- 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 三、研究地域 实验地域（23° 5′ 52″–23° 7′ 23″ N, 108° 57′ 7″–108° 58′ 34″ E）位于中国广西宾阳县。 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。 对当地农民田块的图像采集工作一共开展了7轮。构建了一个具有622个观测结果的数据集，其中包含7464个图像，并使用其中7320个进行分析。其他的图像的质量很差，无法使用。
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 （吨/公顷）", colors: ['#ffffe5', '#f7fcb9', '#d9f0a3', '#addd8e', '#78c679', '#41ab5d', '#238443
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
水稻是世界主要粮食作物之一，水稻剑叶夹角对理想株型选育至关重要。传统人工测量方法效率低且易损伤作物，而机器视觉技术为作物表型信息获取提供了新途径。 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。 ，得到水稻的剑叶夹角。
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=$6TYPE=${7: 7. 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 filterBounds(roi) .filterDate("2020-3-1", "2020-12-1") .select(["B2", "B3", "B4", "B5", "B6", "B7" .multiply(10000).clip(roi); //选择用于分类的波段 var bands = [ "B2", "B3", "B4", "B5", "B6", "B7"
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 sept = col2.getAt(6).addBands(pie.Image().constant(258).rename('doy')) var oct = col2.getAt(7)
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。 因此，为了保障水稻的稳产高产，同时提高农民的经济收益，研究水稻稻瘟病早期分级检测技术具有重要意义。 具体而言，该模型首先接收固定尺寸的图像作为输入，通过一个 7×7 的初始卷积层对图像的边缘、颜色等低级特征进行初步提取。 损失值变化曲线如图 7 所示。三、结果与分析消融试验为了定量分析改进策略对模型性能的积极影响，本文设计了消融试验，并将结果汇总于表 1。试验结果表明，DSCAM 的引入显著提升了基线模型的性能。
33800编辑于 2025-07-31- 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。 【4.3 综合不同卫星 VI 以产生预测技技术的贡献】 图7.整个生长季节使用不同VI输入的三种方法的R2。通过随机测试数据集，误差线为R2的±15%。
3.7K30编辑于 2022-01-18 - 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。 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). 测试群体中, 可以根据亲本的基因型, 推断出他们后代杂交种的基因型, 然后根据模型预测该杂交种的表现 7. 模型的PK: BLUP胜利! 基因组数据处理流程 1495杂交种的测序数据 1495个杂交种, 2层, 96bp双链, 共有2TB数据 使用BWA比对到Geng Nipponbare Version7的参考基因组上 使用samtools
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）
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。 三、研究地域 实验地域（23° 5′ 52″–23° 7′ 23″ N, 108° 57′ 7″–108° 58′ 34″ E）位于中国广西宾阳县。 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。 当地农民对70块地的图像采集被部署了7次。构建了一个具有622个观测结果的数据集，其中包含7464个图像，并使用其中7320个进行分析。其他的图像的质量很差，无法使用。
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HyperAI超神经
京都大学利用 CNN 预测粮食产量，丰收不问天，问 AI 就够了
论文链接： https://spj.science.org/doi/10.34133/plantphenomics.0073 实验过程 1.建立数据库 水稻冠层照片 + 粮食产量 研究人员在 7 个国家的 20 块农田中采集了水稻照片和粮食产量。 水稻成熟后，用数码相机在水稻冠层上 0.8 至 0.9 米的高度，垂直向下拍摄，得到面积 1 m2 水稻的 RGB 照片。 注：水稻的冠层是水稻枝叶稠密的顶层，是植物进行光合作用的主要部位。 图 2：水稻冠层图像及粮食产量分布 A：7 个国家的粗粒产量分布； B：不同国家平均粗粒产量饼状图； C：粗粒产量最高的水稻图像； D：粗粒产量最低的水稻图像。 图 7：花序移除实验及结果 A：花序移除实验示意图； B：花序移除后的照片； C：预计产量和实际产量折线图； D：花序移除过程中预计产量和实际产量之间的关系。
46830编辑于 2023-09-21 - 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
采用PCR扩增细菌16S rDNA的V5-V7区(引物799F和 1193R)并进行Illumina测序。 值得注意的是，氮循环相关的OTUs在田间水稻生长后期相对丰度增长(图3f，g；附表7)，表明植物水稻可能与环境微生物群体活跃合作，以调节土壤中养分来优化植物的生长。 图3. 用简并引物799F和1193R扩增细菌16S rRNA基因的V5-V7区。 每个序列包含一个板条形码、一个孔条形码和v5-v7序列。根据孔和板标识符对序列进行质量过滤和样本拆分。 1986年7月获安徽师范大学学士学位。1989年7月获中国科学院植物研究所硕士学位。
5.1K40发布于 2019-05-14 - 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 在智能农业持续推进的背景下，基于计算机视觉与深度学习的水稻病害自动识别技术逐渐成为主流研究方向。然而，病害识别模型的训练需要高质量、标注精确且具有多样性的数据集。 总的来说，这是一套具有实用性强、标注规范、可扩展性好、直接可用的水稻病害检测数据集，无论你是研究人员、农业工程师、模型开发者还是学生项目使用者，都能够从中获益。
76710编辑于 2025-11-07 - 来自专栏生信宝典
韩斌院士团队与合作者在水稻染色体外环状DNA研究中取得重要进展
水稻作为单子叶模式植物和重要粮食作物，开展其eccDNA的系统研究，将有助于从新的角度认识水稻基因组的特性及其环境适应性。 该研究首次系统揭示了染色体外环状DNA(eccDNA)在水稻基因组中的广泛存在，为深入理解水稻遗传多样性提供了全新视角。 该研究首次在水稻6种组织中鉴定出25,598个高可信度eccDNA，证实了eccDNA在水稻基因组中的普遍存在。研究发现，这些eccDNA在染色体上分布均匀，没有明显的热点区域。 此外，研究团队鉴定出一类特殊的eccDNA，其末端含有7到15个碱基对的微小同源直接重复序列，占所有eccDNA的约4.41%。 总的来说，这项研究系统地揭示了eccDNA作为水稻基因组新成员的基本特征，为深入认识水稻乃至其他植物物种的基因组动态与进化提供了重要参考。
39010编辑于 2024-04-18 - 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 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", "B4", "B5", "B6", "B7" ,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