期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到9篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于SFM+光学校正的小麦根系三维重建与表型提取方法
1
作者 段凌凤 王新轶 +2 位作者 魏函志 王旭升 杨万能 《农业机械学报》 北大核心 2025年第3期18-26,共9页
小麦根系作为关键的水分和养分吸收器官,其表型特征对了解小麦生长状况及土壤环境具有重要意义。然而,根系地下生长的特性使得其观测面临挑战。本研究设计了一套小麦水生培养装置、基于虹吸原理的柔性换液装置及根系图像采集系统,并针... 小麦根系作为关键的水分和养分吸收器官,其表型特征对了解小麦生长状况及土壤环境具有重要意义。然而,根系地下生长的特性使得其观测面临挑战。本研究设计了一套小麦水生培养装置、基于虹吸原理的柔性换液装置及根系图像采集系统,并针对该系统开发了图像光学折射校正方法,通过SFM算法构建了根系的三维点云模型,并提取了相关表型特征。试验表明,柔性换液装置使换液前后根系图像结构相似度提高至0.98;折射校正方法使图像误差减少62%。采用提出的装置及方法对小麦根系生长发育受氮环境的影响进行了探讨。研究结果表明,在低氮条件下,小麦根系展现出更深、分布更密集的生长趋势。另外,相比于氮高效品种,氮低效品种对氮环境变化更敏感。本文提出的装置及方法有助于高通量植物根系三维表型分析。 展开更多
关键词 小麦根系 三维重建 折射校正 图像处理 表型提取 SFM
在线阅读 下载PDF
基于改进Pix2Pix-HD网络的多品种水稻生长可视化预测方法 被引量：3
2
作者 段凌凤 王新轶 +3 位作者 王治昊 耿泽栋 卢运瑞 杨万能 《作物学报》 CAS CSCD 北大核心 2024年第12期3083-3095,共13页
植物生长建模与预测能模拟植物的生长过程,有助于生理学家和植物学家分析植物未来的生长模式,缩短试验周期、降低试验成本,受时间和条件限制的植物试验与研究指导。生长可视化预测能提供未来生长时间点的植物图像,能更逼真、直观地描述... 植物生长建模与预测能模拟植物的生长过程,有助于生理学家和植物学家分析植物未来的生长模式,缩短试验周期、降低试验成本,受时间和条件限制的植物试验与研究指导。生长可视化预测能提供未来生长时间点的植物图像,能更逼真、直观地描述植物的生长过程。水稻作为重要的粮食作物,实现水稻的生长可视化预测,对水稻生长发育分析具有十分重要的意义。针对传统作物生长预测方法存在的视觉真实度和可视化效果较差等问题,本文提出了一种基于改进Pix2Pix-HD模型的多品种水稻生长可视化预测方法,利用数据驱动的方式,实现了对水稻抽穗期到灌浆期的高分辨率生长可视化预测,通过水稻抽穗期的图像预测灌浆期水稻生长图像。方法评估中,本文从视觉相似性、表型准确性和不同尺度评估模型预测性能,通过消融实验评估改进方法的有效性,并与现有研究进行比较。结果表明,测试集预测的灌浆期水稻图像与真实灌浆期水稻图像之间的FID、PSNR和SSIM值分别达到24.75、13.58和0.78,预测表型和真实表型相关系数的平均值为0.762,在不同尺度上都能保持较好的准确性。本文提出的基于数据驱动的水稻生长预测方法能够实现高分辨率和高视觉真实性的水稻生长可视化预测,为水稻生长预测提供了新思路。 展开更多
关键词 水稻 生长可视化预测 生成对抗网络 Pix2Pix-HD 数字植物
在线阅读 下载PDF
基于深度学习的小麦抗旱相关根系表型原位测量与分析 被引量：1
3
作者 段凌凤 傅金阳 +3 位作者 王新轶 施家伟 李为坤 杨万能 《农业机械学报》 EI CAS CSCD 北大核心 2024年第5期207-217,共11页
根系是植物吸收水分的主要通道,根系表型与植物抗旱能力息息相关。为了快速准确地获取小麦根系表型指标,利用土培根盒法进行了小麦干旱胁迫实验,共采集18个时间点的根系时序图像。设计了一套基于深度学习的根系图像处理与分析流程,针对... 根系是植物吸收水分的主要通道,根系表型与植物抗旱能力息息相关。为了快速准确地获取小麦根系表型指标,利用土培根盒法进行了小麦干旱胁迫实验,共采集18个时间点的根系时序图像。设计了一套基于深度学习的根系图像处理与分析流程,针对土壤遮蔽引起的断根问题,提出了一种融合目标检测网络和沙漏注意力网络的检测-修复两阶段断根修复方法,以修复根系断裂区域,并通过多尺度训练和自适应迭代法提高修复精度和鲁棒性。提取了小麦在干旱胁迫和对照处理下的根面积、总根长、根宽、根深、根宽深比、根密度6个表型性状,分析了小麦根系对干旱胁迫的表型响应。结果显示,干旱胁迫下,小麦会有更低的根系生物量、更深的根系扎根深度及更分散的根系构型。同时计算了小麦根系干旱胁迫耐受性指数,结合主成分分析法,对小麦品种的抗旱能力进行了描述和排序。 展开更多
关键词 小麦 根系表型 原位测量 抗旱性分析 断根修复 深度学习
在线阅读 下载PDF
基于并行处理技术的谷物粒型快速测量算法 被引量：3
4
作者 蒋霓 段凌凤 +1 位作者 杨万能 刘谦 《光电工程》 CAS CSCD 北大核心 2012年第3期66-71,共6页
谷物粒型是决定谷粒品质和产量的重要参数之一。传统人工测量粒型的方法耗时、工作量大、主观性强。本文首先介绍一种基于线阵列采集技术和工业输送技术的谷物粒型自动测量系统。为提高系统测量效率,文章中应用了图形处理器(GPU)并行处... 谷物粒型是决定谷粒品质和产量的重要参数之一。传统人工测量粒型的方法耗时、工作量大、主观性强。本文首先介绍一种基于线阵列采集技术和工业输送技术的谷物粒型自动测量系统。为提高系统测量效率,文章中应用了图形处理器(GPU)并行处理技术,在统一计算设备架构(CUDA)下对测量算法进行优化。实验结果表明,基于GPU的并行加速算法,能有效提高测量效率,当图像中谷粒数近2000颗时,优化后的算法速度为中央处理器(CPU)下算法运行速度的400多倍,且随着采集图像中谷粒数的增多,优化测量算法的加速效果更显著。 展开更多
关键词 谷物粒型 图形处理器 并行处理技术 加速算法
在线阅读 下载PDF
基于深度全卷积神经网络的大田稻穗分割 被引量：43
5
作者 段凌凤 熊雄 +2 位作者 刘谦 杨万能 黄成龙 《农业工程学报》 EI CAS CSCD 北大核心 2018年第12期202-209,共8页
稻穗的准确分割是获取水稻穗部性状、实现水稻表型自动化测量的关键。该研究应用水稻图像数据集及数据增广技术,离线训练了用于稻穗分割的3个分别基于Seg Net,Deep LAB和PSPNet的全卷积神经网络。综合考虑分割性能和计算速度,优选了基于... 稻穗的准确分割是获取水稻穗部性状、实现水稻表型自动化测量的关键。该研究应用水稻图像数据集及数据增广技术,离线训练了用于稻穗分割的3个分别基于Seg Net,Deep LAB和PSPNet的全卷积神经网络。综合考虑分割性能和计算速度,优选了基于Seg Net的网络,称为Panicle Net。在线分割阶段先将原始图像划分为子图,由Panicle Net分割子图,再拼接子图得到分割结果。比较该算法及现有作物果穗分割算法Panicle-SEG、HSeg、i2滞后阈值法及joint Seg,该算法对与训练样本同年度拍摄样本Qseg值0.76、F值0.86,不同年度样本Qseg值0.67、F值0.80,远优于次优的Panicle-SEG算法,且计算速度约为Panicle-SEG算法的35倍。该算法能克服稻穗边缘严重不规则、不同品种及生育期稻穗外观差异大、穂叶颜色混叠和复杂大田环境中光照、遮挡等因素的干扰,提升稻穗分割准确度及效率,进而服务于水稻育种栽培。 展开更多
关键词 作物 图像分割 大田水稻 稻穗分割 深度学习 全卷积神经网络
在线阅读 下载PDF
基于深度信念网络的多品种水稻生物量无损检测 被引量：3
6
作者 段凌凤 潘井旭 +3 位作者 郭子龙 刘海北 覃建祥 柯希鹏 《农业机械学报》 EI CAS CSCD 北大核心 2019年第11期136-143,共8页
提出了基于深度信念网络的多品种生殖生育期水稻生物量无损检测方法。对在正常生长及干旱胁迫两个不同环境下的483个水稻品种,分别于胁迫前、胁迫后和复水后3个时间点进行图像采集。利用HSL颜色空间固定阈值分割法分割图像,并对处理后... 提出了基于深度信念网络的多品种生殖生育期水稻生物量无损检测方法。对在正常生长及干旱胁迫两个不同环境下的483个水稻品种,分别于胁迫前、胁迫后和复水后3个时间点进行图像采集。利用HSL颜色空间固定阈值分割法分割图像,并对处理后的图像进行特征提取,共提取57个特征值。对数据进行归一化处理后,构建基于深度信念网络的水稻生物量模型,根据决定系数R^2、平均相对误差(MAPE)及相对误差绝对值的标准差(SAPE)选择最优模型,并与逐步线性回归模型进行比较。结果表明,基于深度信念网络的生物量测量模型性能更优,R^2为0.9299,MAPE为11.19%,SAPE为18.36%。本研究提供了一种精度高且适用于多品种、不同生殖生育期、不同生长环境的水稻生物量无损检测模型,为水稻研究提供了新的测量工具。 展开更多
关键词 水稻 生物量 深度信念网络 多品种 生殖生育期 无损检测
在线阅读 下载PDF
基于深度学习的水稻表型特征提取和穗质量预测研究 被引量：25
7
作者 杨万里 段凌凤 杨万能 《华中农业大学学报》 CAS CSCD 北大核心 2021年第1期227-235,共9页
水稻产量与水稻穗数和穗质量密切相关,精确预测水稻产量可以加快育种速度。以盆栽水稻为研究对象,首先利用可见光图像结合图像处理技术进行特征提取,获取整株水稻的51个表型特征。结合深度学习,运用Faster R-CNN卷积神经网络训练模型对... 水稻产量与水稻穗数和穗质量密切相关,精确预测水稻产量可以加快育种速度。以盆栽水稻为研究对象,首先利用可见光图像结合图像处理技术进行特征提取,获取整株水稻的51个表型特征。结合深度学习,运用Faster R-CNN卷积神经网络训练模型对水稻穗数进行检测,同时使用SegNet网络框架训练得到的模型对水稻稻穗进行分割,得到水稻穗部的二值图像,结合图像处理技术提取穗部的33个表型特征数据。提取了颜色、形态、纹理共85个表型参数,对所有85个数据进行归一化处理,将归一化的85个表型数据与稻穗鲜质量、干质量进行逐步线性回归,挑选相关性高的特征数据。分别使用穗数和33个特征穗部、51个特征整株、所有85个特征中相关性高的特征数据构建盆栽水稻稻穗鲜质量、干质量的预测模型,最后根据模型的决定系数R 2、平均相对误差(MAPE)和相对误差绝对值的标准差(SAPE)挑选最优预测模型。预测结果表明穗部特征预测效果最好,其中效果最好的模型鲜质量、干质量预测值与真实值的决定系数R 2分别达到0.787±0.051和0.840±0.054。 展开更多
关键词 水稻产量预测 植物表型组学 深度学习 图像处理 水稻穗质量预测 SegNet Faster R-CNN
在线阅读 下载PDF
基于BP神经网络的水稻卷叶识别 被引量：4
8
作者 赵瑞 祁春节 段凌凤 《南方农业学报》 CAS CSCD 北大核心 2018年第10期2103-2109,共7页
【目的】对水稻卷叶进行分类识别,为研究水稻的抗旱性和实施自动化农业、精准农业提供技术支持。【方法】通过数字图像处理方法提取5个水稻特征数据,即水稻的周长面积比、水稻面积与水稻最小外接矩形的面积比、水稻的计盒维数、水稻面... 【目的】对水稻卷叶进行分类识别,为研究水稻的抗旱性和实施自动化农业、精准农业提供技术支持。【方法】通过数字图像处理方法提取5个水稻特征数据,即水稻的周长面积比、水稻面积与水稻最小外接矩形的面积比、水稻的计盒维数、水稻面积与水稻凸包的面积比、水稻绿色部分面积占比;运用MATLAB构建BP神经网络,依据水稻特征数据对水稻卷叶进行分类识别。【结果】在提取的5个水稻特征数据中,有助于分类的特征包括水稻的周长与面积比、水稻面积与最小外接矩形面积比及水稻的绿色部分占比3个特征。在300组样本数据的分类中,总体样本分类正确率达96.47%,训练样本分类正确率达96.61%,验证样本分类正确率达96.17%,测试样本分类正确率达96.33%。因此,采用BP神经网络对水稻卷叶的识别程度高达90.00%以上,具有良好的分类效果。【建议】今后应对水稻卷叶的类别多分几类进行识别,还应将BP神经网络对水稻卷叶进行分类识别的过程实现自动化,并广泛应用于水稻的学术研究和现实生产。 展开更多
关键词 BP神经网络 水稻 卷叶 识别
在线阅读 下载PDF
作物表型自动化检测技术全球研发态势分析——基于专利视角
9
作者 旷达 段凌凤 《中国农机化学报》 北大核心 2023年第5期223-229,共7页
作物表型的自动化检测对于现代化农作物培育具有重要意义。针对近些年该技术的快速发展,依托Patsnap全球专利数据库,基于分类号与关键词相结合的检索策略,共计获得3977件作物表型自动化检测技术相关专利,分别从申请及授权概况、技术生... 作物表型的自动化检测对于现代化农作物培育具有重要意义。针对近些年该技术的快速发展,依托Patsnap全球专利数据库,基于分类号与关键词相结合的检索策略,共计获得3977件作物表型自动化检测技术相关专利,分别从申请及授权概况、技术生命周期、技术创新地域分布、技术分支、主要创新主体、研发重点及海外专利布局等角度切入分析评估。结果显示:全球农作物表型自动化检测相关专利的申请量在整体上呈现出快速增加趋势,尤其是在2015年之后;从全球尺度来看,该领域的技术创新主要来源于在东亚和美国,其中中国和美国处于绝对领先位置;从国内分布来看,技术创新主要来源于京津冀、长三角和珠三角地区;技术创新主要涵盖模式识别、图像处理分析、系统集成、传感器应用和计算机建模应用等技术分支;该领域的创新主体以大型跨国公司和高校科研院所为主,国外创新主体相较于国内更加注重研发方向的多元化和海外专利布局。研究结果可为政府部门及相关研发机构提供参考借鉴。 展开更多
关键词 作物表型 自动化 知识产权 专利分析
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部