排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
为研究深度学习算法在棉花叶片缺氮水平诊断上的适用性,以智能手机作为图像采集工具,利用图像处理和深度学习技术建立基于棉花叶片图像的缺氮水平分级模型,为智能化诊断棉花叶片缺氮水平的研究提供可行方案。本研究在阴天、晴天2种环境下获取了5种氮素水平的棉花叶片图像,在此基础上选取AlexNet、VGGNet、GoogLeNet、MobileNet、ResNeXt、ResNet-v2以及Inception-v3等卷积网络模型进行比较研究,并提出一种基于恒等映射和深度可分离卷积改进的ResNeXt模型来提升棉花叶片缺氮水平检测的效果。结果表明,与AlexNet、VGGNet、GoogLeNet、MobileNet、ResNeXt、Inception-v3、ResNet-v2等模型相比,本研究提出的Improved-ResNeXt模型在对棉花叶片图像的缺氮水平分级时取得了最佳效果,该模型的识别准确率、平均精确率、Kappa系数分别达到了97%、97%、0.96。使用本研究提出的Improved-ResNeXt模型可以有效地解决棉花叶片的缺氮水平诊断问题,且对阴天、晴天2种光照条件下的棉花叶片数据有良好... 相似文献
2.
基于CNN-BiLSTM的棉花产量预测方法 总被引：1，自引：1，他引：0
针对传统的作物产量估算方法在模型泛化方面的不足及缺少时序特征和空间特征的问题,该研究以机采棉为研究对象,结合无人机遥感平台与深度学习技术对棉花进行多期遥感观测与估产。以棉花苗期、蕾期和花期的影像为时间序列数据集,构建基于卷积神经网络（Convolutional Neural Network,CNN）和双向长短期记忆（Bidirectional Long Short-Term Memory,BiLSTM）的混合模型（CNN-BiLSTM）进行棉花产量预估,提高时间维度和空间维度方面的特征提取能力,并分别验证CNN和BiLSTM的性能以及不同网络深度对估产的影响。研究结果表明,CNN和BiLSTM深度分别为14和1的CNN14-BiLSTM模型准确率最高,对比单一结构的BiLSTM该模型决定系数从0.851提升至0.885,其均方根误差和平均绝对百分比误差也均明显下降,在2.3 m×2.3 m的样方内,结果分别为147.167 g和6.711%。该研究实现了基于时间序列的棉花产量估算,可为类似的作物产量估算提供参考。 相似文献
1