科研产出
基于MS-YOLO v7的多尺度稻飞虱识别分类方法
《农业机械学报 》 2023 EI 北大核心 CSCD
摘要：智能虫情测报灯下害虫的精准识别和分类是实现稻田虫情预警的前提，为解决水稻害虫图像识别过程中存在分布密集、体态微小、易受背景干扰等造成识别精度不高的问题，提出了一种基于MS-YOLO v7（Multi-Scale-YOLO v7）轻量化稻飞虱识别分类方法。首先，采用稻飞虱害虫诱捕装置搭建稻飞虱害虫采集平台，获取的稻飞虱图像构成ImageNet数据集。然后，MS-YOLO v7目标检测算法采用GhostConv轻量卷积作为主干网络，减小模型运行的参数量；在Neck部分加入CBAM注意力机制模块，有效强调稻飞虱区别度较高的特征通道，抑制沉冗无用特征，准确提取稻飞虱图像中的关键特征，动态调整特征图中不同通道的权重；将SPPCSPS空间金字塔池化模块替换SPPFS金字塔池化模块，提高网络模型对各分类样本的特征提取能力；同时将YOLO v7模型中的SiLU激活函数替换为Mish激活函数，增强网络的非线性表达能力。试验结果表明，改进后的MS-YOLO v7在测试集上的模型平均精度均值（Mean average precision, mAP）为95.7%,精确率（Precision）为96.4%,召回率（Recall）为94.2%,与Faster R-CNN、SSD、YOLO v5、YOLO v7网络模型相比mAP分别提高2.1、3.4、2.3、1.6个百分点，F1值分别提高2.7、4.1、2.5、1.4个百分点。改进后的模型内存占用量、参数量、浮点运算数分别为63.7 MB、2.85×10~7、7.84×1010,相比YOLO v7模型分别缩减12.5%、21.7%、25.4%,MS-YOLO v7网络模型对稻飞虱种间害虫均能实现高精度的识别与分类，具有较好的鲁棒性，可为稻田早期稻飞虱虫情预警提供技术支持。
关键词： 稻飞虱 图像识别 机器学习 目标检测 分类 YOLO v7
全文链接
请求原文
长江流域冬油菜产量潜力及产量差分布特征
《山东农业科学 》 2023
摘要：油菜生产对于保障我国食用油供给安全至关重要,长江流域是我国油菜的主产区,准确评估该流域油菜生产潜力及潜在产量与实际产量差异的分布特征,可以科学指导和推广油菜生产,充分利用冬季闲田,提高油菜总产量.本研究将作物生长模型APSIM和机器学习技术结合,构建了APSIM-Canola产量潜力预测模型,可以利用较少的输入变量快速准确预测出油菜的潜在产量;利用预测的潜在产量和实际的县级统计产量计算产量差,进一步分析长江流域油菜潜在产量和产量差的空间分布特征.结果表明,长江流域冬油菜潜在产量分布大致呈西南低、东北高的趋式,平均产量潜力变化范围在 1 000~4 000 kg/hm2之间.产量差的分布特征则与统计产量和潜在产量不同,在研究区域的东部和西部油菜产量差大多低于 1 000 kg/hm2,而在江西、湖南大部分地区及安徽和湖北北部,产量差可达 2 000 kg/hm2,县级统计产量仅有潜在产量的 50%左右.据此,在长江流域的油菜潜在产量高值区,如江苏、安徽、湖北、重庆大部分地区和江西、湖南、贵州的北部地区,应重点推广冬油菜种植,充分利用这些地区的冬季闲田,提高油菜产量;在江西、湖南大部分地区及安徽和湖北北部等油菜产量差较高的地区,应进一步推广油菜高效种植技术,提高油菜的实际产量;而在产量差较低的地区,应考虑通过选育适宜的高产品种进一步提升产量潜力.
关键词： 冬油菜 长江流域 产量潜力 分布特征 APSIM-Canola model 机器学习 随机森林算法
全文链接
请求原文
基于机器学习和大数据平台的陆地生态系统碳收支遥感监测
《遥感技术与应用 》 2022 北大核心 CSCD
摘要：陆地生态系统碳收支是全球碳循环研究的重要指标，也是气候变化的重要参数。针对该指标估测的不确定性，基于陆地生态系统通量观测研究网络的实测碳通量数据及遥感卫星观测数据产品，利用机器学习方法进行建模研究。研究选用随机森林算法自动从高质量的星—地训练数据集中学习特征、挖掘数据中的隐含信息以及时序间依赖关系的差异，建立了基于随机森林算法的碳收支参数GPP(Gross Primary Production)、NEP(Net Ecosystem Production)估算模型，并选择标准指标利用验证数据集对模型进行了客观评价。结果分析表明：与MODIS GPP产品相比，该方法在估算精度上有了提高，其中落叶阔叶林预测结果最优，决策系数为R2为0.82，均方根误差为1.93 gCm-2d-1，在其他植被类型上也明显优于传统光能利用率模型产品，更接近于地面通量观测数据。基于相同方法建立的NEP模型也得到了较好的估测结果，落叶阔叶林预测模型的输出结果与通量塔获得的NEP相关关系R2为0.70,RMSE=1.75 g C m-2d-1。GPP和NEP模型精度差异也表明，在进行机器学习建模时，训练数据集自变量的选择仍然需要机理模型支持。为进行陆地生态系统碳收支大范围快速估算，本研究进行了陆地生态系统碳收支遥感监测平台的搭建，该平台以GEE(Google Earth Engine)大数据平台作为数据存储与计算后端，Django和Nginx作为Web服务框架，OpenLayers和jQuery作为前端框架，从而实现了碳收支参数长时间序列大范围的快速计算、结果实时显示等功能。基于该平台和模型获取的2002—2016年全球（60°N—60°S）逐年GPP结果表明，全球平均GPP存在明显的空间差异，显著增加的区域主要集中在亚洲东部地区及北美洲森林地区等。研究表明，基于机器学习和大数据平台进行碳收支参数遥感监测，能够快速提供与地面真实观测较为一致的陆地生态系统区域和全球尺度碳收支遥感监测结果，该流程在一定程度避免了生理过程模型复杂的参数设置，减少了区域和全球大尺度碳收支监测的不确定性。
全文链接
请求原文
基于高光谱成像技术识别苹果轻微损伤的有效波段研究
《中国农业科技导报 》 2020 北大核心 CSCD
摘要：为了筛选出适用于开发苹果轻微损伤自动分级仪器的有效波段,以200个烟台富士苹果为对象进行研究。首先获取400～1 000 nm波长范围内完好和轻微损伤后0、0.5、1 h的苹果高光谱图像,然后提取完好与损伤样本感兴趣区域的平均光谱反射率数据,再利用载荷系数法(x-LW)、连续投影法(SPA)和二阶导数(second derivative)法提取特征波长,分别提取3、9和20个特征波长,并根据特征波长建立基于遗传算法优化的BP神经网络(GA-BP)和支持向量机(SVM)损伤识别模型。结果显示,三种基于特征波长提取方法建立的SVM模型对测试集的识别率(分别为77.50%、91.88%、96.88%)均高于BP-GA模型(分别为75.63%、90.63%、93.75%),因此,SVM被确定为最佳苹果轻微损伤识别模型。最后,利用每一特征波长分别作为变量建立SVM模型。结果发现,波段811 nm识别率达到90.63%,优于其他波段,被确定为苹果轻微损伤识别的最优波段。
关键词： 高光谱成像技术 轻微损伤识别 有效波段 连续投影法 二阶导数法 机器学习
全文链接
请求原文
首页上一页1下一页尾页
