• 《中国科学引文数据库(CSCD)》来源期刊
  • 中国科技期刊引证报告(核心版)期刊
  • 《中文核心期刊要目总览》核心期刊
  • RCCSE中国核心学术期刊

基于不同地面分辨率的无人机图像监测水稻白叶枯

赵高源, 张亚莉, 张子超, 李志勇, 邓继忠

赵高源, 张亚莉, 张子超, 等. 基于不同地面分辨率的无人机图像监测水稻白叶枯[J]. 华南农业大学学报, 2025, 46(1): 115-123. DOI: 10.7671/j.issn.1001-411X.202401003
引用本文: 赵高源, 张亚莉, 张子超, 等. 基于不同地面分辨率的无人机图像监测水稻白叶枯[J]. 华南农业大学学报, 2025, 46(1): 115-123. DOI: 10.7671/j.issn.1001-411X.202401003
ZHAO Gaoyuan, ZHANG Yali, ZHANG Zichao, et al. Monitoring rice bacterial blight based on UAV images of different ground sampling distances (GSD)[J]. Journal of South China Agricultural University, 2025, 46(1): 115-123. DOI: 10.7671/j.issn.1001-411X.202401003
Citation: ZHAO Gaoyuan, ZHANG Yali, ZHANG Zichao, et al. Monitoring rice bacterial blight based on UAV images of different ground sampling distances (GSD)[J]. Journal of South China Agricultural University, 2025, 46(1): 115-123. DOI: 10.7671/j.issn.1001-411X.202401003

基于不同地面分辨率的无人机图像监测水稻白叶枯

基金项目: 广东省现代农业产业共性关键技术研发创新团队项目(2023KJ133)
详细信息
    作者简介:

    赵高源,博士研究生,主要从事无人机遥感图像获取与处理研究,E-mail: 1797808078@qq.com

    通讯作者:

    邓继忠,教授,博士,主要从事农业航空遥感图像获取处理与农情分析、机器视觉与图像分析技术的应用、模式识别技术的应用等研究,E-mail: jz-deng@scau.edu.cn

  • 中图分类号: S252;S435.11

Monitoring rice bacterial blight based on UAV images of different ground sampling distances (GSD)

  • 摘要:
    目的 

    快速无损地监测水稻白叶枯并量化感染程度,从而指导田间作业。

    方法 

    利用无人机获取受白叶枯病菌Xanthomonas oryzae pv. oryzae感染的水稻冠层高分辨率图像,提取颜色和纹理特征,分别构建基于颜色、纹理特征以及两者融合的多元回归模型,对白叶枯感染等级进行预测。探究不同地面分辨率(Ground sampling distances,GSD)对不同模型精度的影响。

    结果 

    基于颜色特征的监测模型的决定系数(Coefficient of determination,R2)为85.9%,均方根误差(Root mean square error,RMSE)为1.43,相对均方根误差(Relative RMSE,RRMSE)为19.1%,相比基于纹理特征的模型,R2上升了2.4个百分点,RRMSE增加了4.6个百分点;与单一种类特征相比,基于颜色和纹理特征融合的预测模型(R2=89.6%,RMSE=1.06,RRMSE=15.1%)精度有较大的提升;通过构建不同GSD模型发现,当GSD为0.2 、0.5或0.8 cm时,模型精度较高,R2 均在80%以上。

    结论 

    从无人机捕获的低空遥感图像中提取的颜色和纹理特征可用于监测水稻白叶枯病,结果可为无人机遥感监测水稻白叶枯提供有效的技术支持。

    Abstract:
    Objective 

    In order to monitor rice bacterial blight quickly and non-destructively, and guide field operations.

    Method 

    High-resolution images of rice canopy under bacterial blight stress were acquired using utilized unmanned aerial vehicles (UAVs). Color features and texture features were extracted from the images, and multiple regression models based on color features, texture features, and the fusion of color and texture features were constructed to predict the infection level of rice bacterial blight. The influence of different ground sampling distances (GSD) on the accuracy of the models was also explored.

    Result 

    The determination coefficient (R2) of the monitoring model based on color features was 85.9%, root mean square error (RMSE) was 1.43 and relative RMSE (RRMSE) was 19.1%. The R2 had increased by 2.4 percentage points and RRMSE had increased by 4.6 percentage points compared with the model based on texture features. Compared with single-feature models, the prediction model based on the fusion of color and texture features (R2=89.6%, RMSE=1.06, RRMSE=15.1%) exhibited significant improvement in accuracy. By constructing models with different GSDs, it was found that when the GSD was 0.2, 0.5 or 0.8 cm, the models achieved higher accuracy with R2 all above 80%.

    Conclusion 

    The color and texture features extracted from low-altitude remote sensing images captured by UAVs can be used for monitoring rice bacterial blight. The results can provide effective technical support for UAV remote sensing monitoring of rice bacterial blight.

  • 普通大蓟马Megalurothrips usitatus又名豆大蓟马、豆花蓟马,隶属于缨翅目蓟马科大蓟马属,主要分布于澳大利亚、马来西亚、斯里兰卡、菲律宾、斐济、印度、日本等[1-3],在我国海南、台湾、广东、广西、湖北、贵州、陕西等地也均有发生为害[4-5]。据报道,该虫有28种寄主,其中16种为豆科植物,目前它已成为危害华南地区豆科作物的主要害虫[6-9],田间调查和室内试验均表明豇豆为其嗜好寄主[10-11]。普通大蓟马主要以锉吸式口器取食豇豆幼嫩组织的汁液,可造成叶片皱缩、生长点萎缩、豆荚痂疤等,严重影响豇豆品质[12-13]。此外,该虫体积小、发生量大、隐秘性强,大部分时间都躲在花中取食,从豇豆苗期至采收期均可为害[14-15],以上特点均增加了农户的防治难度。当其为害严重时,农户只能增加施药频率和施药量,这也导致该虫对多种常用化学农药产生了严重的抗药性[16-17]

    目前关于普通大蓟马的研究主要集中在生物学特性[18]及综合防治技术[19-20]等层面,随着抗药性的不断发展与研究的不断深入,从分子层面解析普通大蓟马的抗药性机制和寄主选择机制等以寻求新型绿色防控方法势在必行,室内种群的大规模饲养是展开这些研究的基础。化蛹基质作为影响昆虫种群规模的关键因子,韩云等[21]曾指出普通大蓟马在含水量(w)为15%的砂壤土中羽化率显著高于砂土、壤土和黏土,但不适用于室内大规模饲养,因为实际应用中,存在土壤类型无法明确区分、配制砂壤土会增加人工饲养的工作量等问题。土壤以外的其他基质对普通大蓟马化蛹的适合度鲜见研究报道。

    本研究以普通大蓟马为试验对象,室内观测其在沙子、蛭石和厨房用纸3种基质及无基质条件下的羽化规律,分析该虫对不同化蛹基质的适合度,以期为普通大蓟马的室内大规模饲养提供基础资料,为该虫的综合治理提供理论依据。

    普通大蓟马于2017年采自广东省广州市增城区朱村豇豆田,采回后在RXZ-500C型智能人工气候箱(宁波江南仪器厂)内用豇豆豆荚饲养,饲养条件为温度(26±6) ℃,光照周期12 h光∶12 h暗,相对湿度(70±5)%。室内饲养多代后,选取发育一致的老熟2龄若虫(以体色变为橙红色为标准)进行室内试验。

    供试基质包括沙子、蛭石、锯末和厨房用纸,并以无基质作为空白对照。试验前将沙子、蛭石和锯末置于DHG-9140型电热恒温鼓风干燥箱(上海精宏实验设备有限公司)中105 ℃恒温烘烤6 h备用。

    首先称取过筛烘干后的沙子50 g 3组,分别加入2.5、3.5和4.5 mL蒸馏水,充分混匀,配制成含水量(w)分别为5%、7%和9%的沙子化蛹基质;称取过筛烘干后的蛭石10 g 3组,分别加入10.0、12.5和15.0 mL蒸馏水,充分混匀,配制成含水量(w)分别为20%、25%和30%的蛭石化蛹基质;称取过筛烘干后的蛭石10 g 3组,分别加入12.5、15.0和17.5 mL蒸馏水,充分混匀,配制成含水量(w)分别为25%、30%和35%的锯末化蛹基质。将以上基质分别转移至350 mL玻璃组培瓶内,基质深度均为5 cm,将厨房用纸对折成合适大小后平铺在组培瓶底部作为基质。在所有基质上放置纱网,再加入1根新鲜的豇豆豆荚(长度约4~5 cm),分别接入50头普通大蓟马老熟2龄若虫,用250目纱布封口后置于人工气候箱中饲养,每日观察并记录成虫羽化数量。每个处理设6次重复。设置不加入任何化蛹基质的空白对照。

    含水量的测定方法按以下公式[22]进行:

    含水量=实际含水质量/烘干后基质质量×100%。

    运用SPSS 24.0软件进行试验数据处理分析,不同基质及含水量对普通大蓟马羽化率、蛹历期和性比(雄性∶雌性)的影响采用单因素方差分析,并运用Duncan’s法检验差异显著性。

    普通大蓟马在不同基质中的羽化率、蛹历期和性比具有显著差异(图1)。由图1A可知,普通大蓟马在厨房用纸中的羽化率显著高于其他基质,为54.33%,其次为含水量5%(w)的沙子,羽化率为44.67%;锯末最不适宜于普通大蓟马羽化,在含水量(w)为25%、30%、35%的锯末中普通大蓟马的羽化率分别为10.33%、5.33%、16.67%,显著低于空白对照与其他基质。

    图  1  不同基质对普通大蓟马羽化率、发育历期和性比(雄性∶雌性)的影响
    1~3分别为含水量(w)为5%、7%和1%的沙子,4~6分别为含水量(w)为20%、25%和30%的蛭石,7~9分别为含水量(w)为25%、30%和35%锯末,10:厨房用纸,11:无基质;各图中的不同小写字母表示差异显著(P<0.05,Duncan’s法)
    Figure  1.  Effects of different substrates on eclosion rate, pupa developmental period and male-female ratio of Megalurothrips usitatus
    1: Sand with 5% moisture, 2: Sand with 7% moisture, 3: Sand with 10% moisture, 4: Vermiculite with 20% moisture, 5: Vermiculite with 25% moisture, 6: Vermiculite with 30% moisture, 7: Sawdust with 25% moisture, 8: Sawdust with 30% moisture, 9: Sawdust with 35% moisture, 10: Kitchen paper, 11: No substrate; Different lowercase leters in the same figure indicated significant difference among different substrate (P<0.05, Duncan’s method)

    图1B可知,普通大蓟马在含水量5%(w)的沙子中蛹的发育历期最短,为5.29 d,其次为含水量7%(w)的沙子,为6.01 d,在其他基质中的蛹期则无显著差异,在6.14~7.16 d。

    图1C可知,普通大蓟马在含水量30%(w)的蛭石中性比最高,为0.60,含水量10%(w)的沙子和30%(w)的蛭石性比相对较低,分别为0.12和0.06,在其他基质中性比无显著差异。

    表1数据可知,沙子含水量(w)为5%时普通大蓟马羽化最早,始于第2天;其次为蛭石,羽化始于第4天,其他条件下羽化均始于第3天;以锯末为基质时羽化最晚,始于第5天。沙子含水量(w)为5%和厨房用纸条件下,羽化高峰出现在第5天,羽化率分别为21%和22.67%;次高峰在第6天,羽化率分别为14.33%和21%。沙子含水量(w)为9%、锯末以及空白对照下羽化高峰出现在第7天,其他条件下羽化高峰均出现在第6天。不同基质类型及含水量条件下,普通大蓟马的羽化均结束于第8天或第9天,与不同基质培养条件下普通大蓟马蛹期之间的差异相对应。

    表  1  不同基质对普通大蓟马逐日羽化率的影响1)
    Table  1.  Effects of differents substrates on daily eclosion rate of Megalurothrips usitatus %
    t/d 沙子含水量(w) Water content in sand 蛭石含水量(w) Water content in vermiculite
    5% 7% 9% 20% 25% 30%
    1 0 0 0 0 0 0
    2 1.67±0.42c 0 0 0 0 0
    3 1.00±1.68c 0 0 0 0 0
    4 1.33±0.67c 5.33±0.33c 0.33±0.33b 0 0 0
    5 21.00±3.82a 5.33±2.17b 2.67±1.91b 3.00±2.30bc 10.33±3.48ab 0.33±0.33b
    6 14.33±4.66b 17.33±1.76a 2.67±1.91b 11.67±2.09a 14.67±3.33a 7.67±2.22a
    7 2.33±0.80c 5.00±0.85b 8.67±1.84a 6.33±2.28b 7.67±1.74bc 6.67±1.52a
    8 0.67±0.42c 0.67±0.67c 0.67±0.42b 4.00±1.35bc 4.00±1.37cd 1.67±0.94b
    9 0 0 0.33±0.33b 0.67±0.42b 0 0.67±0.42b
    10 0 0 0 0 0 0
    下载: 导出CSV 
    | 显示表格

    化蛹基质的类型对普通大蓟马化蛹具有一定影响,本研究发现锯末和蛭石不适宜于普通大蓟马化蛹,锯末和蛭石不同含水量条件下大蓟马的羽化率都显著低于空白对照。有研究指出土壤中砂土含量低于30%时,蓟马若虫不能化蛹[23],蓟马在砂壤土中的羽化率也显著高于砂土、黏土、壤土等单一土壤[21]

    化蛹基质的含水量对普通大蓟马化蛹具有显著影响,本研究发现当沙子含水量(w)为5%时,羽化率仅次于厨房用纸,高达44.67%,与孟国玲等[23]关于豆带蓟马Taenithripsglycines在含水量(w)为5.7%时羽化率最高(43.63%)的报道相对一致。韩云等[21]研究发现普通大蓟马在含水量(w)为15%的砂壤土中羽化率最高,为52.08%,而土壤含水量(w)5%时羽化率仅为6.67%。这与本研究结果不符,究其原因可能是不同类型的基质吸水力与保水力不同,导致在相同的绝对含水量下湿度有差异。此外,有研究曾指出高含水量不利于蓟马化蛹[24],这与本研究结果相一致,沙子含水量(w)5%时的羽化率显著高于含水量(w)7%和10%。

    在本研究中,成虫性比普遍低于1∶1,含水量(w)30%的蛭石羽化性比最高,为0.6,含水量(w)30%锯末最低,为0.06,其他处理的性比无显著差异,为0.12~0.48。张念台[8]和谭柯[24]在田间调查的结果也显示其成虫性比低于1∶1,后代总是偏于雌性,谭柯[24]则表示后代偏雌性可能是蓟马暴发的原因之一。这与本研究结果相一致,后代偏于雌性。

    本研究发现普通大蓟马在厨房用纸中的羽化率最高,蛹发育历期与其他基质相比无明显差异,且以厨房用纸为化蛹基质时,可以清楚地观察到普通大蓟马蛹期的形态特征变化,可以随时根据试验需求收集不同时期的若虫或成虫。虽然沙子含水量(w)5%时蛹发育历期最短且羽化率也较高,但蓟马一旦入土化蛹便无法继续观察形态或收集虫体。因此,本试验条件下,厨房用纸是最适合室内普通大蓟马大量饲养的化蛹基质。

  • 图  1   白叶枯分割操作流程图

    Figure  1.   Rice bacterial blight Segmentation Operation Flowchart

    图  2   水稻白叶枯4个感染等级样本

    Figure  2.   Samples of four infection levels in rice bacterial blight

    图  3   基于颜色特征(a)、纹理特征(b)和两者融合(c)的白叶枯感染率预测模型精度检验

    Figure  3.   Accuracy evaluation of prediction model of bacterial blight infection rate based on color features (a), texture features (b) and their fusion (c)

    图  4   不同GSD条件下白叶枯4个感染等级样本

    Figure  4.   Samples of four infection levels in rice bacterial blight under different GSD conditions

    图  5   区域尺度水稻白叶枯感染等级分布

    Figure  5.   Regional scale distribution of rice bacterial blight infection levels

    表  1   水稻白叶枯HSV颜色特征参数1)

    Table  1   HSV color features parameters of rice bacterial blight

    叶片感染等级
    Infection level of rice leaves
    $ {{\boldsymbol{H}}}_{{\boldsymbol{P}}} $ $ {{\boldsymbol{S}}}_{{\boldsymbol{P}}} $ $ {{\boldsymbol{V}}}_{{\boldsymbol{P}}} $
    $ {{\boldsymbol{\mu}} }_{{\boldsymbol{H}}} $ $ {{\boldsymbol{\delta}} }_{{\boldsymbol{H}}} $ $ {{\boldsymbol{\mu}} }_{{\boldsymbol{S}}} $ $ {{\boldsymbol{\delta}} }_{{\boldsymbol{S}}} $ $ {{\boldsymbol{\mu}} }_{{\boldsymbol{V}}} $ $ {{\boldsymbol{\delta}} }_{{\boldsymbol{V}}} $
    健康 Healthy 44.33 1110.57 129.16 8109.449 95.41 7645.89
    轻微 Slight 41.73 1241.46 139.03 9516.93 83.03 7882.55
    中度 Moderate 40.59 1164.32 143.80 9241.22 88.44 8289.44
    严重 Serious 39.62 1166.58 148.84 9263.31 89.82 8817.79
     1) $ {{\boldsymbol{H}}}_{{\boldsymbol{P}}} $、$ {{\boldsymbol{S}}}_{{\boldsymbol{P}}} $、$ {{\boldsymbol{V}}}_{{\boldsymbol{P}}} $分别表示图像H、S、V颜色分量;$ {\boldsymbol{\mu}} $表示HSV各分量的一阶矩阵;$ {\boldsymbol{\delta}} $表示HSV各分量的二阶矩阵。
     1) $ {{\boldsymbol{H}}}_{{\boldsymbol{P}}} $, $ {{\boldsymbol{S}}}_{{\boldsymbol{P}}} $ and $ {{\boldsymbol{V}}}_{{\boldsymbol{P}}} $ represent the color components H, S, and V of the image, respectively; μ represents the first-order moment of each HSV component, and δ represents the second-order moment of each HSV component.
    下载: 导出CSV

    表  2   不同GSD条件下白叶枯感染等级预测精度

    Table  2   Prediction accuracy of bacterial blight infection levels under different GSD conditions

    特征
    Feature
    地面分辨率/cm
    GSD
    决定系数/%
    R2
    均方根误差
    RMSE
    相对均方根误差/%
    RRMSE
    颜色
    Color
    0.1 85.9 1.43 19.1
    0.2 88.1 1.19 18.6
    0.5 85.8 0.86 25.9
    0.8 80.9 0.51 28
    1.0 74.0 0.43 62.0
    纹理
    Texture
    0.1 83.5 1.02 14.5
    0.2 84.6 0.93 13.2
    0.5 82.4 0.67 19.1
    0.8 74.6 0.17 12.1
    1.0 68.8 0.15 22.6
    颜色和纹理融合
    Fusion of color and texture
    0.1 89.6 1.06 15.1
    0.2 91.9 1.15 14.7
    0.5 86.6 0.32 10.1
    0.8 84.9 0.98 41.7
    1.0 73.8 0.12 23.1
    下载: 导出CSV
  • [1]

    RAJARAJESWARI N V L, MURALIDHARAN K. Assessments of farm yield and district production loss from bacterial leaf blight epidemics in rice[J]. Crop Protection, 2006, 25(3): 244-252. doi: 10.1016/j.cropro.2005.04.013

    [2] 伍尚忠. 水稻白叶枯病及其防治[M]. 上海: 上海科学技术出版社, 1983.
    [3] 中国农业科学院植物保护研究所. 中国农作物病虫害(上册)[M]. 北京: 中国农业出版社, 1995.
    [4] 杨贵军, 李长春, 于海洋, 等. 农用无人机多传感器遥感辅助小麦育种信息获取[J]. 农业工程学报, 2015, 31(21): 184-190. doi: 10.11975/j.issn.1002-6819.2015.21.024
    [5] 张智韬, 边江, 韩文霆, 等. 无人机热红外图像计算冠层温度特征数诊断棉花水分胁迫[J]. 农业工程学报, 2018, 34(15): 77-84. doi: 10.11975/j.issn.1002-6819.2018.15.010
    [6] 杨文攀, 李长春, 杨浩, 等. 基于无人机热红外与数码影像的玉米冠层温度监测[J]. 农业工程学报, 2018, 34(17): 68-75. doi: 10.11975/j.issn.1002-6819.2018.17.010
    [7]

    DEHKORDI R H, JARROUDI M E, KOUADIO L, et al. Monitoring wheat leaf rust and stripe rust in winter wheat using high-resolution UAV-based red-green-blue imagery[J]. Remote Sensing, 2020, 12(22): 3696. doi: 10.3390/rs12223696

    [8] 王震, 褚桂坤, 张宏建, 等. 基于无人机可见光图像Haar-like特征的水稻病害白穂识别[J]. 农业工程学报, 2018, 34(20): 73-82. doi: 10.11975/j.issn.1002-6819.2018.20.010
    [9]

    WEI L L, LUO Y S, XU L Z, et al. Deep convolutional neural network for rice density prescription map at ripening stage using unmanned aerial vehicle-based remotely sensed images[J]. Remote Sensing, 2022, 14(1): 46.

    [10]

    DANG L M, WANG H X, LI Y F, et al. Fusarium wilt of radish detection using RGB and near infrared images from unmanned aerial vehicles[J]. Remote Sensing, 2020, 12(17): 2863. doi: 10.3390/rs12172863

    [11]

    ZHANG D, ZHOU X, ZHANG J, et al. Detection of rice sheath blight using an unmanned aerial system with high-resolution color and multispectral imaging[J]. PLoS One, 2018, 13(5): e0187470. doi: 10.1371/journal.pone.0187470.

    [12]

    LEE K D, KIM S M, AHN H Y, et al. Yearly estimation of rice growth and bacterial leaf blight inoculation effect using UAV imagery[J]. Journal of the Korean Society of Agricultural Engineers, 2020, 62(4): 75-86.

    [13] 赵晓阳, 张建, 张东彦, 等. 低空遥感平台下可见光与多光谱传感器在水稻纹枯病病害评估中的效果对比研究[J]. 光谱学与光谱分析, 2019, 39(4): 1192-1198.
    [14]

    LIU T, SHI T Z, ZHANG H, et al. Detection of rise damage by leaf folder (Cnaphalocrocis medinalis) Using unmanned aerial vehicle based hyperspectral data[J]. Sustainability, 2020, 12(22): 9343. doi: 10.3390/su12229343

    [15]

    WANG T Y, THOMASSON J A, ISAKEIT T, et al. A plant-by-plant pethod to pdentify and treat cotton root rot based on UAV remote sensing[J]. Remote Sensing, 2020, 12(15): 2453. doi: 10.3390/rs12152453

    [16]

    SU J Y, LIU C J, HU X P, et al. Spatio-temporal monitoring of wheat yellow rust using UAV multispectral imagery[J]. Computers and Electronics in Agriculture, 2019, 167: 105035. doi: 10.1016/j.compag.2019.105035.

    [17] 万亮, 岑海燕, 朱姜蓬, 等. 基于纹理特征与植被指数融合的水稻含水量无人机遥感监测[J]. 智慧农业, 2020, 2(1): 58-67. doi: 10.12133/j.smartag.2020.2.1.201911-SA002
    [18]

    WANG C W, CHEN Y C, XIAO Z P, et al. Cotton blight identification with ground framed canopy photo-assisted multispectral UAV images[J]. Agronomy, 2023, 13(5): 1222. doi: 10.3390/agronomy13051222

    [19]

    DAMMER K H, GARZ A, HOBART M, et al. Combined UAV-and tractor-based stripe rust monitoring in winter wheat under field conditions[J]. Agronomy Journal, 2022, 114(1): 651-661. doi: 10.1002/agj2.20916

    [20]

    XAVIER T W F, SOUTO R N V, STATELLA T, et al. Identification of Ramularia leaf blight cotton disease infection levels by multispectral, multiscale UAV imagery[J]. Drones, 2019, 3(2): 33. doi: 10.3390/drones3020033

    [21]

    BHANDARI M, IBRAHIM A M H, XUE Q W, et al. Assessing winter wheat foliage disease severity using aerial imagery acquired from small Unmanned Aerial Vehicle (UAV)[J]. Computers and Electronics in Agriculture, 2020, 176: 105665. doi: 10.1016/j.compag.2020.105665.

    [22]

    ZHANG T X, YANG Z F, XU Z Y, et al. Wheat yellow rust severity detection by efficient DF-UNet and UAV multispectral imagery[J]. IEEE Sensors Journal, 2022, 22(9): 9057-9068. doi: 10.1109/JSEN.2022.3156097

    [23]

    HARSHADKUMAR B P, JITESH P S, VIPUL K D. Detection and classification of rice plant diseases[J]. Intelligent Decision Technologies, 2018, 11(3): 357-373.

    [24]

    XU W J, KESHMIRI S, WANG G. Adversarially approximated autoencoder for image generation and manipulation[J]. IEEE Transactions on Multimedia, 2019, 21(9): 2387-2396. doi: 10.1109/TMM.2019.2898777

    [25]

    GÖRGEL P, SIMSEK A. Face recognition via deep stacked denoising sparse autoencoders (DSDSA)[J]. Applied Mathematics and Computation, 2019, 355: 325-342. doi: 10.1016/j.amc.2019.02.071

  • 期刊类型引用(8)

    1. 樊江川,王源桥,苟文博,蔡双泽,郭新宇,赵春江. 基于实例分割技术的草莓叶龄及冠幅表型快速提取方法. 智慧农业(中英文). 2024(02): 95-106 . 百度学术
    2. 李坤,刘婧,齐赫. 基于分层特征交叉注意力的小样本马铃薯病害叶片识别. 江苏农业科学. 2024(10): 210-216 . 百度学术
    3. 冯玉涵,孙剑,张志芳. 基于层间特征蒸馏网络的作物叶片病害检测. 中国农机化学报. 2024(09): 271-277 . 百度学术
    4. 李凤妹,龚青松,李奔奔,张敏,丁一,吕军. 基于改进YOLO v5s模型的水稻病虫害监测系统. 农业工程技术. 2024(20): 17-20 . 百度学术
    5. 杨欢,王钧,李广,吴江琪,谈燕. 大田环境下青贮玉米枯叶病检测模型. 软件导刊. 2024(09): 193-199 . 百度学术
    6. 方晓捷,严李强,张福豪,高心雨. 基于深度学习的农作物图像识别的发展. 江苏农业科学. 2024(20): 18-24 . 百度学术
    7. 麻剑钧,刘晓慈,金龙新,熊伟,易森林,封春芳,刘阳,夏先亮. 基于机器视觉的农作物病害识别研究进展. 湖南农业科学. 2023(09): 97-100 . 百度学术
    8. 郭文娟,冯全. 基于类激活映射的可解释性方法在农作物检测识别中的发展现状与趋势. 智能化农业装备学报(中英文). 2023(04): 41-48 . 百度学术

    其他类型引用(12)

图(5)  /  表(2)
计量
  • 文章访问数:  526
  • HTML全文浏览量:  32
  • PDF下载量:  36
  • 被引次数: 20
出版历程
  • 收稿日期:  2024-01-01
  • 网络出版日期:  2024-12-08
  • 发布日期:  2024-12-12
  • 刊出日期:  2025-01-09

目录

/

返回文章
返回