- 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。
56020发布于 2021-05-31 - 来自专栏PyQt+YOLO
【AI加持】基于PyQt5+YOLOv8+DeepSeek的水稻叶片疾病检测系统（详细介绍）
YOLOv8作为最新一代模型，在网络结构、特征融合和推理效率方面进一步优化，为复杂田间环境下的水稻叶片病害检测提供了坚实的技术基础。 本项目基于PyQt5、YOLOv8与DeepSeek构建水稻叶片疾病检测系统，具有重要的现实意义和应用价值。 农户只需拍摄水稻叶片照片，通过PyQt5桌面端或移动端上传，YOLOv8会自动检测病害并标注病斑位置，同时DeepSeek根据识别结果生成防治建议和用药方案。 核心检测模块采用YOLOv8模型，其轻量化设计与高速推理能力保证了对水稻叶片病害的精准定位与分类，能够快速识别多种常见病害，显著提高了检测效率与准确率。 本次给大家介绍了我使用PyQt5+YOLOv8+DeepSeek的水稻叶片疾病检测测系统，本系统功能强大，支持多种数据源输入，包含多种用户交互按钮以及模式，内置数据可视化方案、大模型AI加持，是您学习、
46910编辑于 2025-12-14 - 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. 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. 2); //设定预览参数 visParams = {min: 0, max: 20, palette: ['ffffe5', 'f7fcb9', 'd9f0a3', 'addd8e （吨/公顷）", colors: ['#ffffe5', '#f7fcb9', '#d9f0a3', '#addd8e', '#78c679', '#41ab5d', '#238443 ', '#006837', '#004529'], labels: ["0", "4", "8", "12", "16", "20"], step: 30
57410编辑于 2024-02-02 - 来自专栏YOLO大作战
基于YOLOv8的农作物水稻病害检测系统，优化SPPF提升检测性能
本文摘要：农作物水稻病害首先进行数据处理到训练模型，最好优化SPPF提升检测精度，map0.5从原始的0.807提升至0.8211.YOLOv8介绍 Ultralytics YOLOv8 ：毫无疑问YOLOv8依旧使用了PAN的思想，不过通过对比YOLOv5与YOLOv8的结构图可以看到，YOLOv8将YOLOv5中PAN-FPN上采样阶段中的卷积结构删除了，同时也将C3模块替换为了C2f 是的，YOLOv8走向了Decoupled-Head；Anchor-Free：YOLOv8抛弃了以往的Anchor-Base，使用了Anchor-Free的思想；损失函数：YOLOv8使用VFL Loss ：Brief summary of YOLOv8 model structure · Issue #189 · ultralytics/ultralytics · GitHub2.农作物水稻病害数据集介绍数据集大小一共 上图是水稻病害检测训练，有图可以看出 ，分别是BrownSpot、RiceBlast、BacterialBlight和background FP。该图在每列上进行归一化处理。
1.5K10编辑于 2023-12-13 - 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。 *repmat(uint8(mask), [1, 1, 3]); % 灰度化处理 gray_image = rgb2gray(segmented_image); % 二值化处理 bw_image = ，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。 8. Joint Calling8.1 参数检查与使用说明#! 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 从FastQ到VCF全流程分析最快用时8分钟，大幅缩短了水稻的全基因组WGS分析时间，有效加快作物的分子育种进程。
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。 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。 4、研究技术YOLOv8介绍YOLOv8是Ultralytics公司于2023年发布的YOLO系列最新目标检测模型，在继承前代高速度与高精度优势的基础上，通过多项技术创新显著提升了性能与灵活性。 无论是学术研究还是工业落地，Python均以其高效、灵活的特点，为YOLOv8等先进模型的实践提供了强有力的支持。 对于审核中发现的问题，及时修正，保证数据集的高质量，为后续 YOLOv8 模型的训练提供可靠的数据支持。5、系统实现
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 5月和8月份SAR影像（"VH1","VH2"）最后分别加入到Landsat波段影像，可导出我们所合成的影像。 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 , description: "l8Image", assetId: "l8Image", region: area, scale: 30 });
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 * CHINA_CITY_BOUNDARY").filter(pie.Filter.eq('name', '淮安市')).first().geometry() Map.centerObject(roi, 8)
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。 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 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). 基于BLUP的方法更优秀, 因为:BLUP的方法不需要估计每个SNP的效应值, 它仅仅利用SNP估算个体间的亲缘关系矩阵, 然后带入混合线性方程组中计算育种值 8.
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)。 Forest Meteorology, 259, 21360–270. https://doi.org/10.1016/j.agrformet.2018.05.001）使用支持向量机和DCNN来区分水稻穗的图像斑块 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。
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。 , 'B4'] )); //'B8', 'B4' }; // Add NDVI band to image collection var S2 = S2.map(addNDVI).select 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8.在整个生长季节使用不同输入变量的三种方法的RMSE。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 - 来自专栏技术汇总专栏
基于YOLOv8的水稻病害检测项目｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！
基于YOLOv8的水稻病害检测项目｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！ 本项目提供完整可运行源码+完整数据集(已标注)+训练脚本+PyQt5可视化图形界面+推理部署教程，帮助你快速搭建一个可用于农业生产场景的水稻叶片病害识别系统，无需从零开始配置环境或重新整理模型结构，直接开启训练或应用 展开代码语言：TXTAI代码解释检测主要分为三类：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，表现为叶片上出现褐色斑点，影响光合作用；叶霉病，主要影响禾本科植物，表现为叶片上出现黑色霉斑 与此同时，我们将模型封装为可视化界面，使得非算法背景的农技人员、科研助理、农业院校学生也能轻松使用该系统进行水稻健康状况分析。 一、软件核心功能介绍及效果演示系统核心功能包括：功能描述YOLOv8病害检测可准确划分三类水稻病害类型PyQt5图形界面支持按钮操作，一键推理多输入模式支持图片文件夹视频/摄像头动态参数可调可实时调整置信度与
39210编辑于 2025-11-20 - 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
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 模型训练构建田间病害实时监测系统智慧农田无人机巡检自动病害识别与喷洒决策农业教学与科研分析病害特征提取与模式研究视觉模型评测对比不同架构目标检测性能本数据集特别适合部署到：移动端（Android/iOS）边缘设备（JetsonAscendFPGA）无人机图像识别系统五、目标检测任务实训示例（YOLOv8） 以YOLOv8为例，只需修改data.yaml文件即可开始训练：展开代码语言：YAMLAI代码解释train:dataset/images/trainval:dataset/images/valnc:3names :['bacterial_leaf_blight','brown_spot','leaf_mold']训练命令：展开代码语言：BashAI代码解释yolodetecttrainmodel=yolov8s.ptdata
76910编辑于 2025-11-07 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。 ，从而便于后续对水稻生长状况的识别与分析。 对比结果如图 8 所示。相较于 AlexNet、ResNet 和 VGG 模型，本研究所采用的 GoogLeNet 模型在稻瘟病检测方面展现出显著的优势。
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。 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 ] var l8Image = pie.Image('user/pieadmin/saas/06/l8Image_1320') .select(bands); //合并样本点并采样 var sample }; 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
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