科研产出
一种基于深度学习的玉米病害识别方法
《安徽科技学院学报 》 2023
摘要：目的:针对现有玉米病害种类繁多、识别方法耗时耗力等问题，对传统卷积神经网络结构进行改进和优化，提出Corn＿Modle新型玉米病害自主识别模型。方法:构建含有6种玉米病害种类的数据集，并对其进行数据增强和预处理；将新建模型在训练集上进行训练，利用测试集对其进行试验验证。结果:Corn＿Modle模型的准确率为96.85%,参与对比的AlexNet、LeNet-5、ResNet50、MobileNet等4种经典模型的准确率分别为93.98%、77.06%、63.44%和87.25%,在准确率、精准度、召回率等评价指标上优于对比模型。结论:新构建的Corn＿Modle模型在准确率、鲁棒性和稳定性方面比传统的经典模型表现更好，可为玉米等农作物病害识别技术的发展提供参考。
全文链接
请求原文
北纬32°地区早熟中稻"一种两收"栽培技术模式及应用效果分析
《现代农业科技 》 2023
摘要：利用水稻再生特性在适宜区域发展再生稻是我国有效增加粮食产量的新技术途径。针对北纬32°地区一季中稻生产温光资源有余而双季稻（双季早稻+双季晚稻）生产温光资源不足的情况，本文介绍了适宜当地大面积推广应用的早熟中稻“一种两收”（早熟中稻+再生稻）绿色增产增效栽培技术模式，包括品种和播期选择、育秧移栽、肥水管理、病虫草害防治、收割留茬高度选择等方面的内容。选择隆晶优1212水稻品种，应用该模式在霍邱县2个村进行种植，机收测产结果表明，头季稻单产达10 500 kg/hm~2，再生稻单产达2 955～4 386 kg/hm~2。该技术模式的推广应用，可为江淮单季稻种植区域中稻生产节本、增产、增效提供助力。
关键词： 早熟中稻 再生稻 一种两收 栽培模式 应用效果 北纬32°地区
全文链接
请求原文
一种基于改进卷积神经网络的玉米病害高效识别模型
《安徽科技学院学报 》 2023
摘要：目的:针对深度学习模型在玉米病害识别过程中存在精确度低、综合性能差等问题，提出一种改进的卷积神经网络模型，以期取得更好的识别效果。方法:构建由4个卷积层、4个最大池化层和3个全连接层组成的玉米病害识别模型，利用Dropout策略、L2正则化、早停法等优化网络，通过设置不同的初始学习率和批大小，对复杂环境下的6种典型的玉米病害进行分类试验研究，并与LeNet、AlexNet和GoogLeNet网络模型进行性能对比。结果:改进优化后的模型在玉米病害测试集上的识别准确率达到了98.27%,较改进前提高1.25%,单幅图像的平均识别时间缩短了0.007 7 s。与对比模型相比，新模型的识别时间最短，测试准确率比LeNet、AlexNet分别提高了15.52%、4.81%,损失值分别减少了0.805 2、0.157 8,性能曲线变化更平稳。结论:该模型具有识别速度更快、泛化能力更强、鲁棒性更好、识别精度高等特点，为玉米病害的精准高效识别提供了新的方法。
关键词： 玉米病害 卷积神经网络 模型改进 特征提取 识别精度
全文链接
请求原文
一种马铃薯病害神经网络识别方法
《安徽科技学院学报 》 2022
摘要：目的:为解决马铃薯病害识别效率低和识别效果差等问题,构建一种基于卷积神经网络的马铃薯病害识别模型,以期获得更好的识别性能.方法:以卷积神经网络为基础,通过融入抑制神经元、批归一化等方法优化网络结构,提高网络的泛化能力,抑制过拟合等;选取马铃薯两种病害和健康图像作为研究对象,对图像进行增强、归一化等处理,以8:2的比例构建训练集和测试集对模型进行训练和测试.结果:该模型在精确率、召回率和调和均值评价指标上均优于对比模型,其收敛速度快,泛化能力强且鲁棒性好,与对比的模型相比具有更好的识别效果.结论:该方法为马铃薯病害的高效识别提供了新的途径.
全文链接
请求原文
基于迁移学习的多模型水稻病害识别方法研究
《安徽农业科学 》 2021
摘要：水稻病害是影响水稻产量的重要因素之一,使用传统机器学习方法识别农作物病虫害效果并不理想,因此该研究使用深度学习技术结合迁移学习方法识别常见水稻病害。使用当前深度学习领域经典网络模型VGG、ResNet、DenseNet、InceptionResNet、Xception模型作为预训练模型,通过比较不同模型在新任务上的表现,选取性能最好且最稳定的Xception模型作为最终模型。试验结果显示,DenseNet、InceptionResNet、Xception的识别准确率可以达到97%,尤其是Xception模型不仅可以达到98.50%的最高识别准确率而且是最稳定的。该研究通过试验探讨了适用于常见水稻病害智能识别的最佳模型,同时表明了使用迁移学习方法解决新任务的有效性。
全文链接
请求原文
安徽省地方品种猪智慧管理平台研发
《农业大数据学报 》 2021
摘要：随着信息技术不断的普及,畜牧业信息化也得到了较快的发展。安徽是生猪养殖大省,生猪产业在本省畜牧产业中占到了很大的比重,从全国来看,安徽的生猪养殖也占据着不可估量的地位。安徽本地猪品种多、肉质鲜美、营养价值高,但是其生长周期长且安徽的生猪养殖大多以小规模和中规模养殖为主,这就导致了饲养安徽本地品种猪的人工成本较高,饲养数量较少,本地猪种的数量逐渐减少。针对安徽本地猪品种生长周期长、小规模养殖人工成本高等问题,开发了生猪养殖信息化管理平台,实现贯穿生猪养殖全过程的信息智慧管理。平台采用B/S的架构,分为视图层、逻辑业务层和数据层三个层面,具备公猪母猪事件、仔猪育肥猪事件、猪场兽医、统计分析等8个功能事件,融合了移动终端与web端,贴近生产要求设计了合理的数据库结构。便捷了小规模的用户使用,最大程度的降低了生猪饲养的人工成本,提升了生猪养殖的智能化、标准化、信息化程度。试用结果表明,该生猪养殖信息化管理平台可以为小规模的生猪养殖提供高效全面的信息化管理,降低生产成本,同时能够对生产数据进行动态监测并提供科学的决策。
关键词： 生猪养殖 视图层 逻辑业务层 数据层 智能化 信息化
全文链接
请求原文
基于VGG-16卷积神经网络的水稻害虫智能识别研究
《安徽农业科学 》 2020
摘要：为了实现自然场景下水稻害虫实时精准被识别,构建基于VGG-16卷积神经网络的水稻害虫智能识别模型。该模型采用VGG-16卷积神经网络为核心网络结构,根据水稻害虫的个体特征和自然场景,对VGG-16网络的卷积层局部调整,优化主要模型参数,实现水稻害虫的智能识别,其识别的平均准确率是90.7%,实现对沙叶蝉、大螟、斑须蝽、点蜂缘蝽和白背飞虱的准确识别。研究结果显示,采用卷积神经网络技术可以实现自然场景下害虫图像的精准识别,代替人工辨认,提高水稻害虫防治率,实现实时、精准防治的目标。
全文链接
请求原文
安徽省植保大数据平台建设与应用展望
《农业大数据学报 》 2020
摘要：近年来,中国农业病虫草害问题日趋严重,农业病虫草害预测预报体系不完善,基本原因在于农业大数据的汇集能力、挖掘能力、决策能力不足,目前市场上已经有许多涉及病虫草害的信息平台,但都面临着种类划分不够统一、资源信息不够准确等问题。安徽省是农业大省,病虫草害问题尤为严重,为了推动安徽省病虫草害防控体系发展,本文旨在以病虫草害数字图像库为基础,构建大数据管理、分析、挖掘及可视化展示平台,实现数据资源的分布存储与处理,面向农业生产、管理决策和科技创新中的现实需求,开展系统框架、数据清洗、数据挖掘、知识发现、认知计算、数据建模等技术研究与产品研发,建设集管理、共享、创新应用及产品服务一体化的大数据平台。为从业者提供农业病虫草害识别和辅助诊疗、病虫草害预测预报、植保知识查询等植保信息精准化服务,突破时间、地域限制,利用互联网帮助从业者实时解决生产中遇到的病虫草害防治难题,降低经济成本,减轻作业强度,提高防治的时效性。最后,针对当前安徽省植保大数据平台的不足提出建议,未来要进一步补充平台所缺乏的遥感、气象、土壤等方面的信息化数据,并增加录入病虫草害的种类和数量,提高数据共享水平,优化数据分析技术,加强数据应用推广,完善数据安全保障,真正成为智慧农业的重要组成部分。
关键词： 大数据平台 植物保护 智慧农业 数据获取 数据管理 数据挖掘 农业大数据 大数据
全文链接
请求原文
基于深度学习的病虫害智能化识别系统
《中国植保导刊 》 2019 北大核心
摘要：我国农作物种植覆盖面广、分散度高,病虫害发生种类多、区域性发生规律复杂,传统的人工鉴定技术从效率、能力与精度方面均难以满足新形势下重大病虫测报要求。针对这一实践需求,以测报灯下害虫图像数据库(约18万张)、田间病虫害图像数据库(约32万张)为基础,构建了基于深度学习方法的病虫害种类特征自动学习、特征融合、识别和位置回归计算框架,并研发了移动式病虫害智能化感知设备和自动识别系统。通过近2年的精确度和实操运行效率检验,该系统在自然状态下对16种灯下常见害虫的识别率为66%～90%,对38种田间常见病虫害(症状)的识别率为50%～90%。随基础数据库的不断丰富、神经网络深层特征提取的不断完善,该系统有望进一步提高识别准确率,从而真正实现田间病虫害识别自动化、智能化和高效率。
全文链接
请求原文
