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3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：
高光谱图像结合卷积神经网络的马铃薯干腐病潜育期识别 被引量：3
1
作者 张凡 王文秀 +3 位作者 王春山 周冀 潘阳 孙剑锋 《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2024年第2期480-489,共10页
马铃薯是世界第四大粮食作物,具有丰富的营养价值。但其在贮藏和运输过程中易被镰刀真菌侵染而产生干腐病,最终造成巨大资源浪费和经济损失,因此实现马铃薯干腐病的早期快速无损检测是必要的。在样品被病原菌侵染时,经历了健康—潜育期... 马铃薯是世界第四大粮食作物,具有丰富的营养价值。但其在贮藏和运输过程中易被镰刀真菌侵染而产生干腐病,最终造成巨大资源浪费和经济损失,因此实现马铃薯干腐病的早期快速无损检测是必要的。在样品被病原菌侵染时,经历了健康—潜育期—轻度病害—重度病害的阶段,其中潜育期的样品难以识别,主要源于病害发生时间较短,表面未形成肉眼可见的病斑,与健康样品相似。为了实现马铃薯干腐病潜育期的识别,结合高光谱成像和深度学习展开马铃薯干腐病早期诊断研究。以健康和不同腐败程度马铃薯为实验对象,获取健康和不同病害等级的马铃薯高光谱图像。然后基于ENVI人工选取健康部位和不同腐败程度样品的病斑部位为感兴趣区域(ROI),并计算ROI的平均光谱值作为该样品的最终光谱信息。以光谱数据作为输入变量,病害等级作为输出变量,建立卷积神经网络(CNN)模型,并对其网络结构进行优化,对比分析不同模型的预测结果,筛选出最优网络层模型为Model_3_3。并基于此结构进行学习率的优化,得到Model_0.0001识别效果最好,其总体准确率、精度、灵敏度和特异性分别为99.68%、99.76%、98.82%、99.54%。为了进一步突显CNN应用于马铃薯干腐病潜育期识别的优势,建立了最小二乘支持向量机(LS-SVM)、随机森林(RF)、K-近邻法(KNN)和线性判别分析(LDA)模型。结果显示,四种常规算法模型的识别准确率分别为90.77%、92.30%、93.10%和92.34%,其中对潜育期样品识别率分别为91.00%、85.58%、94.18%和90.33%。对于总体准确率,CNN模型较几种常规方法提高了6.58%~8.91%;对于潜育期样品的识别,CNN模型较常规方法提高了5.55%~14.15%。研究表明,高光谱成像技术结合CNN可以有效实现马铃薯干腐病潜育期识别,为提高马铃薯病害早期诊断的智能化水平提供了参考方法。 展开更多
关键词 马铃薯 干腐病 高光谱成像技术 卷积神经网络 潜育期
下载PDF
葡萄霜霉病菌侵染抗病和感病品种过程的组织学观察 被引量：7
2
作者 李卓 周婷婷 +6 位作者 杨超 李映程 孙琦 任毓忠 赵宝龙 张莉 李国英 《园艺学报》 CAS CSCD 北大核心 2017年第5期861-870,共10页
用苯胺蓝染色结合扫描电镜的方法,观察葡萄霜霉病菌(Plasmopara viticola)在葡萄感病品种‘红提’和抗病品种‘北玫’中的侵染过程,发现两品种从接菌到显症的过程基本一致,但孢子囊伸出气孔的时间、伸出孢囊梗气孔比例、孢囊梗数量及孢... 用苯胺蓝染色结合扫描电镜的方法,观察葡萄霜霉病菌(Plasmopara viticola)在葡萄感病品种‘红提’和抗病品种‘北玫’中的侵染过程,发现两品种从接菌到显症的过程基本一致,但孢子囊伸出气孔的时间、伸出孢囊梗气孔比例、孢囊梗数量及孢囊梗分支,‘红提’比‘北玫’多;菌丝在‘北玫’上生长速度慢,后期生长量也较少。‘红提’的潜育期为4 d,而‘北玫’的为5 d,‘红提’和‘北玫’的长菌丝、分支的长菌丝、疏松菌丝体出现的时间也不同。菌丝生长一段时间后,在‘北玫’上停留在疏松菌丝体阶段,而‘红提’96 h时叶片组织内长满致密的菌丝体。两品种在初生菌丝和长菌丝阶段产生吸器的频率差异显著。 展开更多
关键词 葡萄 霜霉病菌 侵染过程 潜育期
原文传递
高光谱和集成学习的鸭梨黑斑病潜育期快速识别方法 被引量：1
3
作者 张凡 王文秀 +5 位作者 张宇帆 胡泽轩 赵丹阳 马倩云 石海燕 孙剑锋 《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2023年第5期1541-1549,共9页
鸭梨黑斑病在感染早期阶段引起感染区域外观的变化很微小,肉眼难以观察,因此对其早期识别仍然是困难的。结合高光谱成像技术和Stacking集成学习算法,实现了鸭梨黑斑病的潜育期识别检测。首先,获取健康和不同腐败程度黑斑病鸭梨样品的原... 鸭梨黑斑病在感染早期阶段引起感染区域外观的变化很微小,肉眼难以观察,因此对其早期识别仍然是困难的。结合高光谱成像技术和Stacking集成学习算法,实现了鸭梨黑斑病的潜育期识别检测。首先,获取健康和不同腐败程度黑斑病鸭梨样品的原始高光谱图像,基于图像选取感兴趣区域(ROI),然后对提取的平均光谱数据进行一阶导数(FD)、二阶导数(SD)、标准正态变量变换(SNVT)及组合SNV-FD和SNV-SD预处理后,采用竞争性自适应权重取样法(CARS)提取特征波长的光谱信息。最后基于筛选出的特征信息分别建立最小二乘支持向量机(LS-SVM)、 K最邻近法(KNN)、随机森林(RF)和线性判别分析(LDA)分类模型。其中,预测效果最好的组合为SNV-FD-LSSVM,SNV-KNN和SNV-FD-RF,准确率分别达到94%, 88%和88%。四种算法建立的模型中,测试集准确率不低于85.00%的个数分别为5、 3、 2和0,因此优选出LS-SVM、 KNN和RF三个分类器用于后续的集成学习。为提高模型准确率,以优选出的LS-SVM、 KNN和RF三种模型作为基分类器构建Stacking学习框架,并与单一分类器建模结果进行对比分析。结果表明,集成学习模型的总体识别正确率达到了98.68%,较单一分类器模型提高了4.64%,且对潜育期样品的识别率提高了11%。证实了高光谱成像结合集成学习方法识别潜育期黑斑病鸭梨样品可行;集成模型显著提高了单一模型的准确性;为鸭梨黑斑病早期检测和病害分级提供一种新的方法,同时为深入研究集成学习算法在光谱定性中的应用奠定了一定基础。 展开更多
关键词 高光谱成像技术 鸭梨黑斑病 Stacking集成模型 潜育期 基模型
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
使用帮助 返回顶部