吉林省智慧农业科技服务需求现状调查及对策研究     

傅思维  赵姗  石丽丽  刘轩志  吴金山  陈桂芬  曹丽英 《农业网络信息》2018,(1)

伴随着国家农业经济模式的转变,农户的科技服务需求呈个性化和多样化特征,传统的服务方式已无法满足农业科技信息服务需求。针对目前吉林省智慧农业信息技术服务的现状,对吉林省农安县22个乡镇进行抽样问卷调查,分析农民的科技服务需求与农村科技供给关系本质,对农村科技供给方式提出合理化建议,从而更好地设计信息服务策略,促进信息的有效利用,完善吉林省智慧农业科技服务体制。  相似文献   

基于KFCM-RBF优化算法的肥力评价与玉米产量预测     

赵姗  陈桂芬  傅思维  肖恩泽 《玉米科学》2018,26(5):150-156

采用带有基于高斯核函数的模糊聚类算法(KFCM),优化传统模糊聚类算法,提出一个基于模糊聚类的土壤肥力评价模型,以提高肥力聚类的准确性、高效性;融合RBF神经网络,创建一个基于RBF神经网络模型,提出KFCM-RBF优化算法的玉米产量预测模型。将模型运用于吉林省农安县的土壤肥力评价与玉米产量预测仿真试验。结果表明,该模型预测精度高,可用于玉米产量的预测,并为精准施肥提供决策依据。该模型具有结构稳定、训练速度快、适应性强、鲁棒性好、预测精度高的特点。  相似文献   

基于迁移学习与卷积神经网络的玉米植株病害识别     

陈桂芬  赵姗  曹丽英  傅思维  周佳鑫 《智慧农业(中英文)》2019,1(2):34-44

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   

基于大数据技术的农产品智能推荐方法研究     

傅思维  陈桂芬  赵姗 《吉林农业科学》2020,45(6):140-144

  相似文献