首页期刊导航|南京农业大学学报
期刊信息/Journal information
南京农业大学学报
南京农业大学
南京农业大学学报

南京农业大学

郑小波

双月刊

1000-2030

nauxb@njau.edu.cn

025-84395214

210095

南京市卫岗1号

南京农业大学学报/Journal Journal of Nanjing Agricultural UniversityCSCD北大核心CSTPCD
查看更多>>本学报是综合性、多科性农业科学学术期刊，中国自然科学核心期刊。主要刊登动物遗传育种、生理生化，作物栽培、病虫害防治，园艺科学，食品科学，动物医学与动物科学，资源与环境科学，农业应用化学，农业经济与贸易，土地管理及农业工程等学科的学术论文、研究报告、科研简报和文献综述。
正式出版
收录年代

    基于光谱与纹理特征融合的绿萝叶绿素含量检测

    闫明壮王浩云吴媛媛曹雪莲...
    568-575页
    查看更多>>摘要：[目的]本文旨在快速测定植物体内叶绿素含量,以提高无损测定叶绿素的准确性.[方法]以绿萝叶片为研究对象,提出一种串联融合高光谱特征与纹理特征的叶绿素SPAD值的无损检测方法.采集320片绿萝叶片样本在400～900 nm波段的光谱信息,使用Savitzky-Golay卷积平滑对原始高光谱图像进行预处理,利用连续投影算法(successive projections algorithm,SPA)选取出10个特征波段,对绿萝叶片高光谱图像中的RGB图像采用灰度共生矩阵算法(gray-level co-occurrence matrix,GLCM)提取其纹理特征,采用串联方法融合高光谱特征与纹理特征得到融合特征,分别建立单一特征和融合特征的误差反向传输人工神经网络(back propagation artificial neural network,BPANN)和支持向量机回归(support vector machine regression,SVR)模型.[结果]单一使用特征光谱数据或图像纹理数据作为特征值建立的预测模型,综合性能不稳定;基于串联融合特征的预测模型准确率有明显提升.基于串联融合特征的SVR模型具有最佳的预测结果,校正集决定系数R2为0.9612,预测集决定系数R2为0.9571.[结论]高光谱特征与纹理特征的融合特征可以提高叶绿素回归预测模型的准确性,为叶绿素含量无损检测提供了重要参考.

    绿萝叶绿素SPAD值高光谱特征纹理特征特征融合

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据
    • 维普

    基于形状及纹理特征的淡水鱼种类自动识别方法

    梁钊董熊兴国徐东坡陆明洲...
    576-585页
    查看更多>>摘要：[目的]本文利用自行搭建的淡水鱼图像采集装置在淡水鱼捕捞现场采集鱼体图像,在图像数据集上提出一种实用的淡水鱼自动识别分类方法.[方法]对14类淡水鱼图像进行预处理、自模板匹配操作,分割出完整的鱼体前景图像;提取鱼体全身、去尾鱼体及鱼尾的16维形状特征,利用灰度-梯度共生矩阵(GLGCM)、局部二值模式(LBP)及Gabor变换提取鱼体纹理特征,采用主成分分析法(PCA)分别筛选GLGCM纹理+形状、LBP纹理+形状和Gabor纹理+形状特征累积贡献率超过85％的特征组合.将降维前后特征集的70％和30％分别作为训练集和验证集,利用朴素贝叶斯、K近邻(KNN)、线性回归、决策树、随机森林、支持向量机(SVM)、梯度提升决策树(GBDT)7种机器学习方法训练淡水鱼品种分类器,并利用验证集数据分析对比各分类器的性能.[结果]鱼体前景图像分割算法测试结果表明,本文提出的自模板匹配方法可在不建立大规模模板库的前提下,以99.79％的正确率分割鱼体图像.分类器性能验证及对比结果表明,基于GLGCM纹理+形状特征的随机森林分类器的淡水鱼识别精度最高,降维获得的5维GLGCM纹理+形状特征向量识别14种淡水鱼的正确率达到99.52％.[结论]提出的自模板匹配方法可以在不构建庞大模板库的前提下实现鱼体前景区域的分割,基于筛选得到的GLGCM纹理+形状特征的随机森林分类器可用于自动识别淡水鱼品种.

    机器视觉淡水鱼分类纹理特征降维随机森林

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据
    • 维普

    基于机器学习的奶牛颈环ID自动定位与识别方法

    张瑞红赵凯旋姬江涛朱雪峰...
    586-595页
    查看更多>>摘要：[目的]奶牛个体信息的实时感知和行为分析是现代化奶牛精细养殖的必然要求,奶牛个体身份的有效识别是上述目标的前提和基础.基于奶牛生物特征(牛脸、体斑等)图像的无接触识别方法易受外界干扰、算法复杂度高,可识别的样本规模受到限制.因此,本文提出1种基于机器学习的奶牛颈环ID自动定位与识别方法.[方法]针对奶牛运动造成的颈环ID偏转问题,采用基于梯度方向直方图(HOG)特征的级联检测器结合多角度检测方法实现奶牛标牌的定位;对标牌图像进行图像增强和二值化分割等处理,得到单个字符图像;设计卷积神经网络的结构和参数,训练字符识别模型,从而完成标牌字符的识别.试验数据包括80头奶牛的1414幅侧视图像,随机选取其中58头奶牛的图像作为训练集,其余22头奶牛的图像作为测试集.[结果]标牌定位的准确率为96.98％,召回率为80.23％,字符识别模型的准确率为93.35％,连续图像序列中奶牛个体的识别率为95.45％.[结论]识别模型对光线变化、污渍沾染、旋转角度等具有良好的鲁棒性,具有代替传统动物个体身份识别方法的潜力.

    标牌定位级联检测器多角度检测字符分割字符识别卷积神经网络

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据
    • 维普

    《南京农业大学学报》稿约

    596页
      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据
    • 维普