排序方式： 共有30条查询结果，搜索用时 359 毫秒
11.
面向移动终端的农业害虫图像智能识别系统的研究与开发 总被引：1，自引：0，他引：1
【目的】农作物田间害虫种类繁多,存在种间相似和种内差异的现象,容易混淆。本研究开发一个面向移动终端的农业害虫图像智能识别系统,为广大农户和基层测报人员提供一个便捷准确的农业害虫智能识别工具。【方法】农业害虫图像智能识别系统包括装有系统APP的移动客户端、服务器和基于深度学习的农业害虫识别模型。APP是在Android环境下开发的,可安装于Android系统的移动设备中。APP包括登录模块、害虫信息查询模块、害虫智能识别模块、害虫地图标记模块和害虫专家远程鉴定模块,UI界面采用底部导航栏形式。移动终端与服务器间的信息交互采用HTTP协议,害虫采集地信息显示使用百度的Android地图SDK来实现,用户和害虫信息使用MySQL数据库进行保存。在相同训练集和测试集条件下,比较了不同深度卷积神经网络模型,筛选出基于DenseNet121的农业害虫识别模型具有最高的精准度和最低的虚警率。农业害虫识别模型的程序部署在阿里云远程服务器上,当服务器端接收到移动客户端上传的害虫图像时,运行害虫识别模型,识别结果通过服务器反馈给客户端,同时将上传的图像和识别结果保存在数据库中,便于害虫图像的追溯。【结果】当用户在农田遇到不认识的害虫时,可通过装有该系统APP的移动设备（如手机或平板）拍摄害虫图像,并上传到服务器,识别结果和害虫防治信息在1—2 s内反馈至用户移动终端的屏幕上,对识别结果不满意还可远程请求专家鉴定。该系统对66种常见农业害虫图像平均识别率为93.9%,平均虚警率为8.2%。【结论】面向移动终端的农业害虫图像智能识别系统实现了66种常见农业害虫信息查询、自动识别,害虫采集地的地图显示和专家远程鉴定等功能。为农民和基层测报人员提供了一个农业害虫便捷准确的自动识别工具,无需专家到田间即可实现了用户“一对一”的防治指导,大大节省了经济和时间成本。 相似文献
12.
亚致死剂量吡虫啉和吡蚜酮对褐飞虱生物适合度的影响 总被引：1，自引：0，他引：1
全面评价了亚致死剂量吡虫啉和吡蚜酮对褐飞虱繁殖力和生存力的长期影响。毒力测定结果显示,吡虫啉和吡蚜酮对褐飞虱3龄若虫的LC50分别为42.41 mg/L和396.46 mg/L,吡虫啉毒力约是吡蚜酮毒力的9.35倍。通过建立褐飞虱在吡虫啉和吡蚜酮亚致死剂量（LC30）作用下的生命表,发现褐飞虱在两种药剂处理下生物适合度都有所下降,分别为对照试虫的83.8%和8.4%。吡虫啉处理试虫仅羽化率明显低于对照,而吡蚜酮处理试虫的羽化率、雌虫比例、雌成虫寿命和卵孵化率各参数都明显下降。亚致死剂量的吡蚜酮使褐飞虱日产卵节律和卵孵化高峰都有所推迟,这可能是吡蚜酮对褐飞虱产生取食抑制作用进而导致其生殖器官发育缓慢造成的。 相似文献
13.
图像特征和样本量对水稻害虫识别结果的影响 总被引：1，自引：0，他引：1
14.
基于多特征融合和稀疏表示的农业害虫图像识别方法 总被引：1，自引：0，他引：1
【目的】在农业害虫测报中,常常需要从大量的昆虫中识别出几种重要的测报害虫。目前基于图像的农业害虫识别研究,大部分是在有限种类有限样本量基础上进行的农业害虫识别。本研究为了从大量的水稻昆虫图像中识别出9种水稻测报害虫,尝试提出了一种基于多特征融合和稀疏表示的农业害虫图像识别方法。【方法】首先,为了获得最优的农业害虫识别模型,将所有图像进行旋转使昆虫头朝上,按照1﹕2长宽比裁剪图像,使昆虫居中并占据图像大部分区域,将图像进行等比例缩放至统一尺寸48×96像素。提取所有昆虫的HSV颜色特征、局部特征中的HOG特征、Gabor特征和LBP特征。然后,利用单一特征和融合特征分别对训练样本构建过完备字典,字典中的每一个列向量表示一个训练样本,且满足同一类训练样本均在同一个子空间中;应用过完备字典对测试图像进行多特征稀疏表示,通过求解l1范数意义下的优化问题获取稀疏解,使得除测试样本所在的类别外其他的训练样本的系数都是零或接近零的数值。最后,计算稀疏集中指数阈值,用于判断测试样本的有效性,如果测试样本的稀疏集中指数大于该阈值,则认为最小残差所对应的类别即为测试样本的类别,否则认为该测试样本为非测报昆虫。同时,利用相同的特征和训练样本训练SVM分类器对测试样本进行测试,与稀疏表示害虫识别模型进行比较。【结果】利用单一特征训练的稀疏表示害虫识别模型中,基于HOG特征的稀疏表示识别模型获得了9种测报害虫较高的识别率和较低的误检率,分别为87.0%和7.5%;利用颜色特征分别与3种局部特征进行结合获得的稀疏表示识别模型,测试结果表明,基于颜色和HOG特征的稀疏表示识别模型获得了最高的识别率和最低的误检率,分别为90.1%和5.2%;将颜色、HOG和Gabor 3个特征结合获得的稀疏表示识别模型,识别率下降为83.5%,误检率上升为10.3%。利用同样的特征或特征融合训练得到的支持向量机分类器,识别率均低于对应特征获得的稀疏表示识别模型的识别率,而误检率均高于对应特征训练的稀疏表示害虫识别模型的误检率。【结论】基于颜色和HOG 融合特征的稀疏表示识别模型获得了较高的农业害虫识别率和较低的误检率;通过稀疏集中指数阈值,有效地排除了非测报昆虫,实现了从大量的农业昆虫中自动识别出需要测报的害虫。 相似文献
15.
16.
改进RetinaNet的水稻冠层害虫为害状自动检测模型 总被引：1，自引：4，他引：1
中国现行的水稻冠层害虫为害状田间调查方法需要测报人员下田目测为害状发生情况,此种人工调查方法存在客观性差、效率低与劳动强度大等问题。近几年,诸多学者开始利用深度学习方法来识别植物病虫为害状,但大多针对单株或单个叶片上病虫害种类进行识别研究。该研究采集了水稻冠层多丛植株上稻纵卷叶螟和二化螟为害状图像,提出一种改进RetinaNet的水稻冠层害虫为害状自动检测模型。模型中采用ResNeXt101作为特征提取网络,组归一化(Group Normalization,GN)作为归一化方法,改进了特征金字塔网络(Feature Pyramid Network,FPN)结构。改进后的RetinaNet模型对2种害虫为害状区域检测的平均精度均值达到93.76%,为实现水稻害虫为害状智能监测提供了理论依据和技术支持。 相似文献
17.
基于改进CornerNet的水稻灯诱飞虱自动检测方法构建与验证 总被引：1，自引：0，他引：1
针对水稻灯诱昆虫图像中稻飞虱自动检测存在严重误检和漏检问题,提出一种基于改进CornerNet的水稻灯诱飞虱自动检测方法。由于稻飞虱个体在灯诱昆虫图像中所占区域比例极小,利用重叠滑动窗方法提高飞虱在图像检测区域中所占比例,提高2种稻飞虱(白背飞虱和褐飞虱)的检测率和避免滑动窗边界造成的目标漏检。针对CornerNet存在角点匹配不准确导致检测框冗余问题,利用检测框抑制方法去除冗余检测框。对灯诱昆虫图像进行稻飞虱检测,结果表明,该研究提出的基于改进CornerNet的水稻灯诱飞虱自动检测方法对2种稻飞虱检测的平均精确率和召回率分别为95.53%和95.50%,有效地提高了灯诱昆虫图像中稻飞虱的检测效果,可用于智能虫情测报灯的灯诱昆虫图像中白背飞虱和褐飞虱的智能测报。 相似文献
18.
19.
20.
便携式农业病虫害图像采集仪设计与应用 总被引：1，自引：0，他引：1
针对目前农业病虫害图像采集设备便捷性差和图像质量不高等问题,通过利用无线传输、视频解码和HTTP通信等技术,设计并实现了一种便携式农业病虫害图像采集仪。该采集仪由WiFi镜头相机、Android手机或平板、可伸缩手持杆组成。农技人员通过可伸缩手持杆,将安装在手持杆一端的镜头相机推送到农业病虫害图像采集部位,通过手机或平板App实时预览相机端视频流,调整相机位置,控制相机的拍照。该采集仪特别有助于农业现场中人手或视线难以达到的病虫害部位的图像采集。测试结果表明,该采集仪可便捷地采集到各种农业病虫害图像,操作简单,手机或平板端视频预览画面延时低,采集图像质量高,可满足后续农业病虫害智能识别与诊断。该采集仪可广泛应用于农业、林业等病虫害图像的采集。 相似文献