共查询到20条相似文献，搜索用时 31 毫秒
1.
大豆病害诊断是有效防治的先决条件。为此,针对传统BP神经网络在处理高维大豆病害数据时存在的时间复杂度高、诊断准确率低以及误差收敛缓慢且容易出现震荡现象的问题,提出了一种改进方法。该方法首先对高维大豆病害数据进行特征选择,去除"贡献"较小的特征,实现数据降维;然后,对传统BP算法进行改进,根据输出误差动态调整学习速率,并使用改进后的算法建立大豆病害检测模型。经实验测试,该方法在大豆病害诊断测试中准确率达96%以上,且各项统计指标、误差收敛速度及平稳性均优于传统BP神经网络,证明了其可靠性和高效性。 相似文献
2.
基于改进残差网络的园林害虫图像识别 总被引：6，自引：0，他引：6
针对北方园林害虫识别问题,提出了一种基于改进残差网络的害虫图像识别方法。首先,采用富边缘检测算法,将中值滤波、Sobel算子和Canny算子相结合,对害虫图像进行边缘检测;然后,改进残差网络中的残差块,通过添加卷积层和增加通道数提取更多的害虫图像特征,并将贝叶斯方法运用于改进后的网络中,优化超参数;最后,将预处理的害虫图像输入神经网络中,利用分块共轭算法优化网络权重。对38种北方园林害虫进行了识别,试验结果表明,在相同数据集下,与3种传统害虫识别方法相比,本文方法的平均识别准确率平均提高9. 6个百分点,加权平均分数分别提高16. 3、10. 8、4. 5个百分点。 相似文献
3.
大豆田除草剂筛选试验 总被引：1，自引：0，他引：1
对72%都尔乳油、50%L草胺乳油、50%嗪草酮可湿性粉剂3种除草剂进行防除大豆田杂草的筛选试验,试验结果表明:在同一环境条件下,72%都尔乳油可有效防除大豆田的禾本科杂草和部分的阔叶杂草,而且安全无害,持效期较长,是一种较好的除草剂,在播后苗前使用1次即可控制整个生育期杂草危害,其适宜剂量为1875～2250ml/hm2. 相似文献
4.
1药剂与方法
1.1试验目的
明确不同用量的哈尔滨市农丰科技化工有限公司生产的35%松·喹·氟磺胺乳油对大豆田一年生禾本科和阔叶杂草的防除效果及对大豆生长的安全性,为登记提供科学依据。 相似文献
5.
6.
研究氟磺胺草醚·烯草酮21%油悬浮剂对绿豆田杂草的防除效果。用药后30d,对禾本科杂草的株防除效果为80.35%～99.62%,阔叶杂草的株防除效果为80.57%～99.71%,鲜重防除效果为80.52%～99.66%,对绿豆产量增产幅度为9.8%～20.4%。在推荐剂量下,对绿豆生长安全。经试验表明,该油悬浮剂能有效防除绿豆田禾本科杂草和阔叶杂草。 相似文献
7.
8.
计算机视觉在芒果品质检测中的应用研究 总被引：1，自引：0，他引：1
传统的芒果分级采用人工观察和化学分析方法,无法适应产业的发展。随着科学的进步,人们开发出多种无损检测和分级技术以提高水果的市场竞争力,但受检测和分级设备的限制,目前的相关研究都停留在试验阶段。为此,设计了一种基于计算机视觉的芒果品质检测方法,拍摄芒果图像后利用自适应Canny算法获取目标区域的边缘,以大小、颜色和表面缺陷反映芒果的品质,并基于BP神经网络实现对芒果的分级。仿真试验表明:计算机视觉对芒果品质分级的准确率超过93%,处理单张图像平均耗时0.8s,可以用于芒果品质的实时检测和在线分级。 相似文献
9.
《湖北农机化》2017,(6)
近年来人工神经网络技术的发展为解决这一问题提供了新的途径。神经网络图像识别技术是随着当代计算机技术、图像处理、人工智能、模式识别理论等发展起来的一种新兴图像识别技术,是在传统的图像识别方法的基础上融合神经网络算法的一种图像识别方法。图像识别是近20年来发展起来的一门新兴技术科学,它以研究某些对象或过程(统称图像)的分类与描述为主要内容,应用范围非常广泛,特别是在车辆识别方面的应用。但是传统的图像识别技术,多是基于统计图像识别方法和句法图像识别方法等大规模计算的基础之上的,在运算量和正确识别率之间存在着突出的矛盾。本文提出了使用基于神经网络的图像识别算法,同时对图像处理中的重要步骤也根据神经网络的特点进行了相应的改进。 相似文献
10.
徐彬彬 《农业机械化与电气化》2009,(2):21-22
对72％都尔乳油、50％乙草胺乳油、50％嗪草酮可湿性粉剂3种除草剂进行防除大豆田杂草的筛选试验．试验结果表明：在同一环境条件下,72％都尔乳油可有效防除大豆田的禾本科杂草和部分的阔叶杂草,而且安全无害,持效期较长,是一种较好的除草剂,在播后苗前使用1次即可控制整个生育期杂草危害,其适宜剂量为1875—2250mL／hm^2。 相似文献
11.
大数据背景下产生了海量图像数据,传统的图像识别方法识别玉米植株病害准确率较低,已远远不能满足需求。卷积神经网络作为深度学习中的常用算法被广泛用于处理机器视觉问题,能自动识别和提取图像特征。因此,本研究提出一种基于数据增强与迁移学习相结合的卷积神经网络识别玉米植株病害模型。该算法首先通过数据增强方法增加数据,以提高模型的泛化性和准确率;再构建基于迁移学习的卷积神经网络模型,引入该模型的训练方式,提取病害图片特征,加速卷积神经网络的训练过程,降低网络的过拟合程度;最后将该模型运用到从农田采集的玉米病害图片,进行玉米病害的精确识别。识别试验结果表明：使用数据增强与迁移学习的卷积神经网络优化算法对玉米主要病害（玉米大斑病、小斑病、灰斑病、黑穗病及瘤黑粉病）的平均识别准确度达96.6%,和单一的卷积神经网络相比,精度提高了25.6%,处理每张图片时间为0.28s,比传统神经网络缩短了将近10倍。本算法的精确度和训练速度上比传统卷积神经网络有明显提高,为玉米等农作物植株病害的识别提供了新方法。 相似文献
12.
基于无人机多光谱图像的云南松虫害区域识别方法 总被引：3，自引：0，他引：3
针对云南省祥云县林区云南松虫害区域高效识别的需求,为更加高效准确地对虫害信息进行监测,本文搭建了林区八旋翼多光谱图像采集平台,基于无人机多光谱图像提出了一种Jeffries-Matusita(J-M)距离优化的反向传播神经网络(BP)分类方法。该方法首先引入J-M距离实现了对训练样本的优化,有效降低了"同谱异物"和"同物异谱"现象的影响,然后基于颜色矩和灰度共生矩阵提取了图像的颜色和纹理特征,并提取了580、680、800 nm共3个波段的相对光谱反射率作为光谱值特征,建立了5个植被指数模型,最后利用BP神经网络算法对颜色、纹理、光谱值和植被指数4种特征向量进行训练识别,实现了对虫害区域的分类识别。利用所提算法从总体分类精度和Kappa指数两方面与传统BP神经网络和支持向量机(SVM)算法进行对比试验。试验结果表明,本文算法总体分类精度和Kappa指数分别达到了94.01%和0.92,建模时间相对于传统BP神经网络缩短了38%,总体分类效果优于传统BP神经网络和SVM算法。 相似文献
13.
14.
首先介绍了K-means算法的思想和原理,然后对水果分类模型图像的获取和预处理进行分析研究,最后实现了K-means聚类和BP神经网络相结合的水果等级分类识别模型。试验结果表明:采用K-means聚类和BP神经网络相结合的方法,大大提高了水果分类识别的准确率,并使得识别时间大大缩短,具有一定的现实意义。 相似文献
15.
《农业机械学报》2019,(Z1)
为解决番茄采摘机器人作业过程中果实识别不准确的问题,提出一种基于几何形态学和迭代随机圆相结合的目标提取算法,该算法可对图像中粘连的果实进行有效分割与识别。首先,以串收番茄佳西娜为研究对象,使用RGB相机采集图像;其次,对图像进行Canny边缘检测操作,获得果实边缘轮廓点;然后,对果实边缘轮廓点进行基于几何形态学的处理,获得果实轮廓点;最后,对果实轮廓点分组处理后,进行迭代随机圆的处理,得到果实识别结果。对该算法的正确率和准确率进行了验证,结果表明,果实识别正确率为85. 1%,果实识别准确率为79. 1%,此算法在一定程度上解决了复杂环境下多个果实粘连或被少量遮挡情况下的果实分割问题。 相似文献
16.
基于GoogLeNet深度迁移学习的苹果缺陷检测方法 总被引：4，自引：0，他引：4
针对目前国内苹果分选大部分以人工操作的现状,提出利用GoogLeNet深度迁移模型对苹果缺陷进行检测。检测结果表明,本文方法对扩充后的1 932个训练样本的识别准确率为100%,对235个测试样本的识别准确率为91.91%。为评估目前苹果缺陷检测常用算法的性能,将GoogLeNet与浅层卷积神经网络(AlexNet和改进型LeNet-5)及传统机器学习方法(K-NN、RF、SVM)进行了对比,结果表明,与苹果缺陷检测的常用算法相比,本文方法具有更好的泛化能力与鲁棒性。 相似文献
17.
为解决传统水稻质量分级依靠人工分拣,工作量大、错误率高、分级标准不严格等问题,本文提出一种基于ECA改进的双流卷积神经网络模型对水稻单粒质量分级进行研究。首先,获取每组水稻单籽粒(本文以7颗水稻单籽粒为1组)正视和俯视图像,对于5种简单的监督模型(朴素贝叶斯、决策树、随机森林、最邻近结点算法、支持向量机)、基于遗传算法和投票机制优化的模型(GA-SVM)、集成模型(RF+GA-SVM),通过图像预处理轮廓检测分离出单籽粒图像,利用颜色矩、LBP(Local binary pattern)和Canny算子提取籽粒颜色、纹理和边缘特征,并采用PCA(Principal component analysis)降维后进行训练;而对于单流卷积神经网络模型、双流卷积神经网络模型(FV-CNN)以及本文提出并构建的基于ECA改进的双流卷积神经网络模型(EA-FV-CNN),则使用预处理后的图像进行训练。将上述多种模型进行对比分析,发现基于ECA改进的双流卷积神经网络模型性能最好,其在单粒质量三分级、四分级和五分级准确率分别达94.0%、92.3%和71.0%。实验结果表明,使用基于ECA改进的双流卷... 相似文献
18.
19.
20.
随着模式识别领域不断的发展,图像识别作为该领域中的典型应用,受到了众多学者的关注,尤其是在图像快速识别方面。对此,该文将从深度学习的概述入手,选择卷积神经网络算法应用于水果图像识别中。通过对卷积神经网络算法的网络结构以及卷积神经网络训练过程的详细分析,采用卷积神经网络架构设计、分类器设计建构了基于卷积神经网络的水果图像识别系统。并将识别结果与传统水果图像识别结果进行对比验证,为水果图像识别领域提供参考。 相似文献