception V3和DenseNet201四种常见的结构。为了更好地说明CNN模型提取图像特征的能力,分析了不同图像输入下四种模型的作物分类情况。结果表明,以可见光、红边和近红外图像为输入时,四种模型的分类准确度均相较于仅有可见光图像时有所提高,尤其是基于Inception V3和DenseNet201的两种模型分类准确率均达到99%以上,证明了CNN模型提取多光谱图像特征的有效性。将图像特征作为LightGBM模型的输入信息预测LAI时,实测值与预测值的R2最大为0.819 2,而在输入中加入一维数据信息后,模型的R2均可达到0.9以上,说明多源信息输入对于提高LAI预测模型的准确度有重要作用。该研究建立的模型可以针对不同的作物进行LAI的预测,不需要对多光谱图像进行复杂的处理,因此,该研究可以实现LAI的低成本、快速预测,同时可以获得较高的预测准确度。

关键词：叶面积指数多光谱图像多源信息组合型网络架构预测模型

基于无人机多光谱的大豆旗叶光合作用量子产量反演方法

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2022年第13期38卷 150-157页

作者：张通金秀饶元罗庆李绍稳王良龙张筱丹安徽农业大学信息与计算机学院合肥230036 农业农村部农业传感器重点实验室合肥230036 智慧农业技术与装备安徽省重点实验室合肥230036

大豆旗叶的量子产量(Quantum Yield,QY)对于评估光合效率非常重要,利用无人机多光谱数据对QY值进行高通量反演,能够无损、高效的监测光合作用过程中的生理化学变化。该研究的目的是探究植被指数与QY值相关性,并基于高相关性的植被指数反... 详细信息

大豆旗叶的量子产量(Quantum Yield,QY)对于评估光合效率非常重要,利用无人机多光谱数据对QY值进行高通量反演,能够无损、高效的监测光合作用过程中的生理化学变化。该研究的目的是探究植被指数与QY值相关性,并基于高相关性的植被指数反演QY值,同时分析了多植被指数与单植被指数构建反演模型的准确性。结果表明,与传统反演算法支持向量回归(Support Vector Regression,SVR)相比,基于集成学习的自适应提升(Adaptive Boost,AdaBoost)算法提高了模型的准确性,测试集决定系数(coefficient of determination,R^(2))为0.982,均方根误差(Root Mean Square Error,RMSE)为0.089,相对分析误差(Residual Predictive Deviation,RPD)为7.29。研究表明基于多植被指数、利用AdaBoost算法可以构建更为有效的无人机多光谱大豆光合有效量子产量反演模型,为评估高通量光合效率提供了一种先进的方法。

关键词：大豆无人机多光谱有效量子产量植被指数光合效率

利用空间-光谱双分支特征和动态选择的高光谱影像农作物分类

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2023年第16期39卷 160-170页

作者：戴佩玉张欣毛星任妮李卫国江苏省农业科学院南京210014 农业农村部长三角智慧农业技术重点实验室南京210014

高光谱遥感可以捕获地表近乎连续的光谱曲线,以较高的光谱诊断能力对地表农作物进行精细分类与识别。传统基于深度学习的高光谱分类算法中空间、光谱特征捕捉利用困难、冗余特征筛选能力不足、模型约束过于单一等问题,导致农作物类型复... 详细信息

高光谱遥感可以捕获地表近乎连续的光谱曲线,以较高的光谱诊断能力对地表农作物进行精细分类与识别。传统基于深度学习的高光谱分类算法中空间、光谱特征捕捉利用困难、冗余特征筛选能力不足、模型约束过于单一等问题,导致农作物类型复杂且样本分布不均区域分类模型性能下降。该研究提出一种基于空间-光谱双分支动态特征选择的高光谱分类算法,在结合通道注意力机制和空间注意力机制进行空间-光谱特征提取的基础上,通过门控卷积层对提取到的特征进行相关性的计算和处理,实现空间维度和通道维度上的特征动态选择,并分别从空间、光谱和联合特征3个角度对分类结果约束,结合分类损失函数实现高光谱影像的分类任务。结果表明,在JAAS(Jiangsu academy of agricultural sciences,江苏省农业科学院)高光谱农作物分类数据集上,该研究算法总体精度、Kappa系数分别为99.35%和99.20%,相较于专为高光谱分类设计的算法CDCNN(contextual deep convolution network,上下文深层卷积网络)、WCRN(wide contextual residual network,广义上下文残差网络)、DBDA(double-branch dual-attention mechanism network,双分支双注意力机制网络)、DCNN(dual-channel convolution network,双通道卷积网络)分别提升了4.91%和6.12%、6.82%和8.53%、2.12%和2.63%、2.04%和2.54%;在公开数据集WHU-Hi-HanChuan区域,总体精度、Kappa系数分别为99.49%、99.41%,相较于CDCNN、WCRN、DBDA、DCNN分别提升了1.67%和1.96%、3.23%和3.80%、2.00%和2.35%、1.10%和1.29%;在WHU-Hi-Longkou区域,总体精度、Kappa系数分别为99.8%、99.74%,相较于CDCNN、WCRN、DBDA、DCNN分别提升了1.30%和1.71%、0.59%和1.74%、0.71%和0.93%、0.57%和0.76%。所提方法在样本分布不均的不同作物识别上均具有较高的识别准确率,可为基于高光谱影像的地物复杂且样本分布不均地区的农作物分类提供指导。

关键词：遥感高光谱影像农作物分类空谱联合特征门控卷积多输出特征约束