- 年份
- 2024(1813)
- 2023(2612)
- 2022(2308)
- 2021(2304)
- 2020(2014)
- 2019(4725)
- 2018(4816)
- 2017(9406)
- 2016(4890)
- 2015(5359)
- 2014(5146)
- 2013(5023)
- 2012(4295)
- 2011(3630)
- 2010(3224)
- 2009(2656)
- 2008(2233)
- 2007(1523)
- 2006(1004)
- 2005(675)
- 学科
- 济(19521)
- 经济(19506)
- 管理(14241)
- 业(13835)
- 方法(12498)
- 企(11905)
- 企业(11905)
- 数学(11572)
- 数学方法(11429)
- 财(5001)
- 农(4030)
- 中国(3710)
- 务(3650)
- 财务(3629)
- 财务管理(3625)
- 企业财务(3489)
- 业经(3454)
- 技术(3285)
- 贸(3279)
- 贸易(3278)
- 易(3220)
- 和(3071)
- 地方(3068)
- 环境(2827)
- 农业(2678)
- 划(2558)
- 理论(2455)
- 学(2442)
- 制(2288)
- 技术管理(2099)
- 机构
- 大学(60145)
- 学院(59355)
- 管理(28910)
- 理学(26001)
- 济(25951)
- 理学院(25810)
- 经济(25593)
- 管理学(25517)
- 管理学院(25400)
- 研究(15090)
- 中国(11284)
- 京(11231)
- 财(10641)
- 财经(9276)
- 经(8584)
- 科学(8535)
- 业大(8490)
- 中心(8116)
- 经济学(7901)
- 经济管理(7636)
- 商学(7589)
- 商学院(7512)
- 经济学院(7242)
- 财经大学(7167)
- 江(7014)
- 农(6442)
- 北京(6394)
- 范(6351)
- 师范(6299)
- 所(5875)
- 基金
- 项目(47715)
- 科学(39227)
- 基金(36913)
- 研究(35350)
- 家(31416)
- 国家(31172)
- 科学基金(28359)
- 社会(23574)
- 社会科(22507)
- 社会科学(22501)
- 基金项目(20441)
- 自然(18864)
- 自然科(18465)
- 自然科学(18464)
- 省(18208)
- 自然科学基金(18130)
- 教育(16152)
- 划(15361)
- 资助(14416)
- 编号(13690)
- 部(11126)
- 创(10784)
- 重点(10398)
- 人文(10076)
- 创新(10032)
- 教育部(9978)
- 国家社会(9951)
- 成果(9885)
- 发(9883)
- 科研(9729)
共检索到72463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]
张续博 张家瑜 贲宗友 王逸凡 曾雨可 陈坤杰
[目的] 为准确识别糙米内部裂纹，提出了一种基于改进YOLO v5l的糙米裂纹识别算法——YOLO v5-RF。[方法] 使用深度卷积代替CBS（Convolution+Batch normalization+Sigmoid linear unit）模块中的普通卷积构建出DWBS（Depthwise convolution+Batch normalization+Sigmoid linear unit）模块，然后将DWBS模块堆叠成辅助骨干网络，再与原始的Darknet-53主干网络相结合形成基于DWBS模块的同级复合骨干网络，以提高糙米内部裂纹特征提取能力；在颈部网络使用逆向连接层来增强解码端特征的丰富性，用于提高解码端对糙米内部裂纹的识别能力；利用CBAM（Convolutional block attention module）注意力模块调整SPPF（Spatial pyramid pooling-fast）模块的通道注意力表达，通过构建一种SPPF模块与CBAM模块结合的网络结构来提高编码阶段的语义信息表达质量。[结果] 试验结果显示，所提出的YOLO v5-RF算法的平均精度（Average precision）、召回率（Recall）和精确率（Precision）分别达到了94.01%、86.92%、90.85%，相比YOLO v5l算法，分别提升了4.72%、6.23%、1.23%。[结论] 所提方法能够准确进行糙米内部裂纹的识别，可为稻谷爆腰率检测提供技术参考。
[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] 南京农业大学学报
[作者]
朱琦 周德强 盛卫锋 左文娟 朱家豪
[目的]针对苹果无损检测过程中表面缺陷检测精度低的问题，提出一种基于DSCS-YOLO的苹果表面缺陷检测方法。[方法]首先为提高网络对表面缺陷细节特征的提取能力，设计了一种基于Dense模块以及SE模块的深浅特征选择模块DSCS(Deep and shallow feature selection module)，采用DSCS替换Backbone中的C3模块，在保留表面缺陷浅层信息的基础上强化对重要特征的学习，并起到削弱冗余特征的作用；针对由于Backbone与Neck部分输出信息过多导致的参数耦合问题，利用解耦头原理对Head层部分进行分层预测。同时采用ELU激活函数改进原有解耦头，简化了末端结构，使网络训练更加容易；最后针对表面缺陷标注困难的问题，采用Wise-IoU损失函数代替CIoU损失函数，为不同质量的标注提供非线性增益，实现网络的动态聚焦学习。[结果]试验结果表明，DSCS-YOLO对苹果表面缺陷检测的平均精度均值达到90.9%，相较于YOLOv3-tiny、YOLOv5s、YOLOX-s以及SSD分别提高了4.5%、1.9%、6.3%、16.3%。[结论]改进后的DSCS-YOLO提高了YOLOv5s算法的精度，实现了苹果表面缺陷的精准识别。
[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] 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] 南京农业大学学报
[作者]
刘璎瑛 曹晅 郭彬彬 陈慧杰 戴子淳 龚长万
[目的]肉鹅姿态是预警肉鹅异常行为、评判肉鹅健康状态的重要指标，针对传统养殖场人工观察肉鹅姿态耗时费力且有很大主观性等问题，提出了一种基于深度学习模型自动识别肉鹅姿态的检测算法。[方法]利用YOLO v5模型对扬州鹅4种姿态进行识别（站立、休憩、饮水和梳羽）；对YOLO v5模型加入SENet、CBAM、ECA三种注意力模块改进网络结构，提高模型的识别能力；设计明暗试验和密集场景实验进一步验证模型在复杂场景下的鲁棒性。[结果]YOLO v5+ECA模型的平均检测精度（mAP）为88.93%，相比YOLO v5提升了2.27%。在识别精度（AP）上，站立姿态为91.85%，休憩姿态为93.42%，饮水姿态为90.02%，梳羽姿态为80.42%。在明暗试验和密集场景实验中，YOLO v5+ECA模型性能表现稳定，漏检现象和误检现象相对较少。[结论]该模型可以实现养殖场复杂场景下肉鹅姿态准确快速的检测，为后续的肉鹅行为监控和健康防疫做数据支撑。
[期刊] 湖南农业大学学报(自然科学版)
[作者]
张新伟 易克传 孙业荣 高连兴
针对玉米种子机械裂纹检测准确率低的问题，提出一种基于双通道脉冲耦合神经网络(PCNN)模型的数字图像融合方法：1)运用离散小波变换(DWT)、非下采样轮廓波变换(NSCT)分别对预处理后的玉米种子机械裂纹图像进行分解，得到各自的高低频子带；2)对高低频子带系数分别采用不同链接强度的改进空间频率激励的双通道PCNN模型进行融合操作，得到融合后的高低频子带系数；3)通过NSCT反变换得到最终的玉米种子机械裂纹图像。试验结果表明：采用双通道PCNN模型检测玉米种子机械裂纹的准确率为97.2%；图像熵、相关熵、相关系数、均方根误差分别为0.351 1、1.731 4、0.983 5和0.526 3，整体优于LoG、DWT、NSCT和PCNN方法；双通道PCNN方法的单张图像的执行时间为14.900 7 s，运行时间最长，但效果最优。
[期刊] 湖南农业大学学报(自然科学版)
[作者]
张新伟 易克传 孙业荣 高连兴
针对玉米种子机械裂纹检测准确率低的问题，提出一种基于双通道脉冲耦合神经网络(PCNN)模型的数字图像融合方法：1)运用离散小波变换(DWT)、非下采样轮廓波变换(NSCT)分别对预处理后的玉米种子机械裂纹图像进行分解，得到各自的高低频子带；2)对高低频子带系数分别采用不同链接强度的改进空间频率激励的双通道PCNN模型进行融合操作，得到融合后的高低频子带系数；3)通过NSCT反变换得到最终的玉米种子机械裂纹图像。试验结果表明：采用双通道PCNN模型检测玉米种子机械裂纹的准确率为97.2%；图像熵、相关熵、相关系数、均方根误差分别为0.351 1、1.731 4、0.983 5和0.526 3，整体优于LoG、DWT、NSCT和PCNN方法；双通道PCNN方法的单张图像的执行时间为14.900 7 s，运行时间最长，但效果最优。
[期刊] 华中农业大学学报
[作者]
熊利荣 谢灿 祝志慧
以无裂纹蛋和裂纹蛋为测试对象，采用机器视觉技术和支持向量机等技术手段，分析无裂纹蛋和裂纹蛋在图像上的差异，提取特征参数，实现蛋壳裂纹的自动识别；针对蛋壳表面的亮斑，对预处理后的图像运行消除亮斑算法并进行区域标记。在此基础上，从５个不同视角提取１３个能够表征无裂纹蛋和裂纹蛋的特征参数，分别是图像标记区域参数（区域标记数和标记点数）、几何特征参数（长轴和短轴）、基于Ｆｒｅｅｍａｎ链码的形状参数（形状数）、纹理特征参数（均值、标准偏差、平滑度、三阶矩、一致性、熵）和频谱特性参数（最大幅值和最大相位）。采用ａｄａｂｏｏｓｔｉｎｇ算子对上述特征参数进行优化，突出影响因子较大的参数组合，作为ｓＶｍ的输入向．．．
关键词：
蛋壳 裂纹 机器视觉 支持向量机
[期刊] 华中农业大学学报
[作者]
熊利荣 谢灿 祝志慧
以无裂纹蛋和裂纹蛋为测试对象，采用机器视觉技术和支持向量机等技术手段，分析无裂纹蛋和裂纹蛋在图像上的差异，提取特征参数，实现蛋壳裂纹的自动识别; 针对蛋壳表面的亮斑，对预处理后的图像运行消除亮斑算法并进行区域标记。在此基础上，从5个不同视角提取13个能够表征无裂纹蛋和裂纹蛋的特征参数，分别是图像标记区域参数（区域标记数和标记点数）、几何特征参数（长轴和短轴）、基于Freeman链码的形状参数（形状数）、纹理特征参数（均值、标准偏差、平滑度、三阶矩、一致性、熵）和频谱特性参数（最大幅值和最大相位）。采用Adaboosting算子对上述特征参数进行优化，突出影响因子较大的参数组合，作为SVM的输入...
关键词：
蛋壳 裂纹 机器视觉 支持向量机
[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]
姚敏 李毅念 杜世伟 翟雪 丁启朔 何瑞银
[目的]由于不育系的一种遗传特征,杂交水稻种子存在较严重的裂颖现象,本文旨在研究一种杂交水稻裂颖种子有效识别方法,以达到减少、防止裂颖,提高种子储藏质量和秧苗素质及大田生产产量。[方法]利用压电式加速度传感器,获取杂交水稻种子下落撞击以65Mn钢为薄板材料的金属板悬臂梁产生的振动信号,并对撞击信号进行分析,实现水稻种子正常籽粒与裂颖籽粒的识别。通过正交试验分析钢板厚度、长度和种子下落高度对水稻裂颖籽粒识别率的影响。[结果]撞击振动信号的时域特征参数:电压最大值、极差、能量、均方根、峰度等可以作为区分水稻正常种子与裂颖种子的特征值,其中以能量作为区分标准效果最好,正常籽粒撞击钢板产生的能量普遍大于裂颖籽粒。钢板厚度为0.25 mm、板长为200mm,种子下落高度为250 mm时,检测综合识别率最大,其中,‘珍稻’综合识别率为85.10%;‘川优6203’的综合识别率为85.50%;‘荃优123’的综合识别率为84.40%;‘中1优188’的综合识别率为83.40%。[结论]通过分析杂交水稻种子下落撞击金属板的振动信号来识别水稻种子裂颖籽粒的方法可行。
关键词：
杂交水稻种子 裂颖 撞击 振动 识别
[期刊] 林业科学
[作者]
林兰英 何盛 傅峰 周永东
采用高强度微波处理方法用于木材的功能化改性研究过程中,为了对微波处理效果进行评价,需要了解处理材表面的裂纹特征信息。利用Matlab软件中的图像处理模块,通过编程对微波处理木材表面裂纹的彩色扫描图像进行图像类型转换、图像增强、图像分割及图像形态学处理,提取图像中存在的裂纹,并最终对裂纹数量、长度、面积等信息进行统计,可以实现对微波处理木材表面裂纹状态的科学评价。
关键词：
Matlab 木材裂纹 图像处理 评价
[期刊] 沈阳农业大学学报
[作者]
马瑞峻 何浣冬 陈瑜 赖宇豪 焦锐 唐昊
为实现自然环境下不同成熟度火龙果在不同光照、不同遮挡场景下的精确快速识别，提出了一种基于对YOLOv5的网络模型改进的一种检测模型（PITAYA-YOLOv5）。首先，使用k-means++算法重新生成火龙果数据集的锚框，提高了网络的特征提取能力；其次，将CSPDarkNet替换成PPLCNet作为骨干网络，并加入SE注意力模块（Squeeze-and-Excitation block），在降低网络参数量的同时保持检测精度；同时加入加权双向特征金字塔网络（Bi-FPN）替换YOLOv5的特征融合网络，提高网络对不同尺度特征图的融合效率；引入αDIoU损失函数，提高了模型的收敛效果。试验结果表明：PITAYA-YOLOv5目标检测模型的平均精度均值为94.90%，较原模型提高1.33个百分点，F1值为91.37%，较原模型提高1.12个百分点，平均检测速度达到20.2 ms，占用内存仅有8.1 M。针对枝条遮挡和果间遮挡下的火龙果检测能力明显增强。对比Faster R-CNN、CenterNet、YOLOv3、YOLOv5以及轻量化骨干网络ShuffleNetv2，该模型具有良好的检测精度和实时性。该模型能够有效地在自然环境下识别并检测火龙果的成熟度，为果园智能管理与早期产量预估等提供了参考。
文献操作()
导出元数据
文献计量分析
导出文件格式：WXtxt
删除
