安全技术-网络信息-水稻稻瘟菌蛋白质互作网络的构建与分析.pdf

安全技术-网络信息-水稻抗病相关基因的RNA表型阵列分析及EST网络数据库的构建.pdf

水稻，原产于中国，是最悠久的粮食种类之一，也是世界主要粮食作物之一。 水稻病害是影响水稻产量的最重要因素之一，其分布广危害大，造成了巨大的经 济损失。因此能有效地快速地在自然状态下识别水稻病害显得相当重要，而现在 对其的识别方法基本上停留在人为主观判断，这种方法对有经验的劳动力需求 大、效率低下、不具有实时性。随着社会的发展，计算机的普及与更新，使得人 工智能领域火热发展,其中应用神经网络对图像进行分类检测也取得了很好的效 果。针对以上问题的分析，本文针对水稻稻曲病和水稻的主要6种主要病害提出 了在自然环境下的识别方法。主要做了以下研究: 1.本文针对水稻稻曲病的识别算法进行研究。稻曲病的识别使用了两种方 法，一是用传统图像特征提取方法，如SVM(Support Vector Machine)结合特征提 取方法HOG(Histogram of Oriented Gradient);二是改进卷积神经网络 (Convolutional Neural Networks,CNN)。对于传统的图像方法，首先将原图片用 图像处理方法进行预处理，得到了一种分割水稻稻穗的方法，再使用HOG提取 图片特

基于BP神经网络和概率神经网络的水稻图像氮素营养诊断.pdf

为了提高水稻秧苗质量,设计了一种水浸入式水稻浸种催芽设备.该设计利用水作为导热介质,自动对水稻种子进行升温、降温、控温、保温等工艺控制,保证水稻种子在浸种催芽不同阶段所需的水分、温度,实现水?稻种子在该设备内一次性完成标准化的浸种、破胸、催芽等生产过程.该系统采用以可编程逻辑控制器(PLC) 作为控制器、触摸屏并采用人机界面的控制方式.触摸屏将系统操作状态以及温度当前值显示在界面上,并将各项设定值输入PLC中.系统工作时,PLC分析温度传感器模块返回的数据和电子式液位开关采集回来的信号,并且按照程序实现计

基于遥感信息和作物生长模型同化的水稻估产方法研究.

提出一种简单的水稻叶片三维建模与可视化方法。通过输入一张二维水稻叶片图像， 提取叶片的基本轮廓，创建样条曲线并计算这些样条曲线的交点， 然后将这些样条曲线相互连接构建水稻叶片分支脉络，从而建立叶片三维网格模型。利用纹理映射技术，将真实水稻叶片灰度纹理图像作为模型材质贴图，得到富含材质信息的叶片模型，结合前期建立的水稻叶色R、 G、 B三通道与SPAD的关系模型， 实现了水稻叶色的实时渲染， 得到的结果真实感强。

BUET CSE 472机器学习最终项目 利用卷积神经网络识别和识别水稻病虫害 该项目现在已有3年以上的历史了，尽管我是撰写此项目的人，但我对代码的工作方式一无所知。 我什至不知道它是否有效。 我以为我已经丢失了这个项目，但是几分钟前在我的Google云端硬盘中找到了它。 所以现在我将其上传到Git Hub仅仅是因为我的烦恼无法把它们扔掉，保留了一切性质（也许让我的简历看起来更好吗？）。 这项工作已在一流的期刊上发表（ ）。 我确实设计了实验，编写了此代码库，并报告了结果，但是我对编写手稿或提交稿件一无所知。 有关详细信息，请询问Rafeed或Arko。

摘要：基于植物的诊断是确定氮（N）的最重要方法之一作物的含量。 我们的目标是建立土壤-植物分析之间的关系三个发育阶段的发育（SPAD）值和氮营养指数（NNI） 水稻，并将SPAD计用作诊断工具，以预测氮素对谷物产量的响应受精。 我们确定了两个水稻的四个最上面完全展开的叶子的SPAD值在三个生育阶段以六种氮肥水平的水稻品种，并研究了两者之间的关系SPAD值和NNI。 秀水的临界氮浓度（Nc）为5.31 W–0.5，5.38 W–0.49 在Hang43中，其中W是芽的总生物量。 SPAD值与NNI的相关性随叶的位置，发育阶段和品种的不同而变化。 较低的叶子似乎更多在生物量响应方面比上部叶片对氮水平敏感，可能更适合作为N状态诊断的测试样本，尤其是在引导和航向阶段。 这第四代完全膨大叶片（L4）的籽粒产量对SPAD值的依赖性显着引导阶段（R2 L4 = 2011年，R2为0.82 ** L4 = 2012年为0.72 **）。 L4的SPAD值与N饱和图（RSPAD）（R2 L4 = 0.92 **，2011年，R2 L4 = 2012年为0.77 **）和NNI（R2 = 0.96 **

基于Android 的水稻叶片特征参数测量系统.pdf