- 综合排序
- 最热优先
- 最新优先
- 来自专栏计算机视觉战队
作者亲自修改论文 | 水稻检测
一、简要 在本研究中，研究者提出了一种有效的深度卷积神经网络(DCNN)结构，利用手持照相机拍摄的照片来检测水稻的生长阶段(DVS)。 Forest Meteorology, 259, 21360–270. https://doi.org/10.1016/j.agrformet.2018.05.001）使用支持向量机和DCNN来区分水稻穗的图块 当在播种方向拍摄图像时，两排水稻之间的土壤会被很好地捕捉到，而在其他方向，图像捕捉到的土壤会较少。 根据DVS将610项观察结果分为10组，每组进一步分为训练（60%）、验证（20%）和测试（20%）组。
56020发布于 2021-05-31 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
全球历史水稻产量数据集
全球历史水稻产量自20世纪初以来迅速增长，据联合国粮农组织（FAO）的数据，2019年全球水稻产量为496亿公斤。以下是一些主要水稻产区和其产量：前言 – 人工智能教程 1. 中国：中国是全球最大的水稻生产国，占全球总产量的30%左右，2019年产量为148亿公斤。 2. 印度：印度是世界第二大水稻生产国，占全球总产量的20%左右，2019年产量为117亿公斤。 3. 印度尼西亚：印度尼西亚是全球第三大水稻生产国，占全球总产量的8%左右，2019年产量为40亿公斤。 4. 孟加拉国：孟加拉国是全球第四大水稻生产国，占全球总产量的5%左右，2019年产量为26亿公斤。 5. 越南：越南是全球第五大水稻生产国，占全球总产量的4%左右，2019年产量为21亿公斤。 此外，一些其他的主要水稻生产国包括泰国、巴西、菲律宾、缅甸和日本等。全球水稻主要分布在东南亚、南亚和东亚等地区。
57410编辑于 2024-02-02 - 来自专栏CSDN社区搬运
初入图像处理：水稻剑叶夹角测量
原文地址 三、论文背景 背景及意义介绍 背景 水稻是世界主要粮食作物之一，为世界一半以上人口提供粮食。近代高产育种实践证明改良株型是提高品种产量的关键，水稻剑叶角度是构成水稻株型的主要因素之一。 意义 水稻理想株型的选育主要集中于减小剑叶夹角，高产水稻的剑叶角度应该在13∘～17∘13∘～17∘，另两片功能叶也均保持小角度，使植株呈塔形，有利于提高光合作用效率，实现水稻高产。 因此，实现水稻剑叶夹角快速、准确地在体测量，对水稻高产育种具有重要意义。 四、论文思路 利用图像处理技术实现水稻剑叶夹角的实时、准确测量。 %骨架提取 skeleton_image = bwmorph(opened_image,'skel', Inf); se = strel('line', 10 , 1); % length是结构元素的长度 % Hough直线检测 [H,theta,rho] = hough(dilated_image); peaks = houghpeaks(H, 10); % 检测10个峰值，可根据实际情况调整 lines
52610编辑于 2024-12-27 - 来自专栏Sentieon
Sentieon | 水稻全基因组（WGS）分析流程
今天给大家介绍的是基于 Sentieon 软件开发的用于水稻全基因组测序数据的自动化流程脚本。 测试水稻样本测序深度36.98X，从FASTQ到VCF全流程分析最快用时8分钟，大幅缩短了水稻全基因组WGS分析时间，有效加快水稻的分子育种进程。 FASTQ_2=$4export FASTA=$5BSUFFIX=$6TYPE=${7:-"raw"}KEEP_CLEAN=${8:-keep}KEEP_BAM=${9:-keep}PLOIDY=${10 10. 脚本应用示例使用上述脚本对水稻全基因组测序数据分析的测序结果，具体样本信息如下表所示：类别详情物种IDOryza_sativa物种名和倍性水稻(二倍体)参考基因组GCF_034140825.1_ASM3414082v1
39610编辑于 2025-10-29 - 来自专栏成套网站
基于深度学习的水稻病虫害检测系统
然而，水稻生长过程中面临诸多病虫害威胁，如稻瘟病、纹枯病、稻飞虱、稻纵卷叶螟等，这些病虫害严重影响水稻产量与品质。 据统计，全球每年因病虫害导致的水稻减产可达20%—40%，这一损失量相当于数亿人口一年的口粮。在中国，水稻种植广泛，病虫害发生形势严峻，每年因病虫害造成的粮食损失约占粮食总产量的10%—15%。 传统水稻病虫害识别方法依赖人工经验，农业工作者或农民通过肉眼观察水稻植株症状来判断病虫害类型与严重程度。 因此，开展基于深度学习的水稻病虫害检测系统研究具有重要意义。2、研究意义保障粮食安全，稳定农业生产水稻作为全球重要的粮食作物，其产量与质量关乎粮食安全大局。 水稻病虫害的爆发往往导致大规模减产，严重威胁粮食供应稳定。基于深度学习的水稻病虫害检测系统，能够快速、精准地识别病虫害类型与严重程度。
25110编辑于 2025-12-31 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
PIE-Engine 教程:水稻面积提取1(宿迁市)
我们这次用国家的边界通过name进行筛选到宿迁市进行分析，本次计算的水稻面积用到的指数是NDVI，LSWI，EVI三种指数进行分析，用到的影像是Landsat 8数据，DEM数据（计算坡度、坡向）还有指定 Image - dropNulls(Boolean) 是否允许返回空值 返回值：ImageCollection 代码： /** * @Name : 基于 PIE Engine Studio 的水稻自动提取 * @Author : 武汉大学VHR队 * @Desc : 淮安市水稻提取 -- 合成监督分类影像 * @Source : 航天宏图第四届 “航天宏图杯”PIE软件二次开发大赛云开发组三等奖获奖作品
44910编辑于 2024-02-02 - 来自专栏用户2836191的专栏
基于GEE和S1自动提取水稻种植区
这项研究提出了一种经济有效的方法，可用于近实时地绘制和监测大面积水稻的生长程度和种植方式。这种新颖的方法可以生成水稻种植区的高分辨率月度地图（10 m分辨率）以及水稻生长阶段。 该方法将时态Sentinel-1数据和水稻物候参数与基于Google Earth Engine（GEE）云的平台集成在一起。 它使用2016年9月至2018年10月处于VH极化状态的Sentinel-1每月中位时间序列。 使用K均值聚类，层次聚类分析（HCA）和VH极化时间序列剖面的可视化解释来生成水稻范围，种植模式和生育期的时空分布。 该方法还可以预测长达两个月的水稻播种期。 VH极化数据可以确定水稻的四个生长阶段：T＆P：耕作和播种（30天）； V：植物人1和2（60天）； R：生殖（30天）； M：到期日（30天）。
2.5K11发布于 2020-10-11 - 来自专栏气象学家
利用机器学习和深度学习方法整合多源数据进行中国水稻产量预测
我们旨在回答以下三个问题:(i)在不同水稻系统中，水稻产量预测应该选择哪些输入变量?(ii)在预测水稻产量方面，ML和DL方法与传统线性回归方法相比如何? 根据水稻种植制度，中国大陆的水稻种植可划分为四个区域:ⅰ区:东北单稻区;云贵高原单株水稻II区;第三区:长江流域稻谷;第四区:华南地区双季稻。 图1所示。 的10倍交叉验证优化每个模型的关键参数，仅针对训练数据集;(3)进行2011-2015年的“休假一年”实验，利用R2和RMSE对模型的性能和泛化进行评价;(4)比较EVI、SIF和ESI在产量预测中的表现 县级的ML和DL模型赛季末预测技能】 图9 2015年RF和LSTM估算产量与县域规模人口普查产量的散点图 图10 2015年RF (b和e)和LSTM (c和f)估算产量的空间格局，以及2015 本文提出的方法可以通过结合作物模型、更详细的耕作管理数据以及输入变量(如Sentinel 2的日天气和10 m分辨率数据)的更高时空分辨率来进一步改进。
3.7K30编辑于 2022-01-18 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
PIE-Engine 教程:水稻面积提取5—精度评定(宿迁市)
kappa系数 方法参数： - ConfusionMatrix(Object) 混合矩阵对象 返回值：Number 代码： /** * @Name : 基于 PIE Engine Studio 的水稻自动提取 * @Author : 武汉大学VHR队 * @Desc : 淮安市水稻提取 - 精度评价 * @Source : 航天宏图第四届 “航天宏图杯”PIE软件二次开发大赛云开发组三等奖获奖作品 vali_water'); var rice = pie.FeatureCollection('user/pieadmin/saas/06/vali_rice'); //给验证样本添加属性type，1为水稻
30910编辑于 2024-02-02 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
PIE-Engine 教程:水稻面积提取4—阈值筛选(宿迁市)
这里水稻面积提取用阈值法进行，这里我们需要用到的是将随机森林和svm支持向量机的监督分类分析的结果用mask去除和提取，这里我们所需要用到几个函数 where(condition,value) 执行值的有条件替换 返回值：Image 水体指数 LSWI=（NIR-SWIR）/（NIR+SWIR式）中，NIR和SWIR分别表示MODIS近红外和短波红外波段处的地表反射率； 2）、提取水稻像元：利用水指数LSWI与植被指数 EVI的关系，提取水稻像元，其过程为：在灌水移栽期LSWI >0.12，EVI <0.26，（LSWI+0.05）>EVI，且其后第6到11个8天合成的图像的平均EVI>0.35； 代码： /** * @Name : 基于 PIE Engine Studio 的水稻自动提取 * @Author : 武汉大学VHR队 * @Desc : 淮安市水稻提取 - 阈值筛选 * visParam = { opacity: 1, min: 0, max: 1, palette: '00FFFF, 0000FF' }; //设置mask，提取监督分类结果中水稻像素
37810编辑于 2024-02-02 无人机图像+深度学习：湖南农大团队实现稻瘟病分级检测84%准确率
然而，水稻种植过程中常常受到各种病虫害的威胁，稻瘟病被誉为水稻的“重大威胁”,导致水稻产量显著减少，极端情况下甚至引发绝收，是水稻种植业面临的最严峻病害之一。 全球范围内，稻瘟病每年导致的产量损失极为显著,损失量约占水稻总产量的10%。在中国，各个稻区均容易遭受稻瘟病的侵袭，其中约300万t的稻谷因此受损。 在采集RGB图像时，特别关注天气和光照条件，选择晴朗少云的天气以及太阳高度角较高的时间段（即 10:00—14:00）为最佳拍摄时机。 为确保图像质量和数据的丰富性，航拍高度设定在10～12m 之间，拍照间隔为1 s，共采集到无人机原始航拍图像1,594幅，整个过程耗时3 h，拍摄了115个水稻品种。 二、模型训练与测试试验平台与训练参数本试验所使用的计算机处理器型号为 Intel(R)Core(TM) i5-7200 运行系统为 windows 10，深度学习框架为 Pytorch1.10.0，开发环境为
33800编辑于 2025-07-31- 来自专栏生信宝典
Nature Biotechnol | 李家洋余泓团队利用平铺删除策略打破性状连锁，突破水稻产量瓶颈
，为创制全新遗传资源打破水稻产量瓶颈提供了有效策略。 水稻是最重要的主粮作物之一，养活了世界一半以上的人口。水稻产量主要由三个核心要素决定：穗数、每穗粒数、粒重。然而，这三个性状在水稻中通常呈负相关。 通过多靶点CRISPR/Cas9对IPA1的顺式调控区进行系统性高覆盖度的片段删除，创制出大量IPA1顺式调控区平铺删除的基因编辑材料，并从中发掘出了一个可以同时提高分蘖数和穗粒数的编辑材料IPA1-Pro10 IPA1-Pro10具有穗重和穗数同时增加、株高变高、茎秆和根系粗壮的表型。经田间小区测产鉴定，IPA1-Pro10与对照品种中花11相比能够增产15.9%，大大提高了水稻产量。 图：打破性状连锁突破水稻产量瓶颈的分子机制 综上，该研究为打破表型间制约关系提供了一种可行方法，为突破水稻产量瓶颈提供了新的遗传资源与研究思路，是该领域的一项重要进展。
97910编辑于 2022-06-10 - 来自专栏育种数据分析之放飞自我
通过基因组选择预测杂交水稻的表现(数据挖掘)
小编自语： 基因组选择，预测杂种优势，在水稻可以用，在玉米，高粱中也可以用，在动物选择配套系时也可以用，根据加性效应和非加性效应进行预测，前景广阔。 这篇文章的作者，有很多大牛：徐世忠老师, 专门做算法的；张启发老师, 水稻大牛。 主要结果 10倍交叉验证(cross validation), 10个农艺性状的准确性从0.35~0.92. 4. 水稻训练群体和测试群体 训练群体中, 杂交种的表型值需要测量, 基因型值可以根据亲本的基因型进行推断(亲本为纯合的, 杂交种为杂合的). 10. 预测准确性和遗传力的关系 大致来说, 预测的准确性 = 遗传力的平方根: $$ accur = \sqrt{h^2} $$ ? 11. 预测的表型值和实际的表型值 ? 12.
1.2K30发布于 2019-06-13 - 来自专栏计算机视觉战队
利用手持摄像机实时进行水稻检测（致敬袁老）
公众号ID｜计算机视觉研究院 学习群｜扫码在主页获取加入方式 源论文| 回复“水稻”获取论文下载 计算机视觉研究院专栏 Column of Computer Vision Institute 小农户在全球粮食供应中发挥着重要作用 一、简要 在本研究中，研究者提出了一种有效的深度卷积神经网络(DCNN)结构，利用手持照相机拍摄的照片来检测水稻的生长阶段(DVS)。 检测到的穗状斑块的数量决定了水稻的走向阶段。 以上两项研究集中在固定的角度和位置的图像上，而小农户可以以随机的角度和位置拍摄图像。为了方便处理这些随机图像，有必要开发一种通用的方法。 当在播种方向拍摄图像时，两排水稻之间的土壤会被很好地捕捉到，而在其他方向，图像捕捉到的土壤会较少。 根据DVS将610项观察结果分为10组，每组进一步分为训练（60%）、验证（20%）和测试（20%）组。
33020编辑于 2023-09-20 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine（GEE）——Sentinel-1 和 2 数据的融合，水稻范围识别和水稻种植季节区分地图绘制—马来西亚为例
摘要： 水稻是世界一半以上人口的主要作物，但缺乏概述水稻产区及其生长阶段的高分辨率地图。大多数遥感研究绘制了水稻的范围：然而，在热带地区，水稻全年种植，种植日期和种植频率不同。 因此，绘制水稻生长阶段比仅绘制范围更，有用。本研究通过开发一种基于物候学的方法解决了这一挑战。 这种方法产生了10米分辨率的稻田范围、强度和种植日历图。 此外，所提出的方法在大区域内生成了具有高空间分辨率（10 m）的水稻范围和生长阶段图。 结果表明，该方法整体地图精度高达95.95%，kappa系数为0.92。 该方法区分了水稻的生长阶段，并确定马来西亚半岛的大部分稻田一年有两个种植季节。
1.1K10编辑于 2024-02-02 - 来自专栏今天看点
江西成功克隆出水稻“耐高温”基因技术 已达国际领先水平
该研究克隆了水稻重要功能基因HTH5，发现HTH5可正向调控水稻对高温的耐受性，并解析了其调控的分子机制。该成果为水稻耐高温育种的分子改良提供了基因储备和材料基础。 水稻虽然是一种能够适应高温的作物，但是过高的温度依然会影响水稻的产量，大家都知道，现在全球变暖导致的气温升高也已经成为制约水稻产量增加的主要非生物胁迫因素。 因此，在稻属野生种资源中发掘水稻生殖发育时期耐高温基因资源对培育水稻耐热品种具有重要意义。 进一步通过互补测验转基因试验证明HTH5正向调控水稻抽穗扬花期耐热性。超量表达HTH5能够显著提高水稻扬花期高温胁迫下的结实率，抑制表达HTH5能够显著降低水稻扬花期高温胁迫下的结实率。 因此，HTH5基因的克隆为水稻耐高温理论研究积累了经验和数据，也为水稻耐高温育种提供了重要的基因资源。
49130编辑于 2022-05-13 - 来自专栏生信宝典
：水稻NRT1.1B基因调控根系微生物组参与氮利用
、刘永鑫1,2,10、张娜1,2,3,10、胡斌1,10、金桃4,5,6,10 通讯作者：储成才1,3(ccchu@genetics.ac.cn)、白洋1,2,3(ybai@genetics.ac.cn 这两地块在过去10年一直种植水稻，在2014-2016年存在明显不同的耕作方式(附表1；在线方法)，这样的设计有利于我们研究田间不同种植方式下水稻根系微生物组的稳定性。 这两块地过去10年来一直用于水稻的种植。近3年来，栽培方式有所不同（附表1）。 从一个中心位置选择每种水稻的三个代表个体。摇动根以去除松散粘附的土壤，然后冲洗，直到没有可见的土壤颗粒。将距地面10 cm长的根切成2 mm的小段，并放入2 ml试管中。 的10 μL缓冲液II以降低pH 值至7。
5.1K40发布于 2019-05-14 - 来自专栏AI科技大本营的专栏
2018未来科学大奖揭晓：袁隆平、马大为、林本坚等7位科学家获奖
▌2018 生命科学奖 获奖评语：奖励他们系统性地研究水稻特定性的分子机制和采用新技术选育高产优质水稻新品种中的开创性贡献。 李家洋，植物分子遗传学家。 他主要从事植物分子遗传学研究，他利用模式植物拟南芥与重要粮食作物水稻探索植物生长发育的调控机理。 袁隆平，中国杂交水稻育种专家，中国研究与发展杂交水稻的开创者，被誉为“世界杂交水稻之父”。 袁隆平是杂交水稻研究领域的开创者和带头人，致力于杂交水稻的研究，先后成功研发出“三系法”杂交水稻、“两系法”杂交水稻、超级杂交稻一期、二期，与此同时，袁隆平提出并实施“种三产四丰产工程”，运用超级杂交稻的技术成果 林本坚，曾任职于 IBM 在美国的研究中心，在 IBM 工作 22 年后，林本坚选择在美国自行创业将近 10 年。 每个奖项、每个捐赠人承诺捐赠 10 年。 生命科学奖的捐赠人为：丁健，李彦宏，沈南鹏，张磊。 物质科学奖的捐赠人为：邓锋，吴亚军，吴鹰，徐小平。
86350发布于 2018-09-28 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
PIE-Engine 教程:水稻面积提取2—监督分类(宿迁市)
这里是第二部分计算水稻提取，这里采用的是监督分类。 Classifier) 监督分类分类器实例 - options(Object) 参数对象 返回值：Classifier 代码： /** * @Name : 基于 PIE Engine Studio 的水稻自动提取 ,FAFFC8' }; Map.addLayer(imageA, visParam, "ClassifyImage"); // 添加图例 var data = { title: "淮安市水稻分类 ", colors: ['#EAF2F5', '#000032', '#1F3600', '#FAFFC8'], labels: ["水稻", "其他植被", "城镇", "水体"], step: 1 }; var style = { bottom: "10px", right: "450px", width: "350px", height:
46310编辑于 2024-02-02 - 来自专栏技术汇总专栏
水稻病害检测数据集（7000 张图片已划分）| AI 训练适用于目标检测任务
水稻病害检测数据集（7000张图片已划分）|AI训练适用于目标检测任务在农业智能化快速发展的今天，利用深度学习技术实现作物病害的自动识别与监控，已经成为智慧农业的重要研究方向。 为了支持相关算法模型的训练与评测，本文介绍一套涵盖7000张图像的水稻病害目标检测数据集，数据已完成格式化、标注与训练集划分，可直接用于AI模型训练与部署。 pwd=96f7提取码:96f7复制这段内容后打开百度网盘手机App，操作更方便哦7000幅图像的水稻病害检测数据集主要分为三类：细菌性叶斑病，主要影响水稻等作物，表现为叶片上出现水状斑点；褐斑病，常见于水稻 ）类别数量：3类场景来源：农业科研基地农田现场真实光照条件图像类型：高清RGB图像分辨率：640×640、1024×1024不等（已统一预处理）数据划分：train：5600（80%）val：700（10% ）test：700（10%）数据结构示意：展开代码语言：TXTAI代码解释dataset/├──images/│├──train/│├──val/│└──test/└──labels/├──train/
76910编辑于 2025-11-07
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号