期刊导航
期刊开放获取
上海教育软件发展有限公..
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
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
检索
高级检索
期刊导航
共找到
2
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
高光谱图像结合一维卷积神经网络的玉米大斑病早期识别
1
作者
路阳
顾福谦
+2 位作者
谷英楠
许思源
王鹏
《光谱学与光谱分析》
北大核心
2025年第8期2302-2310,共9页
大斑病在全球各大玉米产区都有出现,降低了玉米的品质和产量。该病害多在病斑明显时识别,难以及时防治。本文提出一维卷积神经网络(1DCNN)高光谱模型,实现早期识别。以玉米大斑病为研究对象,手动接种大斑病后,选取吐丝期的玉米叶片进行...
大斑病在全球各大玉米产区都有出现,降低了玉米的品质和产量。该病害多在病斑明显时识别,难以及时防治。本文提出一维卷积神经网络(1DCNN)高光谱模型,实现早期识别。以玉米大斑病为研究对象,手动接种大斑病后,选取吐丝期的玉米叶片进行试验,此时期刚显现病斑特征,但无法通过视觉属性观察看出是何种病害。首先采用SOC710E光谱仪采集高光谱图像,通过选取感兴趣区域获得玉米叶片的健康和大斑病两种光谱数据。使用SG卷积平滑、多元散射校正(MSC)、标准正态变换(SNV)和去趋势算法(DT)等四种光谱预处理方法,以去除光谱数据中的噪声。分别使用随机森林(RF)和K最近邻(KNN)两种监督学习算法,以准确率作为评价指标,对高光谱图像进行识别。结果表明,MSC为优选的预处理方法,两种模型预测准确率分别为88.13%和86.26%。然后采用竞争性自适应重加权算法对玉米叶片光谱数据进行特征波长提取,从原始的260个波长中优选出48个特征波长。最后建立一维卷积深度学习模型进行分类,识别准确率达到99.61%,相较于传统分类模型KNN、RF、偏最小二乘判别分析(PLS-DA)、反向传播神经网络(BP)、支持向量机(SVM),提出的模型识别准确率分别提高了5.94%、6.88%、6.48%、8.27%、12.12%。高光谱技术结合深度学习模型可以更有效识别玉米大斑病,为实现玉米病害早期识别提供了一种新的思路和方法。
展开更多
关键词
一维卷积神经网络
高光谱图像
玉米
大斑病
在线阅读
下载PDF
职称材料
改进注意力机制嵌入PR-Net模型的水稻病害识别仿真
2
作者
路阳
刘鹏飞
+3 位作者
许思源
刘启旺
顾福谦
王鹏
《系统仿真学报》
CAS
CSCD
北大核心
2024年第6期1322-1333,共12页
针对现有的CNN模型在水稻叶部病害的识别中准确率较低的问题,提出了一种结合并行结构和残差结构的混合卷积神经网络模型PRC-Net(parallel residual with coordinate attention network)。引入并行结构,提高卷积的感受野;结合残差结构,...
针对现有的CNN模型在水稻叶部病害的识别中准确率较低的问题,提出了一种结合并行结构和残差结构的混合卷积神经网络模型PRC-Net(parallel residual with coordinate attention network)。引入并行结构,提高卷积的感受野;结合残差结构,使特征信息完整的连续传递;在骨干模型PR-Net中嵌入改进的空间注意力机制,增强对不同尺度病斑特征信息的凝聚程度;为进一步提升病害识别的准确率,并减少模型的训练时间和推理时间,通过改变加权方式对模型结构进行优化。仿真结果表明:与InceptionResNetV2等分类模型相比,PRC-Net具有更少的训练参数、更短的训练时间和更高的识别精度,性能优于其他作物病害识别模型。
展开更多
关键词
水稻叶部病害
PRC-Net(parallel
residual
with
coordinate
attention
network)
卷积神经网络
注意力机制
图像识别
在线阅读
下载PDF
职称材料
题名
高光谱图像结合一维卷积神经网络的玉米大斑病早期识别
1
作者
路阳
顾福谦
谷英楠
许思源
王鹏
机构
黑龙江八一农垦大学信息与电气工程学院
黑龙江省农业科学院农业遥感与信息研究所/黑龙江省农业科学院博士后科研工作站
东北石油大学
东北石油大学三亚海洋油气研究院
出处
《光谱学与光谱分析》
北大核心
2025年第8期2302-2310,共9页
基金
国家自然科学基金项目(U21A2019,62476081,32401703)
中国博士后科学基金地区专项支持计划项目(2023MD744179)
+3 种基金
黑龙江省重点研发计划项目(2023ZX01A06)
黑龙江省自然科学基金联合引导项目(LH2024F048)
黑龙江省青年科技人才托举工程项目(2022QNTJ012)
海南省科技专项(ZDYF2022SHFZ105)资助。
文摘
大斑病在全球各大玉米产区都有出现,降低了玉米的品质和产量。该病害多在病斑明显时识别,难以及时防治。本文提出一维卷积神经网络(1DCNN)高光谱模型,实现早期识别。以玉米大斑病为研究对象,手动接种大斑病后,选取吐丝期的玉米叶片进行试验,此时期刚显现病斑特征,但无法通过视觉属性观察看出是何种病害。首先采用SOC710E光谱仪采集高光谱图像,通过选取感兴趣区域获得玉米叶片的健康和大斑病两种光谱数据。使用SG卷积平滑、多元散射校正(MSC)、标准正态变换(SNV)和去趋势算法(DT)等四种光谱预处理方法,以去除光谱数据中的噪声。分别使用随机森林(RF)和K最近邻(KNN)两种监督学习算法,以准确率作为评价指标,对高光谱图像进行识别。结果表明,MSC为优选的预处理方法,两种模型预测准确率分别为88.13%和86.26%。然后采用竞争性自适应重加权算法对玉米叶片光谱数据进行特征波长提取,从原始的260个波长中优选出48个特征波长。最后建立一维卷积深度学习模型进行分类,识别准确率达到99.61%,相较于传统分类模型KNN、RF、偏最小二乘判别分析(PLS-DA)、反向传播神经网络(BP)、支持向量机(SVM),提出的模型识别准确率分别提高了5.94%、6.88%、6.48%、8.27%、12.12%。高光谱技术结合深度学习模型可以更有效识别玉米大斑病,为实现玉米病害早期识别提供了一种新的思路和方法。
关键词
一维卷积神经网络
高光谱图像
玉米
大斑病
Keywords
One dimensional convolutional neural network
Hyperspectral image
Maize
Northern leaf blight
分类号
S126 [农业科学—农业基础科学]
在线阅读
下载PDF
职称材料
题名
改进注意力机制嵌入PR-Net模型的水稻病害识别仿真
2
作者
路阳
刘鹏飞
许思源
刘启旺
顾福谦
王鹏
机构
黑龙江八一农垦大学信息与电气工程学院
东北石油大学黑龙江省网络化与智能控制重点实验室
东北石油大学人工智能能源研究院
东北石油大学三亚海洋油气研究院
出处
《系统仿真学报》
CAS
CSCD
北大核心
2024年第6期1322-1333,共12页
基金
国家自然科学基金(U21A2019,61873058,61933007)
黑龙江省自然科学基金联合引导项目(LH2020F042)
+1 种基金
黑龙江省博士后科研启动基金(LBH-Q17134)
海南省科技专项(ZDYF2022SHFZ105)。
文摘
针对现有的CNN模型在水稻叶部病害的识别中准确率较低的问题,提出了一种结合并行结构和残差结构的混合卷积神经网络模型PRC-Net(parallel residual with coordinate attention network)。引入并行结构,提高卷积的感受野;结合残差结构,使特征信息完整的连续传递;在骨干模型PR-Net中嵌入改进的空间注意力机制,增强对不同尺度病斑特征信息的凝聚程度;为进一步提升病害识别的准确率,并减少模型的训练时间和推理时间,通过改变加权方式对模型结构进行优化。仿真结果表明:与InceptionResNetV2等分类模型相比,PRC-Net具有更少的训练参数、更短的训练时间和更高的识别精度,性能优于其他作物病害识别模型。
关键词
水稻叶部病害
PRC-Net(parallel
residual
with
coordinate
attention
network)
卷积神经网络
注意力机制
图像识别
Keywords
rice leaf disease
PRC-Net
convolution neural network
attention mechanism
image recognition
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
高光谱图像结合一维卷积神经网络的玉米大斑病早期识别
路阳
顾福谦
谷英楠
许思源
王鹏
《光谱学与光谱分析》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
改进注意力机制嵌入PR-Net模型的水稻病害识别仿真
路阳
刘鹏飞
许思源
刘启旺
顾福谦
王鹏
《系统仿真学报》
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部
