共查询到20条相似文献,搜索用时 234 毫秒
1.
为实现玉米虫害精准、快速识别,提出基于实例分割的卷积神经网络结合迁移学习的虫害检测方法。以草地贪夜蛾的卵、幼虫、成虫为检测对象,使用数据增强对图像数据进行扩充,将Yolact++模型在COCO数据集上的预训练权重迁移至草地贪夜蛾的检测。使用focal loss中解决难易样本不均衡的思想,优化模型中的损失函数。以Detnet模型改进Yolact++模型中Resnet主干模型部分,提高对小目标检测的效果。训练过程中使用卷积层先冻结再解冻、局部与全局相结合的训练方法,获得最优权重模型,并对模型进行测试。结果表明:该方法与YoloV3+迁移学习、SSD+迁移学习、Yolact+迁移学习、Yolact++等检测算法相比,对复杂背景图像检测有更好的准确率与漏检率,测试的准确率达到96.32%,漏检率为5.51%,误检率为5.33%。 相似文献
2.
草地贪夜蛾是一种严重破坏农作物的重大洲际害虫,对我国农业生产造成了极大的威胁.尽管一系列防治措施已经展开,但如何有效辨别草地贪夜蛾仍然是防控工作中的一大难题.为了建立一个有效的识别算法,课题组开展了一系列研究工作,主要贡献在于:①采集了不同地域、不同生长区间的草地贪夜蛾及相似物种图片,建立了一个草地贪夜蛾识别数据库;②利用基于特征融合的深度学习算法,建立了一个三通道T型深度卷积神经网络(T-CNN),在现有数据集上平均识别率达到97%,为草地贪夜蛾的智能识别与防控工作提供了技术支撑. 相似文献
3.
《河南农业大学学报》2021,55(5)
为解决传统卷积神经网络模型训练时间长、参数量大、泛化能力弱等问题,提出了一种基于VGG-16的改进多尺度卷积神经网络模型。用一个叠加卷积层替换VGG-16模型的最后3×3×512卷积层,并进行批归一化处理,提高模型训练速度;用全局池化层替换全连接层,大大减少模型参数总量。利用Plant Village公共数据集(健康玉米叶片、灰斑病、锈病和叶枯病叶片)结合大田试验采集的玉米病害图像数据对改进后模型进行训练和测试,并与常见的传统卷积神经网络模型进行对比。结果表明,模型参数和收敛时间均小于传统卷积神经网络,单一背景下的平均分类识别准确率达99.31%,明显优于传统神经网络模型(VGG-16的90.89%、ResNet-50的93.60%、Inception-V3的94.23%、MobileNet-V2的93.83%和DenseNet-201的95.70%)。同时,利用大田复杂背景病害图片测试新模型的泛化性,识别准确率达98.44%,单张图片测试平均仅需0.25 s。 相似文献
4.
【目的】探究天敌昆虫异色瓢虫Harmonia axyridis对草地贪夜蛾Spodoptera frugiperda的捕食潜力。【方法】在室内条件下评价异色瓢虫成虫和4龄幼虫对草地贪夜蛾1~2龄幼虫的捕食能力,观察并总结异色瓢虫的捕食行为特点。【结果】通过观察,发现异色瓢虫捕食草地贪夜蛾幼虫主要经过静止、搜寻、试探、取食和爬行5种行为,其中异色瓢虫成虫捕食3龄草地贪夜蛾幼虫时出现3对足抱握猎物的现象。异色瓢虫成虫和4龄幼虫对草地贪夜蛾1~2龄幼虫的捕食功能反应符合HollingⅡ模型。异色瓢虫成虫和4龄幼虫对草地贪夜蛾1龄幼虫的日最大捕食量分别为196.08和161.29头,瞬时攻击率分别为1.390 6和1.451 4,处理时间分别为0.005 1和0.006 2 d;异色瓢虫成虫和4龄幼虫对草地贪夜蛾2龄幼虫的日最大捕食量分别为65.36和41.84头,瞬时攻击率分别为1.145 7和1.271 0,处理时间分别为0.015 3和0.023 9 d,即异色瓢虫成虫对草地贪夜蛾幼虫的捕食能力强于4龄幼虫。【结论】异色瓢虫对草地贪夜蛾有一定的潜在控害能力,可用于防控草地贪夜蛾。 相似文献
5.
6.
叉角厉蝽成虫对草地贪夜蛾幼虫的捕食作用研究 总被引:2,自引:0,他引:2
叉角厉蝽是一种多食性的优势天敌,为系统评估叉角厉蝽对草地贪夜蛾的捕食能力,在室内条件下测试了叉角厉蝽雌、雄成虫对草地贪夜蛾3、4和5龄幼虫的捕食功能反应和种内干扰反应。结果表明:叉角厉蝽雌、雄成虫对草地贪夜蛾3、4和5龄的捕食功能反应均符合HollingⅡ方程,雌成虫对草地贪夜蛾3、4和5龄捕食功能反应方程分别为N_a=1.1592N/(1+0.0194N),N_a=0.61065N/(1+0.0124N),N_a=0.7757N/(1+0.0529N);雄成虫对草地贪夜蛾3、4和5龄捕食功能反应方程分别为N_a=0.9082N/(1+0.01771N),N_a=0.4657N/(1+0.01304N),N_a=0.93188N/(1+0.1765N)。叉角厉蝽雌、雄成虫对草地贪夜蛾龄幼虫的寻找效应随着猎物密度的增加而下降。叉角厉蝽雌成虫对草地贪夜蛾的捕食作用率随着自身密度的增加而降低,其关系为E=0.3982P~(-0.3409)。 相似文献
7.
简要介绍了草地贪夜蛾成虫、幼虫的识别要点、危害症状和实用防控方法、药剂防治注意事项,为草地贪夜蛾防控提供参考。 相似文献
8.
10.
《农业工程技术:农产品加工》2020,(20)
草地贪夜蛾繁殖速度快,对玉米植株的危害最为严重。该文首先阐述了草地贪夜蛾的生物学特征、对玉米的危害表现及其对勐腊县玉米生产造成的损失。然后提出草地贪夜蛾防控策略,可采取成虫诱杀技术与幼虫防治技术对虫害进行治理,希望能够为草地贪夜蛾的防治提供参考。 相似文献
11.
12.
为实现水稻氮素营养的快速、准确识别,采用改进的VGG 16网络和迁移学习相结合的水稻氮素营养诊断识别方法,以杂交稻‘两优培九’为试验对象进行田间试验,设置4组不同的施氮水平(施氮量分别为0、210、300和390 kg/hm2),在水稻幼穗分化期和齐穗期,扫描获取水稻叶片图像数据;通过图像预处理方法,对数据进行扩充;构建改进的VGG16和迁移学习相结合的网络模型对水稻叶片图像数据进行氮素营养诊断识别。结果表明:1)在幼穗分化期时,改进的VGG16网络的识别准确率为93.1%,模型大小约为迁移学习VGG16模型的1/6,训练时间约为1 261 s。2)在水稻幼穗分化期和齐穗期,该模型微调后的识别准确率均能达到95%以上。基于迁移学习和改进的VGG16网络所建立的水稻氮素营养诊断模型具有较好的泛化能力,可以预测水稻氮素营养状况,为水稻氮素营养诊断提供参考。 相似文献
13.
以碧香早品种为材料,通过相机采集不同闷黄时长下的闷黄叶图像共675张,建立了3种闷黄程度的黄茶样本数据集,采用位置变换、随机亮度、增加对比度、添加噪声、随机缩放操作对闷黄叶图像集进行数据增强,运用迁移学习方法,在ImageNet数据集取得MobileNetV3–Large的预训练模型,对迁移网络的所有权重信息进行训练,最终建立了针对黄茶闷黄程度的轻量级卷积神经网络MobileNetV3–Large识别模型,并利用Grad–CAM热力图可视化和置信分数监控黄茶品质的变化。结果表明:经训练后的MobileNetV3–Large模型测试的识别准确率达到98.51%,精确率为99.10%,召回率为98.93%,加权分数为98.20%;MobileNetV3–Large模型的识别准确率高于传统机器学习模型SVM、XGBoost和KNN;通过Grad–CAM热力图可视化显示,MobileNetV3–Large模型在不同的识别场景下能够准确定位并提取闷黄叶特征,准确地识别闷黄程度。可见,MobileNetV3–Large模型有较好的泛化性,可以快速、无损地识别黄茶的闷黄程度。 相似文献
14.
15.
为提高复杂背景下立木图像的识别准确率,提出近似联合训练的Faster R-CNN对立木图像进行目标提取并分类。首先迁移ImageNet上的模型VGG16、ResNet101和MobileNetV2提取图像特征并微调网络,然后构建新的数据集包括7科10种立木图像共2 304张,通过该数据集训练和测试3种网络模型下的Faster R-CNN。结果表明,通过近似联合训练的Faster R-CNN得到的均值平均精度分别是93.64%、92.38%、92.58%,对于不同种属的立木,VGG16网络效果最佳。由于光照会对图像识别造成影响,将光照平衡前后的结果作对比,得到光照平衡后的立木图像识别结果优于平衡前。并利用训练的模型对斜向生长的立木图片进行检测,结果显示生长方向不影响图像识别准确率。证明该方法在具有复杂背景的立木图像上具有良好的效果,对更多立木的识别有一定的参考价值。 相似文献
16.
基于Chirplet语图特征和深度学习的鸟类物种识别方法 总被引:2,自引:1,他引:1
17.
为更好地对海洋中单细胞藻类进行有效识别,本研究提出了基于改进式VGG16网络模型的单细胞藻类识别算法—AlgaeNet,在传统VGG网络模型基础上,通过减少卷积核数量,并添加BatchNormalization层进行神经网络模型加速。结果表明:在相同试验条件下,本研究中提出的AlgaeNet算法在训练过程中的损失值收敛速度及对测试集样本(卵形小球藻Chlorella ovalis与小等刺硅鞭藻Dictyocha fibula Ehrenberg)的预测准确率上升速度较传统VGG、AlexNet网络模型优势明显,识别准确率可达99.317%。研究表明,基于改进式VGG16网络模型的单细胞藻类识别算法AlgaeNet在单细胞藻类识别领域具有较好的分类识别性能,可实现海洋中藻类的准确识别。 相似文献
18.
为提高设施生产中对各生长阶段生菜鲜重的无损估测精度进而更好地指导生产,提出一种利用生菜冠层图像为输入,基于迁移学习技术和卷积神经网络估测鲜重的方法,对比分析AlexNet、VGG-16、GoogLeNet和ResNet-18模型迁移学习后在生菜鲜重估测任务上的效果;同时,对比不同迁移学习方法对模型性能的影响,通过冻结卷积层和减少全连接层改善模型的参数量和训练速度。结果表明:1)AlexNet和VGG-16两种模型能较好的实现生菜鲜重的估测,AlexNet模型的决定系数R2为0.928 0,标准均方根误差NRMSE为19.08%,VGG-16模型的R2为0.938 0,NRMSE为17.71%,但VGG-16模型存在参数量大训练慢的问题,综合考虑选取AlexNet模型迁移学习后作为生菜鲜重估测模型;2)与全新学习方法相比,在预训练模型基础上对生菜鲜重数据集进行迁移学习,可以明显提升生菜鲜重估测模型的训练速度和准确度;3)冻结卷积层能显著加快模型的训练速度,训练时间可减少18%,减少全连接层在保持精度的前提下能大幅度减少模型的参数量。基于迁移学习的卷积神经网络模型可用于生菜鲜重的快速估测,该方法也可以拓展应用到其他叶类蔬菜的鲜重估测中。 相似文献
19.
Larval diet affects development and reproduction of East Asian strain of the fall armyworm,Spodoptera frugiperda
下载免费PDF全文
![点击此处可从《农业科学学报》网站下载免费的PDF全文](/ch/ext_images/free.gif)
Li-mei HE Teng-li WANG Yu-chao CHEN Shi-shuai GE Kris A.G. WYCKHUYS Kong-ming WU 《农业科学学报》2021,20(3):736-744
In December 11, 2018, the fall armyworm(FAW), Spodoptera frugiperda invaded China and has since impacted local maize, sorghum and other crops. Here, we draw on laboratory experiments to show how different host crops(i.e., maize, sorghum, wheat and rice) and artificial diet affect larval growth and adult reproduction of one local FAW strain. Larval diet affected development duration, pupation rate, survival and emergence rate of pupae, and S. frugiperda adult fecundity. FAW attained the slowest larval development(19.4 days) on sorghum and the fastest(14.1 days) on artificial diet, with larvae attaining 99.6% survival on the latter food item. On rice, FAW larvae attained survival rate of 0.4% and were unable to pupate successfully. Pupation rate and pupal survival varied substantially between artificial diet and live plantlets at different phenological stages. Pupal weight was the highest(0.26 g) on artificial diet and the lowest(0.14 g) on sorghum, while FAW females reached the highest fecundity(699.7 eggs/female) on 2-leaf stage maize. Egg hatching rate equaled 93.6% on 4-or 5-leaf stage maize and 36.6% on artificial diet. FAW intrinsic rate of natural increase and the finite rate of increase varied between larval diets, reflecting how young maize leaves are the most suitable diet. Our findings can help to refine laboratory rearing protocols, devise population forecasting models or guide the deployment of ‘area-wide' integrated pest management(IPM) modules in FAW-invaded areas of China and other Asian countries. 相似文献
20.
基于改进VGG卷积神经网络的棉花病害识别模型 总被引:5,自引:2,他引:3
为实现自然条件下棉花病害图像准确分类,提出基于改进VGG-16卷积神经网络的病害识别模型。该模型在VGG-16网络模型基础上,优化全连接层层数,并用6标签SoftMax分类器替换原有VGG-16网络中的SoftMax分类器,优化了模型结构和参数,通过微型迁移学习共享预训练模型中卷积层与池化层的权值参数。从构建的棉花病害图像库中随机抽取病害图像样本作为训练集和测试集,用以测试该方法的性能。试验结果表明:该模型能有效提取出棉花病害叶片图像的多层特征图像,并通过Relu激活函数的处理更能凸显棉花病害的边缘信息与纹理信息,分辨率为512像素×512像素图像在样本训练与验证试验效果最好。在平均识别准确率方面,本研究模型较BP神经网络、支持向量机、AlexNET、GoogleNET、VGG-16NET效果最好,达到89.51%,实现对棉花的褐斑病、炭疽病、黄萎病、枯萎病、轮纹病、正常叶片的准确区分。该模型在棉花病害识别领域具备良好的分类性能,可实现自然条件下棉花病害的准确识别。 相似文献