排序方式： 共有2条查询结果，搜索用时 93 毫秒
1
1.
根系作为水稻生长的“发动机”,其形态特征直接影响植株的生长发育、营养水平和产量水平。水稻根系不便于直接观测,实现根系形态结构三维建模及可视化研究对改善农田管理、水稻育种和遗传改良等具有重要作用。用L-系统描述水稻根系弯曲的算法复杂,较难提取产生式,产生的分枝根根型比较生硬。为了更好地模拟水稻根系直根和曲根的形态结构,研究基于改进L-系统的水稻根系建模和可视化方法。结合二次均匀B-样条曲线的数学表达式改进传统L-系统的产生式,把根系生长节点作为控制中心,运用二次均匀B-样条曲线函数来表达根轴的弯曲程度,并以动态数据结构存储根系生长节点。对模型模拟值与现场观测值进行相关性分析显示,均方根误差在0.022～0.040之间变化,平均偏差在0.107～0.189之间变化,表明基于改进L-系统的水稻根系模型的准确度较高。以模型作为算法基础,利用Visual C++开发工具和OpenGL开放图形库实现了水稻根系生长可视化仿真系统。系统能够表达水稻根系在不同生长时期的形态特征和生长规律,模拟的真实度较为理想,可以有效满足精确农业的研究需求。 相似文献
2.
【目的】针对在自然条件下水稻叶片病虫害的识别效率不高、准确率较低的问题，探索基于ResNet深度学习网络的水稻叶片病虫害识别模型（ResNet50-CA）。【方法】在ResNet-50的残差卷积模块下引入坐标注意力机制（CA），采用LeakyReLU激活函数替代ReLU激活函数，使用3个3×3的卷积核替换ResNet-50模型首层卷积层中的7×7卷积核。【结果】在使用传统卷积神经网络进行水稻叶片病虫害研究发现，ResNet-50能够较好地平衡识别准确率和模型复杂度之间的关系，因此选择在ResNet-50网络模型的基础上加以改进。使用改进后的网络通过微调参数进行水稻叶片病虫害对比性能试验，研究发现在批量样本数为16和学习率为0.000 1时，ResNet50-CA获得最高的识别准确率（99.21%），优于传统的深度学习算法。【结论】改进后的网络能够提取出水稻病虫害更加细微的特征信息，从而取得更高的识别准确率，为水稻叶片病虫害识别提供新思路和方法。 相似文献
1