科研产出
基于深度学习和GEE的作物遥感分类
《新疆农业科学 》 2024 北大核心 CSCD
摘要：【目的】利用遥感数据和深度学习方法准确获取农作物的种植结构和分布。【方法】通过实地调查新疆奇台县获取样本集，借助Google Earth Engine云平台获取Sentinel-2号和Sentinel-1号影像，利用Google Colab进行深度学习算法的模型训练和验证，调整和优化深度学习的相关参数来提升分类精度，并且比较了深度学习、随机森林和支持向量机3种分类方法的精度。【结果】深度学习的分类精度最高，总体精度达到94.6%。【结论】利用深度学习算法可实现奇台县农作物种植结构的精准监测。
关键词： 农作物 遥感分类 深度学习 谷歌地球引擎 Google Colab
全文链接
请求原文
基于深度学习的图像分析技术在肉羊体尺与体重评估中的应用
《农村经济与科技 》 2024
摘要：为了克服传统测量方法中耗时、劳动强度大以及对动物产生应激的问题，以肉羊为试验对象，利用深度学习技术，开发了一种远程非接触式的体尺测量与体重预测模型。通过对大量肉羊图像的深度分析，构建了高精度的体尺特征识别模型，并结合统计学方法和动物生理参数，准确估计了肉羊体重。研究详细展示了数据收集、预处理、模型训练、优化及实际应用的全过程，并进行了详实的数据分析，验证了模型的有效性和实用性。结果表明，模型优化后体尺测量误差和体重误差分别降低为1.85%和3.98%，羔羊期精度率为95.6%，育肥后期精确率为97.8%，不同品种之间精确率差异不显著，保持较高的精确率。由此可见，通过深度学习技术，为肉羊养殖业提供了一个自动化、高精度的体尺和体重评估解决方案，不仅提升了管理效率，也促进了动物福利。
关键词： 深度学习 图像分析 肉羊 体尺测量 体重预测 非侵入式评估
全文链接
请求原文
基于ResNet深度残差网络的白喉乌头检测
《草业科学 》 2023 北大核心 CSCD
摘要：在人类活动和气候变化的影响下，毒害草的蔓延威胁着生态安全和畜牧业的健康发展，白喉乌头（Aconitum leucostomum）是新疆伊犁地区危害最为严重的毒害草之一。为了实现天然草原异质背景下快速、精准、自动检测毒害草的目标，以白喉乌头为研究对象，利用无人机航拍正射影像构建白喉乌头数据集。基于Faster-RCNN和SSD算法，采用ResNet50和ResNet101两种深度的主干网络提取特征，对比不同方法的检测精度。结果表明：通过对比测试集的检测精度Faster-RCNN＿ResNet50的mAP （平均精确度）值最高，达到64.74%，而SSD＿ResNet50的mAP最低，仅为48.70%,Faster-RCNN＿ResNet101的mAP值为63.37%，而SSD＿ResNet101的为52.55%。本研究对从航拍正射影像中检测白喉乌头有借鉴意义和参考价值。
关键词： 毒害草 深度学习 卷积神经网络 无人机遥感 目标识别 Faster-RCNN SSD
全文链接
请求原文
基于Mask-RCNN的无人机影像白喉乌头检测
《草食家畜 》 2023
摘要：白喉乌头（Aconitum leucostomum）是伊犁的主要毒害草之一。快速精准识别白喉乌头可为监测其分布和扩散提供必要的数据和技术支持。本研究利用无人机影像获取白喉乌头影像并构建数据集，分别采用深度残差网络ResNet50和ResNet101提取特征，应用深度学习目标检测算法Mask-RCNN对白喉乌头自动识别。结果表明，通过对比测试集的检测精度，ResNet50的平均精确度（mAP）最高，达到66.0%,ResNet101的mAP最低，为65.3%,ResNet50网络在检测白喉乌头的性能表现优异。Mask-RCNN应用于无人机影像识别白喉乌头，实现白喉乌头的自动检测切实可行。
全文链接
请求原文
首页上一页1下一页尾页
