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8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ACP-YOLOv5s的土栖白蚁活动迹象识别 被引量：1
1
作者 王一非 卢伟平 +4 位作者 袁涛 陈龙佳 张峰 吴鹏飞 黄求应 《农业工程学报》 北大核心 2025年第1期221-229,共9页
土栖白蚁作为严重危害水利工程和园林树木的重要害虫,其活动迹象的及时识别对于实施有效的蚁害预警和控制措施至关重要。针对这一需求,该研究开发了一种改进的一阶段目标检测算法——ACP-YOLOv5s,该算法基于广泛应用的YOLOv5s模型,通过... 土栖白蚁作为严重危害水利工程和园林树木的重要害虫,其活动迹象的及时识别对于实施有效的蚁害预警和控制措施至关重要。针对这一需求,该研究开发了一种改进的一阶段目标检测算法——ACP-YOLOv5s,该算法基于广泛应用的YOLOv5s模型,通过集成自适应颜色感知模块(ACP-Module)对其进行优化,以增强模型在复杂自然环境下的特征提取和颜色感知能力,特别是在处理颜色混淆问题时有效提升模型的稳定性和泛化性能。在模型的颈部结构中加入CARFE上采样模块,通过扩展感受野并重新组织特征信息,以提高模型对细节的捕捉能力,从而提升识别精度。试验验证结果表明,改进后的ACP-YOLOv5s模型在土栖白蚁活动迹象检测中显示出更高的精确率和平均精度均值。与Faster R-CNN、YOLOv5s、YOLOv5m、YOLOv8和YOLOv9相比,ACP-YOLOv5s模型的精确率为91.2%,分别提升了5.3、5.0、3.4、7.9和0.1个百分点,平均精度均值为92.3%,分别提升了6.7、2.9、1.4、2.2和0.4个百分点,表明ACP-YOLOv5s模型在提高模型对复杂环境适应性方面的有效性,有助于加强对土栖白蚁侵害的早期预警和精确控制,为水利工程和园林树木白蚁防治工作提供了强有力的技术支持。 展开更多
关键词 目标检测 土栖白蚁 活动迹象 智能识别 YOLO
在线阅读 下载PDF
计算机视觉与深度学习在猪只识别中的研究进展 被引量：8
2
作者 刘峰 吴文杰 +4 位作者 刘小磊 王欣然 方亚平 李国亮 杜小勇 《华中农业大学学报》 CAS CSCD 北大核心 2023年第3期47-56,共10页
探索人工智能领域新技术与生猪养殖相结合,是当前智慧养殖领域的一个重要研究方向。其中,如何自动地识别猪只个体身份与行为,是当前生猪养殖行业要解决的一个关键问题。为推动计算机视觉和深度学习技术在猪只健康状态智能化监测方面的应... 探索人工智能领域新技术与生猪养殖相结合,是当前智慧养殖领域的一个重要研究方向。其中,如何自动地识别猪只个体身份与行为,是当前生猪养殖行业要解决的一个关键问题。为推动计算机视觉和深度学习技术在猪只健康状态智能化监测方面的应用,本文先分析了基于计算机视觉与深度神经网络的人的身份及行为识别模型的研究进展,然后对利用计算机视觉与深度神经网络识别猪只个体身份及行为的方法进行了归纳总结,并指出已有方法中存在的问题,最后提出了下一步的重点研究方向:(1)在猪只运动不可控及关键特征部位受到污染的情况下,准确提取其身份及行为特征的方法研究;(2)针对猪只身份及行为特征的基于计算机视觉的原创性深度学习模型的研究;(3)能够同时检测猪只身份及行为的多任务神经网络的研究;(4)适用于多场景的基于基础姿态及动作的通用型猪只行为识别方法的研究;(5)基于边缘计算的猪只个体身份及行为识别的部署方法研究。 展开更多
关键词 身份识别 行为识别 深度学习 计算机视觉 智慧养殖 猪脸识别 自动监测
在线阅读 下载PDF
基于深度学习的图像分割在畜禽养殖中的应用研究进展 被引量：2
3
作者 姚超 倪福川 李国亮 《华中农业大学学报》 CAS CSCD 北大核心 2023年第3期39-46,共8页
图像分割作为智慧农业养殖中“视觉系统”的重要组成部分,被广泛应用于畜禽的智慧养殖中。近年来,深度学习算法飞速发展,基于深度学习的图像分割技术也取得了重大突破。这些方法赋予了分割区域更准确的语义信息,使得图像分割更加精准和... 图像分割作为智慧农业养殖中“视觉系统”的重要组成部分,被广泛应用于畜禽的智慧养殖中。近年来,深度学习算法飞速发展,基于深度学习的图像分割技术也取得了重大突破。这些方法赋予了分割区域更准确的语义信息,使得图像分割更加精准和智能,为畜禽智慧养殖提供了更强的技术支持。本文通过广泛收集和整理国内外研究的相关文献,重点阐述了图像分割技术在畜禽养殖中的畜禽计数、体尺体质量测量、姿态估计与行为识别、体况及疾病检测、精准饲养等方面的应用现状,给出了如何根据实际性能需求(精度、处理速度)、数据集、计算资源等方面选择合适图像分割方法的建议,总结分析了当前研究中与畜禽养殖相关且可用于图像分割训练的公开数据集;并指出了基于深度学习的图像分割技术在畜禽养殖中所面临的挑战与未来的发展趋势,希望能为畜禽养殖中图像分割技术的具体应用提供参考。 展开更多
关键词 图像分割 深度学习 畜禽养殖 智慧农业 计算机视觉
在线阅读 下载PDF
基于改进Mask-RCNN算法的作物害虫分类识别 被引量：5
4
作者 张佳敏 闫科 +4 位作者 王一非 刘杰 曾娟 吴鹏飞 黄求应 《农业工程学报》 EI CAS CSCD 北大核心 2024年第7期202-209,共8页
智能虫情测报灯对农业生产中及时察觉虫害、虫灾问题有重大作用,准确的害虫分类识别为虫情测报提供可靠数据支撑的关键。该研究对智能虫情测报灯所需核心识别算法进行改进,针对分类目标多尺度、存在多种相似非目标害虫干扰、易产生目标... 智能虫情测报灯对农业生产中及时察觉虫害、虫灾问题有重大作用,准确的害虫分类识别为虫情测报提供可靠数据支撑的关键。该研究对智能虫情测报灯所需核心识别算法进行改进,针对分类目标多尺度、存在多种相似非目标害虫干扰、易产生目标粘连等问题,提出一种基于改进Mask-RCNN(mask region-based convolutional neural network)模型的害虫图像智能识别模型。该模型使用DeAnchor算法改进Mask-RCNN的锚框引导机制,使用NDCC(novelty detection consistent classifiers)训练分类器进行联合分类和检测,改善非目标杂虫的误识别问题。改进后模型对无杂虫、不同虫体密度图像的识别准确率最高达到96.1%,最密集时可达90.6%,在仅有非目标的图片识别中,误检率降至9%,非目标与目标共存且密度为40虫/图的误检率降至15%。试验表明,该文所提模型在现有分类模型的基础上,增强了对密集区域的检测能力,改善了非目标误识别问题,在实际检测环境下的害虫分类识别精度更高,可为虫害防治工作提供数据参考。 展开更多
关键词 目标检测 虫害防治 分类识别 Mask RCNN 粘连目标
在线阅读 下载PDF
基于mBART的农作物命名实体规范化研究
5
作者 胡玉雪 黄仲强 +3 位作者 王同官 苏东宇 申余丰 沙灜 《农业机械学报》 2025年第7期558-566,共9页
由于地域、文化差异,农业文本中实体名称混乱,使得自动识别和提取信息变得复杂,限制了农业信息化发展。为提高农业信息提取效率,本文提出了基于mBART的农业命名实体规范化方法mJoint。首先,基于农业领域专家的知识经验,构建了一个以农... 由于地域、文化差异,农业文本中实体名称混乱,使得自动识别和提取信息变得复杂,限制了农业信息化发展。为提高农业信息提取效率,本文提出了基于mBART的农业命名实体规范化方法mJoint。首先,基于农业领域专家的知识经验,构建了一个以农作物为主的农业文本数据集,涵盖豆类、谷物和油料三大农作物,共包含22440条高质量的农业标注数据。其次,农业实体规范化问题涉及农业非规范化实体的检测与识别2个问题,本文提出基于mBART的统一生成式框架来联合检测、识别出农业非规范实体,直接完成农业命名实体规范化任务。为了提高农业实体规范化效果,在模型中额外引入农业非规范实体检测和农业非规范实体识别2个辅助任务。最后,在提出的农作物数据集上进行大量实验,结果表明,本文提出的mJoint在农业命名实体规范化任务上的P、R与F1值都达到0.99以上,相较于其他对比方法,各项指标均为最优。与大语言模型相比,本文提出的方法同样具有显著优势。 展开更多
关键词 农业文本 农作物 命名实体规范化 mBART 统一生成式框架
在线阅读 下载PDF
基于知识图谱的羊群疾病问答系统的构建与实现 被引量：12
6
作者 杨喆 许甜 +3 位作者 靳哲 孔玫 李国亮 杜小勇 《华中农业大学学报》 CAS CSCD 北大核心 2023年第3期63-70,共8页
为解决羊群疾病检索过程中出现的大量冗余数据及检索后仍需人工挑选准确答案造成的资源浪费,本研究通过以下3个步骤构建基于知识图谱的羊群疾病问答系统:(1)通过爬虫获取数据,人工提取部分信息,再进行自动化信息抽取,在命名实体识别任... 为解决羊群疾病检索过程中出现的大量冗余数据及检索后仍需人工挑选准确答案造成的资源浪费,本研究通过以下3个步骤构建基于知识图谱的羊群疾病问答系统:(1)通过爬虫获取数据,人工提取部分信息,再进行自动化信息抽取,在命名实体识别任务中使用双向长短期记忆循环神经网络Bi-LSTM模型,并添加注意力机制提高识别效率,然后使用BIO规则进行实体标注,完成信息抽取,将数据融合后存储在Neo4j图数据库中,构建羊群疾病知识图谱。(2)针对属性映射,构建Bert-softmax模型;根据用户提问,采用Bert模型计算问句和属性的语义相似度,并通过softmax算法进行归一化处理,返回合适答案给用户,实现羊群疾病问答系统算法设计。(3)构建羊群疾病诊断平台,使用Bootstrap、Echarts、Vue组件实现羊群疾病问答系统的可视化,利用Python语言包含的flask框架搭建后台,封装疾病信息,通过web前端呈现给用户,并于后端建立连接,实现数据之间的交互。试验结果显示,基于Bi-LSTM+Attention+CRF模型实体识别的F1值为83.16%,构建的知识图谱包含实体4 576个,实体关系超13 000条;问答系统添加了预训练模型Bert,对问题识别的F1值为85.24%。结果表明,该系统实现了对羊群疾病的防治措施等多类问题进行快速检索和精准回答,可以辅助养殖人员在面临羊群疾病时进行生产决策。 展开更多
关键词 疾病诊断 知识图谱 问答系统 Neo4j Bert 智慧养殖
在线阅读 下载PDF
基于中文字邻接图的食品抽检公告实体及关系联合抽取 被引量：4
7
作者 郝志刚 刘冲 秦丽 《农业工程学报》 EI CAS CSCD 北大核心 2023年第14期283-292,共10页
在对中文食品抽检公告进行实体与关系抽取时,常会出现包含大量食品名称与食品分类的长句,现有深度学习模型在进行实体关系抽取时,只将文本看作一串字词序列来编码,当句子较长且词间距离过大时,词间强依赖关系的学习效果会减弱。而这一... 在对中文食品抽检公告进行实体与关系抽取时,常会出现包含大量食品名称与食品分类的长句,现有深度学习模型在进行实体关系抽取时,只将文本看作一串字词序列来编码,当句子较长且词间距离过大时,词间强依赖关系的学习效果会减弱。而这一问题在食品领域的实体关系抽取中少有被关注,所以该研究提出基于改进中文依存句法树与多特征融合的实体关系联合抽取模型(TAG-JE),该模型将词间具有的强依赖关系通过句法依存树建立关系图,再根据中文BERT编码的字处理模式,将关系图转化为字邻接图,再由图神经网络学习字邻接图的结构特征,最后将之与BERT提取的文本上下文特征融合,融合权重通过门网络结构自主调节,以获得公告文本的多特征融合特征表示。获得的融合特征将采用主流的联合抽取模型进行实体与关系的抽取,并在关系判断时使用强化学习训练的关系选择器来优化关系的嵌入信息,以提升联合抽取方法在关系判断上的准确率。为了验证TAG-JE的效果,将其与主流的深度学习模型在自建的非结构化食品抽检公告数据集上进行了抽取效果对比,结果证明TAG-JE的精确率、召回率与F1值分别达到90.86%,90.50%,90.68%,相对其他基线模型都有较大提升,证明了其在中文食品抽检文档中的知识挖掘能力。针对中文公共数据集的试验中,该模型相对GraphRel与CasRel这些经典联合抽取模型也取得较好的结果,证明TAG-JE也有较好的泛化效果。研究结果可为食品安全中文知识图谱的构建提供技术参考。 展开更多
关键词 模型 食品 食品抽检公告 实体关系联合抽取 中文依存句法树字 邻接图 多特征融合
在线阅读 下载PDF
基于自监督学习的委婉语识别方法 被引量：1
8
作者 胡玉雪 吴明民 +2 位作者 沙灜 曾智 张瑜琦 《中文信息学报》 CSCD 北大核心 2023年第10期55-63,75,共10页
委婉语常被用于社交媒体和暗网交易市场,以其表面含义掩盖潜在含义来逃避平台的监管,例如,用“weed”(杂草)代替“marijuana”(大麻)进行非法交易。委婉语识别是将给定的委婉语映射到特定的目标词(潜在含义)。当前委婉语识别的研究没有... 委婉语常被用于社交媒体和暗网交易市场,以其表面含义掩盖潜在含义来逃避平台的监管,例如,用“weed”(杂草)代替“marijuana”(大麻)进行非法交易。委婉语识别是将给定的委婉语映射到特定的目标词(潜在含义)。当前委婉语识别的研究没有获得广泛关注,一方面缺乏有效标注的数据集,另一方面现有方法主要关注委婉语句子中的单个词汇,忽略了委婉语的语境信息。针对上述问题,该文提出了双层自监督学习模型——DSLM(Double Self-supervised Learning Method)用于委婉语识别:外层自监督学习框架用来自动构建含标签数据集,以解决缺乏有效标注数据集的问题;内层使用语境对比学习方法,利用委婉语语境信息,拉近委婉语语境表示和目标词的语义距离。实验表明,该方法优于当前最先进的方法,且结果更稳定、模型收敛更快。 展开更多
关键词 委婉语识别 自监督学习 对比学习
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