-
公开(公告)号：CN115249240A
公开(公告)日：2022-10-28
申请号：CN202210838266.8
申请日：2022-07-15
申请人： 南京农业大学
摘要： 本发明公开了一种面向单株大豆密集豆荚的自动检测方法，采用一种融合可变形递归特征金字塔网络与边界框优化网络的深度学习目标检测算法实现单株豆荚检测方。首先，针对姿态多变的被遮挡豆荚，采用可变形递归金字塔网络DRFP(Deformable Recursive Feature Pyramid)在骨干网络中使用可变形卷积自适应的捕捉豆荚区域以提取特征，并构造递归金字塔结构进行特征融合；其次采用边界框优化网络，基于可变焦点检测网络(VFNet)框架在位置框回归的网络分支融合斥力损失函数(Repulsion Loss)，改进了检测框位置回归损失函数，缓解豆荚密集区域预测框之间的相互影响。最后，模型测试阶段采用一种新的柔性距离交并比非极大值抑制算法(SDIoU‑NMS)，提高预测框的生成与筛选质量。
-
公开(公告)号：CN109472320A
公开(公告)日：2019-03-15
申请号：CN201811454430.5
申请日：2018-11-30
申请人： 南京农业大学
摘要： 本发明公开了一种不确定条件下作物生育期模型品种参数自动校正框架，针对在不确定条件下，相似性度量算法以及自适应差分进化算法与作物生育期模型耦合过程中一些关键环节。该框架解决选取多年份温光属性特征差异度大的数据集代表当地的气候条件，作为模型品种参数校正的样本数据集，即筛选出能够约束所有参数的关键物候期变量作为适应度函数中目标变量，当变量实测数据缺失时利用栽培知识推算其缺失值；确定具有自适应特征差分的进化算法来校正模型品种参数；最后对“异参同效”的估计参数结果，采用改进K-means聚类算法选择出一组鲁棒性较好的代表性品种参数，使得模拟误差最小并具有较好稳定性，便于用于实际生产实践。
-
公开(公告)号：CN117854590A
公开(公告)日：2024-04-09
申请号：CN202311768727.X
申请日：2023-12-21
申请人： 南京农业大学
IPC分类号： G16B30/00 , G16B20/20 , G16B40/00 , G06F18/2113 , G06F18/2431 , G06F18/213 , G06F18/214 , G06N20/20 , G06N3/0464 , G06N5/01 , G06N3/0442 , G06N3/045 , G06N3/126
摘要： 本发明公开了一种利用SNP标记估算大豆物候期模拟模型基因型特异参数的机器学习方法，通过机器学习构建基于SNP的基因型特异参数估算方法，并将估算的基因型特异参数结合DSSAT‑CROPGRO大豆物候期模拟模型模拟大豆物候期。该方法针对SGWAS对小效应SNP标记检出率低，忽略了众多对GSP变异有影响的标记的问题以及Bi‑LSTM等深度学习方法存在的远距离依赖难以学习的问题，设计了基于集成学习增强特征选择和局部记忆‑全局残差网络的基因型特异参数估算方法，以提高基因型特异参数估算精度，进而提高结合DSSAT‑CROPGRO大豆物候期模拟模型实现物候期预测精度。
-
公开(公告)号：CN105913326A
公开(公告)日：2016-08-31
申请号：CN201610220442.6
申请日：2016-04-06
申请人： 南京农业大学
摘要： 本发明提出一种约束性知识引导精英个体策略遗传算法的作物生育期模型参数优化方法，属于作物模型品种参数优化的最优化方法领域。其步骤：作物生育期模型品种参数优化的数据准备；作物生育期模型品种参数初始范围的等级划分；确定对模型品种参数具有关键约束性的物候期；关键约束性物候期实测数据范围的估算；设置改进型遗传算法控制参数的初始值；生成初始种群；构造适应度函数；构造个体的基因位方向因子；采用轮盘赌方法构造选择算子；构造方向引导交叉算子；构造方向与精英个体引导的变异算子；基于精英个体的局部搜索。本发明克服了效率低、优化结果不符合品种生物学含义等问题，增加了参数优化的准确性和效率，具有科学意义和实用价值。
-
公开(公告)号：CN110569747A
公开(公告)日：2019-12-13
申请号：CN201910771453.7
申请日：2019-08-20
申请人： 南京农业大学
摘要： 本发明公开了一种基于图像金字塔的田间稻穗计数算法HW-Faster-RCNN，实现针对稻穗尺寸相对较小且数量超过50的大田水稻图像的自动计数。首先，分析感受野大小选择合适的特征学习网络，根据稻穗尺寸大小计算合适的输入图像尺寸；其次，基于输入图像尺寸范围切割原始图像，设计并构造图像金字塔增大稻穗的相对尺寸；然后，基于图像金字塔构建混合视窗数据集并使用HW-Faster-RCNN网络训练稻穗计数模型；最后，分割待测试图像后使用稻穗计数模型对其子图分别计数，设计破损穗融合算法去除重复计数。结果表明根据穗尺寸选择特征学习网络和设计图像金字塔显著提高了小尺寸稻穗的计数准确率，HW-Faster-RCNN的平均计数准确率和错检率分别为87.23％和4.60％，能够实际应用于大田复杂场景下的水稻稻穗自动计数。
-
公开(公告)号：CN110503287A
公开(公告)日：2019-11-26
申请号：CN201810498045.4
申请日：2018-05-18
申请人： 南京农业大学
摘要： 本发明提供一种多变量水稻气象序列在关键物候期进行相似性分析的方法，属于农业气象数据挖掘领域。针对气象序列中的温度极大极小异常值、突变降雨量等造成的序列波峰波谷错误匹配问题以及物候期长短不一致导致的线性漂移问题，引入了动态时间弯曲算法，增加形态与混合梯度的设计，从而提升了度量的准确性和简便性，同时强调了气象数据变化趋势以及异常值对作物影响。具体步骤为：根据水稻物候期数据切分气象序列；气象序列一阶导数二阶导数计算；基于形态常量因子与动态形态惩罚函数的原始序列以及各级梯度序列的距离打分；加权混合原始序列与各级梯度的距离；加权各气象变量序列距离组成多元气象序列之间距离；根据距离度量打分进行排序。
-
-
公开(公告)号：CN104765901A
公开(公告)日：2015-07-08
申请号：CN201410214720.8
申请日：2014-05-21
申请人： 南京农业大学
IPC分类号： G06F17/50
摘要： 基于Ecore的作物生长元模型构建方法，包括首先运用面向对象的方法对水稻、小麦等大田作物的生长模型进行分析提炼，抽象出作物生长过程中的共性特征，构建作物生长模拟共性概念模型。然后在作物生长模拟共性概念模型的基础之上，通过元建模语言构建了基于ECore的作物生长元模型抽象语法；最后通过GMF技术完成了基于Ecore作物生长元模型图形语法构建，从而实现基于Ecore的作物生长元模型可视化，通过小麦生长元模型、棉花作物生长元模型的构建实验表明本发明的基于Ecore的作物生长元模型构建方法是可行的。本发明构建了作物生长模拟领域通用概念模型，实现了元建模技术在作物生长模拟领域的应用中对于作物生长模型的概念的识别，有利于对农学复杂专业知识的理解。完成了基于Ecore的作物生长元模型抽象语法构建，实现了在作物生长模型领域应用中通过符合元建模规范来描述作物生长模型结构的元模型，有利于对已有建模知识的复用。完成了基于GMF的作物生长元模型图形语法的构建，实现了基于元建模的作物生长元模型构建的可视化，更加贴近农学家建模环境。
-
公开(公告)号：CN113012150A
公开(公告)日：2021-06-22
申请号：CN202110403172.3
申请日：2021-04-14
申请人： 南京农业大学
摘要： 本发明公布了一种在高密度田间水稻场景下，面向无人机RGB图像的水稻稻穗计数方法RFCNN。首先，水稻灌浆期稻穗与叶片颜色差异明显、稻穗受遮挡影响较小，因此使用无人机于5m高空自动巡航获取灌浆期水稻图像，确定输入图像的尺寸并切割图像，对切割后的图像，使用点标注方式标注图像中的稻穗，构建无人机稻穗计数数据集；接着针对标注的稻穗坐标使用协方差形式的高斯核函数，生成适用稻穗目标的真实密度图作为计数网络的回归目标；其次，统计稻穗尺寸，分析感受野，设计特征学习网络，使用多尺度卷积生成包含多个尺度信息的特征层，通过特征金字塔融合不同层的特征图，再通道注意力融合不同网络分支的特征层，生成高质量特征图；最后通过1x1的卷积核，将最终输出的特征图降维成单通道的预测密度图。使用RFCNN网络针对无人机水稻图像数据集训练模型，使用稻穗计数模型，对测试图片生成预测密度图，逐像素统计预测密度图的值，求和得到最终计数结果。
-
公开(公告)号：CN109472320B
公开(公告)日：2021-09-07
申请号：CN201811454430.5
申请日：2018-11-30
申请人： 南京农业大学
摘要： 本发明公开了一种不确定条件下作物生育期模型品种参数自动校正方法，针对在不确定条件下，相似性度量算法以及自适应差分进化算法与作物生育期模型耦合过程中一些关键环节。该方法解决选取多年份温光属性特征差异度大的数据集代表当地的气候条件，作为模型品种参数校正的样本数据集，即筛选出能够约束所有参数的关键物候期变量作为适应度函数中目标变量，当变量实测数据缺失时利用栽培知识推算其缺失值；确定具有自适应特征差分的进化算法来校正模型品种参数；最后对“异参同效”的估计参数结果，采用改进K‑means聚类算法选择出一组鲁棒性较好的代表性品种参数，使得模拟误差最小并具有较好稳定性，便于用于实际生产实践。
-
-
-
-
-
-
-
-
-
搜索结果
13 条记录 (耗时 0.021 秒)