检索结果-维普期刊中文期刊服务平台

基于改进FasterNet的轻量化小麦生育期识别模型被引量：2: 1; 作者时雷雷镜楷 +4 位作者王健杨程凯刘志浩席磊熊蜀峰《农业机械学报》 EI CAS CSCD 北大核心 2024年第5期226-234,共9页; 针对现阶段小麦生育期信息获取需依靠人工观测,效率低、主观性强等问题,本文构建包含冬小麦越冬期、返青期、拔节期和抽穗期4个生育期共计4599幅小麦图像数据集,并提出一种基于FasterNet的轻量化网络模型FSST(Fast shuffle swin transfo... 展开更多; 关键词小麦生育期识别 FasterNet 轻量化 Lion优化器; 在线阅读下载PDF 职称材料

改进YOLOv4的温室环境下草莓生育期识别方法被引量：12: 2; 作者龙洁花郭文忠 +3 位作者林森文朝武张宇赵春江《智慧农业（中英文）》 2021年第4期99-110,共12页; 针对目前设施农业数字化栽培调控技术中对作物的生育期实时检测与分类问题,提出一种改进YOLOv4的温室环境下草莓生育期识别方法。该方法将注意力机制引入到YOLOv4主干网络的跨阶段局部残差模块(Cross Stage Partial Residual,CSPRes)中... 展开更多; 关键词目标检测草莓生育期识别 YOLOv4 残差模块注意力机制损失函数; 在线阅读下载PDF 职称材料

水稻生育期遥感监测的研究进展、瓶颈问题与技术优化路径: 3; 作者李瑞杰王爱冬 +9 位作者吴华星李子秋冯向前洪卫源汤学军覃金华王丹英褚光张运波陈松《智慧农业(中英文)》 2025年第3期89-107,共19页; [目的/意义]水稻作为全球主要粮食作物,其生育期精准识别对优化品种选育与生产管理至关重要。传统人工观测效率低、空间覆盖有限,而气象-土壤耦合模型存在参数敏感性与生态适应性瓶颈,难以满足现代农业高效化、精准化需求。遥感技术凭... 展开更多; 关键词水稻生育期识别遥感模型深度学习多源融合; 在线阅读下载PDF 职称材料

基于FEAConv-YOLO v5的柑橘果实目标检测与识别研究: 4; 作者黄蕊李贤辉 +4 位作者杨彦鑫李文峰黄兆波魏永葵刘宏斌《江苏农业科学》北大核心 2025年第5期54-61,共8页; 为解决现阶段柑橘生育期信息的获取主要依靠人工观测的效率低、主观性强等问题。首先提出一种基于FEAConv-YOLO v5的柑橘果实目标检测算法,提出FEConv与FEAConv等2种特征增强卷积核,替代YOLO v5网络中卷积核,然后进行消融试验验证各改... 展开更多; 关键词柑橘果实目标检测 YOLO 生育期识别; 在线阅读下载PDF 职称材料

题名基于改进FasterNet的轻量化小麦生育期识别模型被引量：2: 1; 作者时雷雷镜楷王健杨程凯刘志浩席磊熊蜀峰; 机构河南农业大学信息与管理科学学院河南粮食作物协同创新中心; 出处《农业机械学报》 EI CAS CSCD 北大核心 2024年第5期226-234,共9页; 基金国家自然科学基金项目(31501225) 河南省科技研发计划联合基金(优势学科培育类)项目(222301420113) 河南省自然科学基金项目(222300420463、232300420186)。; 文摘针对现阶段小麦生育期信息获取需依靠人工观测,效率低、主观性强等问题,本文构建包含冬小麦越冬期、返青期、拔节期和抽穗期4个生育期共计4599幅小麦图像数据集,并提出一种基于FasterNet的轻量化网络模型FSST(Fast shuffle swin transformer),开展4个关键生育期的智能识别。在FasterNet部分卷积的基础上引入Channel Shuffle机制,以提升模型计算速度。引入Swin Transformer模块来实现特征融合和自注意力机制,用来提升小麦关键生育期识别准确率。调整整个模型结构,进一步降低网络复杂度,并在训练中引入Lion优化器,加快网络模型收敛速度。在自建的数据集上进行模型验证,结果表明,FSST模型参数量仅为1.22×10^(7),平均识别准确率、F1值和浮点运算量分别为97.22%、78.54%和3.9×10^(8),与FasterNet、GhostNet、ShuffleNetV2和MobileNetV34种模型相比,FSST模型识别精度更高,运算速度更快,并且识别时间分别减少84.04%、73.74%、72.22%和77.01%。提出的FSST模型能够较好地进行小麦关键生育期识别,并且具有识别快速精准和轻量化的特点,可以为大田作物生长实时监测提供信息技术支持。; 关键词小麦生育期识别 FasterNet 轻量化 Lion优化器; Keywords wheat growth stage identification FasterNet lightweight Lion optimizer; 分类号 TP391.41 [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

题名改进YOLOv4的温室环境下草莓生育期识别方法被引量：12: 2; 作者龙洁花郭文忠林森文朝武张宇赵春江; 机构北京市农林科学院智能装备技术研究中心上海海洋大学信息学院; 出处《智慧农业（中英文）》 2021年第4期99-110,共12页; 基金北京市科技计划(Z211100004621006) 北京市农林科学院青年基金(QNJJ202027) 宁夏回族自治区重点研发计划项目(2018BBF02024)。; 文摘针对目前设施农业数字化栽培调控技术中对作物的生育期实时检测与分类问题,提出一种改进YOLOv4的温室环境下草莓生育期识别方法。该方法将注意力机制引入到YOLOv4主干网络的跨阶段局部残差模块(Cross Stage Partial Residual,CSPRes)中,融合草莓不同生长时期的目标特征信息,同时降低复杂背景的干扰,提高模型检测精度的同时保证实时检测效率。以云南地区的智能设施草莓为试验对象,结果表明,本研究提出的YOLOv4-CBAM(YOLOv4-Convolutional Block Attention Module)模型对开花期、果实膨大期、绿果期和成熟期草莓的检测平均精度(Average Precision,AP)分别为92.38%、82.45%、68.01%和92.31%,平均精度均值(Mean Average Precision,mAP)为83.79%,平均交并比(Mean Inetersection over Union,mIoU)为77.88%,检测单张图像时间为26.13 ms。YOLOv4-CBAM模型检测草莓生育期的mAP相比YOLOv4、YOLOv4-SE、YOLOv4-SC模型分别提高8.7%、4.82%和1.63%。该方法可对草莓各生育期目标进行精准识别和分类,并为设施草莓栽培的信息化、规模化调控提供有效的理论依据。; 关键词目标检测草莓生育期识别 YOLOv4 残差模块注意力机制损失函数; Keywords object detection strawberry growth period recognition YOLOv4 residual module attention mechanism loss function; 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

题名水稻生育期遥感监测的研究进展、瓶颈问题与技术优化路径: 3; 作者李瑞杰王爱冬吴华星李子秋冯向前洪卫源汤学军覃金华王丹英褚光张运波陈松; 机构长江大学农学院中国水稻研究所水稻生物育种全国重点实验室临海市农业技术推广中心; 出处《智慧农业(中英文)》 2025年第3期89-107,共19页; 基金国家重点研发计划项目(2023YFD2300503-01,2022YFD2300702-2) 水稻产业体系(CARS-01) 中国农业科学院科技创新工程重大科研任务(CAAS-ZDRW202001)。; 文摘 [目的/意义]水稻作为全球主要粮食作物,其生育期精准识别对优化品种选育与生产管理至关重要。传统人工观测效率低、空间覆盖有限,而气象-土壤耦合模型存在参数敏感性与生态适应性瓶颈,难以满足现代农业高效化、精准化需求。遥感技术凭借高时空分辨率、多源协同和低人工干预优势,为水稻全生育期动态监测提供了革新手段。[进展]近年来,多源遥感数据(卫星、无人机、近地传感)通过光谱-空间-时序三维校正,结合阈值法、机器学习及深度学习模型显著提升了生育期识别精度。光谱指数与农艺参数的协同反演,以及光学-合成孔径雷达数据融合有效增强了生理可解释性。深度学习框架通过冠层纹理、器官形态特征解析,实现了抽穗期至成熟期的高精度识别,而时序模型则捕捉了生育期连续演进的动态规律。[结论/展望]当前技术仍面临多源数据时空异质性、光谱饱和效应、模型泛化能力不足等挑战。未来需构建多源数据同化体系破解时空矛盾,发展跨尺度生理-光谱响应模型揭示生育期驱动机制,并创新机理-数据混合驱动算法提升跨域适应性,最终建立农业大数据支撑的全周期监测体系,为水稻智能管理提供理论及实践支撑。; 关键词水稻生育期识别遥感模型深度学习多源融合; Keywords rice growth period remote sensing models deep learning multi-source fusion; 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

题名基于FEAConv-YOLO v5的柑橘果实目标检测与识别研究: 4; 作者黄蕊李贤辉杨彦鑫李文峰黄兆波魏永葵刘宏斌; 机构云南农业大学机电工程学院华宁县农村经济经营管理站华宁县柑桔科学研究所; 出处《江苏农业科学》北大核心 2025年第5期54-61,共8页; 基金云南省科技重大专项(编号:202202AE090021)。; 文摘为解决现阶段柑橘生育期信息的获取主要依靠人工观测的效率低、主观性强等问题。首先提出一种基于FEAConv-YOLO v5的柑橘果实目标检测算法,提出FEConv与FEAConv等2种特征增强卷积核,替代YOLO v5网络中卷积核,然后进行消融试验验证各改进点的有效性,再与Faster-RCNN、YOLO v4、SSD等3个网络模型进行检测能力的对比,最后用测试集验证改进后的模型性能。其次,设计一种融合大气环境特征与果实表型特征的多模态特征果实生育期识别模型,利用ResNet18作为CNN的分类网络,提取柑橘表型特征;利用ANN作为大气环境数据特征提取网络,对FEAConv-YOLO v5所检测到的柑橘目标进行分类识别,并用混淆矩阵评价模型的分类性能。结果表明,改进后的目标检测模型收敛效果好,损失值比YOLO算法更低,消融试验中将FEConv替代主干部分卷积核后,准确率、召回率和平均精度均值分别较原模型提高0.9、0.6、0.7百分点;将FEAConv替代Neck部分卷积核后,准确率、召回率和平均精度均值分别提高1.4、1.0、1.5百分点;同时融入FEConv与FEAConv后,准确率、召回率和平均精度均值分别提高2.1、2.2、2.7百分点。在对比试验中,改进模型的平均精度均值达到了90.3%,检测速率达到了2.72帧/ms,在4个网络模型里面显示最优。其次,生育期识别模型中幼果期分类精度为96.7%,果实膨大期的分类精度为93.6%,果实成熟期的分类精度为100%,平均分类精度为96.8%。FEAConv-YOLO v5网络可以在满足时间要求的前提下,有效提升检测精度,减少小柑橘目标与遮挡目标的漏检问题。同时,多模态融合的果实目标发育期识别网络具有较高的分类精度。; 关键词柑橘果实目标检测 YOLO 生育期识别; 分类号 S126 [农业科学—农业基础科学] TP391.41 [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	基于改进FasterNet的轻量化小麦生育期识别模型	时雷雷镜楷王健杨程凯刘志浩席磊熊蜀峰	《农业机械学报》 EI CAS CSCD 北大核心	2024	2	在线阅读下载PDF 职称材料
2	改进YOLOv4的温室环境下草莓生育期识别方法	龙洁花郭文忠林森文朝武张宇赵春江	《智慧农业（中英文）》	2021	12	在线阅读下载PDF 职称材料
3	水稻生育期遥感监测的研究进展、瓶颈问题与技术优化路径	李瑞杰王爱冬吴华星李子秋冯向前洪卫源汤学军覃金华王丹英褚光张运波陈松	《智慧农业(中英文)》	2025	0	在线阅读下载PDF 职称材料
4	基于FEAConv-YOLO v5的柑橘果实目标检测与识别研究	黄蕊李贤辉杨彦鑫李文峰黄兆波魏永葵刘宏斌	《江苏农业科学》北大核心	2025	0	在线阅读下载PDF 职称材料