共查询到19条相似文献，搜索用时 453 毫秒
1.
为解决传统人工识别桃树病害效率低、成本高、准确率低等问题，提出了基于AI深度学习的桃树病害智能识别方法，利用并微调ImageNet预训练的DenseNet-169分类模型，对桃树常见的11种病害图像进行预处理与模型训练，搭建桃树病害智能识别软件环境。该方法对常见桃树病害的平均识别率达到91%以上，结合图像处理、深度学习、数据挖掘等技术自动对桃树病害进行识别，实现桃树病害的智能诊断并提供防治建议。该方法具有人力成本低、操作简单、识别效率高等优点，利于病害的及时诊出与防治决策的制定，对促进果园病害防控的智慧化管理具有重要研究意义与应用价值。 相似文献
2.
《现代农业科技》2018,(19)
本文从核桃园土壤养分变化动态、养分与树体生理、肥料与产量和品质、专用肥的研发等方面对核桃施肥技术的研究进行了归纳总结。核桃园土壤养分含量的年变化,反映核桃在一年中对不同营养元素的吸收规律;随着树龄的增加,核桃园的各种营养元素含量下降,生产上一定要施肥补充。土壤养分处于低水平时,在一定范围内增加养分含量,核桃生长量增加,氮的作用最大,其次是磷、钾;增施有机质改善了土壤环境,提高了核桃的生长量和抗逆性。核桃成熟期土壤养分状况与核仁饱满度密切相关,核桃产量和品质与不同生长发育时期中土壤、叶片中的某矿质元素含量相关,可通过调整矿质元素含量达到丰产优质的目的。以产量、品质目标建立各种矿质元素的叶片、土壤诊断时期和诊断指标的诊断体系,是精准施肥所必须的。根据土壤、气候条件和核桃生长发育的需要,在大量研究的基础上设计和生产专用肥料,可使核桃种植户较为准确地把握施肥技术。 相似文献
3.
水稻病害是影响水稻产量的重要因素之一,使用传统机器学习方法识别农作物病虫害效果并不理想,因此该研究使用深度学习技术结合迁移学习方法识别常见水稻病害.使用当前深度学习领域经典网络模型VGG、ResNet、DenseNet、InceptionResNet、Xception模型作为预训练模型,通过比较不同模型在新任务上的表现,选取性能最好且最稳定的Xception模型作为最终模型.试验结果显示,DenseNet、InceptionResNet、Xception的识别准确率可以达到97％,尤其是Xception模型不仅可以达到98.50％的最高识别准确率而且是最稳定的.该研究通过试验探讨了适用于常见水稻病害智能识别的最佳模型,同时表明了使用迁移学习方法解决新任务的有效性. 相似文献
4.
基于神经网络的大麦病害识别研究 总被引：1，自引：0，他引：1
试验首先提取甘肃大麦病斑的颜色和纹理特征,以特征向量为输入向量来构造大麦病害神经网络分类器模型.然后利用神经网络对采集到的训练集病害图像进行分类模型训练,最后以随机选取的两组测试图像进行了分类试验.结果表明:大麦病害神经网络分类器模型对甘肃大麦病害的整体识别正确率达到86.7%以上.因而,基于神经网络的大麦病害图像识别研究为大麦田间病害归类诊治提供了新型技术,为西北特别是甘肃大麦病害的早期诊断与科学防治奠定了技术基础. 相似文献
5.
《云南农业大学学报(自然科学版)》2019,(5)
【目的】针对传统水稻病害识别技术对图像特定特征依赖性强、识别效率低等问题,提出将深度学习理论应用到水稻病害识别中,以期取得较好的识别效果。【方法】通过使用深度卷积网络建立水稻病害识别模型,对水稻3种主要病害数据进行了归一化处理,采用深度学习框架Keras进行深度CNN训练。通过设置不同的卷积核尺寸和池化函数,对水稻3种常见病害进行分类识别研究。【结果】卷积核尺寸采用9×9和池化函数采用最大池化构建的模型识别率最高;模型经过5次迭代,其识别准确率就能达到90%以上;当迭代6次时,图像趋于稳定,模型基本达到收敛;从模型性能分析看,损失函数呈梯度下降趋势,变化相对平稳,预测损失偏差逐步减少。【结论】该模型具有泛化能力较强、准确率较高、鲁棒性较好及损失率较小等特点,这为植物病害的识别研究提供了参考和借鉴。 相似文献
6.
【目的】 高效准确监测大田作物病害对作物生产和粮食安全至关重要。文章旨在系统梳理大田作物病害遥感监测技术及模型的研究成果,推动作物病害监测技术发展与应用。【方法】 采用文献检索、归纳总结等方法,系统梳理了国内外大田作物病害遥感监测研究,阐述了大田作物病害遥感监测技术的未来发展趋势。【结果】 （1）阐述大田作物病害遥感监测基本原理,并构建了基本框架;（2）大田作物病害监测遥感数据源主要包括多光谱、高光谱、荧光和热红外遥感;（3）大田作物病害监测遥感模型主要包括统计模型、传统机器学习模型和深度学习模型。【结论】 未来应以病害早期监测、实时监测系统和数据共享为重点突破和研究的方向,为大田作物病害实时或准实时监测预测提供技术支撑。 相似文献
7.
病害是威胁作物生长的主要因素，其特征复杂、变化多样。农业从业人员如缺乏专业知识，往往难以准确识别。以往图像识别方法常针对单一作物，图像分割后提取病害特征进行识别，无法适应多种作物。针对此问题，以水稻、番茄、柑橘、苹果为研究对象，以ResNet模型为基础构建深度学习网络框架，设计了含Squeeze-and-Excitation(SE)模块全新的全连接层，导入在ImageNet上预训练的权重，并在病害数据集上训练得到病害模型。为扩充图像数据，对训练集原图进行了亮度增减、随机旋转与镜面翻转等操作。基于扩充后的训练集进行病害识别和病害程度的分级研究。结果表明，对水稻、番茄、柑橘、苹果平均病害程度识别的准确率为94.16%，平均病害种类识别的准确率为92.45%；并利用训练好的模型基于c#.net core开发了病害监测平台，可实现作物病害的智能识别。 相似文献
8.
深度学习在作物病害图像识别方面应用的研究进展 总被引：2，自引：0，他引：2
在作物生产管理过程中,正确及时地诊断作物所患病害非常关键。基于深度学习的图像识别为作物病害自动快速诊断提供了新途径。相比传统图像识别所用的模式识别方法,深度学习网络模型能自行提取特征且能够由低维特征抽象出高维特征,取得更好的学习效果。系统梳理了深度学习在图像自动化识别方面的发展历程,介绍了浅层神经网络的相关概念,阐述了深度学习与之相比具有的优势,并简述了深度学习的重要图像识别算法——卷积神经网络。作物病害图像识别由单作物单病害、单作物多病害和多作物多病害的识别三部分组成,在分析讨论深度学习这三方面的研究现状以及目前该领域面临的困难与挑战的基础上,提出了未来可能突破的难点和研究重点。 相似文献
9.
针对千阳县山地核桃园土壤肥力下降的原因,利用山区核桃园现有土地资源,因时因地、采取科学的林下间作套种玉米、生草、覆草及林下种植、养殖等途径,有效解决了核桃园土壤有机肥日益匮乏的问题,使核桃丰产、优质、可持续发展。 相似文献
10.
目的 实现香蕉病害的远程诊断。方法 基于深度学习方法对香蕉作物的7种常见病害进行诊断。收集了5944 幅健康及染病香蕉植株图像,按7：1：2分为训练集、验证集和测试集。利用迁移学习对GoogLeNet深度卷积神经网络训练获取诊断模型。进一步开发了包含手机移动应用程序(APP)和远程服务器的软件系统。结果 通过对比不同迭代次数及不同优化器,最终采用了MomentumOptimizer迭代10000 次的模型,平均测试精度达到了98%。设计的APP能够就地获取香蕉图像,并通过网络与集成了诊断模型的远程服务器通信,实时获取诊断结果。结论 该病害诊断模型识别主要病害的精度高,在线诊断系统简单易操作,可快速有效地在线诊断香蕉常见病害,具有良好的应用前景。 相似文献
11.
番茄病害的及时发现与治理有助于提高番茄产量与质量,增加农户经济收益。利用物联网和人工智能可以无损害有效检测番茄病害,该研究提出了一种改进的AT-InceptionV3(Attention-InceptionV3)神经网络番茄叶部病害检测模型,该网络以InceptionV3为主干网络,结合多尺度卷积和注意力机制CBAM(convolutional block attention module,CBAM)模块,增强了病害信息表达并抑制无关信息干扰;同时引入迁移学习,防止样本数据量较少时出现过拟合的情况。为了评价优化模型的有效性,在Plant Village公开番茄病害数据集上进行了实验仿真测试。改进的模型在测试阶段对番茄健康叶片、细菌性斑疹病、晚疫病、叶霉病和黄曲病5种番茄常见叶片图像分类准确率达到98.4%,优化效果显著。为了进一步验证该方法在不同物联网中的普适性,实验对比了模型对不同分辨率病害图像的分类效果,结果表明,图像精度部分损失不会降低病害分类准确率。该模型能够为番茄温室智能网络决策判断提供重要依据。 相似文献
12.
基于图像规则推理的玉米病虫草害诊断系统的设计 总被引：1，自引：0，他引：1
为解决因植保人员短缺而使玉米病虫草害不能及时得到诊断与防治,导致玉米生产减产乃至绝产的问题,本研究基于不同发病部位的病症及虫害、草害的图像知识和文本知识,采用二叉树检索算法,设计开发了玉米病虫害诊断专家系统。实际应用结果表明:系统可实现对病虫草害图像、文本和图像推理规则等知识的管理及病虫草害智能推理诊断等功能;可实现对虫害草害实现指认式诊断、解释推理过程和推理结论。通过该系统推出的玉米病虫害诊断结论,农户可针对病虫草害种类及危害程度及时防治病虫害,减少玉米生产损失。 相似文献
13.
[目的]分析晚实核桃叶内矿质元素含量的年动态变化规律,确定核桃叶片养分诊断的适宜采样时期。[方法]以晚实核桃品种陇南12号为试材,测定了叶片生长发育期间N、P、K、Ca、Mg、Mn、Cu、Fe、Zn等元素的含量并分析其变化情况。[结果]陇南12号晚实核桃叶片内N、P、K含量在核桃年生长季内的变化呈下降趋势,在整个生育期桃叶片内N、P、K的平均含量分别为24.98、1.97和7.81g/kg;Ca、Mg、Mn、Cu含量随核桃生育期的推进而逐渐增加,其中Ca含量的增加幅度接近1倍,Mg含量的增幅为25.1%;Fe、Zn含量则随着核桃生育期上下波动。[结论]综合考虑,对晚实核桃陇南12号叶片进行N、P、K等养分诊断时,采样时期以7月份为宜。 相似文献
14.
基于模糊综合评判的核桃病虫害诊断方法的研究初探 总被引：2，自引：0，他引：2
利用模糊综合评判的有关理论,在专家给出的核桃病虫害的诊断结论的基础上,给出了相关的核桃病虫害诊断的模糊综合评判数学模型。并用实际例子说明该模型的可行性和有效性。 相似文献
15.
16.
基于ResNet-50深度卷积网络的果树病害智能诊断模型研究 总被引：2，自引：1，他引：1
[目的/意义]果树病害危及农业生产安全,运用人工智能技术帮助果农及时准确地识别果树病害对保障农业安全生产具有重要意义.[方法/过程]采用10 000张果树叶片病斑图像数据集,通过旋转、污化、增噪、切割等图像增强手段,提高样本图像的多样性;使用ResNet-50深度卷积网络模型,进行机器学习,获得果树病害识别模型,并基于... 相似文献
17.
18.
基于迁移学习的番茄叶片病害图像分类 总被引：4，自引：1，他引：4
针对卷积神经网络对番茄病害识别需训练参数较多,训练非常耗时的问题,将迁移学习应用于AlexNet卷积神经网络,对病害叶片和健康叶片共10种类别的番茄叶片进行分类研究。使用14 529张番茄叶片病害图像,随机选择70%作为训练集,30%作为验证集,对AlexNet卷积神经网络模型结构进行迁移,利用在Imagenet图像数据集上训练成熟的AlexNet模型和其参数对番茄叶片病害识别。在训练过程中,固定低层网络参数不变,微调高层网络参数,将番茄病害图像输入到网络中训练网络高层参数,用训练好的模型对10种类别的番茄叶片分类,并进行了20组试验。结果表明:该算法在训练迭代474次时使网络模型很好的收敛,网络对验证集的测试平均准确率达到95.62%,与从零开始训练的AlexNet卷积神经网络相比,本研究算法缩短了训练时间,平均准确率提高了5.6%。采用迁移学习所建立的病害分类模型能够对10种类别的番茄叶片病害快速准确地分类。 相似文献
19.
基于优化卷积神经网络的玉米螟虫害图像识别 总被引：2，自引：2，他引：2
【目的】随着人工智能和大数据技术的不断发展,针对常规玉米虫害识别方法存在的准确率和效率低等问题,本文提出了一种基于改进GoogLeNet卷积神经网络模型的玉米螟虫害图像识别方法。【方法】首先通过迁移学习将GoogLeNet的Inception-v4网络结构知识转移到玉米螟Pyrausta nubilalis虫害识别的任务上,构建模型的训练方式;然后通过数据增强技术对玉米螟虫图像进行样本扩充,得到神经网络训练模型的数据集;同时利用Inception模块拥有多尺度卷积核提取多尺度玉米螟虫害分布特征的能力构建网络模型,并在试验过程中对激活函数、梯度下降算法等模型参数进行优化;最后引入批标准化(BN)操作加速优化模型网络训练,并将该模型运用到玉米螟虫害识别中。【结果】基于TensorFlow框架下的试验结果表明,优化后的神经网络算法对玉米螟虫害图像平均识别准确率达到了96.44%。【结论】基于优化的卷积神经网络识别模型具有更强的鲁棒性和适用性,可为玉米等农作物虫害识别、智能诊断提供参考。 相似文献