排序方式： 共有76条查询结果，搜索用时 310 毫秒
21.
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
22.
23.
24.
25.
26.
27.
28.
基于主成分分析和聚类分析的土壤养分特性研究 总被引：3，自引：0，他引：3
为明确吉林省中北部土壤养分变化特征,充分了解土壤本身的特性,达到合理施肥的目的,本研究对55个耕层土壤（0~30 cm）进行采样,测定分析了土壤pH以及土壤中速效氮、速效磷、速效钾、有机质和微量元素的含量,应用主成分分析和聚类分析方法评价了土壤肥力特性.结果表明,研究区的最佳分区数为6种养分类型：第Ⅰ类为缓效钾、有机质、锰和硼极低型;第Ⅱ类为速效钾、锰、铁和硼偏高,全磷偏低型;第Ⅲ类为有机质偏高,其他元素适中型;第Ⅳ类为速效钾偏低,缓效钾较高,硼偏低型,其他元素适中型;第Ⅴ类为速效钾、铁含量偏低, 其他元素适中型;第Ⅵ类为速效钾、全磷、pH偏高,锰偏低型.6种类型占比分别为40%、5%、24%、13%、13%和5%.为了简化施肥操作流程,也可把其分为更少的类型. 相似文献
30.