科研产出
农业生产中机器视觉技术应用现状
2025
摘要：近年来，我国农业现代化进程显著加快，对农业机械提出向自动化、智能化方向迈进的发展要求。机器视觉技术作为智能农机核心，在智能农机转型与升级过程中发挥至关重要作用。系统梳理机器视觉技术在杂草识别、作物生长状态监测、农业机器人中的应用现状。机器视觉技术在当前农业应用场景中存在算法适应性有待提升、模型泛化能力相对不足、算法与农业机械之间协同配合程度较低，以及数据资源获取难度大、多样性不足等问题。基于此，提出未来机器视觉技术在农业领域应向多模态信息融合、轻量化与高效识别算法开发、数据增强与迁移学习，以及优化算法与各类农业机械协同适配性等方向发展。
关键词： 机器视觉 深度学习 农业生产 农业机器人 生长状态监测
全文链接
请求原文
蚕茧识别技术研究现状及发展趋势
《中国农机化学报 》 2024 北大核心
摘要：我国缫丝织绸早已进入机械化、自动化的发展阶段，但是蚕茧图像识别技术仍处于研究的初级阶段，在推广和应用中存在很多技术瓶颈。为更好地将智能识别技术的研究用于蚕茧分选工作，推动蚕丝产业的健康高效发展，从蚕茧的分类和选茧的标准出发，分别介绍目前蚕茧图像识别技术研究中基于颜色特征、形状特征和纹理特征的识别技术研究现状和特点，总结和分析现在蚕茧图像识别技术研究中存在识别信息不完整、识别种类少、识别准确度和效率较低等方面的问题。提出在开展完整蚕茧图像建立技术、增加多种特征的采集和判别、开展深度学习技术融合的研究建议，展望蚕茧智慧高效分选的发展趋势。
全文链接
请求原文
基于深度学习的蚕茧种类识别研究
《四川蚕业 》 2023
摘要：蚕茧分选是缫丝前的必备工作,当前的分选方式主要是人工分选,效率较低,不利于蚕桑丝绸业的转型发展.为研发智能化的蚕茧分选装备,开展了基于深度学习的蚕茧种类识别研究.在实际环境下采集蚕茧图像,构建出数量为2000张的蚕茧图像数据集,单张图像中包含多种类别的蚕茧,并使用标注工具标注出4个类别的蚕茧,分别为上车茧、黄斑茧、柴印茧和畸形茧.使用深度学习领域中目标检测网络YOLO v5开展了模型训练和验证.结果表明,深度学习模型可以准确地识别出蚕茧的位置,训练的模型对上车茧和黄斑茧的识别精度较高,而柴印茧和畸形茧的识别精度较低.研究可为后续蚕茧智能分选研究和分选装备研发提供参考.
全文链接
请求原文
遥感技术的发展现状及在天府粮仓建设中的应用建议
《中国农业信息 》 2023
摘要：[目的]促进遥感技术在天府粮仓建设中的应用,助力农业生产高质、高效、可持续发展.[方法](1)文章通过文献综述,将遥感技术在农业监测中的研究分为耕地监测、农作物遥感制图、作物长势监测与产量估算.(2)在四川地区复杂应用场景下,具体分析现有遥感技术在区域监测面临的挑战.(3)提出遥感技术助力天府粮仓建设的相关建议.[结果]遥感技术经过不断发展,建立了成熟的空天地一体化农作物遥感监测技术体系及系列数据产品,在种植结构优化、政策制定、资源有效利用等方面发挥重要作用.然而,在四川地区开展遥感监测仍面临复杂地形、地块破碎、种植制度等挑战.[结论]为了进一步加强遥感技术在天府粮仓建设中的应用,助力农业高质量发展,提出以下建议:一是加强大模型应用,支持高标准农田建设;二是使用多源遥感数据和深度学习方法,提高景观复杂场景下的遥感制图精度;三是耦合多源遥感数据和各作物农学机理,提高作物长势监测和产量估算能力.
全文链接
请求原文
基于深度学习分类模型的4种果树物候期识别
《中国农机化学报 》 2023 北大核心
摘要：为实现数字果园的机器视觉系统快速准确识别果树关键物候期,采集四川地区苹果、杧果、石榴、柑橘4种果树4个物候期的图像15000幅,按6∶2∶2的比例随机划分训练、验证和测试数据集,训练VGG16、ResNet50、MobileNetV2及Swin Transformer 4个深度学习图像分类模型,评测不同模型的精度和性能.结果表明,各模型识别物候期精度分别为98.9%、99.3%、99.7%、99.8%,其中杧果成熟期的识别误差较大,精度分别为96.7%、98.2%、99.0%、99.5%;模型识别测试集图像的计算量(GFLOPs)分别为15.50、4.12、0.32、15.14,识别单张图像耗时分别为3.00ms、2.33ms、3.00ms、4.67ms.该结果可为果园嵌入式设备、服务器端的机器视觉系统选择模型提供参考.
全文链接
请求原文
基于卷积神经网络的家蚕病害识别研究
《中国农机化学报 》 2022 北大核心
摘要：病害是我国养蚕业健康发展面临的主要威胁之一,为研究机械化养蚕模式下的家蚕病害防治方法,采用卷积神经网络进行家蚕病害图像的识别研究。首先在实际环境下,采用饲养和添食病原的方法,集中获取家蚕品种芳·秀×白·春在大蚕期的部分生长阶段下患脓病、微粒子病、白僵病、细菌病、农药中毒以及健康状态的样本,并开展图像采集工作,构建出家蚕病害图像数据集。其次采用特征融合和缩减结构的方法,对残差神经网络进行部分改进,以避免直接使用该算法会导致不必要的计算耗损。最后进行家蚕病害识别试验。结果表明:卷积神经网络能够高效准确识别家蚕病害图像,使用改进的算法在测试集上的准确率达到94.31%,与标准的残差神经网络准确率相当,但训练的参数量仅为原来的1/3,且识别效率大幅提升,更有利于网络的训练与部署。
全文链接
请求原文
基于Deeplabv3+模型的成都平原水产养殖水体信息提取
《中国农机化学报 》 2021 北大核心
摘要：为应用深度学习和遥感影像实现养殖水体信息的快速提取,以成都平原为研究区,以Sentinel 2A和高分6号多光谱影像为数据源,基于国产开源深度学习平台PaddlePaddle训练Deeplabv3+语义分割模型,构建遥感影像的水体语义分割模型,用于提取成都平原养殖水体信息。Deeplabv3+方法的总体精度和Kappa系数分别达到94.14%和0.88,均高于归一化差分水体指数法和最大似然监督分类法;模型对阴影和建筑物等误分为水体的抑制效果较好,而对小面积和细小线状水体信息的提取则受影像分辨率影响,效果无明显改进;成都平原2018年和2020年养殖水体面积分别为22.3 khm2和28.6 khm2,其验证区青白江区、新津县和广汉市养殖水体面积的泛化提取结果验证误差均≤±10%。该研究结果可为应用深度学习平台建立遥感影像的水体语义分割模型及提取水产养殖水体信息提供参考。
全文链接
请求原文
基于卷积神经网络的家蚕幼虫品种智能识别研究
《西南大学学报(自然科学版) 》 2020 北大核心 CSCD
摘要：不同品种的家蚕混杂会对杂交育种产生不利影响,针对人眼识别家蚕幼虫品种存在主观性强和可靠性低的问题,提出利用卷积神经网络进行家蚕幼虫品种识别研究.具体做法是:首先,在真实养蚕环境下,选择10个家蚕品种为研究对象,分别在其幼虫生长的4龄第3 d和5龄第3 d进行图像采集,构建了2个图像数量分别为5000张的幼虫品种图像数据集.其次,采用轻量级卷积神经网络MobileNet对10种家蚕幼虫图像进行了识别试验,在测试集上的识别准确率分别为98.9%和96%.最后,为了验证研究训练出的权重适宜于进行家蚕幼虫品种识别,使用迁移学习方法对另外5个家蚕品种的幼虫图像进行了模型训练,结果显示:在图像数量较少时,使用预训练权重的网络在稳定性上更佳,优于不使用预训练权重文件的网络.研究证实了卷积神经网络能够对不同品种的家蚕幼虫图像实现准确高效识别,并且用到的所有的图像都来自于真实养蚕环境,训练的模型具有较好的应用能力,可为开发家蚕幼虫品种识别应用软件提供参考.
关键词： 家蚕幼虫 品种识别 卷积神经网络 MobileNet 深度学习
全文链接
请求原文
基于深度卷积神经网络的玉米病害识别
《中国农学通报 》 2018
摘要：为了提高玉米病害的识别率,本文提出了一种在自然环境条件下基于深度卷积神经网络的玉米病害识别方法。该方法以玉米常见的10类病害为研究对象。算法模型是先将图像预处理,应用Triplet loss双卷积神经网络结构学习玉米图像特征,再使用SIFT算法提取图像纹理细节,最后通过Softmax对图像进行标签分类。训练集采用正常玉米图像与玉米病害图像相结合的方式,使用深度相似性网络学习正常玉米图像特征表示,再使用迁移学习方法学习玉米病害图像的特征,最后对特征进行分类识别。研究结果表明:该方法可准确识别10种常见玉米病害,正确率可达90%以上,为玉米病害的防治提供了有效的技术支持。
关键词： 玉米病害 算法 识别 深度学习 卷积神经网络 图像处理
全文链接
请求原文
首页上一页1下一页尾页
