Jun, 2024

基于混合机器学习算法的水稻种子纯度识别新方法

PDF
TL;DR该研究提出了一种基于混合机器学习算法自动识别特定某一类型米种纯度的新方法，通过深度学习架构从原始数据中提取重要特征，并使用机器学习算法进行分类，实验结果表明该方法显著提高了现有方法的性能，可用于设计有效的米种纯度识别系统。
seed purityrice seedshybrid machine learning algorithmsdeep learning architecturesidentification systems
发现论文，激发创造
  • 基于手机图像的波斯饭检测与分类的深度学习技术

    本研究通过使用基于图像的深度学习技术，介绍了一种创新的方法来对各种类型的波斯米饭进行分类，突出展示了日常技术在食物分类中的实际应用。

    Apr, 2024

  • 利用气候再分析数据对印度区级基于机器学习的水稻产量预测的可行性研究

    通过训练 19 个基于机器学习的模型，研究使用气候、卫星和稻谷产量数据预测印度 Kharif 季稻谷产量，结果表明可以以相当准确的水平进行预测，并通过分析推断出气候和遥感变量对稻谷产量的重要性和方向影响，最终开发出一个证明性仪表盘以便用户探索各个地区的产量变化。

    Mar, 2024

  • 基于视觉的大米颗粒缺陷分类和重量估计

    本文提出了一种基于视觉分类的自动化稻米质量评估系统，利用多阶段工作流程和新颖的指标实现多种缺陷稻米的精确分类和质量估计，从而取代繁琐和容易出错的人工操作。

    Oct, 2022

  • 利用深度学习自动估算稻米抽穗日期

    本研究采用卷积神经网络对水稻花序区域进行图像分类，通过计算包含花序区域的数量来估计水稻的抽穗日期，相较于之前的工作，该方法在精度和通用性上均有所提高，其平均绝对误差不到 1 天。

    Jun, 2019

  • 利用深度卷积神经网络和多光谱成像进行水稻病害检测与诊断

    这篇论文介绍了使用多模态数据的公共多光谱和 RGB 图像数据集以及深度学习流程，用于检测水稻植物疾病，通过多光谱数据和 RGB 数据作为输入，相较于仅使用 RGB 数据输入，在 F1 准确性上得到了更高的结果。

    Sep, 2023

  • 自动检测不同叶片大小的水稻病害图像

    应用计算机视觉技术通过叶片尺寸预测、图像分割和 CNN 对象检测等方法，对 8 种不同类型的水稻叶片疾病进行图像分类与识别，结果表明基于自动估计的叶片宽度尺寸的图像切割技术能够提高水稻疾病检测效率。

    Jun, 2022

  • 稻作早期疾病诊断

    提出基于 Mask RCNN 的作物病害本地化分类方法，用于早期检测，可提供病变区域的位置和范围估计，相对现有方法，本方法对作物病损区域的准确率达到了 87.6%。

    Apr, 2020

  • 机器学习、遥感和物联网在产量预测中的最新应用：一次关键性综述

    将遥感技术和机器学习运用于农业领域可以提高农业生产效率，改善产量预测和水资源管理，以实现联合国《可持续发展目标》中 “零饥饿” 的目标。通过综述现有文献，该研究探究了采用遥感、机器学习等技术进行农作物产量预测与水资源管理的方法，并探讨了如何将这些方法应用于实时决策，为农业生产提供决策依据。

    Jun, 2023

  • 利用领域随机化和物体追踪神经网络进行种子核计数

    使用合成图像训练神经网络模型和物体跟踪算法，开发了一种低成本的种仁计数器，能够准确估计玉米和小麦的产量。

    Aug, 2023

  • 在稻瘟病分类中利用预训练的卷积神经网络进行高效特征提取

    将特征提取方法与预训练的卷积神经网络相结合对稻瘟病进行分类，研究发现用 Histogram of Oriented Gradients 对模型进行增强可显著提高精确度至 97%，为农业中基于图像的病害分类系统的精确性和有效性提供了有前景的方法。

    Feb, 2024