幫助中心 | 我的帳號 | 關於我們

深度學習研究與智慧農業應用

  • 作者:編者:時雷//尹飛//車銀超//喬紅波|責編:何瑋
  • 出版社:中國農業
  • ISBN:9787109331235
  • 出版日期:2025/02/01
  • 裝幀:平裝
  • 頁數:174
人民幣:RMB 68 元      售價:
放入購物車
加入收藏夾

內容大鋼
    深度學習技術是電腦、人工智慧領域的前沿技術,為智慧農業的發展提供了重要的技術支撐,是我國農業現代化、農村數字化和鄉村振興的重要技術方向。
    本書系統介紹了深度學習的基本概念、歷史發展、關鍵技術及其在智慧農業中的應用,著重總結了編著者在深度學習技術研究及其在智慧農業應用方面的成果,旨在為讀者提供全面的知識體系。本書包含七章內容,首先對深度學習技術及其應用現狀進行了概述;然後,系統介紹了小麥生育期識別、小麥小穗檢測計數、小麥麥穗赤霉病檢測、玉米病害識別、蘋果病害識別等方面的研究;最後,探討了基於深度學習的智慧農業發展趨勢和前景展望。
    本書是一本將深度學習技術研究與智慧農業生產有機結合的專著,適合作為電腦科學與技術、農業工程與信息技術、智慧農業等相關學科的科技人員、教育工作者、農技推廣人員、農業管理人員及研究生、本科生等的參考讀物。

作者介紹
編者:時雷//尹飛//車銀超//喬紅波|責編:何瑋

目錄
前言
第一章  深度學習概述
  第一節  人工智慧、深度學習概念與發展
    一、人工智慧的概念
    二、人工智慧的發展
    三、深度學習概念
    四、深度學習發展
  第二節  深度學習架構與關鍵技術
    一、深度學習架構
    二、深度學習關鍵技術
  第三節  深度學習應用
    一、深度學習應用領域
    二、深度學習應用案例
  第四節  深度學習在智慧農業中的應用
    一、國外智慧農業發展現狀
    二、國內智慧農業發展現狀
    三、深度學習在智慧農業中的應用
第二章  基於改進FasterNet的輕量化小麥生育期識別
  第一節  小麥圖像數據集
    一、數據來源
    二、數據集劃分
  第二節  小麥生育期識別模型
    一、FasterNet
    二、改進FasterNet的輕量化小麥生育期識別模型
    三、Lion優化器
    四、試驗設置與評價指標
  第三節  結果與分析
    一、Channel Shuffle機制對模型的影響
    二、Swin Transformer模塊對模型的影響
    三、消融實驗
    四、FSST模型與其他模型性能對比
    五、小麥生育期識別結果
  第四節  小結
第三章  基於深度學習的小麥小穗檢測計數
  第一節  研究內容與技術路線
    一、研究內容
    二、技術路線
  第二節  研究區域與數據採集
    一、研究區域
    二、數據採集
  第三節  數據集構建
    一、數據標注
    二、數據劃分
    三、數據清洗
  第四節  YOLOv5目標檢測網路模型
    一、YOLOv5目標檢測網路模型的網路結構
    二、輸入端
    三、主幹網路
    四、Neck結構
    五、輸出端

  第五節  YOLOv5s模型輕量化改進
    一、C3結構與CSP結構
    二、YOLOv5s T模型
    三、YOLOv5s T+模型
  第六節  結果與分析
    一、實驗環境配置
    二、演算法評價指標
    三、SSD目標檢測網路模型結果分析
    四、Faster R CNN目標檢測網路模型結果分析
    五、YOLOv5目標檢測網路模型結果分析
    六、測試集泛化性分析
    七、YOLOv5s模型輕量化結果分析
  第七節  小麥小穗檢測計數系統設計與實現
    一、系統設計
    二、系統總體架構
    三、系統實現
  第八節  小結
第四章  小麥麥穗赤霉病檢測和發生程度分級
  第一節  小麥麥穗赤霉病數據集構建
    一、數據採集
    二、數據標注和劃分
  第二節  YOLOv8s演算法輕量化改進
    一、C FasterNet模塊
    二、GhostConv的輕量化卷積
    三、損失函數Focal CIoU改進
    四、目標檢測頭(Detection Head)改進
    五、YOLOv8s CGF模型
  第三節  模型結果分析
    一、模型消融實驗
    二、不同模型對比結果和分析
    三、統計分析試驗
    四、小麥麥穗赤霉病計數結果和分析
    五、小麥麥穗赤霉病發生程度預測結果
  第四節  小結
第五章  玉米病害識別
  第一節  研究內容與數據集構建
    一、研究內容與技術路線
    二、玉米圖像數據集
    三、玉米圖像預處理
  第二節  基於VGG 16模型的玉米病害識別
    一、特徵可視化
    二、VGG 16模型對玉米病害的識別結果
  第三節  基於GoogLeNet的玉米病害識別
    一、Inception結構
    二、GoogLeNet對玉米病害的識別結果
  第四節  基於改進VGG多尺度卷積神經網路的玉米病害識別
    一、改進的VGG多尺度卷積神經網路
    二、模型優化措施
  第五節  病害識別結果與分析
    一、實驗環境與參數設置

    二、圖像解析度對模型識別準確率的影響
    三、數據源對模型識別準確率的影響
    四、不同卷積神經網路的識別準確率對比
    五、模型泛化能力分析
  第六節  小結
第六章  蘋果病害識別
  第一節  研究內容與數據集構建
    一、研究內容與技術路線
    二、蘋果病害數據集構建
    三、數據集預處理與增強
  第二節  基於ResNet101的蘋果葉片病害分類
    一、深度殘差網路結構
    二、環境參數與評價指標
    三、實驗結果與分析
  第三節  基於YOLOv5s模型的蘋果葉片病斑實時檢測
    一、葉片病害數據標注
    二、基於YOLO的蘋果葉片病害檢測模型
    三、環境參數與評價指標
    四、BTC YOLOv5s的蘋果葉片病害檢測模型性能分析
    五、消融實驗與注意力機制分析
    六、主流檢測模型性能對比
    七、模型魯棒性檢測
  第四節  病害檢測系統開發
    一、系統需求分析
    二、系統設計
    三、系統實現
    四、系統功能與性能測試
  第五節  小結
第七章  智慧農業中深度學習發展趨勢和前景展望
  第一節  基於深度學習的智慧農業發展現狀與趨勢
    一、智慧種植髮展現狀
    二、智慧植保發展現狀
    三、精準估產發展現狀
    四、科學育種發展現狀
  第二節  基於深度學習的智慧農業發展面臨的機遇與挑戰
    一、基於深度學習的智慧農業發展機遇
    二、基於深度學習的智慧農業面臨的挑戰
  第三節  基於深度學習的智慧農業發展對策與建議
    一、核心技術發展
    二、標準制定
    三、智慧農業人才培養
    四、智慧農業技術產業化建議
參考文獻

  • 商品搜索:
  • | 高級搜索
首頁新手上路客服中心關於我們聯絡我們Top↑
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話:02-2381-2033 02-2381-1863 時間:週一-週五 10:00-17:00
 服務信箱:bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證:浙B2-20060032