- 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。 a–d are results yielded by18 features from one channel, 54 features from 3 channels, 108 features from
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. 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。 Map.centerObject(img, 2); //设定预览参数 visParams = {min: 0, max: 20, palette: ['ffffe5', 'f7fcb9', 'd9f0a3' （吨/公顷）", colors: ['#ffffe5', '#f7fcb9', '#d9f0a3', '#addd8e', '#78c679', '#41ab5d', '#238443
57410编辑于 2024-02-02 水稻叶子病害检测数据集VOC+YOLO格式6138张3类别
仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：6138 标注数量(xml文件个数)：6138 标注数量(txt文件个数)：6138 标注类别数：3
14510编辑于 2025-07-17水稻叶子病害检测数据集VOC+YOLO格式6138张3类别
仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：6138 标注数量(xml文件个数)：6138 标注数量(txt文件个数)：6138 标注类别数：3
23310编辑于 2025-07-16- 来自专栏CSDN社区搬运
初入图像处理：水稻剑叶夹角测量
*repmat(uint8(mask), [1, 1, 3]); % 灰度化处理 gray_image = rgb2gray(segmented_image); % 二值化处理 bw_image = % 开运算消除白色噪点 se = strel('disk', 6); % 定义结构元素 opened_image = imopen(bw_image, se); 步骤3：直线提取模块复现 骨架提取 对开运算后的图像进行骨架提取 由于水稻主茎与剑叶通常在第一第二象限，根据论文方法，将直线与竖直方向所成夹角通过公式theta1 = π/2 - degree（第一象限）和theta2 = 3π/2 - degree（第二象限）进行映射 flag_leaf_angle_deg = flag_leaf_angle_rad * 180 / 360; % 根据象限调整角度 theta1=360/2-main_stem_angle_deg; theta2=3* 360/2-main_stem_angle_deg; theta21=360/2-flag_leaf_angle_deg; theta22=3*360/2-flag_leaf_angle_deg; 剑叶夹角计算
52610编辑于 2024-12-27 - 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3—sentinel2合成月度影像宿迁市)
因为这里的sentinel2的波段中每一个波长 名称 中心波长(nm) 分辨率(m) 描述信息 A B B1 443.9 442.3 60 Aerosols B2 496.6 492.1 10 Blue B3 664.5 665 10 Red B5 703.9 703.8 20 Red Edge 1 B6 740.2 739.1 20 Red Edge 2 B7 782.5 779.7 20 Red Edge 3 0: No cirrus clouds 1: Cirrus clouds present 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sentinel2月度影像 * @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 */ //3.合成sentinel2月度影像 //选择淮安市矢量 var roi = pie.FeatureCollection("NGCC/CHINA_CITY_BOUNDARY
33110编辑于 2024-02-02 - 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。 3. $3: 用于命名输出文件的数字标识（如批次号）。$4: 数据目录，用于存放输出文件。 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 水稻生长发育周期检测数据集VOC+YOLO格式846张3类别
文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：846 标注数量(xml文件个数)：846 标注数量(txt文件个数)：846 标注类别数：3
12900编辑于 2025-07-17- 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。 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。 3、研究现状算法研究不断深入近年来，众多深度学习算法被应用于水稻病虫害检测。
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 选择用于分类的影像并裁剪 var l8col = pie.ImageCollection("LC08/01/T1") .filterBounds(roi) .filterDate("2020-3- 1", "2020-12-1") .select(["B2", "B3", "B4", "B5", "B6", "B7", "BQA"]) .map(cloudMask) .map 06/sar_aug').select('B1').multiply(10000).clip(roi); //选择用于分类的波段 var bands = [ "B2", "B3"
44910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5—精度评定(宿迁市)
我们首先加载我们之前所分类后的结果，然后利用一个函数进行设添加属性，将type的分类分成1，2，3，然后将三者结合在一起， sampleRegions(collection,properties,scale 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 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 * )) var june = col1.getAt(2).addBands(pie.Image().constant(166).rename('doy')) var july = col1.getAt(3) ) var may2 = col2.getAt(2).addBands(pie.Image().constant(135).rename('doy')) var june2 = col2.getAt(3)
37810编辑于 2024-02-02 - 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。 ，都是有遗传相关的，利用多性状模型比单性状模型准确性更高 3，无论是玉米，还是水稻，都是有系谱信息的，毕竟测序的自交系有限，如果利用系谱+基因组的一步法基因组选择（SSGBLUP），可以预测一些没有基因组信息 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). 1, 将育种值标准化 2, 根据权重进行加权(考虑各个性状的权重) 3, 计算综合育种值 权重如下: ? 13.
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。 a–d are results yielded by18 features from one channel, 54 features from 3 channels, 108 features from
33020编辑于 2023-09-20 - 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。 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）。 与实地调查数据相比，该方法测量的水稻总面积精度为96.5％，卡伯系数为0.92。与随机森林和C5.0模型相比，SVM和ANN显示出更好的性能。
2.5K11发布于 2020-10-11 - 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
这项研究的结果将为绘制稻田及其生长阶段的地图提供一个有效的框架，这对于解决粮食安全问题和减少水稻种植产生的甲烷气体排放具有重要价值。 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。 , 2,3,0,0,0, 0,0,0,4,0, 0,0,0,0]; */ 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
and Forest Meteorology DOI： 10.1109/TGRS.2021.3095166 发表时间：2020年 01 引言 本文利用卫星数据、气候数据和土壤性质数据，构建了基于统计的3种方法 【3.2 利用各种模型预测产量】 本研究采用3种具有代表性的统计模型(常规统计方法-LASSO、ML-RF、DL- LSTM)对各稻系产量进行预测。 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 04 研究结果 【4.1 每个水稻系统选择的气候变量组合】 图3.选择的早稻关键变量。 表3 2011 - 2015年县级模型绩效均数RMSE和R2 【4.4.
3.7K30编辑于 2022-01-18 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。 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。 基于上述改进，最终的网络结构如图 3 所示。 随后，模型利用批归一化和 ReLU 激活函数进行非线性变换，再通过 3×3 的最大池化层降低特征图的尺寸。 为了捕捉多尺度特征，模型堆叠了多个包含 1×1、3×3 和 5×5 卷积核及池化层的 Inception 模块。
33800编辑于 2025-07-31- 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。 这里我们将上一次影像的的波段加载出来，然后将其已经选择好的样本点进行分析，这里我们主要用到随机样本点的产生，然后按照7/3分为训练和验证样本进行分析，利用随机森林或者支持向量机的分类方法对训练样本进行分类 ).geometry() Map.centerObject(roi, 8) Map.addLayer(roi) //导入用于分类影像并勾选波段 var bands = ["B1", "B2", "B3" ,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"],
46210编辑于 2024-02-02
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