基于深度学习的常见作物病虫害识别系统的设计与实现源代码+论文+教程。 本项目是一个非常完整的深度学习实践项目，内附从安装到部署详细教程。 目前，人工智能技术在农业领域的普及应用，还存在着数据共享不足、 算法门槛过高、算力垄断、实验与应用环境差距过大等问题。所以，本文基于 云计算技术与人工智能深度学习的计算机视觉技术，开发了一套开源、跨平 台、易使用的农业害虫识别系统，大幅降低了人工智能技术使用门槛，使农业 从业人员也可享受智能技术红利，促进智慧农业发展。初步研究结果如下： 1. 收集、筛选、预处理并开源共享了大量的农作物害虫图像数据集。首先 选取了 41 类农作物常见害虫作为研究对象；通过网络检索、数据库收录和实地 拍摄等方法，收集了一万余张害虫图像；基于 GBVS 和 GrubCut 自动分割提取 出了数据量 4:1 的训练和测试数据集，用于算法训练和效果测试。 2. 实现了深度学习算法对农业害虫数据的迁移学习，达到了对已收录害虫 93%高精度识别。

净辐射计算方法对参考作物蒸发蒸腾量计算值的影响，张莉 ，彭世彰，净辐射是参考作物蒸发蒸腾量计算所不可缺少的重要参数。由于净辐射计算涉及参数较多，采用不同辐射参数计算方法，会对净辐射计算

为了快速有效地提取作物行, 提出了基于机器视觉的农田作物行检测方法。图像预处理过程中, 用中心线检测算法代替垂直投影法获得作物行信息; 直线检测中提出了一种基于随机方法的新算法。该算法首先在由图像定位点构成的数据空间中随机选取两个不同点, 这两点决定一条直线; 然后在一定的距离容忍度下, 得到一个沿直线方向的条形区域, 并在此区域内搜索定位点的个数; 最后根据阈值规则, 判断该直线的真实性。针对大量不同生长时期、不同光照条件下麦田图像的处理, 结果表明, 一幅图像的处理时间约为120 ms, 能够快速准确地提取作物行。对比该算法与霍夫变换和随机霍夫变换, 证实了它具有节省内存、速度快、抗干扰等优点。

根据一幅杂草和作物混合的图像可以识别出图像中的杂草

基于冠层温度的作物缺水研究进展3 α

人工智能-机器学习-锄草机器人电液伺服控制及作物定位信息优化方法研究.pdf

安全技术-网络信息-作物生育动态的全息协调神经网络研究.pdf

1) 保水曲线或土壤水分特性提供了含水量和水势。 2) 用于测量土壤储水量，简称土壤管理，如种植何种植物哪种类型的土壤取决于植物对水的需求。 3) 可以使用不同的模型来研究特定领域的土壤保水曲线。 这里我们使用著名的 VG (Van Genuchten) 模型。 4) 我们还可以在发生海啸或洪水时使用保水曲线来评估土壤的土壤强度。 弱土强土肯定有不同的VG曲线。

本文围绕面向不均匀样本集的惩罚校正 SVN 分类方法、作物病害图像的病变识别预处理、病变模式识别的数值分析特征提取及 SVN 识别、病变图像模式半监督深度学习特征提取及识别、病变图像模式监督深度学习特征提取和一体化识别 5 个方面的内容展开了深入研究。拓展了机器学习理论及其应用范畴，构造了基于机器学习的作物病变图像识别的数据结构和算法范形。最后，将提出的理论和设计方法应用于工厂化果园生产场景采集的苹果病害图像识别并进行算法级别实验验证，为面向深度学习作物病害图像识别的农业智能系统产品开发设计提供了不菲的参考价值。 主要研究成果和创新点如下： 1. 提出了惩罚校正的支持向量分类算法和校正方法。以 SVN 为基础，探讨惩罚支持向量机处理不平衡样本时，在不同目标尤其是样本稀疏目标的学习错误率上呈现的显著性差异，提出惩罚校正的支持向量分类算法和校正方法。 2. 设计了病害图像识别方位亮度多样性仿真方法。同广泛使用的基准数据集相比，农场果园视频感知设备采集环境复杂，充满着多种干扰，定点、移动方式都难以保证在受限条件和有限次数采样下，采集到代表性图像在各状态下分布均匀的样本集。

基于遥感信息和作物生长模型同化的水稻估产方法研究.