共查询到19条相似文献，搜索用时 218 毫秒
1.
2.
3.
农作物的苗期生长是一个复杂的生理生化及代谢过程,苗期的生长发育直接影响到作物的生物产量、经济产量、营养品质及其安全性。农作物苗期长势监测对于作物肥水管理、病虫害防治具有指导作用,是精细农业和数字农业的关键技术之一。该文从农作物苗期生长形态检测、营养组分检测和病虫害诊断3个方面,详细阐述了各种无损检测技术,如机器视觉技术、激光漫反射技术、荧光测量技术和反射光谱分析技术等在作物苗期长势监测中的应用进展。国内外学者对上述技术进行了较深入的理论方法研究,部分技术已在实践中得到广泛应用,但目前作物无损检测技术大多强调单一信息的获取及分析,随着数字农业和智慧农业的发展,未来将更加强调多源、多尺度数据的获取及形态、养分、病虫害综合信息的提取。作物苗期长势的监测数据将与精准农业的联系更加紧密,为农事操作提供传感信息,形成智能化的农业施工、调优栽培与管理决策系统。 相似文献
4.
病虫害是农业生产过程中影响粮食产量和质量的重要生物灾害。目前,我国的作物病虫害监测方式以点状的地面调查为主,无法大面积、快速获取作物病虫害发生状况和空间分布信息,难以满足作物病虫害的大尺度科学监测和防控的需求。近年来,随着国内外卫星光谱、时间和空间分辨率的不断提升,利用遥感手段开展高效、无损的病虫害监测成为有效提升我国病虫害测报水平的重要手段。与此同时,多平台、多种方式的作物病虫害遥感监测也为病虫害的有效防治和管理提供了重要科技支撑。本文从作物病虫害光谱特征、遥感监测方法和遥感监测系统等方面阐述了作物病虫害遥感监测研究的进展,分析了当前面临的挑战,并对未来发展趋势进行了展望。 相似文献
5.
6.
农畜产品品质安全高光谱无损检测技术进展和趋势 总被引：8，自引：0，他引：8
高光谱成像技术作为光学无损检测的一种新技术在农畜产品品质安全检测中被广泛关注和应用.综述了高光谱无损检测技术的研发现状.在果蔬品质安全检测上,高光谱成像技术可用于组成分分析、食用指标测定、质量分级评定等内部品质检测和外部形态特征识别、表面缺陷及污染物检测、冻伤检验等外部品质判定,以及农药残留、致病菌污染等安全评定.在生鲜肉检测应用方面,包括营养品质的组成成分分析、食用品质如嫩度、大理石花纹、新鲜度等指标评价以及生鲜肉在微生物污染等安全品质的评定.分析了高光谱无损检测技术的现状及问题,并针对目前农畜产品无损检测的发展趋势进行前景展望. 相似文献
7.
光谱及成像技术在种子活力检验中的应用研究进展 总被引：1，自引：0，他引：1
种子是农业生产的重要资源,种子活力与作物发芽生长关系密切。传统的种子活力检测方式存在耗时长、花费大、对操作人员的技术要求高等缺点,难以实现自动化、大规模的检测。随着我国农业现代化水平逐步提高,实现高效快速无损的种子活力检验无疑是未来的发展趋势。本文分别论述了近红外、高光谱成像、拉曼光谱以及X射线在种子活力无损检测中的研究现状与进展。在数据处理层面,偏最小二乘回归(PLSR)仍然是应用最广的光谱数据线性建模方式,同时机器学习与深度学习等新技术也被用于光谱数据建模。在试验设计方面,区分有活力与失活种子的二分类模式仍然是研究主流,分类阈值的选取与结果密切相关。利用定量模型对活力高低的预测效果不佳,对种子活力变化这一缓慢过程的认识有待深入。对于某些作物种子,能够对与其发芽能力关系密切的特征波段进行提取。在仪器设备方面,缺乏专门用于种子光谱采集装置的设计研究。光谱及成像技术在种子活力检测方面具有成本低、快速和无损的特点,有助于农业生产中自动化和智能化的发展。 相似文献
8.
9.
10.
小麦病虫害的频发不仅会造成产量的巨大损失,病虫害防治农药的过度使用也会提高生产成本,增加农产品有毒残留的风险,而传统监测方法费时费力,具有主观性和滞后性。小麦病虫害遥感监测技术可实现快速、实时无损的监测,从而有针对性的提早防治病虫害。介绍作物病虫害光谱响应生理机制的基础上,重点从不同平台的角度入手概述近年来小麦病虫害遥感监测研究进展。最后提出目前遥感监测小麦病虫害尚存的问题,如对病虫害光谱特征的专属性认识不足、缺乏多种小麦病虫害危害类型的比较研究及病虫害监测模型普适性较差等,并探讨遥感在监测小麦病虫害方面的发展趋势,建议通过综合多时相遥感数据、建立小麦病虫害光谱库、构建全国性病虫害遥感监测信息服务系统以及加强国际间的交流与合作来进一步开展小麦病虫害的研究,从而实现小麦病虫害大面积、实时、科学有效的防控。 相似文献
11.
农用植保无人机的研究现状及趋势 总被引：15，自引：0，他引：15
病虫害是制约作物良好生长、粮食安全生产的重要因素之一。然而,在当前尚缺乏有效预警手段和物理防治方法的情况下,化学药剂防治仍然是防治病虫害的主要手段。为此,介绍了植保无人机相比传统地面施药的优势和特点,对国内外植保无人机的发展研究概况进行了梳理和总结,通过与发达国家精准施药技术的比较,分析了我国在施药关键技术和施药配套装备与技术方面的不足,并简要介绍了无人机振动源的研究现状,阐述了植保无人机未来的研究发展趋势,为后续的研究工作提供铺垫。同时,指出了无人机低空施药技术将会大幅提高病虫害防治效率,促进我国现代农业的发展。 相似文献
12.
农作物病虫害对农业产量和品质影响巨大。数字图像处理技术在农作物病虫害识别中发挥重要作用。深度学习在该领域取得显著突破,效果优于传统方法。深度学习方法的特征提取能力更强,能准确捕捉细微特征,提高检测精度和可靠性。深度学习为农业提供了有力支持。本研究综述了基于深度学习的农作物病虫害检测研究,从分类网络、检测网络和分割网络3方面进行了概述,并对每种方法的优缺点进行了总结,同时比较了现有研究的性能。在此基础上,进一步探讨了基于深度学习的农作物病虫害检测算法在实际应用中面临的难题,并提出了相应的解决方案和研究思路。最后,对基于深度学习的农作物病虫害检测技术的未来趋势进行了分析和展望。 相似文献
13.
深度学习在植物叶部病害检测与识别的研究进展 总被引：1，自引：0，他引：1
植物病害准确检测与识别是其早期诊断与智能监测的关键,是病虫害精准化防治与信息化管理的核心.深度学习应用于植物病害检测与识别中,可以克服传统诊断方法的弊端,大幅提升病害检测与识别的准确率,引起了广泛关注.本文首先收集和介绍了部分公开的植物病害图像数据集,然后系统地综述了近年来深度学习在植物病害检测和识别中的研究应用进展,... 相似文献
14.
农作物的病虫害是农业丰产丰收的大敌,其防治措施一直是农业生产技术研究的重要课题.目前防治病虫害的方法主要有化学农药控制和生物防治,通过化学农药控制的方式会因为农药残留对食用者的身体健康构成威胁,而通过生物防治的方式可以有效地降低这种风险. 相似文献
15.
16.
农业喷雾对象的识别和定位是农业自动化喷雾机械研究中的核心技术之一。对病虫害甘蓝进行精准喷洒农药,实现病虫害准确自动识别成为关键。为此,利用机器视觉的欧氏距离甘蓝夜蛾虫害自动识别检测系统,结合由Qualityspec光谱仪组成的光谱成像系统,对甘蓝正常叶片和遭受甘蓝夜蛾虫害的甘蓝叶片的颜色特征和光谱特征进行分析,并采用机器视觉分割阈值选取中的Otsu算法和自适应波段选择方法提取出了颜色差异的最佳几何阈值和两种叶片的特征波段。试验结果表明:综合机器视觉和光谱技术能够实现甘蓝夜蛾虫害的自动且准确的识别,准确率可达94%。因此,建立机器视觉和光谱技术综合识别体系,可为农作物病虫害自动防治喷雾机器人的研制奠定基础,以达到农作物病虫害实时识别和及时治理的目的。 相似文献
17.
水果病害是影响果树健康生长、果实品质和产量的重要因素之一,及时、精准地掌握果树的病害信息并进行精准施药管控,对防范果园重大病害的发生和流行,保障水果的稳产优产具有重要意义。随着现代农业朝规模化、智能化和高效率的发展需求,视觉和光谱检测技术因具有无损检测、可规模化和高效率等优点,逐渐发展为检测水果病害的重要技术之一。梳理国内外机器视觉和光谱技术在水果病害检测应用领域的研究进展,介绍图像处理技术有较好的解释性,有利于与植保农艺研究相结合;深度学习技术有较好的精度和泛化性;透射光谱技术可用于检测果实内部病害;反射光谱技术可用于检测果实、叶片表面病害,并实现分级。最后,总结未来机器视觉与光谱检测技术优化和应用的方向,并展望水果病害检测的实际生产应用前景,以期为水果病害检测研究提供参考与借鉴。 相似文献
18.
随着信息技术的发展,3S技术的应用,使农业生产更加信息化。在我国,3S技术在农业领域取得了长足的发展,被广泛应用于现代农业中,包括作物估产、长势检测、气象和病虫害预报、精细施肥、灌溉等,特别以精准农业为典型代表。本文就3S技术在我国农业领域的应用现状进行介绍,提出在我国农业领域发展适合国情的3S技术,重视人才的培养,注重发挥资源优势,以市场需求为导向,依靠科技带动经济效益提高的发展方向,为我国农业生产信息化提供参考。 相似文献
19.
基于改进ResNet的植物叶片病虫害识别 总被引：1，自引：0，他引：1
轻量化植物叶片病虫害识别算法设计是实现移动端植物叶片病虫害识别的关键。研究提出一种基于改进ResNet模型的轻量化植物叶片病虫害识别算法Simplify ResNet。以人工采集图像和PlantVillage数据集图像为实验数据,根据移动端植物病虫害识别对准确率、速度和模型大小的实际需求,改进ResNet模型。使用5×5卷积替代7×7卷积,采用残差块的瓶颈结构代替捷径结构,采用模型剪枝处理训练后的模型。通过测试集5 786幅图像测试Simplify ResNet模型,证明5×5卷积和残差块的瓶颈结构可有效降低模型参数量,模型剪枝可有效降低训练后的模型大小。Simplify ResNet模型对测试集图像的识别准确率为92.45%,识别时间为48 ms,内存大小为36.14 Mb。与LeNet、AlexNet和MobileNet等模型相比,其准确率分别高18.3%,7.45%和1.2%。为移动端植物病虫害识别解决最重要的算法设计问题,为移动端植物病虫害识别做出有益探索。 相似文献