期刊文献+
共找到2篇文章
< 1 >
每页显示 20 50 100
基于HSV颜色与LBP纹理特征的水稻氮素营养诊断
1
作者 杨孙哲 孙爱珍 《计算机与现代化》 2023年第7期86-92,98,共8页
为了快速便捷实现水稻氮素营养诊断识别,提出一种基于叶片HSV颜色与LBP纹理直方图特征相结合的水稻氮素营养诊断识别方法。以‘中嘉早’稻种为试验对象进行早稻田间试验,设置4个施氮水平。通过相机拍摄水稻分蘖期顶三叶叶尖部位的图像,... 为了快速便捷实现水稻氮素营养诊断识别,提出一种基于叶片HSV颜色与LBP纹理直方图特征相结合的水稻氮素营养诊断识别方法。以‘中嘉早’稻种为试验对象进行早稻田间试验,设置4个施氮水平。通过相机拍摄水稻分蘖期顶三叶叶尖部位的图像,利用图像处理技术分别获取每片叶片叶尖部位图像的HSV颜色特征,并改进LBP算法,利用中心点5×5范围像素灰度均值替代中心点像素灰度值作为阈值,提取得到mean_LBP纹理特征。将H、S、V颜色直方图和mean_LBP纹理直方图特征进行量化、归一化、串连合并为1024个分量的一维特征向量,经PCA降维后,分别应用GS_SVC、BP、KNN以及RF方法构建水稻氮素营养诊断识别模型。实验结果表明,改进mean_LBP纹理特征与HSV颜色特征相结合的叶尖部位图像在网格搜索参数寻优支持向量机模型(GS_SVC)的识别准确率达到95.23%,优于其他模型的诊断结果。叶尖在水稻氮素营养诊断过程中具有敏感性,且图像HSV和LBP特征获取不受主观因素影响,表明本文方法具有良好的普适性、可靠性,可为水稻等作物的营养准确诊断提供一种新的可行方法。 展开更多
关键词 HSV颜色特征 LBP纹理特征 氮素营养诊断 支持向量机
下载PDF
基于卷积神经网络的水稻氮素营养诊断
2
作者 钱政 杨孙哲 +4 位作者 张国卿 郭紫微 张林朋 万家兴 红云 《中国农业科技导报》 CAS CSCD 北大核心 2023年第9期113-121,共9页
为了快速、准确诊断和识别水稻氮素胁迫程度,对水稻进行大田栽培试验。以超级水稻‘两优培九’为试验对象,设置0、210、300和390 kg·hm^(-2)共4个施氮水平处理,通过扫描采集幼穗分化期和齐穗期水稻顶1、顶2、顶3叶图像,在卷积神经... 为了快速、准确诊断和识别水稻氮素胁迫程度,对水稻进行大田栽培试验。以超级水稻‘两优培九’为试验对象,设置0、210、300和390 kg·hm^(-2)共4个施氮水平处理,通过扫描采集幼穗分化期和齐穗期水稻顶1、顶2、顶3叶图像,在卷积神经网络(convolutional neural network,CNN)ResNet34的每个残差块中加入SE block(squeeze-and-excitation block)模块,并将在图像数据集ImageNet(ImageNet large scale visual recognition challenge)上训练得到的权重参数迁移到水稻氮素营养诊断的识别模型中,ResNet34的特征提取层保持原结构,模型结尾的池化层替换为全局平均池化层,利用改进后的网络对水稻图像进行特征提取,训练得到最优的权重参数。结果表明,改进后的网络对水稻幼穗分化期的模型测试准确率达到98.13%,齐穗期的准确率达到99.46%,且模型的收敛速度更快,相比于改进前的网络准确率均提升了7%以上。以上结果表明,通过在ResNet34残差块中加入SE block并基于迁移学习的方法对水稻氮素营养诊断方法是可行的,能有效对水稻幼穗分化期和齐穗期的氮素营养进行诊断识别,为农作物的营养诊断识别提供了参考。 展开更多
关键词 卷积神经网络 水稻氮素营养诊断 ResNet34 迁移学习 SE block
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部