排序方式: 共有45条查询结果,搜索用时 0 毫秒
1.
2.
精准预测玉米出机水分含量是实现玉米干燥过程自动控制的关键。为提升玉米干燥系统自动化程度,实现玉米出机水分的快速、无损、精准预测,研究依托粮食干燥模拟试验系统,通过调节干燥过程的热风温度、干燥段温度和排粮频率,设计8组多批次玉米干燥平行试验,分时段获得玉米干燥过程6个点位的温湿度特征数据,以及相对应的出机玉米水分含量数据;通过相邻平均法(adjacent average smoothing,AAS)对12组温湿度特征数据进行平滑处理,平滑后的数据点集合毛刺减少、波动明显缓解,12组特征数据与玉米出机水分含量的Pearson相关性大幅提升,提高幅度在0.061~0.105之间,为后续构建玉米水分预测模型提供了数据基础;进而,研究以相邻平均法平滑后的12组特征数据作为模型输入量,构建了基于极限学习机(extreme learning machine,ELM)的玉米干燥过程出机水分含量预测模型并进行评价分析。结果表明:基于ELM的玉米出机水分含量预测模型以sigmoid为激活函数、神经元个数设定为22时,模型运行速率较快、预测效果较好,其中训练集和验证集拟合优度R2分别为0.988 6和0.9... 相似文献
3.
5.
6.
纹枯病是水稻的三大病害之一,尤其在中国北方稻区,纹枯病发生逐渐加重、严重威胁到中国的粮食安全,而纹枯病的有效检测是水稻病害预防与控制的首要任务。在实际生产中,农民和从事相关的研究人员通过人工目测来识别水稻纹枯病,但由于光线、杂草、枯叶等外在自然因素和人眼视觉误差等人为因素,导致对水稻的病害等级误判,从而影响对水稻纹枯病的防治,造成环境污染和经济损失,而计算机视觉技术给水稻纹枯病的自动识别检测带来了可能。基于2019年沈阳农业大学北方粳型超级稻成果转化基地的水稻纹枯病图像数据,综合借鉴YOLOv1、YOLOv2和Faster R-CNN算法,设计了一种基于深度卷积神经网络的水稻纹枯病识别模型:YRSNET。该模型具有回归思想的特点,将图像划分为相同大小互不重合的网格,然后通过特征图来预测每个网格区域上的边界框和含有纹枯病病斑的置信度,最终通过非极大值抑制法获得含有纹枯病病斑的最佳边界框位置。试验结果表明:YRSNET对纹枯病病斑识别的平均精度mAP为84.97%、查准率达到为90.21%,对大小为450×800pixel的图像识别所需时间为32.26ms(31帧·s-1 相似文献
7.
粳稻氮素含量的快速、无损、准确估算,可以及时掌握粳稻的生长状况,对指导粳稻田间管理具有重要意义。为提高粳稻冠层氮素含量的高光谱反演精度,利用沈阳农业大学路南试验基地2018年粳稻3个关键生育期无人机高光谱影像和同步测定的粳稻冠层氮素含量作为数据源,选用从粳稻冠层光谱中提取的高光谱位置变量、面积变量和植被指数变量3种类型20个光谱特征参数与氮素含量进行相关性分析,选出各个生育期内相关性较高的前3个光谱特征参数作为模型输入分别建立偏最小二乘回归(PLSR)、BP神经网络(BPNN)和思维进化算法优化BP神经网络(MEA-BPNN)3种粳稻冠层氮素含量反演模型并验证。结果表明:在粳稻分蘖期、拔节期、抽穗期,与粳稻氮素含量相关性最好的高光谱特征参数均为红边面积SDr,相关系数分别为0.771,0.664,0.775;MEA-BPNN反演模型与PLSR、BPNN相比,无论在模型精度还是预测能力都有明显提高,在各个生育期,MEA-BPNN模型的建模集和验证集决定系数R2均达到0.700以上,RMSE均低于0.400以下,说明MEA-BPNN反演模型是筛选出的最佳粳稻冠层氮素含... 相似文献
8.
针对实际稻田环境中水稻与杂草相互遮挡、难以准确区分的问题,提出一种基于改进DeepLabv3+的水稻杂草识别方法。以无人机航拍的复杂背景下稻田杂草图像为研究对象,在DeepLabv3+模型的基础上,选择轻量级网络MobileNetv2作为主干特征提取网络,以减少模型参数量和降低计算复杂度;融合通道和空间双域注意力机制模块,加强模型对重要特征的关注;提出一种基于密集采样的多分支感受野级联融合结构对空洞空间金字塔池化模块(ASPP)进行改进,扩大对全局和局部元素特征的采样范围;对模型解码器部分进行改进。设置消融试验验证改进方法的有效性,并与改进前DeepLabv3+、UNet、PSPNet、HrNet模型进行对比试验。试验结果表明,改进后模型对水稻田间杂草的识别效果最佳,其平均交并比(MIoU)、平均像素准确率(mPA)、F1值分别为90.72%、95.67%、94.29%,较改进前模型分别提高3.22、1.25、2.65个百分点;改进后模型内存占用量为11.15 MB,约为原模型的1/19,网络推算速度为103.91 f/s。结果表明改进后模型能够实现复杂背景下水稻与杂草分割,研究结果可... 相似文献
9.
水稻叶片高光谱数据降维与叶绿素含量反演方法研究 总被引:3,自引:0,他引:3
高光谱遥感技术为水稻叶片叶绿素含量的高通量、无损、准确监测提供了有效途径,然而高光谱数据的降维或特征光谱参数的选择是叶绿素含量有效反演的关键环节。利用2017年辽宁省盘锦市大洼水稻氮高效品种筛选试验基地的水稻叶片叶绿素含量与叶片高光谱数据,探讨了高光谱数据的降维方法与叶绿素含量的反演建模。首先应用最优子集选择算法(best subset selection)对工程常用的水稻叶绿素反演特征光谱指数进行优选,筛选出最优组合,作为叶绿素多元回归模型的输入特征;同时应用没有在光谱领域得到有效应用的基函数展开算法,利用Gram-Schmidt正交变换寻找叶片高光谱数据的基函数空间,再将高光谱数据投影到基函数空间从而实现降维,最后利用降维后的数据进行多元回归建模,反演叶绿素。结果表明:最优子集选择算法优选出的mNDVI(445,705,750)、NDVI(705,750)、PSRI(500,680,750)、RD(505,705)、RI1dB(720,735)、MCARI(550,670,700)、PPR(450,550)共7个特征指数组合,回归模型反演精度最高,决定性系数R2为0.844,均方根误差RMSE为0.926;基于基函数展开算法对400~1000nm波段范围601维高光谱数据降至13维,叶绿素反演回归模型的决定性系数R2达到0.861,均方根误差RMSE为0.906。说明基于基函数展开的高光谱降维与叶绿素含量估测方法效果较好,可为水稻叶绿素含量估测与长势诊断提供技术支持。 相似文献
10.
粳稻多旋翼植保无人机雾滴沉积垂直分布研究 总被引:8,自引:0,他引:8
为研究多旋翼植保无人机低空喷施作业过程中,水稻垂直方向雾滴沉积的分布规律,在水稻冠层叶片、中部叶片、底部叶片分别放置了雾滴测试卡,收集植保无人机喷洒过程中的雾滴信息。使用清水代替农药来模拟喷施过程,利用雾滴沉积分析软件i DAS分析雾滴测试卡,得出植保无人机雾滴在水稻垂直方向的分布结果。试验结果表明:植保无人机低空喷雾在水稻垂直方向的雾滴覆盖率存在显著差异,有效喷幅内旋翼下方区域的雾滴覆盖效果最好,而远离旋翼的位置,雾滴覆盖率较差。从水稻垂直方向的不同位置分析,雾滴总体覆盖率为冠层54.86%,中部32.69%,底部24.7%;水稻垂直各位置的粒径分布中,平均粒径范围处于110~140μm之间,粒径大小适合植物病虫的防治。冠层的点密度最大,而水稻中间部位和水稻底部的点密度分布较为相似;水稻中部雾滴扩散比(0.465)优于冠层(0.38)和底部(0.31),整体喷雾的雾滴扩散比与相对粒谱宽度的数值均低于正常值(0.67)。 相似文献