- 年份
- 2024(157)
- 2023(235)
- 2022(244)
- 2021(237)
- 2020(209)
- 2019(509)
- 2018(459)
- 2017(797)
- 2016(446)
- 2015(449)
- 2014(434)
- 2013(467)
- 2012(443)
- 2011(417)
- 2010(436)
- 2009(382)
- 2008(423)
- 2007(361)
- 2006(336)
- 2005(312)
- 学科
- 济(2144)
- 经济(2142)
- 农(1288)
- 业(1150)
- 方法(979)
- 管理(960)
- 数学(905)
- 数学方法(869)
- 农业(795)
- 企(696)
- 企业(696)
- 学(550)
- 业经(477)
- 理论(436)
- 中国(397)
- 策(395)
- 及其(363)
- 关系(361)
- 贸(342)
- 贸易(342)
- 易(337)
- 制(322)
- 地方(303)
- 农业经济(295)
- 发(270)
- 体(268)
- 经济关系(268)
- 农村(256)
- 村(256)
- 财(255)
- 机构
- 大学(6669)
- 学院(6564)
- 济(2666)
- 研究(2643)
- 经济(2623)
- 管理(2420)
- 农(2257)
- 理学(2189)
- 理学院(2163)
- 管理学(2069)
- 管理学院(2054)
- 中国(1829)
- 科学(1738)
- 农业(1680)
- 所(1480)
- 业大(1459)
- 京(1440)
- 研究所(1381)
- 中心(1127)
- 江(1085)
- 农业大学(1040)
- 财(1025)
- 省(928)
- 院(926)
- 北京(916)
- 业(890)
- 财经(836)
- 技术(831)
- 州(819)
- 范(808)
共检索到9839条记录
发布时间倒序
- 发布时间倒序
- 相关度优先
文献计量分析
- 结果分析(前20)
- 结果分析(前50)
- 结果分析(前100)
- 结果分析(前200)
- 结果分析(前500)
[期刊] 南京农业大学学报
[作者]
郭小燕 于帅卿
[目的]针对将目标检测技术应用于农作物虫害检测中时，需要大量训练样本以及高性能计算设备，这对于计算硬件、样本数量质量受限的情况下进行农作物虫害的识别带来了困难，本文提出了一种轻量级YOLO V5S农作物虫害目标检测模型以解决在样本数量不足的情况下，农作物虫害识别的问题。[方法]利用Ghost技术将2个Ghost BottleBlock线性特征提取模块封装为1个GB模块，代替了YOLO V5S中前7个CBL，CSP，SPP非线性特征提取模块，从而约简了YOLO V5S的网络参数，减轻了网络体量。[结果]在保证虫害检测效果的前提下降低了网络对计算硬件与训练样本的依赖。为了验证模型的有效性，对于水稻、玉米、棉花、马铃薯、苜蓿等5种农作物的12类虫害进行识别与定位，平均精确率mAP为91.31%，比YOLO V5S模型高出2.5个百分点。[结论]通过和SSD，Faster-RCNN，YOLO V5S对比，发现本文提出的模型在mAP，F1-score，Precision，Recall四个评价指标均占优势，尤其在小目标、密集目标、与背景相似目标的检测方面表现突出。
[期刊] 南京农业大学学报
[作者]
徐会杰 黄仪龙 刘曼
[目的]本文针对传统农作物叶片病虫害识别模型YOLOv3存在的检测实时性与鲁棒性差，漏检率高的问题，提出了一种改进的玉米叶片病虫害检测模型——YOLOv3-Corn。[方法]该模型采用Darknet-53作为特征提取网络，将网络输出的8倍特征图与新加入的4倍下采样特征图进行拼接，建立起104×104尺度的检测层；在前期构建的包含6个类别玉米常见病虫害数据集中，利用K-means++聚类算法选取12个先验框并分别匹配到4个不同尺度的检测层中进行目标识别。[结果]实验结果表明：在YOLOv3系列模型中，YOLOv3-Corn模型的检测精度均值（mAP）、召回率（Recall）达到了93.31%和93.08%，与YOLOv3模型相比分别提高了4.03%和9.78%。在非YOLO系列模型中，YOLOv3-Corn模型平衡了Faster R-CNN模型的检测速度的不足和RetinaNet模型的召回率，精确度不足的问题。[结论]在保证提取相同特征参数、检测时效性好的前提下，有效提高了识别精度。
[期刊] 湖南农业大学学报(自然科学版)
[作者]
方文博 郭永刚 关法春 张伟 刘倩倩 王树文 张正超 于皓然
鉴于对大豆叶片虫洞进行识别有助于及时发现虫情并有针对性的防治虫害，提出了一种大豆叶片虫洞的识别方法：以YOLO v5s网络作为基础，在大豆叶片虫洞特征提取过程中引入空洞卷积代替3次池化处理，提取虫洞边缘不规则信息；将特征信息输入空间注意力机制，提取时空融合信息，进而捕获野外不同背景下的颜色信息；针对大豆叶片虫洞目标远近不一的问题，重构特征金字塔结构，增加了1层输出层,将80像素×80像素输出特征图经过上采样后得到160像素×160像素特征图，并将其与浅层同尺寸特征图进行拼接，提高虫洞目标识别定位的准确性；将融合后的总特征输入目标检测模块，输出单个对象的检测外框，得到大豆叶片虫洞识别模型。在大豆叶片虫洞样本数据集上对模型进行测试，结果对大豆叶片虫洞的平均识别准确率最高达95.24%，模型存储空间为15.1 MB，每秒传输91帧。所建立的方法与Faster R–CNN、YOLO v3、YOLO v5s对比，对大豆叶片虫洞识别的平均准确率分别提高2.50%、12.13%、2.81%。
[期刊] 湖南农业大学学报(自然科学版)
[作者]
方文博 郭永刚 关法春 张伟 刘倩倩 王树文 张正超 于皓然
鉴于对大豆叶片虫洞进行识别有助于及时发现虫情并有针对性的防治虫害，提出了一种大豆叶片虫洞的识别方法：以YOLO v5s网络作为基础，在大豆叶片虫洞特征提取过程中引入空洞卷积代替3次池化处理，提取虫洞边缘不规则信息；将特征信息输入空间注意力机制，提取时空融合信息，进而捕获野外不同背景下的颜色信息；针对大豆叶片虫洞目标远近不一的问题，重构特征金字塔结构，增加了1层输出层,将80像素×80像素输出特征图经过上采样后得到160像素×160像素特征图，并将其与浅层同尺寸特征图进行拼接，提高虫洞目标识别定位的准确性；将融合后的总特征输入目标检测模块，输出单个对象的检测外框，得到大豆叶片虫洞识别模型。在大豆叶片虫洞样本数据集上对模型进行测试，结果对大豆叶片虫洞的平均识别准确率最高达95.24%，模型存储空间为15.1 MB，每秒传输91帧。所建立的方法与Faster R–CNN、YOLO v3、YOLO v5s对比，对大豆叶片虫洞识别的平均准确率分别提高2.50%、12.13%、2.81%。
[期刊] 林业科学
[作者]
孙钰 脱小倩 蒋琦 张海燕 陈志泊 宗世祥 骆有庆
【目的】设计轻量级神经网络,使用声音识别技术构建钻蛀振动识别模型,自动识别双条杉天牛和臭椿沟眶象幼虫蛀干取食振动,为提高钻蛀性害虫的早期预警能力提供技术支撑。【方法】在接双条杉天牛、臭椿沟眶象幼虫木段中嵌入AED-2010L便携式声音探测仪的SP-1L压电式传感器探头,使用录音笔以音频格式记录钻蛀振动信号。双条杉天牛钻蛀振动、臭椿沟眶象钻蛀振动和无钻蛀振动3种声音信号经端点检测、时间规整操作后,计算对数梅尔声谱作为卷积神经网络学习和识别的数据集。由于钻蛀性害虫取食振动脉冲持续时间短,数据量远小于图像,为避免模型出现过拟合,设计轻量级卷积神经网络Insect Frames,网络包含4层3×3卷积,全连接层前接全局平均池化进一步降低网络参数量。使用不同的中间层特征维度和降维方法,实现4种网络变体结构Insect Frames_1—4。【结果】基于轻量级卷积神经网络的钻蛀振动识别方法可有效监测早期虫害的发生,较准确地识别害虫种类。利用Insect Frames_1—4模型,对双条杉天牛钻蛀振动、臭椿沟眶象钻蛀振动和无钻蛀振动3种信号进行识别,在测试集上的平均识别准确率均达90%以上,CPU上平均识别时间为0.1～1.3 s。Insect Frames_2模型识别准确率达95.83%,较广泛用于虫声识别的高斯混合模型提高34.2%,较传统重量级神经网络Res Net18提高6.94%,时间效率提高171.1倍。【结论】将神经网络和声音识别技术用于幼虫钻蛀振动的自动化侦听,具有高效、简单、成本低等优势,可提升林业钻蛀性害虫的早期预警能力。
关键词：
钻蛀性害虫 神经网络 钻蛀振动 声音识别
[期刊] 湖南农业大学学报(自然科学版)
[作者]
李衡霞 龙陈锋 曾蒙 申佳
针对目前油菜虫害识别在背景、角度、姿态、光照等方面的鲁棒性问题,提出一种基于深度卷积神经网络的油菜虫害检测方法:首先在卷积神经网络和区域候选网络的基础上,构建油菜虫害检测模型,再在深度学习tensorflow框架上实现模型的检测,最后对比分析结果。油菜虫害检测模型利用VGG16网络提取油菜虫害图像的特征,区域候选网络生成油菜害虫的初步位置候选框,Fast R–CNN实现候选框的分类和定位。结果表明,该方法可实现对蚜虫、菜青虫(幼虫)、菜蝽、跳甲、猿叶甲5种油菜害虫的快速准确检测,平均准确率达94.12%,与RCNN、Fast R–CNN、多特征融合方法、颜色特征提取方法相比,准确率分别提高了28%、23%、12%、2%。
[期刊] 南京农业大学学报
[作者]
仝召茂 陈学海 汪本福 马志艳 杨光友
[目的]为实现对田间麦穗的实时准确计数，本文提出一种基于改进YOLOv5s的麦穗检测计数方法。[方法]通过C2f模块获得更加丰富的梯度流，增强模型细粒度特征提取能力，并在网络关键部位引入CoordConv坐标卷积，加大对坐标信息关注程度，提升模型对麦穗位置的感知能力，同时考虑到麦穗检测任务中中小尺寸麦穗居多，采用Inner CIoU损失函数加快模型收敛速度。[结果]在公开数据集Global Wheat Head Detection（GWHD）上对上述方法进行试验，结果表明，本文所提模型的精确率、召回率、平均精度均值mAP0.5分别为93.5%、91.6%和95.9%，参数量、计算量、FPS分别为12.4 MB、27.5 GFLOPs和34 帧·s~(-1)。[结论]本文所提模型在精确率、召回率、平均精度均值mAP0.5等指标上较原始YOLOv5s模型分别提升了1.0、1.2和1.3百分点，并且优于YOLOv7-tiny、YOLOv8s等模型，同时满足检测的实时性要求，此外，改进后模型在处理遮挡、重叠等复杂情况时都比原始模型表现更优，具有良好的鲁棒性。
[期刊] 南京农业大学学报
[作者]
李小祥 张洁 秦柯贝 张泽潇
[目的]本研究旨在开发一种准确检测识别苹果叶片病害的轻量化模型方法。[方法]构建了一个自然复杂场景下的包含15 190张高质量RGB图像的苹果叶片病害数据集ALD6，涵盖了实际生产中最为常见的5种病害类型和一个健康对照类。其次，提出了一个基于YOLOv8s改进的高效苹果叶片病害检测模型，称为ADDN-YOLO。用BoT替换了部分C2f结构以更好地捕捉图像中的全局和局部更丰富的信息，提高模型的特征提取能力，同时降低计算开销；设计了更轻量化的检测头降低了模型复杂性，更易部署于硬件设备上；引入MPDIoU损失函数优化了原CIoU对目标尺寸变化不敏感的问题，更加全面地考虑目标的位置和尺寸差异信息，提高目标的定位能力。[结果]最终在自制ALD6数据集上获得了94.9%的mAP，相较原始基准模型提高了0.7%的精度，计算量和模型大小比基准模型降低了35.6%和35.5%。模型大小为13.8 MB，模型推理速度为175.7 FPS。[结论]实验结果表明所提出的ADDN-YOLO算法在准确性和降低模型复杂性方面都具有明显优势，可以为自然场景下苹果叶片病害的高效、准确检测识别提供可靠的理论支持。
[期刊] 统计与决策
[作者]
王志坚
文章借鉴Charles(2005)提出的GARCH模型异常值检测法，提出一种GARCH模型AO型与IO型异常值稳健检测法，模拟不同污染率、不同样本量下的GARCH序列。实证检验结果显示，稳健检测法对异常值检测的正确率显著高于传统检测法。
[期刊] 情报科学
[作者]
牟式标 陈志军
【目的/意义】随着微博短文本对社会生活的影响日益增大,结合Delaunay三角网聚类和元胞遗传提出了一种微博短文本倾向性检测模型。【方法/过程】首先,该模型阐述了检测方法采取的数据收集、预处理、特征选择和指标计算四个阶段,并建立了短文本倾向性检测模型。其次,利用Delaunay三角网聚类和元胞遗传对上述模型进行求解。最后,通过仿真实验深入研究了影响该方法的关键因素。【结果/结论】结果表明,相比于层次结构法和神经网络,该方法在准确率、关联率等方面具有较好的适应性。
[期刊] 浙江农林大学学报
[作者]
王冠 王建新 孙钰
【目的】传统深度学习模型因参数和计算量过大不适用于边缘部署，在网络边缘的植物病害自动识别是实现长时间大范围低成本作物监测的迫切需求。【方法】联合使用多种模型压缩方法，得到可部署于算力有限的嵌入式系统的轻量级深度卷积神经网络，在边缘节点实现植物病害智能识别。模型压缩分2个阶段：第1阶段利用基于L1范数的通道剪枝方法，压缩MobileNet模型；第2阶段将模拟学习与量化相结合，在模型量化的同时恢复识别精度，得到高精度轻量级的端模型。【结果】在PlantVillage数据集58类植物病害的实验结果表明：通道剪枝将MobileNet压缩了3.6～14.3倍，量化又将模型的参数精度由32 bit降低至8 bit。整体压缩率达到了14.4～57.2倍，识别准确率仅降低0.24%～1.65%。与通道剪枝后无模拟学习训练、通道剪枝结合量化后无模拟学习训练这2种压缩方法相比，具有更高的模型压缩率和识别准确率。【结论】联合使用多种模型压缩方法可以少量的精度损失深度压缩人工智能模型，可为农林业提供面向边缘计算的植物病害识别模型。图3表2参23
[期刊] 福建农林大学学报(自然科学版)
[作者]
劳全 夏云峰 叶盛 杨杰 赖叶茗 陶晰
【目的】对受松材线虫病影响的树木进行快速、高效和精确的检测。【方法】利用深度学习技术中的YOLO v4(you only look once version 4)目标检测模型，对高分辨率影像中的松材线虫病变色木进行检测，并与SSD(single shot multibox detector)模型进行对比。【结果】YOLO v4模型的检测精度较高，精确度(P)为0.961 3,召回率(R)为0.764 9,F1分数为0.851 9。【结论】YOLO v4可准确地识别和定位松材线虫病变色木，且精确度比SSD高。
关键词：
松材线虫病变色木 深度学习 目标检测
[期刊] 保险研究
[作者]
聂建亮 叶涛 王俊 史培军
科学精算费率是保险经营的重要前提,是我国农作物保险可持续性的基本保障,是充分发挥财政资金杠杆效果的基础。本文在辨析农户尺度多灾种产量保险与区域产量指数保险差异的基础之上,发展了一套基于抽样大田产量序列数据的农作物多灾种产量险费率定价方法。通过收集省级尺度的农作物统计单产序列和农业气象站点记录的抽样大田单产序列数据,运用该定价方法测算了我国31个省(直辖市、自治区)的水稻、小麦和玉米的纯费率。结果证明,该方法具备较强的可操作性,模型测算的结果可以为有关部门提供参考。
关键词：
多灾种产量险 费率厘定 产量统计模型
[期刊] 福建农林大学学报(自然科学版)
[作者]
王乐 于茗兰 陈强 柳雨汐 郑晓明 逄洪波
农作物是人类赖以生存的基础。然而，随着全球极端天气的增加、耕地的减少、人口数量的增多以及人民生活需求的提高，培育具备多个优良性状的聚合品种已成为解决粮食安全问题和现代农业分子设计育种的核心任务。全基因组关联分析(GWAS)是挖掘农作物优异基因的有效方法，已广泛应用于各类农作物中。这种分析方法成功揭示了控制农作物产量、品质以及抗逆性等关键育种性状的基因。本文系统总结了GWAS在5种代表性农作物中的最新研究进展，同时深入剖析了GWAS的局限性及未来发展趋势，期望为未来农作物的遗传改良提供有益参考。
[期刊] 清华大学学报(自然科学版)
[作者]
李悦明 黄国忠 王波 高学鸿 孙占辉 潘睿
2010—2022年,古建筑火灾事故频繁发生,对珍贵历史文物的保护提出了巨大挑战。为应对这一挑战,该研究提出一种基于图像超分辨率技术的消防危险品检测模型,用于识别易燃物品和可燃物品。在实际应用中,应准确归类危险品,并精确定位危险品的位置,由于普通摄像头图像的分辨率均较低,因而采用图像超分辨率生成对抗网络(super-resolution generative adversarial network, SRGAN)算法重建图像;此外,引入坐标注意力机制提高检测精度,并使用完整交并比(complete intersection over union, CIo U)损失函数加速模型训练。这一综合方法可有效检测古建筑区域内的消防危险品。使用测试数据集对该模型进行了一系列实验,结果表明:改进后的模型具有0.830的平均精度均值(mean average precision,m AP)和0.940的精确率;在服务器上,该模型的推理速度高达92 FPS(frames per second)。该文提出模型有效且高效,为古建筑火灾防控工作提供了强大的技术支持。
文献操作()
导出元数据
文献计量分析
导出文件格式：WXtxt
删除
