分类： 统计学 >> 社会统计学 提交时间： 2023-12-04 合作期刊: 《智慧农业（中英文）》
摘要： ［目的/意义］不同类型的小麦倒伏（根部倒伏、茎部倒伏）对产量和质量会产生不同影响。本研究旨在 通过无人机图像对小麦倒伏类型进行分类，并探究无人机飞行高度对分类性能的影响。［方法］研究设置3个无人 机飞行高度（15、45、91 m） 来获取小麦试验田的图像，并利用自动分割算法生成不同高度的数据集，提出一种 EfficientNetV2-C改进模型对其进行分类识别。模型通过引入CA（Coordinate Attention） 注意力机制来提升网络特 征提取能力，并结合CB-Focal Loss （ClassBalanced Focal Loss） 来解决数据不均衡对模型分类准确度的影响。 ［结果和讨论］改进的EfficientNetV2-C表现最佳，平均准确率达到93.58%。对比未改进的4种机器学习分类模型 （支持向量机（Support Vector Machine，SVM）、K 最近邻（K Nearest Neighbor，KNN）、决策树（Decision Tree， DT） 和朴素贝叶斯（Naive Bayes，NB）） 与两种深度学习分类模型（ResNet101和EfficientNetV2），其中Efficient⁃ NetV2在各个高度下表现最优，平均准确率达到82.67%。无人机飞行高度对4种机器学习分类器性能无显著影响， 但随飞行高度上升，由于图像特征信息损失，深度学习模型的分类性能下降。［结论］改进的EfficientNetV2-C在 小麦倒伏类型检测方面取得了较高的准确率，为小麦倒伏预警和农作物管理提供了新的解决方案。
分类： 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间： 2023-02-17 合作期刊: 《智慧农业（中英文）》
摘要： 为快速准确获取玉米收获过程中遗失籽粒数信息，进行收割损失调节等管理，对比评估了单阶段 和两阶段主流目标检测网络对田间玉米籽粒计数的性能。首先，利用RGB相机获取包含不同背景和不同光 照的图像数据， 并进一步生成数据集; 其次， 构建籽粒识别的不同目标检测网络， 包括Mask RCNN 、EfficientDet-D5、YOLOv5-L、YOLOX-L，并利用所采集的420幅有效图像对构建的四种网络进行训练、 验证、测试，图像数分别为200、40和180幅; 最后，依据测试集图像的识别结果进行籽粒计数性能评价。 试验结果表明，YOLOv5-L网络对测试集图像检测的平均精度为78.3%，模型尺寸仅为89.3 MB; 籽粒计数的 检测正确率、漏检率和F1 值分别为90.7%、9.3%和91.1%，处理速度为55.55 f/s，识别与计数性能均优于 Mask R-CNN、EfficientDet-D5和YOLOX-L网络，并对具有不同地表遮挡程度和籽粒聚集状态的图像具有较 强的鲁棒性。深度学习目标检测网络YOLOv5-L可实现实际作业中玉米收获损失籽粒的实时监测，精度高、 适用性强。
点击量
点击量
下载量
评论
