检索结果-南通市图书馆

高等农业教育 2012年第12期 75-77页

作者：林桂娟姚文朱伟云王恬南京农业大学江苏南京210095

介绍了南京农业大学"消化道微生物研究室"自1999年以来开展国际交流与合作情况,依托国际交流与合作,改善了研究室的科研条件,增强了师资力量,提高了研究生的科研能力和综合能力,从而提升了研究生的培养水平。

关键词：国际交流与合作研究生培养水平

基于MobileNetV3Small-ECA的水稻病害轻量级识别研究

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2024年第1期55卷 253-262页

作者：袁培森欧阳柳江翟肇裕田永超南京农业大学人工智能学院南京210095 南京农业大学农学院南京210095

为实现水稻病害的轻量化识别与检测,使用ECA注意力机制改进MobileNetV3Small模型,并使用共享参数迁移学习对水稻病害进行智能化轻量级识别和检测。在PlantVillage数据集上进行预训练,将预训练得到的共享参数迁移到对水稻病害识别模型上... 详细信息

为实现水稻病害的轻量化识别与检测,使用ECA注意力机制改进MobileNetV3Small模型,并使用共享参数迁移学习对水稻病害进行智能化轻量级识别和检测。在PlantVillage数据集上进行预训练,将预训练得到的共享参数迁移到对水稻病害识别模型上微调优化。在开源水稻病害数据集上进行试验测试,试验结果表明,在非迁移学习下,识别准确率达到97.47%,在迁移学习下识别准确率达到99.92%,同时参数量减少26.69%。其次,通过Grad-CAM进行可视化,本文方法与其他注意力机制CBAM和SENET相比,ECA模块生成的结果与图像中病斑的位置和颜色更加一致,表明网络可以更好地聚焦水稻病害的特征,并且通过可视化和各水稻病害分析了误分类原因。本文方法实现了水稻病害识别模型的轻量化,使其能够在移动设备等资源受限的场景中部署,达到快速、高效、便携的目的。同时开发了基于Android的水稻病害识别系统,方便于在边缘端进行水稻病害识别分析。

关键词：水稻病害识别迁移学习高效通道注意力机制 MobileNetV3Small 移动端部署

微生物学类研究生创新技能培养体系的探索——以南京农业大学为例

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

微生物学通报 2016年第4期43卷 839-844页

作者：钱猛杨娜陈军沈振国南京农业大学生命科学学院生物学实验教学中心江苏南京210095

探讨南京农业大学"微生物学研究方法与技术"专项培训体系的构建,重点阐述建设内容、建设方式及教学成效。该培训体系分为5个功能模块,每个模块由专题讲座和实验技能培训两部分内容组成。通过该培训体系的训练,研究生能熟练掌握大型仪器... 详细信息

探讨南京农业大学"微生物学研究方法与技术"专项培训体系的构建,重点阐述建设内容、建设方式及教学成效。该培训体系分为5个功能模块,每个模块由专题讲座和实验技能培训两部分内容组成。通过该培训体系的训练,研究生能熟练掌握大型仪器设备的应用、操作、维护等相关知识,培养了良好的实验技能、严谨的实验作风、认真的科学态度,具备了基本的科学研究能力和科学研究品质,是提高研究生创新能力和实践能力的有效途径。

关键词：创新技能微生物学研究生

南京农业大学微生物学虚拟仿真实验教学模式的探索

在线全文

学校读者我要写书评

暂无评论

微生物学通报 2016年第4期43卷 861-866页

作者：钱猛崔瑾成丹杨娜何琳燕何健沈振国南京农业大学生命科学学院农业生物学虚拟仿真实验教学中心江苏南京210095

借助虚拟仿真技术构建的虚实结合的虚拟仿真实验,是提高学生实践动手能力的有力补充和有效途径。本文通过对微生物学实验教学现状的分析,探讨南京农业大学微生物学虚拟仿真实验教学模式建设的意义,重点阐述建设思路、建设方案及教学特... 详细信息

借助虚拟仿真技术构建的虚实结合的虚拟仿真实验,是提高学生实践动手能力的有力补充和有效途径。本文通过对微生物学实验教学现状的分析,探讨南京农业大学微生物学虚拟仿真实验教学模式建设的意义,重点阐述建设思路、建设方案及教学特点。该仿真实验教学体系主要从基础微生物学和应用微生物学两大模块进行构建,同时将本校的污水生物处理技术、食用菌资源调查与利用等科研成果转化为教学资源,以丰富实验教学内容。

关键词：微生物学虚拟仿真教学模式

基于选择性注意力神经网络的木薯叶病害检测算法

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2024年第5期55卷 254-262,272页

作者：张家瑜朱锐邱威陈坤杰南京农业大学工学院南京210031

为了实现在复杂非结构环境下对木薯叶4种主要病害的高精度检测,提出一种基于选择性注意力机制的木薯叶病害神经网络检测改进算法MAISNet(Multiattention IBN Squareplus neural network)。以V2-ResNet-101为基础网络,先使用多重注意力... 详细信息

为了实现在复杂非结构环境下对木薯叶4种主要病害的高精度检测,提出一种基于选择性注意力机制的木薯叶病害神经网络检测改进算法MAISNet(Multiattention IBN Squareplus neural network)。以V2-ResNet-101为基础网络,先使用多重注意力算法优化加权系数,调整特征通道的语义表达,在特征图中初步构建显著性特征;然后在残差单元之后采用实例批归一化方法来抑制特征表达中的协变量偏移,在特征图中构建出显著性语义特征,实现高质量语义特征表达;最后在残差分支中采用Squareplus激活函数替代ReLU激活函数,保持语义特征在负数域的数值分布,减少特征拟合过程中的截断误差。对比试验结果显示,经过上述改进后构建出的MAISNet-101神经网络,对4种常见木薯叶病害检测的平均准确率达到95.39%,明显优于目前主流算法EfficientNet-B5和RepVGG-B3g4等。网络提取特征的可视化分析结果表明,高质量木薯叶病害显著性语义特征,是提高木薯叶病害检测准确率的关键。所提出的MAISNet神经网络模型可以完成实际场景下木薯叶病害高精度检测。

关键词：木薯病害检测多重注意力算法显著性语义特征 Squareplus激活函数

基于改进YOLO v7轻量化模型的自然果园环境下苹果识别方法

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2024年第3期55卷 231-242,262页

作者：张震周俊江自真韩宏琪南京农业大学工学院南京210031

针对自然果园环境下苹果果实识别中,传统的目标检测算法往往很难在检测模型的检测精度、速度和轻量化方面实现平衡,提出了一种基于改进YOLO v7的轻量化苹果检测模型。首先,引入部分卷积(Partial convolution, PConv)替换多分支堆叠模块... 详细信息

针对自然果园环境下苹果果实识别中,传统的目标检测算法往往很难在检测模型的检测精度、速度和轻量化方面实现平衡,提出了一种基于改进YOLO v7的轻量化苹果检测模型。首先,引入部分卷积(Partial convolution, PConv)替换多分支堆叠模块中的部分常规卷积进行轻量化改进,以降低模型的参数量和计算量;其次,添加轻量化的高效通道注意力(Efficient channel attention, ECA)模块以提高网络的特征提取能力,改善复杂环境下遮挡目标的错检漏检问题;在模型训练过程中采用基于麻雀搜索算法(Sparrow search algorithm, SSA)的学习率优化策略来进一步提高模型的检测精度。试验结果显示:相比于YOLO v7原始模型,改进后模型的精确率、召回率和平均精度分别提高4.15、0.38、1.39个百分点,其参数量和计算量分别降低22.93%和27.41%,在GPU和CPU上检测单幅图像的平均用时分别减少0.003 s和0.014 s。结果表明,改进后的模型可以实时准确地识别复杂果园环境中的苹果,模型参数量和计算量较小,适合部署于苹果采摘机器人的嵌入式设备上,为实现苹果的无人化智能采摘奠定了基础。

关键词：苹果识别自然果园环境 YOLO v7 PConv 高效通道注意力机制麻雀搜索算法

维普期刊数据库博看期刊

基于自适应阈值ORB特征提取的果园双目稠密地图构建

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2024年第6期55卷 42-51,59页

作者：薛金林褚阳阳宋悦温瑜张田煜南京农业大学工学院南京210031

针对果园阴暗光照条件下图像特征点匹配数量少、易丢失以及点云稀疏问题,对ORB-SLAM2算法进行了改进,提出了基于自适应阈值ORB特征点提取的果园双目三维地图稠密建图算法。首先在跟踪线程中提出一种自适应阈值的FAST角点提取方法,通过... 详细信息

针对果园阴暗光照条件下图像特征点匹配数量少、易丢失以及点云稀疏问题,对ORB-SLAM2算法进行了改进,提出了基于自适应阈值ORB特征点提取的果园双目三维地图稠密建图算法。首先在跟踪线程中提出一种自适应阈值的FAST角点提取方法,通过计算不同光照下图像平均像素求解阈值,对左右目图像提取ORB特征,增加了不同光照条件下的特征点匹配数量;然后根据特征点估计相机位姿完成局部地图跟踪,对跟踪线程产生的关键帧地图点进行BA优化完成局部地图构建。在原有算法基础上添加了基于ZED-stereo型相机双目深度融合的稠密建图模块,对左右目关键帧进行特征匹配获得图像对,利用图像对求解深度信息获取地图点,经过深度优化获取相机位姿,根据相机位姿进行局部点云的构建与拼接,最终对获得的点云地图进行全局BA优化,构建果园三维稠密地图。在KITTI数据集序列上进行测试,本文所改进的ORB-SLAM2算法的绝对轨迹误差更加收敛,轨迹误差标准差在00和07序列分别下降60.5%和62.6%,在其他序列上也有不同程度下降,表明本文算法定位精度较原始算法有所提高。不同光照环境下进行算法性能测试,结果表明本文算法较原始算法能更好地适应不同光照条件,在较强光照、正常光照、偏弱光照和阴雨天气下特征点平均匹配数量增加5.32%、4.53%、8.93%、12.91%。进行果园直线和稠密建图试验,结果表明直线行驶偏航角更加收敛,定位精确度高,关键帧提取数量较原始算法下降2.86%、平均跟踪时间减少39.3%;稠密建图效果好,能够很好地反映机器人位姿和果园真实环境信息,满足果园三维稠密点云地图构建需求,可为果园机器人导航路径规划提供支持。

关键词：果园稠密建图自适应阈值特征提取 ORB-SLAM2 双目相机

基于ASTUKF的分布式农业车辆路面参数辨识方法

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2024年第2期55卷 401-414页

作者：孙晨阳周俊赖国梁南京农业大学工学院南京210031

针对分布式驱动农业车辆在路面参数辨识过程中,因路面环境变化出现的状态模型误差和时变噪声,导致辨识结果发散的问题,提出了基于自适应强跟踪无迹卡尔曼滤波(Adaptive strong tracking unscented Kalman filter,ASTUKF)的辨识方法。与... 详细信息

针对分布式驱动农业车辆在路面参数辨识过程中,因路面环境变化出现的状态模型误差和时变噪声,导致辨识结果发散的问题,提出了基于自适应强跟踪无迹卡尔曼滤波(Adaptive strong tracking unscented Kalman filter,ASTUKF)的辨识方法。与传统内燃机农业车辆相比,分布式驱动可以直接获取驱动轮的状态信息,结合含有峰值附着系数和极限滑转率的μ-s曲线模型,建立了无迹卡尔曼滤波(Unscented Kalman filter,UKF)辨识算法的状态方程和量测方程。同时,将强跟踪滤波(Strong tracking filter,STF)和自适应滤波(Adaptive filter,AF)引入辨识算法,用以提高对多变环境的识别精度和鲁棒性,并采用奇异值分解(Singular value decomposition,SVD)解决了迭代过程中出现的非正定矩阵的问题。仿真试验结果表明,在突变噪声环境工况下,ASTUKF辨识结果可以快速收敛至目标值附近,且不受突变噪声的影响,各驱动轮峰值附着系数估计结果的平均绝对误差(Mean absolute error,MAE)分别为0.0144、0.0267、0.0144、0.0267,极限滑转率估计结果的MAE分别为0.0025、0.0028、0.0025、0.0028。实车试验表明,在已耕地和未耕地的试验路面上,ASTUKF辨识结果的均值95%置信区间能够匹配测量值,整车的附着系数辨识结果为0.4061(未耕地)、0.3991(已耕地),极限滑转率辨识结果为0.1484(未耕地)、0.3600(已耕地),可为分布式电动农业车辆作业参数感知提供理论参考。

关键词：农业车辆分布式驱动路面参数辨识自适应强跟踪无迹卡尔曼滤波

维普期刊数据库博看期刊

融合边缘采样和Tri-training的用户评论情感分析方法

在线全文

学校读者我要写书评

暂无评论

数据分析与知识发现 2024年第5期8卷 102-112页

作者：江亿平张婷夏争鸣李玉花张兆同南京农业大学信息管理学院南京210031 南京农业大学人工智能学院南京210031

【目的】针对用户评论数据量大、情感倾向模糊、内容短小等特点,提出融合边缘采样和Tri-training的用户评论情感分析方法。【方法】通过构建基于一对多拆解策略的多分类支持向量机,并融合考虑余弦相似度的边缘采样策略构造初始集,提出... 详细信息

【目的】针对用户评论数据量大、情感倾向模糊、内容短小等特点,提出融合边缘采样和Tri-training的用户评论情感分析方法。【方法】通过构建基于一对多拆解策略的多分类支持向量机,并融合考虑余弦相似度的边缘采样策略构造初始集,提出结合软投票机制的Tri-training算法。【结果】本文算法对Tri-training算法投票机制的改进,进一步减小了多个分类器对于样本分类投票判断失误的概率,使所有类别精确率均在79%以上。【局限】未考虑多媒体数据的信息提取。【结论】与传统及近年改进的半监督学习算法相比,本文提出的融合边缘采样和Tri-training的算法在分类准确率和效率上具有一定的优越性。

关键词：用户评论情感分析边缘采样 Tri-training

基于深度主动学习与CBAM的细粒度菊花表型识别

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2024年第2期55卷 258-267页

作者：袁培森丁毅飞徐焕良南京农业大学人工智能学院南京210095

针对菊花种类繁多,花型差别细微,准确标注比较困难的问题,基于深度主动学习与混合注意力机制模块(Convolutional block attention module,CBAM),提出了一种标号数据不足情况下的菊花表型智能识别方法和框架。首先,通过主动学习策略基于... 详细信息

针对菊花种类繁多,花型差别细微,准确标注比较困难的问题,基于深度主动学习与混合注意力机制模块(Convolutional block attention module,CBAM),提出了一种标号数据不足情况下的菊花表型智能识别方法和框架。首先,通过主动学习策略基于最优标号和次优标号法(Best vs second-best,BvSB)在未标记菊花样本中选取信息量较大的样本进行标记,并将标记后的样本放入训练样本中;其次,使用深度卷积神经网络ResNet50作为本文的主干网络训练标记样本,引入混合注意力机制模块CBAM,使模型能够更为准确地提取细粒度图像中的高层语义信息;最后,用更新后的训练样本继续训练分类模型,直到模型达到迭代次数后停止。实验结果表明,该方法在少量菊花标记样本下,精确率、召回率和F1值分别达到93.66%、93.15%和93.41%。本文方法可为标号数据不足情况下的菊花等花卉智能化识别提供技术支撑。

关键词：菊花表型细粒度图像识别主动学习 ResNet50 注意力机制模块

维普期刊数据库博看期刊