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：
基于热红外成像技术的油菜菌核病早期检测研究 被引量：11
1
作者 陈欣欣 刘子毅 +3 位作者 吕美巧 张初 姚洁妮 何勇 《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2019年第3期730-737,共8页
将热红外成像技术和低空遥感技术相结合,基于冠层和叶片两个尺度对菌核病侵染油菜的过程进行检测研究。从冠层尺度分析,首先获取整株样本的温度值(平均温度与最大温差),并采集其生理指数(气孔导度、 CO_2浓度、蒸腾速率及光合速率)。然... 将热红外成像技术和低空遥感技术相结合,基于冠层和叶片两个尺度对菌核病侵染油菜的过程进行检测研究。从冠层尺度分析,首先获取整株样本的温度值(平均温度与最大温差),并采集其生理指数(气孔导度、 CO_2浓度、蒸腾速率及光合速率)。然后,将染病样本与健康样本的温度值进行判别分析,并对其进行单因素方差分析。从结果可知,平均温度和最大温差值都可以对染病样本与健康样本进行区分,且最大温差相较平均温度结果较明显。同时单因素方差分析也显示,最大温差三次检测中均存在显著性差异。对获取的生理指数进行分析,发现染病样本与健康样本之间可以通过生理指数进行明显区分。另外,将生理指数与叶片温度进行相关性分析,结果表明二氧化碳浓度与叶片温度之间的三次检测均存在显著性差异。基于叶片尺度,首先从单一叶片来看健康区域和染病区域的温度差异,可以明显区分出染病区域和健康区域的温度差异。然后,提取健康区域与染病区域的的温度值(最大温度、最小温度、平均温度以及最大温差)对进行对比分析,并对其进行单因素方差分析。结果表明,以上四个温度指标均可以区分叶片的染病区域和健康区域。但根据单因素方差分析结果可知,与冠层尺度相同,最大温差三次检测中均存在显著性差异,可以实现对油菜菌核病的早期识别。 展开更多
关键词 热红外成像 油菜菌核病 气孔导度 GRAB Cut算法
下载PDF
油菜菌核病发生流行与气象因素关系及预测模型研究 被引量：6
2
作者 朱金良 陈跃 +1 位作者 钟雪明 王华弟 《中国农学通报》 CSCD 2012年第25期234-238,共5页
油菜菌核病是中国油菜上的主要病害之一。为了明确气象因素与发病间的关系,提高预测能力,利用嘉兴市1980—2010年的气象因子与油菜菌核病田间实际发生数据进行相关性分析。结果表明:3月下旬—4月上旬降雨量、4月上旬的雨日数与病害呈极... 油菜菌核病是中国油菜上的主要病害之一。为了明确气象因素与发病间的关系,提高预测能力,利用嘉兴市1980—2010年的气象因子与油菜菌核病田间实际发生数据进行相关性分析。结果表明:3月下旬—4月上旬降雨量、4月上旬的雨日数与病害呈极显著正相关,4月中旬日照时数呈显著负相关,气温对油菜菌核病影响较小。在相关性分析的基础上,采用逐步回归分析法,利用降雨量、雨日、日照、气温等气象因子组建了6个病害预测模型,历史回测检验结果:模型5和模型6发病程度(级)拟合程度高,预测能力强,适宜于嘉兴本地乃至浙北地区。 展开更多
关键词 油菜菌核病 气象因子 相关系数 预测模型
下载PDF
高光谱图像结合深度学习的油菜菌核病早期识别 被引量：1
3
作者 梁万杰 冯辉 +3 位作者 江东 张文宇 曹静 曹宏鑫 《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2023年第7期2220-2225,共6页
油菜菌核病为土传病害,发病早期叶片无可见症状,从植株表面很难发现。用叶片的普通光谱图像或RGB图像无法对其进行识别。采用高光谱图像作为监测技术,结合深度学习模型构建油菜菌核病发病早期识别模型,并取得了较好的识别效果。以油菜... 油菜菌核病为土传病害,发病早期叶片无可见症状,从植株表面很难发现。用叶片的普通光谱图像或RGB图像无法对其进行识别。采用高光谱图像作为监测技术,结合深度学习模型构建油菜菌核病发病早期识别模型,并取得了较好的识别效果。以油菜菌核病为研究对象,采用菌丝块接种法,在油菜根部诱发病害。分别于发病后第2、5、7、9天采集发病油菜植株和健康植株光谱图像。对高光谱图像去除背景、S-G光谱曲线平滑处理、剪切、分割等处理后构建模型训练测试数据集。以Resnet50深度学习模型为基础,通过增加特征图数量,减小第1层卷积核大小来提高模型对油菜菌核病发病早期的识别能力。通过交叉验证、模型结构改进前后识别能力对比、模型泛化能力测试等,验证了改进模型的识别能力和泛化能力。Resnet50模型结构改进前后,对油菜菌核病发病早期的识别正确率分别是66.79%、83.78%和88.66%,改进后模型的识别正确率分别提高了16.99%和4.88%,模型的识别精度和召回率也得到很大提高。所提出的识别模型平均识别正确率为88.66%,精度和召回率达到83%以上,只有对发病第7天的召回率为79.04%。把构建的多分类模型设定为是否受病害胁迫的二分类模型,则模型的正确率97.97%,精度99.19%,召回率98.02%,同时,模型对第9天测试集的识别正确率达到91.25%。改进后的Resnet50模型可有效保留数据的光谱特征和局部特征,使模型对油菜菌核病发病早期的识别能力显著提高。该模型对发病1周内的油菜菌核病严重程度具有较好的识别能力。对是否发病的识别能力更高,模型识别正确率、精度和召回率均达到97.97%以上。模型对油菜菌核病发病早期识别具有很好识别能力和泛化能力。因此,该模型可综合利用高光谱图像的光谱和图像特征,解决油菜菌核病发病早期无症状、识别困难的问题;� 展开更多
关键词 深度卷积神经网络 高光谱图像 油菜菌核病 早期诊断 Resnet50
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