张燕
- 作品数：12 被引量：58H指数：5
- 供职机构：国家农业信息化工程技术研究中心更多>>
- 发文基金：国家自然科学基金国家大宗蔬菜产业技术体系建设项目石家庄市科学技术研究与发展计划更多>>
- 相关领域：农业科学自动化与计算机技术经济管理更多>>
- 亚高温胁迫下不同昼夜温差对番茄秧苗生长和光合特性的影响被引量：1
- 2021年
- 为明确亚高温胁迫下不同昼夜温差对番茄秧苗期生长和光合特性的影响,以大果型番茄品种合作906为试材,在人工气候室模拟番茄苗的生长环境,以日温30℃、夜温26℃为对照(CK),研究了亚高温(日温35℃)条件下不同昼夜温差(0、3、6和9℃)处理对番茄苗株高相对生长速率、茎粗相对生长速率、壮苗指数以及叶片光合特性指标和水分利用效率的影响。结果表明:日温35℃对番茄苗株高和茎粗生长速率均有一定的抑制作用,其中9℃昼夜温差处理的株高较CK降低较少(10.81%),茎粗生长速率与CK差异不大,且壮苗指数与CK接近。不同昼夜温差处理的番茄叶片气孔导度均高于CK,其中0℃昼夜温差处理的气孔张开程度最大,9℃昼夜温差处理的气孔张开程度与CK接近。35℃日温胁迫会导致番茄苗叶片光合能力降低,其中昼夜温度为9℃时水分利用效率较CK降低得最少(19.17%),更有利于叶片干物质的积累。在亚高温环境下,9℃昼夜温差有利于番茄苗生长。
- 黄媛李瑜玲李瑜玲武猛高欣娜康艺凡陈诚张燕李海杰杨英茹
- 关键词：亚高温昼夜温差番茄幼苗生长水分利用效率
- 基于复杂环境的番茄叶部图像病虫害识别被引量：13
- 2021年
- 针对复杂环境下番茄叶部图像因其背景复杂导致病害识别较为困难,以温室大棚内采集的番茄叶部图像作为研究对象,对番茄白粉病、早疫病和斑潜蝇三种常见病虫害,提出一种结合颜色纹理特征的基于支持向量机(SVM)的CCL-SVM的复杂环境番茄叶部图像病害识别方法。CCL-SVM方法为实现小样本及复杂背景环境下的快速识别,首先采用滑动窗口将原始番茄叶部病害图像切割成小区域图像,选取不包含背景的小区域图像样本作为试验样本,从而实现样本数量和样本多样性的增加,并降低样本复杂背景的影响。通过对样本数据抽取颜色纹理特征(CCL),采用SVM模型对番茄早疫病、白粉病、斑潜蝇和健康叶片分类识别。试验结果表明,提出的CCL-SVM方法比Gray-SVM对番茄叶片病害种类的识别性能得到大幅提升,识别率从60.63%提升到97.5%;CCL-SVM方法识别精度高于对比的深度学习网络VGG16和Alexnet方法,且每个小区域图像的平均测试时间远低于深度学习网络。本文设计的CCL-SVM方法具有减小复杂背景影响,计算量小及系统要求低的优点,为复杂环境下番茄病害快速识别提供一种新的思路。
- 杨英茹吴华瑞吴华瑞张燕朱华吉李瑜玲
- 关键词：番茄复杂环境病害识别
- 温室作物三维有向感知与细粒度自动采集装置及方法
- 本发明涉及作物图像采集技术领域，公开了一种温室作物三维有向感知与细粒度自动采集装置及方法，该温室作物三维有向感知与细粒度自动采集装置，包括：水平布置的第一伸缩杆、竖直布置的第二伸缩杆、水平布置的第一吊轨以及竖直布置的第二...
- 吴华瑞张燕朱华吉孙想顾静秋缪祎晟付成高
- 基于核相互子空间法的番茄叶部病害快速识别模型被引量：7
- 2020年
- 近年来,基于叶片图像的番茄病害识别研究受到广泛关注。本研究利用番茄叶部病害图像中病斑的颜色和纹理的差异,通过提取番茄病害叶片图像的颜色矩(CM)、颜色聚合向量(CCV)和方向梯度直方图(HOG)等颜色纹理特征,引入核相互子空间法(KMSM),建立了番茄叶部病害快速识别模型(CCHK⁃MSM)。该模型首先通过高斯核函数,将从不同类别叶部病害图像数据中抽取的颜色及纹理特征映射到高维空间;然后对映射的高维空间进行主成分分析,建立非线性病害特征空间;最后基于非线性特征空间最小正则角对病害进行识别。本研究分别以公共农业病虫害数据集PlantVillage中的9种番茄病害类和1类健康番茄叶片图像,以及实际场景下采集的3种叶部病虫害图像数据集开展算法验证试验。基于PlantVillage的试验结果表明,当每类样本集数量为350张时,本研究所提出的CCHKMSM模型识别率达到100%,模型训练时间为0.1540 s,平均识别时间为0.013 s;同时,在样本数量150张到1000张的测试区间内,模型平均识别率为99.14%。该识别率高于其他典型的机器学习模型,与基于深度学习的识别方法相当。基于实际复杂场景下采集病害图像集的实验中,通过对原始图像切割分块后,对各病害的平均识别率为96.21%。试验结果表明,本研究提出的CCHKMSM模型识别准确率高且计算量小,其训练时间和测试时间都远低于深度学习等方法。该方法对系统要求低,具有在手持设备、边缘计算终端等低配置感知系统中的应用潜力。
- 张燕李庆学李庆学
- 基于B/S架构的农产品溯源安全管理系统的设计与应用
- 围绕与民生密切相关的蔬菜、水果、茶叶、食用菌、畜禽、竹笋等六大类产品,以二维码为载体,以JAVA为基础开发平台、SQL Server 2008为后台数据库,采用基于B/S的SSH三层架构体系构建农产品溯源安全管理系统,为...
- 张燕徐杰陈鹏周正张俊杨宝祝
- 关键词：农产品行业系统架构功能分析B/S架构
- 文献传递
- 基于B/S架构的农产品溯源安全管理系统设计被引量：13
- 2011年
- 阐述了以二维码为载体,以JAVA为基础开发平台、SQL Server 2008为后台数据库,采用基于B/S的SSH三层架构体系构建农产品溯源安全管理系统的总体设计、系统功能模块设计及其实现与应用。
- 张燕丁保华张俊徐杰陈鹏周正杨宝祝
- 关键词：B/S架构农产品二维码
- 北方秋冬茬设施番茄补光方案的模糊Borda组合评价被引量：2
- 2022年
- 为评价秋冬茬设施番茄栽培中不同补光时段和时长对番茄生理、生长、产量和品质的综合影响,以大果型番茄合作906为试材,分别设置盖棉被前开始补光2 h至棉被放下后补光2 h(T1)、盖棉被后补光4 h(T2)、盖棉被后补光6 h(T3)、棉被揭开前补光4 h(T4)、棉被揭开前补光6 h(T5)等5组处理,对照组(CK)不进行补光,测定了植株的株高相对生长速率、叶片光合速率、水分利用率、光能利用率以及果实可溶性固形物含量、果形指数、果肉厚度和单穗质量共8项指标,利用灰色关联法对评价指标进行权重确定和打分,评分由高到低排名依次是T4>T3>T2>T5>T1>CK,利用信息量权重评价法的结果显示T3>T4>T2>T1>T5>CK,基于熵值法的TOPSIS评价法的评价结果为T2>T4>T3>T1>T5>CK。因此,利用模糊Borda法综合了3种单一评价方法的排名和序值信息,通过计算最终表明,针对北方地区秋冬茬番茄栽培管理中,在1穗花现蕾后,每日于棉被放落后进行6 h补光对番茄生长和产量、品质的提升最佳。
- 黄媛李瑜玲康艺凡杜亚茹张燕杨英茹
- 关键词：设施番茄灰色关联法熵值法
- 温室作物三维有向感知与细粒度自动采集装置及方法
- 本发明涉及作物图像采集技术领域，公开了一种温室作物三维有向感知与细粒度自动采集装置及方法，该温室作物三维有向感知与细粒度自动采集装置，包括：水平布置的第一伸缩杆、竖直布置的第二伸缩杆、水平布置的第一吊轨以及竖直布置的第二...
- 吴华瑞张燕朱华吉孙想顾静秋缪祎晟付成高
- 文献传递
- 农产品质量安全监管与追溯信息平台设计与应用被引量：5
- 2011年
- 农产品质量安全监管与溯源是各级政府关注的重点问题之一。迁安市紧密围绕辖区内主要农产品生产企业、生产基地、超市、集贸批发市场等的需求,利用网络技术、条码技术,选用MS SQL 2005数据库,以.NET3.0为框架,开发了农产品质量安全监管与溯源信息平台,促进了农业标准化生产,实现了对产地、生产、质检等环节的监管及溯源。通过平台的应用与推广,为迁安市农产品质量安全提供了有力保障。
- 常智军金增欣张俊吴众望张燕王秀徽
- 关键词：农产品
- 基于注意力机制及多尺度特征融合的番茄叶片缺素图像分类方法被引量：6
- 2021年
- 针对番茄早期缺素性状不明显及各生长期特征差异较大所导致的特征区域尺寸不一致、难提取、难辩别等问题,提出了一种基于注意力机制及多尺度特征融合卷积神经网络(Multi-Scale Feature Fusion Convolutional Neural Networks based on Attention Mechanism,MSFF-AM-CNNs)的番茄叶片缺素图像分类方法。首先根据番茄叶片缺素特点提出了多尺度特征融合结构(Multi-Scale Feature Fusion Module,MSFF Module);其次在DenseNet基础上,结合浅层网络主要提取纹理、细节特征,深层网络主要提取轮廓、形状特征的特点分别提出具有针对性的特征提取方法,通过不同形式引入注意力机制及多尺度特征融合结构,使全局多尺度信息融合多个特征通道、选择性地强调信息特征并达到对特征精准定位的功能;同时引入Focal Loss函数以减少易分类样本的权重。试验结果表明,MSFF-AM-CNNs的平均召回率、平均F1得分、平均准确率较原模型DenseNet-121均大幅提升,其中缺氮和缺钾叶片的准确率分别提高了8.06和6.14个百分点,召回率分别提高了6.31和5.00个百分点,F1得分分别提高了7.25和5.55个百分点,平均识别准确率可达95.92%,具有较高的识别准确率及广泛的适用性,能够满足番茄叶片缺素图像的高精度分类需求,可为植物叶片缺素识别提供参考。
- 韩旭赵春江赵春江吴华瑞张燕
- 关键词：图像识别缺素蔬菜卷积神经网络
