- 综合排序
- 最热优先
- 最新优先
水稻虫害检测数据集VOC+YOLO格式5212张6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)：5212 标注数量(xml文件个数)：5212 标注数量(txt文件个数)：5212 标注类别数：6
36200编辑于 2025-07-17- 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。 are results yielded by18 features from one channel, 54 features from 3 channels, 108 features from 6
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 智慧农业-水稻害虫检测数据集VOC+YOLO格式5212张6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)：5212 标注数量(xml文件个数)：5212 标注数量(txt文件个数)：5212 标注类别数：6
31100编辑于 2025-07-21- 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。 可以使用摄像头获取图像数据，并确保采集过程中设置与论文一致的参数，如硬件配置模拟（类似于Honor V30，HUAWEI Kirin 990 CPU，6 GB RAM），以及背景板的使用（黑色泡沫板）。 % 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
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。 export SAMPLEID=$1export WORKDIR=$2export FASTQ_1=$3export FASTQ_2=$4export FASTA=$5BSUFFIX=$6TYPE=${ 6. 碱基质量重校正(BQSR可选)bqsr(){ sentieon driver -t $THREADS -r $FASTA -i $SAMPLEID.deduped. 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 image.addBands(ndvi.rename("NDVI")); } //LSWI function LSWI(image) { var swir = image.select("B6" divide(10000) var evi = ((nir.subtract(red)).multiply(2.5)) .divide(nir.add(red.multiply(6)
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)
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 * ')) var aug = col2.getAt(5).addBands(pie.Image().constant(227).rename('doy')) var sept = col2.getAt(6)
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
中国是水稻种植大国，水稻在农业生产和粮食供应中占据着举足轻重的地位。 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。 拍摄时间为2023年6月12日上午11点至下午1点，共进行了一次拍摄。 GoogLeNet 包括输入层、卷积层和池化层、Inception 模块、全局平均池化层、全连接层和Softmax 层 6 个部分。 特征提取流程如图 6 所示。
33800编辑于 2025-07-31- 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。 可以进一步分析或者挖掘的地方： 1，水稻或者玉米等利用杂种优势的作物，本身自交系是有一定的分群划分的，可以针对不同群体的杂交组合构建参考群，然后进行预测所有群体间杂交种的表现，准确性应该更高 2，很多经济性状 因为可以根据亲本信息(基因型和表型)预测所有可能的杂交种的表现, 这样在没有杂交之前就能够预测杂交种的表现, 然后根据结果进行杂交试验, 这样可以节约大量的资源和成本, 不用做无用的杂交, 不用种植无用的杂交种… 6. 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).
1.2K30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。 are results yielded by18 features from one channel, 54 features from 3 channels, 108 features from 6
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
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。 combinedband.cluster(clusterer).byte();//combands // print('result_s2',result_s2) var clusters = [0, 1, 2, 3, 4,5,6,7,8,9 10,11,12,13,14,15,16,17,18,19, 20,21,22,23,24,25,26,27,28,29]; var values0 = [1, 2, 3, 4,5, 6,7,8,9,10 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
首先，通过探索性数据分析，选择不同水稻系统应排除哪些输入变量，并进行时空因子分析，了解产量与输入变量之间的关系。然后利用LASSO、RF和LSTM对水稻产量进行预测。 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? 02 数据与方法 【2.1 研究区域】 在本研究中，我们关注中国大陆的主要水稻种植区，主要是单稻系统(即在给定的田地里每年收获一次水稻)和双稻系统(即在给定的田地里每年收获两次水稻)(图1)。 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。 图6.独特气候变量（HKDD，（a，b）；CKDD，（c，d）；Vap，（f）；Vpd（g））与单稻和早稻（b）、单稻和早稻产量之间的时空相关性分别是晚稻(d)和早稻和晚稻(f和g)。
3.7K30编辑于 2022-01-18 - 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 - 来自专栏阿炜的计算机之旅
一种基于改进的YOLOv4-GhostNet水稻病虫害识别方法
水稻是我国主要粮食作物，在我国农业生产中占据重要地位。而水稻病害、虫害将直接影响到水稻的质量和产量，对农业造成巨大的经济损失，关于水稻病虫害的研究不断出现。 6）基于颜色在强光与非强光区域逐渐变换的原理，提出一种基于概率超像素马尔可夫网络的抗强光照作物特征方法。 GoogLeNet识别开放数据库PlantVillage中的14 种不同植物的26 种病害；2）利用健康和患病植物叶子图像，训练几种卷积神经网络，检测9 种不同的番茄病虫害；3）使用AlexNet模型，利用６ 对于从事水稻病虫害研究与防治的用户而言，其设备计算资源、存储能力往往有限，研究轻量化的水稻病虫害目标检测方法十分必要。 到达79.43%，参数量缩减10%；4）利用面向小目标检测的轻量化YOLOv3-CSP算法，实现对原模型参数量95%的压缩；5）应用轻量化卷积神经网络 ConcatNet将计算量与计算复杂度降低50%；6）
1.3K00编辑于 2022-05-29 - 来自专栏量子位
转入肥胖基因改造RNA，作物增产50%
FTO基因在水稻细胞中表达的蛋白，可以擦除RNA甲基化修饰m6A，并且影响相关RNA功能表达。 这样转基因过程后的结果就是： 水稻单株产量提高到原来的三倍，大田种植转基因水稻获得1.5倍产量。 转基因水稻分蘖数增加，提高了光合作用效率，获得了更多生物量积累。 FTO如何发挥作用 动物肥胖基因FTO在水稻细胞中，如何发挥控制水稻基因表达的作用？ 首先了解FTO蛋白的作用对象m6A。 m6A——RNA链上腺嘌呤第6位氮原子的甲基化修饰，是存在最多的mRNA修饰方式，在RNA翻译蛋白质过程调控基因表达。 所有与RNA相关的功能均受m6A影响。 其次了解FTO在细胞中的作用。 FTO是第一个被发现的m6A脱甲基酶（Erasers），FTO蛋白擦除RNA链上m6A，可以促进染色质开放，激活转录。 在植物中，引入m6A脱甲基酶调节m6A水平，同样可以起到改变植物生长的作用。 转入并成功表达的FTO分别使水稻叶片和根系中约11000、7000个基因表达量增加，激活多个生理通路。
1.2K20编辑于 2023-03-10 - 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
这些OTUs与37个通路相关(附图6)。 与此同时，包括3个粳稻富集菌的SynCom也能促生长但弱于籼稻(图6；附表13)。土壤富集的细菌，灭活的籼、粳稻富集菌没有促生效果(图6；附表13)。 图6. 籼稻富集菌在有机氮下促进水稻生长 Fig. 6 | Indica-enriched SynCom have stronger ability to promote rice growth under the 基于培养的细菌和使用人工重组群体(synthetic community, SynCom)技术，发现在补充有机氮源时籼稻富集菌对水稻生长促进更加明显(图6)。
5.1K40发布于 2019-05-14
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