Field-based deep learning classification of cotton and weeds for machine-vision-assisted intra-row weed management
用MobileNetV2和DenseNet169对田间棉花与杂草图像做二分类,验证机器视觉除草可行性
棉花、甘蔗、烟草、蚕桑等工业原料型作物
用MobileNetV2和DenseNet169对田间棉花与杂草图像做二分类,验证机器视觉除草可行性
用MODIS NDVI与四种回归模型预测印度各邦作物产量,并做全国尺度验证。
用田口-机器学习框架优化棉花种子电引发处理,提升种子性能。
检验1853年英国殖民土地制度边界是否在21世纪仍留下空间印记。
研究农业金融服务对中国棉花供应链韧性的影响及机制。
利用GIS和遥感评估印度某地块土壤特性及作物适宜性,为可持续生产提供规划依据。
综述棉花害虫动态与农药使用变化,提出可持续管理策略。
用无人机图像修复残膜遮挡并预测卷曲程度,评估棉田残膜污染。
新疆农业大学邱浩等学者在《MDPI Agronomy》发表论文,提出低成本快速构建田间棉花3D点云并评估冠层性状的技术堆栈。针对传统3D数据采集成本高、处理时间长、运营效率低等瓶颈,集成快速重建算法与基于地面控制点(GCP)的尺度恢复机制,能够以低成本和短时间从UAV航拍图像生成真实尺度3D点云。仅使用141张UAV影像和约20分钟重建时间即可高效重建两个5.5m×5.5m棉花小区的高质量尺度精确点云,在重建效率和点云完整性方面均显著优于SfM-MVS和Instant-NGP;研究进一步量化分析收获期冠层高度变异系数、孔隙度分布和冠层体积分数,为精准栽培管理与机械化兼容种植提供数据支持。
研究提出基于自监督3D卷积自编码器(3D-CAE)的时空胁迫网络STS-NET,利用Planetscope高分辨率影像的NDVI、GNDVI、RECI和NDRE四种植被指数进行作物胁迫检测。模型在Barnala时空(BSPT)数据集训练,并在印度北方邦Lakhimpur-Kheri地区2.5英亩甘蔗试验田的真实数据集(一年期)上评估。STS-NET在水胁迫检测上达到97.98%精度、氮胁迫85.08%精度、复合胁迫83.47%精度。结果表明该网络能以最少标注数据有效检测甘蔗作物胁迫,并可作为简单模型的稳健特征提取器。