科研产出
基于U-Net的玉米叶部病斑分割算法
《中国农学通报 》 2021 CSCD
摘要：本文旨在提出一种基于U-Net算法模型的玉米病程分级方法,实现对玉米常见4类叶部病害程度的快速、准确、客观分级。该方法以两组U-Net模型并行运算实现对玉米叶部病斑图像的语义分割任务。经测试图像分割试验中病斑分割MIoU值达到93.63%,叶片分割MIoU值达到96.33%,且运算速度均在1秒内完成。试验结果表明,该研究以手机拍照等方式采集数据源,不依赖专业仪器设备即可实现玉米病害快速分级,可取代以往以人工目测进行的病害识别方式,提高了病害分级的准确性和客观性。该模型与物联网设备结合运用,可实现玉米病害预警、降低病害影响、增产增收科技惠农的目标。
全文链接
请求原文
机器视觉在HSV颜色空间下稻瘟病病程分级判定研究
《农学学报 》 2020
摘要：该研究旨在开发基于机器视觉技术的稻瘟病病程分级系统,实现对稻瘟病病程分级准确、客观的判定.提出基于GrabCut、高斯滤波、OTSU二值化、颜色空间转换、阈值切割等处理的稻瘟病分级判定算法模型,该算法模型利用OpenCV与python语言实现,以反向阈值切割为核心策略分离叶片与病斑,再以循环遍历模式统计像素点得出病斑面积占比,实现对稻瘟病的快速、精确分级.试验结果表明,该算法模型与专业研究人员人工判定的结果匹配度达95.77%,相对于人工判定,具备更高的稳定性和客观性.目前对稻瘟病病程分级主要依赖研究人员通过经验判定,客观、准确的判定病程对防治稻瘟病具有重要意义.该系统以手机APP为图像采集端口,不依赖其他仪器和设备,通过手机拍照即可实时获得稻瘟病精确的分级结果,降低了研究门槛,提高了科研工作的效率.
关键词： 水稻病害 稻瘟病 图像处理 机器视觉 GrabCut 病程分级
全文链接
请求原文
基于图像处理的茶叶害虫智能识别方法研究
《四川农业与农机 》 2019
摘要：针对人工方法识别田间茶叶害虫需人工深入田间,不仅劳动强度大,而且无法自动定位与识别,不利于茶叶植保时施药的机械化、高效化及智能化的问题。本研究对基于图像处理技术的茶叶害虫智能识别技术及实现方法进行了研究。首先,建立覆盖茶园中各种情况的害虫样本图像库;其次,对样本图像和待识别图像进行图像预处理;接着,对待识别图像进行害虫自动定位;然后,对其进行特征提取获得特征数据;最后,采用模式识别算法设计分类器并训练获得分类器模型,再采用该模型进行害虫智能识别。本研究对各步骤进行了阐述,为茶叶害虫智能识别的实现提供了方法指导,以促进茶叶植保实现施药的机械化、高效化及智能化。
全文链接
请求原文
基于OLI影像的四川丘陵地区水稻种植面积监测
《西南农业学报 》 2018 北大核心 CSCD
摘要：【目的】为使用Landsat8 OLI遥感影像准确监测四川丘陵地区水稻种植面积。【方法】根据丘谷相对高差分别选定浅丘、深丘水稻样方各4个,通过地面样方调查和同生长季Google Earth影像解译获取的样方水稻种植面积作为验证数据,评价基于OLI融合影像的川中丘陵的水稻种植面积监测精度。OLI影像经正射校正后,使用15 m全色波段影像和30 m多光谱影像融合,得到15 m分辨率的融合影像,使用最大似然法进行监督分类,获取监测结果。【结果】与样方验证数据比较,在样方面积相同的情况下基于OLI影像的水稻种植面积监测结果显示,浅丘区的平均精度为93.7%,误差范围为1.0%~8.7%;深丘区的为92.5%,误差范围为1.5%~15.8%。【结论】根据浅丘区、深丘区监测结果的误差范围差异,随着丘谷高差增大,地形趋于复杂、地块趋于狭长与破碎,OLI影像监测结果的不确定性增加,精度有下降的趋势。该研究为改进OLI影像监测四川丘陵地区水稻种植面积精度提供参考。
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
基于Worldview-2影像的玉米倒伏面积估算
《农业工程学报 》 2016 EI 北大核心 CSCD
摘要：为应用高分辨率遥感影像准确调查玉米倒伏面积,该文使用2012年9月14日获取的Worldview-2多光谱影像研究灌浆期倒伏玉米的光谱、纹理特征及其最优的面积估算方法。通过对影像进行大气校正后得到正常玉米和倒伏玉米的反射率,结果显示玉米倒伏后8个波段的反射率均升高,其中红边、近红外1和近红外2等3个波段的上升数值超过0.1。通过对反射率数据进行滤波得到正常、倒伏玉米的均值纹理特征,统计结果显示各波段纹理特征有差异,其中绿色、红边、近红外1及近红外2等4波段的均值纹理特征数值差距更明显。比较使用不同波段数量、特征及分类方法的倒伏面积估算值,结果表明基于最大似然分类法使用红边、近红外1和近红外2等3波段光谱反射率的倒伏面积估算方法最优,其最小误差为2.2%,最大误差为8.9%,平均误差为4.7%。该研究结果为应用高分辨率多光谱遥感数据调查玉米倒伏面积提供了相关依据。
基于小型无人机遥感的玉米倒伏面积提取
《农业工程学报 》 2014 EI 北大核心 CSCD
摘要：该文使用2012年小型无人机遥感试验获取的红、绿、蓝彩色图像研究灌浆期玉米倒伏的图像特征和面积提取方法。研究首先计算和统计正常、倒伏玉米的30项色彩、纹理特征,然后比较特征的变异系数和相对差异评选出适宜区分正常、倒伏玉米的特征;通过分析发现,与红、绿、蓝色灰度比较,多项色彩、纹理特征的变异系数更大或不同类别间的相对差异更小,不适用于准确区分正常、倒伏玉米,最适于区分正常和倒伏玉米的特征是3项基于灰度共生矩阵的红、绿、蓝色均值纹理特征。分别基于色彩特征和评选出的纹理特征提取倒伏玉米面积,对比2种方法的误差发现,基于红、绿、蓝色均值纹理特征提取倒伏玉米面积的误差最小为0.3%,最大为6.9%,显著低于基于色彩特征提取方法的。该研究结果为应用无人机彩色遥感图像准确提取倒伏玉米面积提供了依据和方法。
首页上一页1下一页尾页
