共查询到20条相似文献，搜索用时 890 毫秒
1.
2.
为开发菊花EST-SSR标记并用于万春菊资源分析,研究了菊花的EST-SSR特征、标记开发及其在万寿菊上的可转移性。结果表明,菊花EST-SSR出现频率为5.35%,平均每10.64 kb存在1个SSR位点。在这些SSR位点中,共有83种重复基元,2-6核苷酸重复类型分别为10、40、14、5和14种。以14个菊花品种DNA为模板,22对菊花EST-SSR引物中14对可以扩增到清晰且稳定的PCR产物,共检出49个位点,平均每对引物可扩增出3.5条多态性片段,平均多态性信息含量(PIC)为0.751。在14对有效引物中,8对可以在待检万寿菊样品中扩增到清晰稳定的条带,可转移率为57.14%。综上所述,菊花以三核苷酸重复类型占主导,六核苷酸重复类型高于其它植物种类,菊花EST-SSR引物多态性信息含量处于较高水平。本研究可为万寿菊分子标记辅助育种奠定科学基础。 相似文献
3.
基于双注意力语义分割网络的田间苗期玉米识别与分割 总被引：6，自引：6，他引：0
为实现复杂田间场景中幼苗期玉米和杂草的准确识别与区域划分,该研究提出改进的双注意力语义分割方法,通过获取形态边界实现玉米幼苗的识别与精细分割,在此基础上采用形态学处理方法识别图像中除玉米外的全部杂草区域。首先对6种当前最高性能的语义分割网络进行对比,确定模型原始架构;建立幼苗期玉米语义分割模型,包括改进深层主干网络增强特征,引入双注意力机制构建特征的场景语义依赖关系,以编码器-解码器结构组建模型并增加辅助网络优化底层特征,改进损失函数协调模型整体表现,制定改进的迁移学习策略;提出图像形态学处理方法,基于玉米像素分割结果,生成杂草分割图。测试结果表明,模型的平均交并比、平均像素识别准确率分别为94.16%和95.68%,相比于原网络分别提高1.47%和1.08%,识别分割速度可达15.9帧/s。该研究方法能够对复杂田间场景中的玉米和杂草进行准确识别与精细分割,在仅识别玉米的前提下识别杂草,有效减少图像标注量,避免田间杂草种类的多样性对识别精度的影响,解决玉米与杂草目标交叠在形态边界上难以分割的问题,研究结果可为智能除草装备提供参考。 相似文献
4.
运用知识工程和系统工程层次分析法,建立了一个基于网络的品种资源信息管理系统。系统以WIindows为开发平台,综合运用数据库技术,建立了品种资源信息数据库;运用系统工程、软件工程实现了系统模块建设。通过高级软件开发工具PB实现了其后台信息维护功能,利用ASP.NET网络开发技术开发出用户能够通过网络访问的客户端系统。该系统是对农业品种资源进行多年收集,并在吸取以往开发信息系统经验,充分利用网络和计算机快速、准确处理信息等优势开发而成。系统除具有客户端查询、分析品种资源信息外,还可通过后台维护系统对用户级别和权限设置,数据备份与恢复,保障了数据的安全性、可靠性。该系统还可对各类信息类型加以设置,以适用于其他种类信息自动化管理,具有良好的可扩充性。 相似文献
5.
植物识别意义重大,但是由于植物种类繁多,规模数据集标注和构建困难,因此植物物种识别作为精细分类任务仍然面临巨大挑战。该研究提出一种改进稠密胶囊网络模型用于植物物种识别。首先,在网络初始端引入自注意力层,通过增加特征图中待识别区域的特征权值以降低背景信息对于识别任务的干扰。其次,在改进模型胶囊层间使用局部约束动态路由算法,实现局部区域内胶囊路由选择和转换矩阵共享机制,降低网络参数规模,减小网络训练学习计算负载。在试验数据集上计算结果表明,当输入图片尺度为32×32像素时,该研究模型平均识别准确率为77.2%,参数规模仅为1.8M。当输入图片尺度为227×227像素时,该研究模型平均识别准确率为95.1%,参数规模仅为5.2M。试验结果表明提出的改进稠密胶囊网络模型在识别分类和降低模型参数规模上均有大幅提升。 相似文献
6.
基于实体级遮蔽BERT与BiLSTM-CRF的农业命名实体识别 总被引：1，自引：1，他引：0
字符的位置信息和语义信息对命名方式繁杂且名称长度较长的中文农业实体的识别至关重要。为解决命名实体识别过程中由于捕获字符位置信息、上下文语义特征和长距离依赖信息不充足导致识别效果不理想的问题,该研究提出一种基于EmBERT-BiLSTM-CRF模型的中文农业命名实体识别方法。该方法采用基于Transformer的深度双向预训练语言模型（Bidirectional Encoder Representation from Transformers,BERT）作为嵌入层提取字向量的深度双向表示,并使用实体级遮蔽策略使模型更好地表征中文语义;然后使用双向长短时记忆网络（Bidirectional Long Short-Term Memory,BiLSTM）学习文本的长序列语义特征;最后使用条件随机场（Conditional Random Field,CRF）在训练数据中学习标注约束规则,并利用相邻标签之间的信息输出全局最优的标注序列。训练过程中使用了焦点损失函数来缓解样本分布不均衡的问题。试验在构建的语料库上对农作物品种、病害、虫害和农药4类农业实体进行识别。结果表明,该研究的EmBERT-BiLSTM-CRF模型对4类农业实体的识别性能相较于其他模型有明显提升,准确率为94.97%,F1值为95.93%。 相似文献
7.
基于改进动态扩展和位置服务的农产品追溯系统优化 总被引：1，自引：1，他引：0
农产品追溯系统是解决食品安全问题的重要手段,目前常见的追溯系统往往具有适用品种单一、精度不高、可应用性弱等特点,无法满足大规模推广应用的需要。该文以建立适用面广、性能高效的农产品追溯系统为目标,分析了常见追溯系统的软件框架与追溯信息数据结构,重点研究可支撑多品种追溯的动态扩展数据模型优化技术,同时以提升追溯精度、降低追溯成本为目标研究了基于位置服务(location based service,LBS)的追溯精度提升技术。针对追溯系统适用范围窄的问题,分析了追溯信息指标模型的数据结构特征,对比了常见的4种动态扩展数据模型,采用EAV与XML数据模型相结合的方法,通过可视化操作界面实现了不同品种追溯信息的动态扩展,通过性能分析发现该模型较其他两种模型时间缩短65%,查询效率提升了175%;针对追溯信息中的产地环境信息,分析了各类环境数据的可用来源和数据特征,制订了数据匹配的最小空间单元和实现方法,运用LBS技术实现了产地环境信息的自动获取,通过追溯系统之间的精度对比发现,该技术显著提高了追溯系统的宽度、深度、精确度,从而整体提升了系统追溯精度并降低了数据采集成本。该系统已在青海省应用,结果表明该系统较其他系统在适用范围、系统性能、追溯精度与追溯成本上具有明显优势。 相似文献
8.
为进一步开发利用药用菊花种质资源,为药用菊花的遗传多样性及分子鉴定研究提供技术支持,建立并优化药用菊花的目标起始密码子多态性-聚合酶链式反应(SCoT-PCR)体系,在方差分析基础上,运用L25(56)正交设计在5个水平上对影响药用菊花SCoT-PCR反应的模板DNA、Mg2+、dNTPs、Taq酶、引物5个因素进行优化试验,并对PCR结果进行分析。建立了药用菊花SCoT-PCR最佳反应体系(20μL):模板DNA 10 ng,引物0.8μmol·L-1,dNTPs 0.2 mmol·L-1,Mg2+2.0 mmol·L-1,Taq酶1.5 U,SCoT反应的影响因素依次为:Taq酶引物dNTPsMg2+模板DNA。优化的SCoT-PCR反应体系在多个药用菊花品种遗传多样性研究中得到了验证,结果表现出良好的稳定性、重复性和多态性丰富等特点,该体系的建立为药用菊花品种遗传多样性分析、系统发育研究、遗传图谱构建、基因定位和分子标记辅助育种研究奠定了基础。 相似文献
9.
烟叶的部位信息是进行烟叶分级的重要参考信息,准确识别烟叶部位对实现烟叶智能分级具有重要意义。在实际的烟叶智能分级应用中,为了提高分级效率,需要对多片烟叶等级进行同步识别。受现行上料方式的限制,同步识别的多片烟叶间往往存在局部遮挡的问题,给烟叶的目标检测和部位识别带来挑战。该研究提出一种基于改进Cascade Mask R-CNN,融合通道、非局部和空间注意力机制（channel-nonlocal-space attation）,并引入柔性极大值抑制检测框交并操作（soft non-max-suppression）与斯库拉交并比损失函数（SIoU）的目标检测与识别模型（CSS-Cascade Mask R-CNN）。该模型对Cascade Mask R-CNN进行了三方面的改进：一是在其骨干网络Resent101上同时引入通道、非局部、空间3种注意力机制,使网络更加关注未被遮挡且部位特征明显区域的显著度;二是将Cascade Mask R-CNN中的损失函数SmoothL1Loss替换为SIoU损失函数,将预测框与真实框之间的方向差异引入到模型训练中提高模型检测精度;三是在筛选候选框时将常规的非极大抑制（non-max-suppression）替换为柔性非极大抑制,以避免删除候选框造成信息丢失。试验结果表明,利用提出的模型对有遮挡多片烟叶进行检测和部位识别,检测框平均准确率均值（bbox_mAP50）达到了80.2%,与改进前的Cascade Mask R-CNN模型相比提高了7.5个百分点。提出的模型与多个主流的目标检测模型（YOLO VX、YOLO V3、YOLO V5、Mask R-CNN、Cascade R-CNN）相比,也分别高出7.1、10.2、5.8、9.2、8.4个百分点,尤其是对较难区分的下部烟叶优势明显,因此研究结果可以为有遮挡多片烟叶部位的检测识别提供参考。 相似文献
10.
基于迁移学习的葡萄叶片病害识别及移动端应用 总被引：7，自引：6，他引：1
为解决已有的卷积神经网络在小样本葡萄病害叶片识别的问题中出现的收敛速度慢,易产生过拟合现象等问题,提出了一种葡萄叶片病害识别模型(Grape-VGG-16,GV),并针对该模型提出基于迁移学习的模型训练方式。将VGG-16网络在ImageNet图像数据集上学习的知识迁移到本模型中,并设计全新的全连接层。对收集到的葡萄叶片图像使用数据增强技术扩充数据集。基于扩充前后的数据集,对全新学习、训练全连接层的迁移学习、训练最后一个卷积层和全连接层的迁移学习3种学习方式进行了试验。试验结果表明,1)迁移学习的2种训练方式相比于全新学习准确率增加了10～13个百分点,并在仅训练25轮达到收敛,该方法有效提升了模型分类性能,缩短模型的收敛时间;2)数据扩充有助于增加数据的多样性,并随着训练次数的增加,训练与测试准确率同步上升,有效缓解了过拟合现象。在迁移学习结合数据扩充的方式下,所构建的葡萄叶片病害识别模型(GV)对葡萄叶片病害的识别准确率能达到96.48%,对健康叶、褐斑病、轮斑病和黑腐病的识别准确率分别达到98.04%、98.04%、95.83%和94.00%。最后,将最终的研究模型部署到移动端,实现了田间葡萄叶片病害的智能检测,为葡萄病害的智能诊断提供参考。 相似文献
11.
改进YOLOv3网络提高甘蔗茎节实时动态识别效率 总被引：4，自引：4，他引：0
为推广甘蔗预切种良种、良法种植技术,结合甘蔗预切种智能横向切种机的开发,实现甘蔗切种装置对蔗种特征的连续、动态智能识别。该文通过甘蔗切种机黑箱部分内置的摄像机连续、动态采集整根甘蔗表面数据,采用改进的YOLOv3网络,建立智能识别卷积神经网络模型,通过拍摄装置内部的摄像头对输入识别系统的整根甘蔗的茎节图像特征进行实时定位与识别,并比对识别信息,及时更新茎节数据,识别、标记出茎节位置,再经过数据处理得到实时的茎节信息,输送到多刀数控切割台进行实时切割。经过训练及试验测试,结果表明:经过训练及试验测试,模型对茎节的识别的准确率为96.89%,召回率为90.64%,识别平均精度为90.38%,平均识别时间为28.7 ms,与原始网络相比平均精确度提升2.26个百分点,准确率降低0.61个百分点,召回率提高2.33个百分点,识别时间缩短22.8 ms,实现了甘蔗蔗种的连续、实时动态识别,为甘蔗预切种智能横向切种机的开发提供数据基础。 相似文献
12.
基于卷积神经网络的温室黄瓜病害识别系统 总被引：25，自引：14，他引：11
基于图像处理和深度学习技术,该研究构建了一个基于卷积神经网络的温室黄瓜病害识别系统。针对温室现场采集的黄瓜病害图像中含有较多光照不均匀和复杂背景等噪声的情况,采用了一种复合颜色特征(combinations of color features,CCF)及其检测方法,通过将该颜色特征与传统区域生长算法结合,实现了温室黄瓜病斑图像的准确分割。基于温室黄瓜病斑图像,构建了温室黄瓜病害识别分类器的输入数据集,并采用数据增强方法将输入数据集的数据量扩充了12倍。基于扩充后的数据集,构建了基于卷积神经网络的病害识别分类器并利用梯度下降算法进行模型训练、验证与测试。系统试验结果表明,针对含有光照不均匀和复杂背景等噪声的黄瓜病害图像,该系统能够快速、准确的实现温室黄瓜病斑图像分割,分割准确率为97.29%;基于分割后的温室黄瓜病斑图像,该系统能够实现准确的病害识别,识别准确率为95.7%,其中,霜霉病识别准确率为93.1%,白粉病识别准确率为98.4%。 相似文献
13.
14.
基于深度卷积神经网络的番茄主要器官分类识别方法 总被引：17，自引：14，他引：3
为实现番茄不同器官的快速、准确检测,提出一种基于深度卷积神经网络的番茄主要器官分类识别方法。在VGGNet基础上,通过结构优化调整,构建了10种番茄器官分类网络模型,在番茄器官图像数据集上,应用多种数据增广技术对网络进行训练,测试结果表明各网络的分类错误率均低于6.392%。综合考虑分类性能和速度,优选出一种8层网络用于番茄主要器官特征提取与表达。用筛选出的8层网络作为基本结构,设计了一种番茄主要器官检测器,结合Selective Search算法生成番茄器官候选检测区域。通过对番茄植株图像进行检测识别,试验结果表明,该检测器对果、花、茎的检测平均精度分别为81.64%、84.48%和53.94%,能够同时对不同成熟度的果和不同花龄的花进行有效识别,且在检测速度和精度上优于R-CNN和Fast R-CNN。 相似文献
15.
基于面向通道分组卷积网络的番茄主要器官实时识别 总被引：2，自引：2，他引：0
番茄器官的实时准确识别是实现自动采摘、靶向施药等自动化生产的关键。该文提出一种基于面向通道分组卷积网络的番茄主要器官实时识别网络模型,该模型直接用特征图预测番茄器官目标边界和类型。以统计可分性、计算速度等为判据,并结合样本扩增训练,分析了该网络和几种典型网络在番茄器官图像处理上的性能,以此筛选出识别网络的基础结构,在基础结构后面分别附加带dropout层的面向通道分组卷积模块和全卷积层作为识别网络的总体架构。试验结果表明:用面向通道分组卷积网络作为识别网络的基础结构,可在显著提高网络召回率、识别速度和精度的前提下,大幅降低模型的大小,该结构网络对花、果、茎识别的平均精度分别为96.52%、97.85%和82.62%,召回率分别为77.39%、69.33%和64.23%,识别速度为62帧/s;与YOLOv2相比,该文识别网络召回率提高了14.03个百分点,精度提高了2.51个百分点。 相似文献
16.
多结构参数集成学习的设施黄瓜病害智能诊断 总被引：2，自引：2，他引：0
单一特征已不能很好的描述作物病害典型特征,而生长环境参数(土壤温湿度、pH值、空气温湿度等)与病害密切相关,多结构数据学习向量化与特征最优组合能够有效提升病害诊断准确性。该研究以黄瓜白粉病、角斑病、炭疽病、菌核病4种病害50个样本为实例,融合结构化作物生长环境参数与非结构化图像特征,通过智能化物联网,对实时采集到的环境参数进行监测、分析,并将其与图像特征融合,构建多结构病害特征最优组合模型。试验结果表明,样本识别率在79.4%～93.6%,对比卷积神经网络图像识别识别率,卷积神经网络由于需要对病害图像数据进行降维,后台识别时间较高;深度迁移学习的图像识别方法,需要大量图像数据输入深度网络学习,而现实中病害图像数量不足以满足深度学习要求,因此识别率会因为样本不充分而降低;该方法借助少量图像数据,同时结合环境与专家知识资源,采用多结构参数集成学习的方法进行病害识别,在较少识别时间的基础上确保识别的准确性。 相似文献
17.
基于级联卷积神经网络的番茄花期识别检测方法 总被引：9，自引：8，他引：1
对作物花期状态的准确识别是温室作物执行授粉的前提。为提高花期状态识别的准确度，该研究以温室番茄为例提出了一种基于级联卷积神经网络的番茄花朵花期识别方法。首先采用改进的端到端的特征金字塔网络FS-FPN实现番茄花束的分割，然后采用Prim最小生成树对分割后的花束图片进行花期识别优先级排序，最后将已排序的分割花束图片输入改进的Yolov3网络，实现番茄花朵花期状态的精准识别。在由1600幅包含花蕾期、全开期、谢花期、初果期4类花期状态的番茄花束图像构成的数据集上，所提方法对番茄花朵花期平均检测时间为12.54 ms，平均检测精度分别比Mask R-CNN和SPP-Net提高了3.67%和2.39%，识别错误率比改进前的Yolov3网络降低了1.25%。最终将该方法部署到番茄授粉机器人上，并在大型玻璃温室内进行验证，结果表明，所提方法对番茄花朵各花期的检测精度分别为花蕾期85.71%、全开期95.46%、谢花期62.66%、初果期88.34%，该研究结果可为智能授粉机器人的精准作业提供重要依据。 相似文献
18.
针对内蒙古乌兰察布市荒漠化草原牧草监测与数字化程度较低的问题,该文实现了2种典型牧草的特征提取与图像识别,为多牧草种类识别与草业管理提供依据。利用智能导航车采集草原原始图像,对羊草和灰绿藜2种牧草图像提取RGB与HSV颜色矩特征并建立相应的规则库,数据表明二者的颜色矩特征具有明显区别。采用2G-B-R色差特征的模糊C-均值聚类算法对图像进行背景分割后,构建了一种3层BP神经网络模型,通过主成分分析法(principal component analysis,PCA)将15维输入特征参数降为10维以提高识别速度,且最终的整体识别率达到89.5%,实现了羊草与灰绿藜图像的有效分类识别,同时得到灰绿藜与羊草在测试图像中的植被覆盖度分别约为9.78%、34.21%。试验结果表明,利用颜色矩特征为基础,模糊C-均值聚类算法与BP(back propagation,BP)神经网络模型为分割、识别手段能够有效地实现典型牧草的图像分类研究。自动识别牧草是草业数字化的重要组成部分,可为监测植被物种多样性、草种退化及病虫草害的控制提供科学依据,是实现现代草原生态环境保护,发展草原经济的重要途径。 相似文献
19.
水分对日光温室独本菊外观品质影响的模拟 总被引：7，自引：1，他引：6
水分是影响菊花生长发育和外观品质的重要因子。为定量研究水分对日光温室独本菊外观品质（株高、茎粗、叶片数、花头直径、花颈长）的影响,该研究以秋菊品种“神马”（Chrysanthemum morifolium ‘Jinba’）为试验材料,于2006年8月－2007年6月在北京日光温室内进行了不同定植期和不同水分处理的栽培试验,以生理辐热积为预测指标,定量分析了基质水势对独本菊株高、茎粗、叶片数、花头直径和花颈长的动态的影响,建立了基质水势对独本菊株高、茎粗、叶片数、花头直径和花颈长影响的模拟模型,并用与建立模型相独立的数据对模型进行检验。结果表明,模型对日光温室独本菊各外观品质指标预测结果较好,株高、茎粗、单株叶片数、花头直径和花颈长的模拟值与实测值之间基于1︰1线的决定系数分别为0.98、0.93、0.98、0.93、0.86,相对预测误差（RSE）分别为8.79%、5.66%、8.45%、12.2%、12.9%。该研究建立的模型可以为日光温室秋菊品种“神马”的水分管理提供理论依据和决策支持。 相似文献
20.
以计算机数字图像处理为重要技术手段,以大豆叶片为主要研究对象,综合运用数字图像处理、色度学、人工神经网络、模式识别等人工智能领域的知识,设计了大豆叶片图像处理与分析系统,从植物叶片的几何特征到病斑的形态特征都作了具体地分析与计算。 相似文献