基于改进Mask R-CNN的奶牛个体识别方法研究

目的 针对传统奶牛养殖中采用人工识别奶牛个体的方法效率低且主观性强的问题，提出一种基于改进Mask R-CNN的奶牛个体识别方法。方法 该方法对Mask R-CNN中的特征提取网络结构进行优化，采用嵌入SE block的ResNet-50网络作为Backbone，通过加权策略对图像通道进行筛选以提高特征利用率；针对实例分割时目标边缘定位不准确的问题，引入IoU boundary loss构建新的Mask损失函数，以提高边界检测的精度；对3000张奶牛图像进行训练、验证和测试。结果 改进Mask R-CNN模型的精度均值(AP)达100%，IoU_Mask达91.34%；与原始Mask R-CNN模型相比，AP提高了3.28%，IoU_Mask提高了5.92%。结论 本文所提方法具备良好的目标检测能力，可为复杂农场环境下的奶牛个体精准识别提供参考。     

基于深度学习的香蕉病害远程诊断系统

目的 实现香蕉病害的远程诊断。方法 基于深度学习方法对香蕉作物的7种常见病害进行诊断。收集了5944幅健康及染病香蕉植株图像，按7：1：2分为训练集、验证集和测试集。利用迁移学习对GoogLeNet深度卷积神经网络训练获取诊断模型。进一步开发了包含手机移动应用程序(APP)和远程服务器的软件系统。结果 通过对比不同迭代次数及不同优化器，最终采用了MomentumOptimizer迭代10000次的模型，平均测试精度达到了98%。设计的APP能够就地获取香蕉图像，并通过网络与集成了诊断模型的远程服务器通信，实时获取诊断结果。结论 该病害诊断模型识别主要病害的精度高，在线诊断系统简单易操作，可快速有效地在线诊断香蕉常见病害，具有良好的应用前景。     

基于改进YOLOX-Nano的农作物叶片病害检测与识别方法

目的 实现精确迅速的农作物病害检测,减少人工诊断成本,降低病害带来的农作物产量和品质影响。方法 根据对农作物病害和病斑特征的分析,提出一种基于卷积注意力机制改进的YOLOX-Nano智能检测与识别模型,该模型采用CSPDarkNet作为主干网络,将卷积注意力模块CBAM引入到YOLOX-Nano网络结构的特征金字塔(Feature pyramid network,FPN)中,并在训练中引入Mixup数据增强方式,同时将分类的损失函数由二分类交叉熵损失函数(Binary cross entropy loss,BCE Loss)替换为焦点损失函数Focal Loss、回归损失函数由GIOU Loss替换为本文设计的CenterIOU Loss函数,采用迁移学习策略训练改进的YOLOX-Nano模型,以此提升农作物病害检测的精度。结果 改进后的YOLOX-Nano模型仅有0.98×10⁶的参数量,在移动端测试单张图片检测时间约为0.187 s,平均识别精度达到99.56%。实践结果表明,其能快速有效地检测与识别苹果、玉米、葡萄、草莓、马铃薯和番茄等农作物的常见病害,且达到了精度与速度的平衡。结论 改进后的模型不仅对农作物叶片病害识别具有较高的精度和较快的检测速度,参数量和计算量较少,还易于部署在手机等移动端设备。该模型实现了在田间复杂环境对多种农作物病害精准定位与识别,对于指导早期农作物病害的防治具有十分重要的现实意义。     

基于卷积神经网络的绝缘子目标识别方法研究

为了实现复杂背景下绝缘子的快速、准确识别,提出了基于卷积神经网络的绝缘子目标识别方法。该方法通过公开数据集ImageNet预训练VGGNet,并将VGGNet作为特征提取网络,预训练后用其参数初始化Faster R-CNN,通过绝缘子数据集再训练,最终用来识别绝缘子目标。此外,为了探究不同卷积网络和不同算法对试验结果的影响,除上述VGGNet和Faster R-CNN以外,还使用了AlexNet和Fast R-CNN来进行对比试验,即对比Fast R-CNN+VGGNet、Faster R-CNN+VGGNet、Faster R-CNN+AlexNet这3种网络。测试结果表明:在使用相同特征网络VGGNet时,Faster R-CNN的各项测试指标均优于Fast R-CNN,在使用相同算法Faster R-CNN时,VGGNet网络的检测指标较为理想,但识别速度稍慢于AlexNet网络。3种网络都能够达到绝缘子目标识别的目的,精确度依次为87.23%、96.66%、93.34%,召回率依次为59.42%、84.06%、49.28%,平均识别时间依次为8.48,2.70,1.40s。观察试验可知,相比其他两种算法Faster R-CNN+VGGNet检测结果较为理想,其精确度分别高出9.43%和3.32%,召回率分别高出24.64%和34.78%,说明该方法可对复杂背景下的绝缘子进行有效识别。     

基于MF-SSD卷积神经网络的玉米穗丝目标检测方法

目的 玉米穗丝是玉米的授粉器官，生长发育状况会影响玉米的产量。为了在玉米生长状态监测和产量预测工作中实时准确识别玉米穗丝，提出一种基于多特征融合SSD (MF-SSD)卷积神经网络的玉米穗丝检测模型。方法 基于特征图对玉米穗丝进行检测，在VGG16-SSD的基础上，用MobileNet替换特征提取器，加入多层特征融合结构，得到MF-SSD网络模型；通过网络优化调整，试验了MF-SSD-cut-3、MF-SSD和MF-SSD-add-3共3种网络结构，优选出检测性能最好的网络结构用于玉米穗丝检测。基于玉米穗丝图像数据集，应用0~180°随机旋转原始图像和水平翻转、平移原始图像2种数据增广技术提升模型训练效果。对是否使用二次训练策略和是否使用Focal loss解决样本不平衡问题进行了试验，并对比分析Loss的下降过程。结果 通过加入多层特征融合结构对SSD模型改进后能够提高网络的检测能力，提升识别速度。与VGG16-SSD相比，MF-SSD在交并比指标方面的平均精度提高7.2%，对玉米穗丝小目标检测的平均召回率提高19.6%，检测速度最高能提升18.7%。在存储空间和运行时间有较高要求的嵌入式环境下，MF-SSD-cut-3模型在满足检测效果的前提下，以较小的空间代价获得了相对较短的运行时间；在不考虑空间和时间因素的情况下，MF-SSD模型获得更好的检测效果。二次训练策略提高了网络的收敛速度和模型的稳定性；Focal loss有效解决了SSD算法中正负样本数量不平衡问题，使网络模型的训练更容易收敛。结论 MF-SSD模型对小目标的检测能力能满足农业生产中对玉米穗丝的实时检测需要，可以用于玉米生长状态的自动监控和产量的精准预测。     

基于Darknet深度学习框架的桃花检测方法

【目的】 为实现果园自然场景下智能农业机器人对桃花的准确、快速、有效检测。【方法】 文章采用相机获取桃花图片数据,通过LabelImg软件进行人工标记建立桃花目标识别的检测样本数据集,训练Darknet深度学习框架下的YOLO v4模型对桃花进行识别。【结果】 模型精度评估表明,YOLO v4模型的平均准确率MAP值（86%）比Faster R-CNN的MAP值（51%）高出35%。【结论】 YOLO v4与经典的算法相比,对各种自然环境下的桃花检测具有较好的实时性和鲁棒性,可为精准识别桃花提供重要参考价值,桃花精准识别为疏花疏果作业奠定了基础。     

基于Faster R-CNN的蓝莓冠层果实检测识别分析

[目的]基于Faster R-CNN模型对不同成熟度蓝莓果实进行精准识别分类,为浆果类果实的自动化采摘、产量预估等提供技术支撑.[方法]选取成熟果、半成熟果、未成熟果剪切图像各4000幅和8000幅背景图像作为训练集,1000幅原始图像用于验证集开展试验,改进Faster R-CNN算法,设计一种对背景干扰、果实遮挡等因素具有良好鲁棒性和准确率的蓝莓果实识别模型,模型通过卷积神经网络(CNN)、区域候选网络(RPN)、感兴趣区域池化(ROI Pool-ing)和分类网络来实现蓝莓图像背景消除及果实识别并与DPM算法进行对比.[结果]以WOA算法优化的训练参数作为参考,在蓝莓数据集上训练网络模型.在分析P-R曲线后计算F发现,Faster R-CNN算法在成熟果、半成熟果和未成熟果上的F值分别为95.48%、95.59%和94.70%,与DPM算法相比平均高10.00%.在对3类蓝莓果实的识别精度方面,Faster R-CNN同样有着优秀的识别效果.对成熟果、半成熟果和未成熟果的识别准确率分别为97.00%、95.00%和92.00%,平均识别准确率为94.67%,比DPM算法高20.00%左右.该网络模型在高精度的识别效果下,对于蓝莓果实的平均识别速度依然达0.25 s/幅,能满足实时在线识别的需求.[建议]获取多角度、复杂环境下的图像用来提高模型识别率;利用迁移学习建立蓝莓识别模型;数据集样本扩充并分类.     

基于离散因子的多传感器数据融合和导航线提取方法

目的 针对玉米田间路径边界模糊和形状不规则特点,普通的田间导航线提取算法在农业机器人实际应用中会出现偏差过大的问题,本文针对3~5叶期玉米田提出了基于离散因子的相机与三维激光雷达融合的导航线提取算法。方法 首先利用三维激光雷达获取玉米植株点云数据,同时将相机采集的图像利用超绿化算法和最大类间方差法自动获得绿色特征二值图像,然后将聚类分析后的点云数据投影到图像中的目标边框上,构建多传感器数据融合支持度模型进行特征识别,最后拟合所获取特征中心点即为导航基准线。结果 该算法能够很好地适应复杂环境,具有很强的抗干扰能力,单帧平均处理时间仅为95.62 ms,正确率高达95.33%。结论 该算法解决了传统算法寻找特征质心偏移、识别结果不可靠等问题,为机器人在玉米田间行走提供了可靠的、实时的导航路径。     

基于改进YOLOv4模型的茶叶病害识别

【目的】提出了一种改进的YOLOv4模型,为自然环境下3种常见茶叶病害（茶白星病、茶云纹叶枯病和茶轮斑病）的快速精准识别提供支持。【方法】使用MobileNetv2和深度可分离卷积来降低YOLOv4模型的参数量,并引入卷积注意力模块对YOLOv4模型进行识别精度改进。采用平均精度、平均精度均值、图像检测速度和模型大小作为模型性能评价指标,在相同的茶叶病害数据集和试验平台中,对改进YOLOv4模型与原始YOLOv4模型、其他目标检测模型（YOLOv3、SSD和Faster R CNN）的病害识别效果进行对比试验。【结果】与原始YOLOv4模型相比,改进YOLOv4模型的大小减少了83.2%,对茶白星病、茶云纹叶枯病和茶轮斑病识别的平均精度分别提高了6.2%,1.7%和1.6%,平均精度均值达到93.85%,图像检测速度为26.6帧/s。与YOLOv3、SSD和Faster R-CNN模型相比,改进YOLOv4模型的平均精度均值分别提高了6.0%,13.7%和3.4%,图像检测速度分别提高了5.5,7.3和11.7帧/s。【结论】对YOLOv4模型所使用的改进方法具备有效性,所提出的改进YOLOv4模型可以实现对自然环境下3种常见茶叶病害的快速精准识别。     

基于双卷积链Fast R-CNN的番茄关键器官识别方法

为提高番茄器官目标识别的准确率,提出一种基于RGB和灰度图像输入的双卷积链Fast R-CNN番茄器官识别网络。该方法通过番茄器官图像数据集训练基于VGGNet基本结构的特征提取网络,并用其参数初始化Fast R-CNN,通过再训练,用以识别植株图像中的番茄花、果、茎器官。首先分析了网络深度和宽度、图像输入类型、激活单元对特征提取及网络分类性能的影响。详细阐述了基于Fast R-CNN的番茄器官识别网络的设计及训练方法,基于试验观察,提出了基于双卷积链的Fast R-CNN,融合自动提取的RGB和灰度图像特征,由全连接层对Selective Search算法生成的候选区域进行分类识别。结果表明:针对番茄器官图像数据集,5个卷积层的网络即可具有较高的特征提取和分类性能,增加或降低卷积层数都会使网络性能下降;与ReLU激活单元相比,PReLU和ELU能够显著提高番茄特征提取网络的性能,而提高效果和具体的网络结构有关;基于Fast R-CNN的识别方法能够对番茄的花、果、茎器官进行识别,且能够识别不同成熟度的果和不同形态的花;单卷积链Fast R-CNN网络对花、果、茎的识别平均精度(AP)最高分别为64.79%、66.76%和42.58%,双卷积链Fast R-CNN识别网络对三种器官的识别AP最高分别为70.33%、63.99%和44.95%,相较于单链网络,双卷积链Fast R-CNN的mAP提高2.56%,说明该方法对提高番茄器官识别性能是有效的。     

基于改进Mask R–CNN的多片烟叶部位的同步识别

为解决烟叶智能分级识别中需对多片散放烟叶同步进行部位识别的问题,提出一种基于改进Mask R–CNN的多片烟叶的部位同步识别方法：在Mask R–CNN区域建议网络中引入K–means聚类算法,对已标注目标检测框进行聚类,实现对预设的5种尺度的锚点尺寸和3种比例的锚点长宽比的优化,使其更加符合烟叶图像数据的分布特性,达到提高生成建议框的精确性、缩短识别时间的目的。基于采集的烟叶图像数据集,验证改进Mask R–CNN方法的有效性。结果表明,当IoU为0.5时,改进MaskR–CNN单样本耗时313ms,比MaskR–CNN的326ms快,在测试集上的均值平均精度(mAP)提高了3.56%。与FasterR–CNN和SSD目标检测算法相比,在准确率和召回率上也表现出优势。     

复杂环境下香蕉多目标特征快速识别研究

【目的】针对野外环境下断蕾机器人对多特征的变量目标快速识别难题,以及目标受到树叶、遮挡及光照影响精度的问题,提出多特征目标的快速识别方法。【方法】提出对香蕉果实、果轴和花蕾这3个目标进行多尺度特征提取及模型分类,融合聚类算法设计新的目标候选框参数,提出改进YOLOv3模型及网络结构参数的YOLO-Banana模型;为了平衡速度和准确度,用YOLO-Banana和Faster R-CNN分别对变化尺寸的香蕉多目标进行试验,研究算法对识别精度与速度的影响。【结果】YOLO-Banana和Faster R-CNN这2种算法识别香蕉、花蕾和果轴的总平均精度分别为91.03%和95.16%,平均每张图像识别所需时间分别为0.237和0.434 s。2种算法精度均高于90%,YOLO-Banana的速度相对快1.83倍,更符合实时作业的需求。【结论】野外蕉园环境下,采用YOLO-Banana模型进行香蕉多目标识别,可满足断蕾机器人视觉识别的速度及精度要求。     

基于改进SSD算法的轻量化三七病害检测

【目的】针对目前三七Panax notoginseng病害识别模型结构复杂、参数庞大,难以实现在移动设备上部署的问题,提出一种基于SSD(Single shot multibox detector)目标检测的改进模型,以期实现三七病害检测的便捷化、快速化与精准化。【方法】基于SSD模型架构,采用轻量化卷积神经网络(MobileNet)替换原始特征提取网络(VGG16),降低主干网络的参数量与计算量,同时根据人类视觉皮层中群智感受野(pRF)的大小与其视网膜图中偏心率之间的函数关系,构建RFB模块,用该模块替换原SSD模型框架顶部卷积层,从而增强网络深层特征,提高轻量化模型的检测精度与检测速度,实现多尺度三七病害检测。【结果】与SSD模型相比,RFBMobileNet-SSD模型网络参数量和参数计算量分别降低了96.67%和96.10%。在不同天气条件下应用模型对4种不同病害数据进行验证发现,改进模型的准确率提高了4.6个百分点,召回率提高了6.1个百分点,F1精度提高了5.4个百分点,单幅图像检测时间由SSD模型的0.073 s缩短为0.020 s,尺寸仅为SSD模型的54.6%。【结...     

基于Mask R-CNN的玉米苗与株芯检测方法

【目的】研究基于改进Mask R-CNN的玉米苗冠层分割算法,满足精准作业中对靶施肥的识别要求,提高化肥的使用效率,减少环境污染。【方法】采集田间玉米苗图片并增强数据,生成田间数据集;使用ResNeXt50/101-FPN作为特征提取网络对分割算法进行训练,并与原始ResNet50/101-FPN的训练精度结果作对比;采用不同光照强度及有伴生杂草的玉米苗图片对比验证冠层识别算法效果。【结果】在不同光照强度下,无伴生杂草的目标平均识别精度高于95.5%,分割精度达98.1%;在有伴生杂草与玉米苗有交叉重合情况下,目标平均识别精度高于94.7%,分割精度达97.9%。检测一帧图像的平均时间为0.11 s。【结论】Mask R-CNN的玉米苗及株芯检测算法有更高的准确率和分割精度,更能适应不同光照强度及有伴生杂草的苗草交叉重合情况的目标检测。     

基于Faster R-CNN的大田玉米雄穗识别及抽穗期判定研究

目前田间玉米雄穗数量监测主要依靠人工进行,效率低且易出错.为了实现在复杂的田间环境下对玉米雄穗自动识别和计数的任务,使用无人机平台和田间作物表型高通量获取平台采集的田间玉米顶视图像构建数据集,使用Resnet 50作为新的特征提取网络代替原始的VGG 16来优化Faster R-CNN模型.再根据表型平台所获取的高时序、连续图像,进一步使用改进后的模型对试验小区内玉米抽穗期前后20 d的雄穗数量进行监测,以此为依据进行抽穗期判定.该方法在田间作物表型高通量平台获取的图像数据测试集中类平均精度为90.14％,平均绝对误差为4.7328;在无人机平台获取的图像数据测试集中类平均精度为82.14％,平均绝对误差为9.6948.试验结果表明:该模型在田间作物表型高通量获取平台上的检测结果优于无人机平台,且具备一定的应用价值.     

基于星基增强精密单点定位的农机自动导航系统开发与测试

目的 开发基于星基增强精密单点定位的农机自动导航系统。方法 以国产雷沃TX1204拖拉机为平台,采用国产星基增强定位板卡的输出数据作为农机位置反馈量,设计位速卡尔曼滤波器对定位数据进行滤波处理,开发预瞄跟随PID路径跟踪控制算法进行导航控制,整定不同行驶速度条件下的模型控制参数,采用地基增强RTK高精度定位接收机输出数据作为参考量,搭建农机自动导航测试系统并开展系统性能测试。结果 在直线跟踪误差方面,所开发的农机自动导航系统平均误差为?0.0009436 m,标准差为0.02452 m,最大误差绝对值为0.08472 m;在邻接行误差方面,平均误差为0.0007128 m,标准差为0.02986 m,最大误差绝对值为0.15444 m。这一精度可满足大部分农机自动导航作业需求。结论 将国产星基增强精密单点定位技术用于农机自动导航是可行的;本文设计的预瞄跟随PID路径跟踪控制模型和提出的不同速度条件下PID参数与前视距离的整定方法,提高了系统对不同速度的自适应能力。     

基于YOLOv5改进模型的杂交稻芽种快速分级检测

目的 提高杂交稻种子活力分级检测精度和速度。方法 提出了一种基于YOLOv5改进模型(YOLOv5-I)的杂交稻芽种快速分级检测方法,该方法引入SE (Squeeze-and-excitation)注意力机制模块以提高目标通道的特征提取能力,并采用CIoU损失函数策略以提高模型的收敛速度。结果 YOLOv5-I算法能有效实现杂交稻芽种快速分级检测,检测精度和准确率高,检测速度快。在测试集上,YOLOv5-I算法目标检测的平均精度为97.52%,平均检测时间为3.745 ms,模型占用内存空间小,仅为13.7 MB;YOLOv5-I算法的检测精度和速度均优于YOLOv5s、Faster-RCNN、YOLOv4和SSD模型。结论 YOLOv5-I算法优于现有的算法,提升了检测精度和速度,能够满足杂交稻芽种分级检测的实用要求。     

基于深度学习的高分辨率麦穗图像检测方法

小麦是重要的粮食作物之一,针对人工田间麦穗计数及产量预测效率低的问题,基于深度学习提出了一种高分辨率的小密集麦穗实时检测方法。对麦穗图像数据集进行图像分割、标注、增强预处理,基于Tensorflow搭建YOLOv4网络模型,调整改进后对其进行迁移学习;与YOLOv3、YOLOv4-tiny、Faster R-CNN训练模型进行对比,对改进模型的实用性与局限性进行分析;重点分析影响麦穗检测模型性能的关键因素。通过图像分割的方式,证明了通过改变图像分辨率确定麦穗所占图像最优像素比,可以提高前景与背景差异,对小密集麦穗有显著效果。通过对改进模型的测试,表明该模型检测精度高,鲁棒性强。不同分辨率、不同品种、不同时期的麦穗图像均类平均精度（mAP）为93.7%,单张图片的检测速度为52帧·s^-1,满足了麦穗的高精度实时检测。该研究结果为田间麦穗计数以及产量预测提供技术支持。