本文選題：農(nóng)業(yè)氣象 + 覆蓋度�。� 參考：《信號(hào)處理》2017年09期

【摘要】：農(nóng)作物的生長(zhǎng)觀測(cè)是農(nóng)業(yè)氣象觀測(cè)的一個(gè)重要部分,作物的覆蓋度反映了環(huán)境對(duì)作物綜合影響的結(jié)果,傳統(tǒng)的先驗(yàn)閾值分割法受作物圖像中存在的田間雜物、下雨或施肥后的土地以及光照陰影影響較大,會(huì)存在誤分割的情況,針對(duì)這些問(wèn)題,本文研究基于深度學(xué)習(xí)的作物與背景的自動(dòng)分割問(wèn)題,提出基于RGB和HSI關(guān)系閾值法優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)(RGB-HSI-CNN)的作物圖像分割提取覆蓋度方法,解決了光照、遮擋、陰影等影響,取得了平均98.3%的模型準(zhǔn)確率和97.53%的像素準(zhǔn)確率,為后續(xù)作物生長(zhǎng)狀況監(jiān)測(cè)以及農(nóng)作物病蟲(chóng)草害的識(shí)別、監(jiān)測(cè)等提供了有力支持。
[Abstract]:Crop growth observation is an important part of agrometeorological observation. Crop coverage reflects the comprehensive effect of environment on crops. The traditional priori threshold segmentation method is affected by the field sundries in crop images. The effect of rain or fertilization on land and light shadow will be great, and there will be false segmentation. In view of these problems, the automatic segmentation of crop and background based on deep learning is studied in this paper. A method of crop image segmentation and coverage extraction based on convolution neural network RGB-HSI-CNN, which is optimized by RGB and HSI relation threshold method, is proposed, which solves the effects of illumination, occlusion and shadow, and achieves an average model accuracy of 98.3% and a pixel accuracy of 97.53%. It can support the monitoring of crop growth status and the identification and monitoring of crop diseases, pests and weeds.
【作者單位】： 北京工業(yè)大學(xué)信息學(xué)部;中國(guó)氣象局氣象探測(cè)中心;
【分類號(hào)】：S126;TP183;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 岑紅蕾;任玲;馬蓉;;神經(jīng)網(wǎng)絡(luò)在棉花質(zhì)量流量預(yù)測(cè)中的建模研究[J];農(nóng)業(yè)網(wǎng)絡(luò)信息;2013年12期

2 時(shí)君偉;胡敏英;武志富;任振輝;;基于神經(jīng)網(wǎng)絡(luò)的視覺(jué)圖像處理研究[J];安徽農(nóng)業(yè)科學(xué);2009年19期

3 蘇超;方崇;黃偉軍;;SOM神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)旱情評(píng)價(jià)中的應(yīng)用[J];人民黃河;2011年07期

4 陳莉;朱衛(wèi)東;;粗集-神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)工程項(xiàng)目評(píng)估中的應(yīng)用[J];農(nóng)業(yè)工程學(xué)報(bào);2006年07期

5 王艷春;張金政;李紹靜;王承明;;基于Matlab的神經(jīng)網(wǎng)絡(luò)仿真試驗(yàn)設(shè)計(jì)[J];安徽農(nóng)業(yè)科學(xué);2012年29期

6 張際先;神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)工程中的應(yīng)用[J];農(nóng)業(yè)工程學(xué)報(bào);1995年01期

7 牛之賢;李武鵬;張文杰;;基于AIGA-BP神經(jīng)網(wǎng)絡(luò)的糧食產(chǎn)量預(yù)測(cè)研究[J];計(jì)算機(jī)工程與應(yīng)用;2012年02期

8 樓文高,劉遂慶;區(qū)域水資源可持續(xù)利用評(píng)價(jià)的神經(jīng)網(wǎng)絡(luò)方法[J];農(nóng)業(yè)系統(tǒng)科學(xué)與綜合研究;2004年02期

9 潘大豐,李群;神經(jīng)網(wǎng)絡(luò)多指標(biāo)綜合評(píng)價(jià)方法研究[J];農(nóng)業(yè)系統(tǒng)科學(xué)與綜合研究;1999年02期

10 吳茜;楊宇虹;徐照麗;晉艷;郭焱;勞彩蓮;;應(yīng)用局部神經(jīng)網(wǎng)絡(luò)和可見(jiàn)/近紅外光譜法估測(cè)土壤有效氮磷鉀[J];光譜學(xué)與光譜分析;2014年08期

相關(guān)博士學(xué)位論文 前1條

1 王吉權(quán);BP神經(jīng)網(wǎng)絡(luò)的理論及其在農(nóng)業(yè)機(jī)械化中的應(yīng)用研究[D];沈陽(yáng)農(nóng)業(yè)大學(xué);2011年

相關(guān)碩士學(xué)位論文 前6條

1 李林蔚;縣域耕地質(zhì)量評(píng)價(jià)、更新及其時(shí)空格局變化分析研究[D];華中農(nóng)業(yè)大學(xué);2015年

2 高銘悅;基于神經(jīng)網(wǎng)絡(luò)的安徽省糧食產(chǎn)量組合預(yù)測(cè)研究[D];安徽農(nóng)業(yè)大學(xué);2016年

3 莊嚴(yán);農(nóng)業(yè)節(jié)水技術(shù)潛力評(píng)價(jià)方法研究[D];中國(guó)農(nóng)業(yè)科學(xué)院;2006年

4 李武鵬;基于AIGA-BP神經(jīng)網(wǎng)絡(luò)的糧食產(chǎn)量預(yù)測(cè)研究[D];太原理工大學(xué);2011年

5 黃飛;基于AMSR-E和BP神經(jīng)網(wǎng)絡(luò)的川中丘陵區(qū)土壤水分反演[D];四川農(nóng)業(yè)大學(xué);2012年

6 陳劍;面向精細(xì)農(nóng)業(yè)的智能公共服務(wù)平臺(tái)關(guān)鍵技術(shù)研究與開(kāi)發(fā)[D];浙江工商大學(xué);2014年

，

本文編號(hào)：1812265