您好,欢迎访问江西省农业科学院 机构知识库!
筛选
科研产出
排序方式:

时间

  • 时间
  • 相关度
  • 被引量
资源类型: 中文期刊
作者:吴昌华(精确检索)
作者:严志雁(精确检索)
作者:陈桂鹏(精确检索)
作者:丁建(精确检索)
2条记录
江西智慧农业发展的困境与对策研究

农业经济 2022 北大核心

摘要:智慧农业是农业农村现代化的重要载体之一,正成为全球农业发展的大势所趋。通过深入调查研究,江西省智慧农业发展已经具备良好的平台基础,也面临五个困境:认识存在误区、人才紧缺、基础设施滞后、技术支撑短板和农业大数据缺乏。在此基础上提出对策措施:一是强化智慧农业政策支撑,重点是制定智慧农业发展战略、加大财政专项支持、加强人才队伍建设;二是夯实智慧农业基础平台,重点是完善农村信息服务网络、健全完善江西省农业大数据、积极推广应用国家农产品质量安全追溯管理信息平台;三是构建智慧农业三产融合体系,重点是推进农业生产的智能化、农产品加工智能化、农村电子商务、农产品物流模式升级;四是推进智慧农业政产学研用一体化,坚持自主研发与引进吸收并重,突破智慧农业领域的技术瓶颈。

关键词: 智慧农业 困境 对策 江西

 全文链接 请求原文
基于卷积神经网络的水稻虫害识别方法

中国农业科技导报 2021 北大核心 CSCD

摘要:为解决人工识别水稻虫害难度大、费时费力的问题,研究了一种自动识别水稻虫害的方法。选取2 500张红袖蜡蝉、稻绿蝽、稻螟蛉、点蜂缘蝽、大螟图片建立数据库,利用深度卷积神经网络提取水稻虫害数据集特征,采用随机梯度下降法训练,得到最优权重文件。测试训练好的模型,并对比Faster-RCNN、SSD和YOLOv3算法的效果。结果表明,YOLOv3算法的平均精度最高,其在红袖蜡蝉、稻绿蝽、稻螟蛉、点蜂缘蝽、大螟5种水稻虫害中分别为97.40%、88.76%、85.74%、92.96%、94.78%,五类水稻虫害mAP为91.93%。与Faster-RCNN算法相比,平均准确率高1.43个百分点,单张图像检测耗时减少853.68 ms;与SSD算法相比,平均准确率高5.56个百分点,单张图像检测耗时减少2.9 ms。选择5类比较具有代表性的水稻虫害图片进行测试,对于叶片遮挡目标和相似背景等情况,YOLOv3算法能够正确识别不会出现漏检错检,且识别准确率大于98%。将YOLOv3算法引入田间复杂情况下的水稻虫害识别是可行的,具有较高的平均准确率以及较快的检测速度,能够准确识别水稻虫害,这对于水稻虫害防治和田间喷药等方面具有重要意义。

关键词: 卷积神经网络 水稻虫害 Faster-RCNN SSD YOLOv3

 全文链接 请求原文

首页上一页1下一页尾页