- 年份
- 2024(4906)
- 2023(6991)
- 2022(5964)
- 2021(5635)
- 2020(4869)
- 2019(11140)
- 2018(10885)
- 2017(21028)
- 2016(11254)
- 2015(12415)
- 2014(11973)
- 2013(11500)
- 2012(10195)
- 2011(8814)
- 2010(8183)
- 2009(7035)
- 2008(6296)
- 2007(4858)
- 2006(3524)
- 2005(2547)
- 学科
- 济(43079)
- 经济(43043)
- 管理(30836)
- 业(29628)
- 方法(26085)
- 企(24666)
- 企业(24666)
- 数学(24196)
- 数学方法(23837)
- 财(11700)
- 农(10507)
- 中国(9442)
- 业经(8364)
- 务(7967)
- 财务(7936)
- 财务管理(7919)
- 企业财务(7537)
- 贸(7339)
- 贸易(7336)
- 易(7184)
- 学(7133)
- 技术(7096)
- 农业(7049)
- 地方(6578)
- 环境(6381)
- 和(5886)
- 理论(5787)
- 制(5731)
- 划(5526)
- 银(5045)
- 机构
- 大学(143964)
- 学院(143694)
- 管理(59984)
- 济(58448)
- 经济(57532)
- 理学(53730)
- 理学院(53241)
- 管理学(52118)
- 管理学院(51860)
- 研究(42582)
- 中国(30157)
- 京(27888)
- 科学(27480)
- 农(26539)
- 业大(25878)
- 财(25057)
- 财经(21491)
- 中心(21488)
- 农业(21463)
- 经(19913)
- 所(19867)
- 江(19167)
- 经济学(18812)
- 研究所(18707)
- 经济学院(17321)
- 财经大学(16534)
- 经济管理(16343)
- 范(16147)
- 师范(15936)
- 院(15931)
- 基金
- 项目(114375)
- 科学(90812)
- 基金(85592)
- 研究(78587)
- 家(76034)
- 国家(75481)
- 科学基金(65925)
- 社会(51506)
- 社会科(49083)
- 社会科学(49072)
- 基金项目(45943)
- 省(45155)
- 自然(44821)
- 自然科(43863)
- 自然科学(43853)
- 自然科学基金(43055)
- 划(37933)
- 教育(37175)
- 资助(34799)
- 编号(29955)
- 重点(25696)
- 部(25575)
- 创(24717)
- 发(23644)
- 创新(23203)
- 科研(23188)
- 计划(22331)
- 国家社会(22303)
- 教育部(22088)
- 成果(21578)
共检索到183295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] 湖南农业大学学报(自然科学版)
[作者]
赵辉 李建成 王红君 岳有军
为了解决水稻小病斑检测不准确的问题，提出一种基于改进YOLOv3的水稻叶部病害检测方法Rice–YOLOv3。首先，采用K–means++聚类算法，计算新的锚框尺寸，使锚框尺寸与数据集相匹配；其次，采用激活函数Mish替换YOLOv3主干网络中的Leaky Relu激活函数，利用该激活函数的平滑特性，提升网络的检测准确率，同时将CSPNet与DarkNet53中的残差模块相结合，在避免出现梯度信息重复的同时，增加神经网络的学习能力，提升检测精度和速率；最后，在FPN层分别引入注意力机制ECA和CBAM模块，解决特征层堆叠处的特征提取问题，提高对小病斑的检测能力。在训练过程中，采用COCO数据集预训练网络模型，得到预训练权重，改善训练效果。结果表明：在测试集下，Rice–YOLOv3检测水稻叶部3种病害的平均精度均值(mAP)达92.94%，其中，稻瘟病、褐斑病、白叶枯病的m AP值分别达93.34%、89.68%、95.80%，相较于YOLOv3,Rice–YOLOv3检测的m AP提高了6.05个百分点，速率提升了2.8帧/s，对稻瘟病和褐斑病的小病斑的检测能力明显增强，可以检测出原始网络模型漏检的小病斑；与Faster–RCNN、YOLOv5等模型对比，Rice–YOLOv3提高了对相似病害和微小病害的识别能力，并在原始的基础上提高了检测速率。
[期刊] 湖南农业大学学报(自然科学版)
[作者]
赵辉 李建成 王红君 岳有军
为了解决水稻小病斑检测不准确的问题，提出一种基于改进YOLOv3的水稻叶部病害检测方法Rice–YOLOv3。首先，采用K–means++聚类算法，计算新的锚框尺寸，使锚框尺寸与数据集相匹配；其次，采用激活函数Mish替换YOLOv3主干网络中的Leaky Relu激活函数，利用该激活函数的平滑特性，提升网络的检测准确率，同时将CSPNet与DarkNet53中的残差模块相结合，在避免出现梯度信息重复的同时，增加神经网络的学习能力，提升检测精度和速率；最后，在FPN层分别引入注意力机制ECA和CBAM模块，解决特征层堆叠处的特征提取问题，提高对小病斑的检测能力。在训练过程中，采用COCO数据集预训练网络模型，得到预训练权重，改善训练效果。结果表明：在测试集下，Rice–YOLOv3检测水稻叶部3种病害的平均精度均值(mAP)达92.94%，其中，稻瘟病、褐斑病、白叶枯病的m AP值分别达93.34%、89.68%、95.80%，相较于YOLOv3,Rice–YOLOv3检测的m AP提高了6.05个百分点，速率提升了2.8帧/s，对稻瘟病和褐斑病的小病斑的检测能力明显增强，可以检测出原始网络模型漏检的小病斑；与Faster–RCNN、YOLOv5等模型对比，Rice–YOLOv3提高了对相似病害和微小病害的识别能力，并在原始的基础上提高了检测速率。
[期刊] 福建农林大学学报(自然科学版)
[作者]
刘浪 许金钗 翁海勇 程祖锌 曹亚轩 叶大鹏 谢立敏
为实现田间环境下水稻叶部病害的快速诊断，设计了一种基于多光谱成像技术的水稻叶部病害便携式检测装置.该装置主要由多光谱图像采集软件、高功率LED驱动电路、图像采集触发电路和USB接口通讯电路4个部分组成.以感染水稻稻瘟病、胡麻叶斑病、细条病水稻以及健康水稻的叶片为研究对象，采集了460、520、590、630、660、710、730、760、800、850、900和940 nm共12个波段下的光谱图像信息.主成分分析结果表明：第一主成分(PC1)和第二主成分(PC2)的累计方差贡献率为91.19%;稻瘟病、胡麻叶斑病和细条病在PC1和PC2得分图上具有各自聚成一类的趋势.基于12个波段反射率构建的支持向量机模型对稻瘟病、胡麻叶斑病和细条病的总体识别正确率为97.44%,Kappa系数为0.965 1,识别效果较好.表明利用自主研发的便携式多光谱成像装置结合化学计量法可实现水稻叶部病害的快速诊断.
[期刊] 沈阳农业大学学报
[作者]
陶兆胜 石鑫宇 王勇 伍毅 吴浩
为了解决现有的农作物病害检测方法对不同番茄叶片病害检测的精度低、效果差的问题，提出一种基于YOLOv5网络模型改进的番茄叶片病害检测模型YOLOv5s-TLD。首先在原YOLOv5s模型的Backbone中构建DCAM注意力机制模块，通过制定双通道注意力和空间注意力机制加强模型对番茄叶片病理特征的提取能力，并减弱模型受复杂背景特征的影响，以提高模型对不同种类病害的检测精度和分类精度；然后应用融合Swin Transformer的C3STR模块替换原网络第6层的C3模块，强化模型在多尺度上建模的能力，实现模型对小尺寸的番茄叶片病害残差特征的高精度学习；再运用BiFPN加权双向特征金字塔网络替换原YOLOv5模型Head的PANet路径聚合网络，该网络采用跨尺度特征融合和可学习权重的方式融合模型不同层次的特征，在增强网络的特征融合能力的同时使网络获得更多的特征信息，以提高模型的感受野和特征表达能力；最后进行不同模型的检测对比试验，并在实际复杂场景下进行番茄叶片病害检测试验。试验结果表明：YOLOv5s-TLD模型平均精度均值和召回率分别为97.7%和96.3%，较原YOLOv5s模型平均精度均值和召回率分别提高1.9个百分点和2.5个百分点。该模型具有良好的检测精度和检测效果，且该模型在背景复杂的实际种植环境下能够准确地检测并识别不同种类的番茄叶片病害，研究结果可为农业智能管理和番茄叶片病害检测技术的实际应用提供参考。
[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] 南京农业大学学报
[作者]
贾岚 徐雪环 罗德弢 胡梦蝶 邓钦文 高文新 蒲海波
[目的]为了克服作物害虫在不同生长阶段的形态差异对模型检测造成的负面影响，本文提出了一种基于改进YOLOv7-tiny的跨阶段作物害虫检测模型CrossStage-YOLO。[方法]在YOLOv7-tiny的主干网络中结合重新构建的ELAN-D模块，实现降低计算内存消耗的同时提高特征提取速度；引入感受野增强模块（RFE），提升模型对害虫特征和位置的感知能力；嵌入BiFormer注意力机制，提高模型对害虫头部、触须等细微特征的敏感度。[结果]试验结果显示，CrossStage-YOLO的平均精度均值为88.6%，相对于原始模型提升了3%；对成虫和幼虫检测的平均精度均值分别达到90.8%和81.1%，较原始模型分别提升了3.3%和2%；并且模型以6.79M的低参数量实现了0.043秒的单张图片检测时间，综合性能优于主流目标检测模型。[结论]本文提出的CrossStage-YOLO模型能够有效提升作物害虫不同生长阶段的检测准确率，为作物害虫检测的自动化诊断提供了可靠的技术支持。
[期刊] 南京农业大学学报
[作者]
李吴洁 危疆树 王玉超 陈金荣 罗好
[目的]柑橘的叶片受到病菌感染或虫害侵袭后，导致柑橘树生长发育异常、产量减少甚至死亡。柑橘病虫害检测技术研发对于柑橘种植的可持续发展至关重要，早期检测出柑橘叶片的病虫害能够有效做好措施从而减少损失。[方法]本文基于YOLOv5s模型进行改进，因实际检测过程中存在定位不精确、背景复杂等问题，受VAN（Visual Attention Network）模型的启发，引入LKA（Large Kernel Attention）模块，实现对图像信息的集中关注和精细抽取；使用CARAFE轻量级算子替换常规的上采样方法，提高特征重建质量，解决尺度不匹配问题，进而提高检测性能；使用FReLU激活函数，能够捕捉更多的柑橘病虫害的关键特征，从而提升检测准确度。除此以外构建了一个包含炭疽病、溃疡病和受潜叶蝇病虫所侵害的柑橘叶片数据集，采用该数据集进行试验。[结果]结果显示mAP50达到94.5%，mAP50:95为84.3%，较原模型分别提升了2.0%和4.4%，模型大小仅为7.3 MB。准确率为93.8%，召回率84.5%，浮点运算次数仅为18.5 G。[结论]改进后的模型YOLOv5-LC可以更加准确的检测出柑橘病虫害，能够给柑橘病虫害的相关研究提供参考。
[期刊] 西南农业学报
[作者]
李广博 查文文 陈成鹏 时国龙 辜丽川 焦俊
【目的】针对传统生猪养殖耳标识别存在易脱落、易引起生猪感染等问题，采用改进YOLOv5s的模型对猪脸进行非入侵式识别。【方法】首先将K-Means的距离改为1-IOU,提高模型目标锚框的适应度；其次，引入CA坐标注意力机制，提高模型特征提取的能力；最后，引入BiFPN特征融合，有效利用特征提高模型的检测能力。试验采用的猪脸数据集共分为5类，数据增强后样本为12 756张，训练集和测试集划分比例为9∶1。【结果】改进后的算法在准确率、召回率、平均精确率(IOU=0.5)分别达到0.926、0.897、0.955,比原始YOLOv5s算法分别提高13.2%、3.0%、2.2%,同时，改进后的算法在单只、多只、小目标、密集、有遮挡的场景下，泛化能力较强、识别精准度高。【结论】利用深度学习算法，可以获取生猪面部信息并准确识别，减少漏检、错检情况，为生猪智能化管理提供较好的技术支持。
[期刊] 福建农林大学学报(自然科学版)
[作者]
袁红春 白宝来 陶磊
【目的】提出一种基于改进YOLOv5＿OBB的旋转目标检测方法，快速、准确地检测和定位中华绒螯蟹。【方法】首先，在YOLOv5＿OBB的主干网络中引入高效通道注意模块；其次，采用BiFPN网络结构进行特征融合模块设计，实现高效的双向跨尺度连接和加权特征融合；最后，采用变焦损失(varifocal loss)解决正负样本不均衡问题。【结果】改进后YOLOv5＿OBB模型的P(precision)、R(recall)和mAP(mean average precision)分别达到95.4%、95.2%和90.1%,比原模型分别提高了1.0%、1.9%和1.3%。【结论】该模型能够实时、准确地检测和定位中华绒螯蟹，实现自动化养殖。
[期刊] 中国农业科学
[作者]
刘涛 仲晓春 孙成明 郭文善 陈瑛瑛 孙娟
【目的】文章重点分析了病健交界特征参数、病害识别流程对提高病害识别准确率的影响。实现水稻叶部15种主要病害的准确识别,尤其是相似病害的判断。【方法】(1)病斑图像获取:水稻叶部病害图像来源包括水稻大田、病害图册和病害数据库,文中选用改进的mean shift图像分割算法提取病叶图像中的病斑并根据相关方程获取病斑特征信息。(2)特征参数的选择与设计:首先选取一至三阶颜色矩和颜色直方图作为病害的颜色特征参数,选取球状性、偏心率和不变矩作为病斑的形状特征参数,选取角二阶矩、对比度和相关作为病斑的纹理特征参数;然后针对相似病斑误报率高的问题提出一种病健交界特征参数,通过病斑内部、边缘和外围颜色上的差异...
[期刊] 中国农业大学学报
[作者]
李小林 谷安宇 张馨宇 徐雨然 罗来鑫 李健强
通过研究3种水稻种子寄藏真菌检测方法的异同和适应性,为提高水稻种子健康检测的针对性提供科学依据。以云南省具有代表性的3个主栽水稻品种楚粳26、滇优35和宜香9的种子为材料,采用洗涤法、PDA平板法进行种子寄藏真菌检测;同时采用滤纸保湿法对此3个品种以及富优80等产地海拔高度不同的共计20个水稻品种的种子进行检测。结果显示,洗涤法适用于种子外部带菌检测,洗涤时间为20min,洗涤液稀释10倍涂平板可以观测记录带菌的数量,供试水稻种子外部主要携带Aspergillus、Fusarium、Penicillium、Alternaria,它们出现的比例分别为21.4%、17.9%、16.7%和8.3%;...
[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] 华中农业大学学报
[作者]
周涛 王骥 麦仁贵
为提高不同成熟度种植区域的机械采摘菠萝准确率，保证菠萝品质，提出了基于改进YOLOv8的实时菠萝成熟度目标检测方法。针对自然环境下菠萝机械采摘中存在目标小、数量密集和光线遮挡等问题，改进模型把原始YOLOv8模型中主干部分、颈部部分的公共卷积替换成深度可分离卷积（Depthwise Separable Convolution,DSConv），精简模型参数；在融合特征前增加了卷积注意力机制模块（Convolutional Block Attention Module,CBAM），使特征融合更关注重要的特征，提升目标检测的准确率；使用EIoU损失函数替换YOLOv8网络原损失函数CIoU，加快网络收敛速度。结果显示，改进模型对菠萝成熟度检测PmA为97.33%，与Faster RCNN、YOLOv4、YOLOv5、YOLOv7对比发现，PmA分别提升5.53、7.91、4.38、4.66百分点；在保证检测精度的前提下，算法模型参数量仅为16.8×10~6。结果表明，改进模型提高了菠萝成熟度识别的精度和推理速度，具有更强的鲁棒性。
关键词：
菠萝成熟度 YOLOv8 目标检测
[期刊] 南京农业大学学报
[作者]
化春键 黄宇峰 蒋毅 俞建峰 陈莹
[目的] 为了在田间环境下准确检测食用玫瑰的成熟度，针对由于光照、遮挡等因素造成识别精度较差问题，提出了一种基于YOLOv7的改进模型，对食用玫瑰的3个生长状态进行检测识别。[方法]在YOLOv7主干网络中结合SCConv对高效聚合模块ELAN进行改进，压缩冗余特征，提高检测性能；引入CARAFE轻量级上采样算子对常规的上采样方法进行优化，提高特征重组质量，更好聚合上下文特征信息；在模型中融入SimAM注意力机制，使模型更好地关注检测目标，改善玫瑰漏检误检现象。[结果] 结果显示，改进后的模型平均精度值达到91.7%，相比于YOLOv7模型平均精度值提升了3.6%，对花蕾期、采摘期和败花期的检测精度达到96.1%、96.0%和83.1%，较原模型分别提高了3.7%、2.0%、5.3%，改进后的模型相较于主流目标检测模型总体精度更高。[结论]本研究可为非结构环境下的食用玫瑰花期检测提供了更加准确的方法。
[期刊] 南京农业大学学报
[作者]
王勇 陶兆胜 石鑫宇 伍毅 吴浩
[目的]在自然环境下进行机械自动化采摘苹果时，对不同成熟度的果实做到精确检测尤为重要。针对因苹果之间遮挡和同级成熟度苹果的纹理特征分布差异所导致的在自然环境下不同成熟度苹果目标检测精度较低的问题，提出了一种不同成熟度苹果检测模型SODSTR-YOLOv5s（YOLOv5s with Small Detection Layer and Omni-Dimensional Dynamic Convolution and Swin Transformer Block）。[方法]首先改进YOLOv5s的多尺度目标检测层，在Prediction中构建检测160×160特征图的检测头，提高小尺寸的不同成熟度苹果的检测精度；其次在Backbone结构中融合Swin Transformer Block，加强同级成熟度的苹果纹理特征融合，弱化纹理特征分布差异带来的消极影响，提高模型泛化能力；然后将Neck结构的Conv模块替换为动态卷积模块ODConv，细化局部特征映射，实现局部苹果细粒度特征的充分提取，最后基于不同成熟度苹果数据集进行试验，验证改进模型的性能。[结果]试验结果显示，改进模型的精确率、召回率、平均精度均值分别为89.1%、95.5%、93.6%，高、中、低成熟度苹果精度均值分别为94.1%、93.1%、93.7%，平均检测时间为16 ms，参数量为7.34 M，相比于YOLOv5s模型，精确率、召回率、平均精度均值分别提高了3.8%、5.0%、2.9%。[结论]虽然改进模型的参数量与平均检测时间分别增加了0.32 M和5 ms，但提升了在自然环境下对不同成熟度苹果的检测能力，较好地满足实际采摘苹果的检测要求，为基于深度学习的不同成熟度苹果检测方面的研究提供思路。
文献操作()
导出元数据
文献计量分析
导出文件格式：WXtxt
删除
