- 年份
- 2024(5199)
- 2023(7577)
- 2022(6488)
- 2021(6110)
- 2020(5188)
- 2019(11979)
- 2018(11728)
- 2017(22621)
- 2016(11918)
- 2015(13192)
- 2014(12670)
- 2013(12108)
- 2012(10778)
- 2011(9329)
- 2010(8603)
- 2009(7394)
- 2008(6621)
- 2007(5177)
- 2006(3875)
- 2005(2944)
- 学科
- 济(44299)
- 经济(44258)
- 管理(32884)
- 业(31521)
- 企(26506)
- 企业(26506)
- 方法(25858)
- 数学(23573)
- 数学方法(23194)
- 财(11458)
- 农(11028)
- 业经(9597)
- 中国(9535)
- 学(9181)
- 贸(8596)
- 贸易(8594)
- 易(8405)
- 务(7809)
- 财务(7771)
- 财务管理(7753)
- 技术(7742)
- 农业(7409)
- 企业财务(7366)
- 和(7099)
- 地方(6904)
- 理论(6766)
- 环境(6616)
- 制(6210)
- 划(5865)
- 产业(5413)
- 机构
- 大学(155167)
- 学院(154793)
- 管理(64847)
- 济(61225)
- 经济(60206)
- 理学(57828)
- 理学院(57271)
- 管理学(56075)
- 管理学院(55795)
- 研究(45985)
- 中国(32675)
- 京(30619)
- 科学(30568)
- 业大(27345)
- 农(27313)
- 财(26107)
- 中心(23032)
- 财经(22238)
- 农业(21575)
- 所(21228)
- 经(20637)
- 江(20517)
- 研究所(20047)
- 经济学(19209)
- 范(18196)
- 师范(17966)
- 北京(17949)
- 经济学院(17629)
- 院(17568)
- 经济管理(17311)
- 基金
- 项目(122571)
- 科学(97626)
- 基金(91953)
- 研究(84165)
- 家(81748)
- 国家(81183)
- 科学基金(71064)
- 社会(54726)
- 社会科(52032)
- 社会科学(52020)
- 基金项目(49368)
- 自然(48875)
- 自然科(47802)
- 自然科学(47788)
- 省(47695)
- 自然科学基金(46919)
- 划(40252)
- 教育(39484)
- 资助(36952)
- 编号(32276)
- 重点(27672)
- 部(26956)
- 创(26460)
- 发(25257)
- 创新(24797)
- 科研(24758)
- 计划(23652)
- 国家社会(23568)
- 成果(23357)
- 教育部(23346)
共检索到198331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] 北京林业大学学报
[作者]
胡静 陈志泊 杨猛 张荣国 崔亚稷
【目的】植物叶片分割旨在从背景中分割出叶片区域,去除背景对象干扰。这对植物病害识别和物种鉴定具有重大意义。【方法】本文设计了基于全卷积神经网络的植物叶片分割算法。首先,目标函数用对数逻辑函数代替复杂的Softmax多类预测函数,从而将分割任务转化为适合于植物叶片分割的二分类问题;其次,把批归一化技术引入全卷积神经网络,从而改善网络整体的收敛性。最后,针对当前植物叶片分割研究中缺乏评估指标的状况,设计了新的评估协议——受试者工作特征曲线,该曲线反映了不同阈值情况下植物叶片图像分割的召回率与误报率之间的变化情况。【结果】本文提出的算法降低了全卷积神经网络的参数复杂度,改善了网络的收敛性。实验结果表明,该方法比Leafsnap提到的基于颜色的分割方法更完整地分割了植物叶片区域;提出的ROC曲线能够充分评估植物叶片的分割性能。【结论】与传统方法相比,基于深度学习的植物叶片分割方法实现了输入图像的端对端处理,无需图像转换、噪声滤波和形态运算等预处理技术,因此在植物叶片分割上具有可行性。
关键词：
深度学习 全卷积神经网络 植物叶片分割
[期刊] 北京林业大学学报
[作者]
于慧伶 麻峻玮 张怡卓
【目的】针对卷积神经网络识别植物叶片过程中,叶片边缘形状对卷积层的过度作用而导致相似边缘形状叶片识别错误的问题,提出了一种双路卷积神经网络的植物叶片识别模型。【方法】模型考虑了叶片信息的边缘形状与内部纹理特征,构建了双路卷积神经网路结构,其中形状特征路径运用7层卷积层的网络结构,前3层采用大尺寸11×11及5×5的卷积核提取大视野特征,完成叶片形状特征提取,另外4层卷积层采用3×3小尺寸卷积核提取叶片细节特征;纹理特征路径采用6个3×3卷积核的卷积层,提取叶片纹理图像细节特征;然后通过特征融合层将两类特征相加为融合特征,并利用全连接层对植物叶片种类进行识别。【结果】实验结果表明,双路卷积神经网络模型与单路卷积神经网络和图像处理分类识别模型相比,在Flavia叶片数据集与扩充植物叶片数据集上,Top-1识别准确率分别提高到了99. 28%、97. 31%,Top-3识别准确率分别提高到了99. 97%、99. 74%,标准差较其他识别与分类模型下降到0. 18、0. 20。【结论】本文提出的叶片识别模型能有效避免相似叶片边缘形状干扰而导致识别错误的问题,可以提高植物叶片的识别准确率。
[期刊] 南京农业大学学报
[作者]
赵兵 冯全
[目的]本文旨在解决不同光照和复杂背景下葡萄病害叶片图像的自动分割。[方法]使用了一种全卷积网络(FCN)的葡萄病害叶片图像的自动分割算法。该算法在结构上将传统的卷积神经网络(CNN)后3个全连接层换成3个卷积层。通过多层的卷积,对输入葡萄叶片图像的特征进行提取;通过池化层,对特征信息进行筛选,缩减特征尺寸,以达到减少网络参数的目的。再通过反卷积对特征上采样,从高维、小尺寸特征恢复到图像原始尺寸,对具有原始尺寸的特征进行逐像素分类,确定原图像中每个像素位置的标签是背景还是前景。因只经过上采样处理后的分割图像会较粗糙,故通过跳跃结构将较为粗糙的原图进行局部信息与整体信息的整合,达到对分割结果进行精细化处理的目的。[结果]本算法对葡萄病害叶片有较好的分割效果,单叶片和复杂多叶片图像的马修斯相互系数(MCC)分别为0.821和0.747,MCC平均值较对比算法提高了6.5%。[结论]本算法能够较精确地分割自然条件下成像的葡萄病害叶片图像,为后续在叶片精准分割病害区域和提取病害特征创造了良好的条件。
[期刊] 清华大学学报(自然科学版)
[作者]
宋青松 张超 陈禹 王兴莉 杨小军
常见的道路分割方法往往环境噪声鲁棒性不足并且分割边缘不够平滑。针对该问题,提出了一种组合全卷积神经网络和全连接条件随机场的道路分割方法。首先,利用深度神经网络良好的特征表征能力,将道路分割视为一个二分类问题,构建一个基于VGG_16深度卷积网络的全卷积网络,实现道路图像端到端的路面和背景分类;然后,利用全连接条件随机场能够实现图像精细分割的特点,采用全连接条件随机场对二分类得到的粗糙边缘再进行平滑优化。针对真实环境下采集的道路分割基准数据库的测试结果表明:该方法获得了98.13%的分割准确率以及每0.84s处理1幅图像的分割速度,具有一定的先进性。
[期刊] 南京农业大学学报
[作者]
周罕觅 陈佳庚 代智光 马林爽 秦龙 李纪琛 苏裕民 向友珍
[目的]快速、准确识别植物病害并及时防护是保障作物产量的重要措施。针对现有植物病害识别方法模型参数大、田间复杂背景下识别准确率低的问题，本研究提出一种基于改进ShuffleNetV2的轻量化植物叶病识别模型LWCR-Net（Lightweight Crop Recognition Network）。[方法]首先，在基本特征提取模块中引入残差连接，解决梯度消失问题，使模型能够学习到更复杂的特征表示；然后，引入了CBAM（Convolutional Block Attention Module）注意力机制模块，以增强特征提取和模型利用能力；最后，采用DenseNet121作为教师模型，LWCR-Net作为学生模型，并利用知识蒸馏策略对模型进行训练，以进一步提升模型性能。[结果]试验结果表明，轻量化植物叶病识别模型LWCR-Net的模型大小为2.44 MB；F1值和准确率分别为95.49%和96.16%，较原模型提高了4.89%和3.96%。与DenseNet121、ResNet34、MobileNetV3等其他经典网络对比，LWCR-Net模型不仅达到了较高的识别准确率，且模型参数量较少。[结论]该研究提出的LWCR-Net模型能够实现在田间复杂背景下对植物叶病的准确识别，且模型所需内存较小，方便部署到移动端，为植物叶病智能诊断提供参考。
[期刊] 沈阳农业大学学报
[作者]
王书志 宋广虎 冯全
近几年深度卷积神经网络在很多图像任务,诸如目标检测、图像分类、图像分割等方面得到了广泛应用,在图像分割方面,基于深度学习分割性能已全面超越了传统的分割算法。很多病害都会在葡萄的新梢上产生病症,在图像中准确分割出新梢,可提高病害诊断的精度。为了实现对自然条件下拍摄的葡萄新梢图像的准确分割,用相机、手机分别在不同的光照和环境条件拍摄了葡萄的新稍图像,在制作的训练图像集上对SegNet、FCN和U-NET3种卷积神经网络进行迁移学习,得到3种分割网络模型,分别用这些模型对测试集中不同环境下拍摄的新梢图像进行分割试验。在模型训练的初始阶段设置较大的学习率,以期快速到达最优解附近,随后逐步降低学习率,得到最优解。以人工分割为基准,对3种网络的分割效果进行评价。结果表明:在优选的训练模式下,3种分割网络在标准测试集T1上分割精度(MCC)达到83.58%、93.85%和89.44%,对于标准测试集T1和T2中的阴天图像,3种网络的平均MCC分别比晴天高5.42%、0.73%和0.65%。3种网络中,FCN的总体分割效果最优,在标准测试集T1上的平均分割精度(MCC)分别比SegNet和U-NET高10.27%和4.42%;从人的直观观察也可以看出,FCN分割的葡萄新梢图像轮廓光滑、视觉效果较好。光照对分割效果影响显著,阴天拍摄图像的分割效果整体好于晴天分割效果。在扩展数据集上,3种网络的分割精度均出现一定程度的下降,对于大田条件下(T3)和温室条件下(T4)手机拍摄的图像,FCN的平均分割精度(MCC)依然分别达到78.06%和74.82%,说明FCN的泛化性能较好。
关键词：
自然光照 葡萄新梢 图像分割 深度学习
[期刊] 西北农林科技大学学报(自然科学版)
[作者]
黄林 贺鹏 王经民
【目的】提出一种将植物叶片的形状特征与其纹理特征相结合的综合特征识别方法,有效解决了传统的植物机器识别分类特征单一且识别率较低的问题,为植物的快速机器识别提供技术参考。【方法】提取植物叶片样本的综合特征信息,以概率神经网络(PNN)为分类器对所得的特征信息进行训练,训练好的网络用来识别植物叶片的类别,从而确定相应植物的种类。【结果】有效提取了含有8个分量的植物叶片综合特征向量,通过对PNN分类器的训练,实现了30种植物叶片的快速机器识别,平均识别率达98.3%。比较测试表明,若去掉叶片纹理特征,单以其形状特征作为识别依据,平均识别率仅为93.7%。【结论】植物叶片综合特征识别方法有效弥补了传统...
[期刊] 北京林业大学学报
[作者]
张帅 淮永建
深度学习已成为图像识别领域的研究热点。本文以植物叶片图像识别为研究对象，对单一背景和复杂背景图像分别给出了优化预处理方案；设计了一个８层卷积神经网络深度学习系统分别对Ｐｌ＠ａｎｔ ｎｅｔ叶片库和自扩展的叶片图库中３３ ２９３张简单背景和复杂背景叶片图像进行训练和识别，并与传统基于植物叶片多特征的识别方法进行了比较分析。实验证明：本文提供的Ｃｎｎ＋ＳＶＭ和Ｃｎｎ＋ＳｏｆｔＭａｘ分类器识别方法对单一背景叶片图像识别率高达９１．１１％和９０．９０％，识别复杂背景叶片图像的识别率也能高达３４．３８％，取得了较好的识别效果。利用本文实现的分层卷积深度学习识别系统在数据量大而无法做出更多优化的情况下，叶片．．．
[期刊] 中国农业大学学报
[作者]
李晓丽 张东毅 董雨伦 金娟娟 何勇
儿茶素和咖啡碱是茶叶品质的重要评价指标,为了探索深度卷积神经网络(CNN)结合可见近红外光谱(Vis/NIR)用于茶叶儿茶素和咖啡碱无损快速检测的可行性,本研究通过高效液相色谱来测定茶叶中的儿茶素和咖啡碱含量,并与样本的光谱信息建立对应关系;采用回归分析和CNN建模构建了光谱与茶叶内含物的定量关系;采用竞争自适应重加权采样(CARS)和连续投影算法(SPA)选择特征波长,用于开发基于这些特征波长的简单模型。结果表明:4种儿茶素和咖啡碱含量从第1叶位到第6叶位呈现出逐渐降低的趋势;提取特征波长不仅减少了光谱变量数,还获得了比全谱更优或接近的模型性能;CNN在回归分析和特征提取中均表现出良好的性能,预测儿茶素和咖啡碱最优模型的决定系数(R~2)和残余预测偏差(RPD)分别达到了0.93和3.28以上。因此,卷积神经网络结合可见近红外光谱可以对儿茶素和咖啡碱的含量进行快速无损检测。
[期刊] 华中师范大学学报(自然科学版)
[作者]
李博 张洪刚
为了保证路面质量和行人与驾驶员的安全,提出了一种利用传感器时序多变量信号数据进行路面异常检测的算法.针对行驶过程中需要结合多种传感器信号在不同尺度对路面特征进行分析的问题,提出结合小波卷积网络和多通道网络技术,实现路面异常检测.首先,在多级小波变换间加入卷积神经元网络,从多个尺度分析单个传感器信号的局部连续性;然后,构建多通道神经网络,将多个传感器信号分别作为不同通道的输入,计算多个信号相结合的特征向量;最后,使用多层感知机根据多通道小波网络的输出实现路面异常检测.实验结果表明,该检测算法相对于传统的时间序列分类方法,同时考虑了多尺度分析、信号局部连续性和多变量信号的结合,在分析多变量时序信号数据时,具有更低的误检率和漏检率,更高的F1值.
[期刊] 沈阳农业大学学报
[作者]
许童羽 袁炜楠 周云成 于丰华 杜文
针对传统叶绿素分析方法具有破坏性且耗费人力、时间长、成本高的弊端,依据LOPEX’93数据集中双子叶植物的高光谱数据和叶绿素值,构建了双子叶植物基于高光谱的叶绿素含量最佳估算模型,利用Pearson相关性分析一阶微分光谱、高光谱特征参数与叶绿素的相关关系,发现724nm波段处一阶导数与双子叶植物叶绿素值的相关性最大,其相关性为0.509;高光谱特征参数RVI、NDVI、TCAR与叶绿素的相关性达到0.7以上,构建基于一阶微分光谱、高光谱特征参数和BP神经网络的叶绿素估算模型,并对模型进行验证;再结合一元线性模型、指数模型、对数模型和幂函数模型与BP神经网络模型进行比较。结果表明:叶绿素值与一阶微分光谱在724nm处的光谱数据作为自变量建立的传统回归模型可用于双子叶植物叶绿素的估算,最优建模样本R~2和最优验证样本R_V~2分别为0.541和0.745,RMSE为6.16;基于高光谱特征参数RVI、NDVI、TCAR建立的叶绿素估算回归模型,最优建模样本R~2和最优验证样本R_V~2分别为0.618,0.708;0.632,0.866;0.594,0.654,RMSE分别为6.65,5.61,7.07,将基于高光谱特征参数变量构建传统回归模型时筛选到的光谱参数作为输入,实测叶绿素值作为输出,构建BP神经网络模型,其最优建模R2与最优验模R_V~2分别为0.692和0.874,最优验证样本RMSE为5.23,与其他回归模型相比,BP神经网络模型预测精度最高。研究表明基于高光谱数据的模型具有较好的预测能力,是估算双子叶植物叶绿素值的一种高效的方法。
[期刊] 中国农业大学学报
[作者]
关海鸥 许少华 谭峰
针对植物病害图像的病斑区域边缘像素存在模糊性和不确定性,利用T-S模型的模糊规则后件是输入语言变量的函数特性,提出线性清晰化的自适应五层模糊神经网络模型作为植物病害图像模式分类的决策系统,并利用量子遗传算法对模型系统的可调整参数的初始值进行全局优化。试验结果表明:该模型对马铃薯早疫病的彩色图像的有效病班区域分割精确达到100%,学习算法速度快、收敛稳定、鲁棒性较好,避免了传统梯度下降学习算法的局部最小值,并且简单易于实现。
[期刊] 南京农业大学学报
[作者]
刘志强 梁琨 沈明霞 陆明洲 孙玉文 刘龙申
为了获取温室中植物生长图像信息,设计了一款能够监测温室内植物生长信息的无线智能图像采集节点,引入了休眠-唤醒机制大幅降低节点能耗。节点采用STM32ZET6芯片作为微控制器,CC1101为射频模块,扩展了OV7670图像传感器。将SimpliciTI射频网络协议移植到STM32处理器中,将采集的图像信息经过JPEG2000压缩后,分包多跳无线传输至服务器,服务器接收图像,利用改进型LoG算子实现图像分割,得到图像分割结果。结果表明:在温室环境中最大通信距离110 m,节点丢包率较低。一帧JPEG2000格式的温室内植物生长信息图像大小约18 kB,传输时间较短,节点在3.6 V锂电池供电下能工...
[期刊] 物流技术
[作者]
姚志英 王成林 姚滢滢
设计了一种物品检测深度卷积神经网络,应用于物流分拣传输过程中物品检测。分析了深度卷积神经网络的结构及其在图像特征提取和信息降维方面的作用;设计了由卷积层、池化层、激活函数层和全连接网络层组成的物品检测深度卷积神经网络;构建了由300幅图像和标注结果组成的样本库,抽取60%的样本作为网络训练样本集,其余40%样本平均分成两组,其中一组作为网络训练过程中验证样本,另一组作为对训练好网络进行性能验证的测试样本;在设定网络参数的基础上进行网络的训练和测试;通过分析网络训练过程中各层的输出,发现所设计的网络可以很好地实现图像中所含物品特征的检测;网络训练过程验证精度可达100%,测试正确率可达98.33%。由此可知深度卷积神经网络性能良好,可用于物流分拣生产中的物品检测。
[期刊] 物流技术
[作者]
刘建国 代芳 詹涛
为解决字符分割错误造成的车牌识别错误,提出一种基于卷积神经网络的端到端的车牌识别算法,该算法首先采用基于颜色定位、文字定位和边缘检测的方法从自然场景中提取出车牌,由于样本量的问题,采用车牌生成器对车牌样本进行扩充,得到80602张车牌数据,将车牌按照7:1分为训练集和测试集,使用改进的AlexNet网络生成端到端的深度学习模型进行训练,并使用得到的模型进行车牌字符识别,车牌识别准确率达到96.7%。实验结果表明,该方法车牌识别准确率高,且鲁棒性较好。
关键词：
车牌定位 端到端 车牌识别 卷积神经网络
文献操作()
导出元数据
文献计量分析
导出文件格式：WXtxt
删除
