基于安卓系统下田间智能除草技术研究

传统田间除草方法需要大量人力和时间，而且存在一定安全隐患。而智能除草技术则能够自动识别和定位田间杂草，进行精准喷洒除草剂，不仅能够提高工作效率，还能够降低人员接触除草剂的风险。该文提出一种基于安卓系统的智能除草技术。该技术结合了机器视觉和深度学习算法，能够自动识别和定位田间杂草，并通过控制机器人手臂和喷雾器进行精准喷洒除草剂，实现了高效、精准、自动化的除草效果，同时提高了除草效率和可靠性。田间试验结果表明，该系统能够有效除去田间杂草，并且具有较高的准确性和稳定性，为农田的维护和管理提供了一种新的解决方案。     

园林自动喷药机器人杂草识别与导航方法探究

园林杂草与景观植物伴随生长,在防控不力的情况下能够很快发展为优势种群,引起自然景观早衰和退化。喷洒除草剂是清除园林杂草的有效方法,但会威胁操作人员的健康。喷药机器人若要准确、高效地完成喷药作业,则必须具备精准喷药和自主导航的功能。为此,将计算机视觉应用在园林喷药机器人上,根据颜色和形状特征识别杂草,根据颜色特征识别路径并规划获得行走路线。试验中,喷药机器人对园林杂草具有较高的识别精度,实际行走路线与规划的路线基本吻合,能够实现精准喷药和自主导航;机器人处理单幅图像仅耗时0. 1 s,可以满足实际作业的需求。     

用于识别田间空心莲子草的颜色特征的研究

对于空心莲子草这一恶性杂草,提出了引入计算机视觉技术在其出苗后迅速喷洒除草剂的策略。针对营养繁殖的空心莲子草出苗后叶片由紫红色变为绿色的现象,根据用于绿色植物分割的颜色特征突出绿体G的特点选择了15种突出红体R的颜色特征识别空心莲子草。使用权重为出苗天数的线性加权法得出识别效果较好的颜色特征是r,2r-g-b,1.4r-g-b。其方法可用于其它红色杂草。     

动态喷洒系统计算机视觉的研究与设计

传统农业中覆盖式喷洒除草剂,不但浪费除草剂和人力资源,而且污染环境,因此采用计算机视觉技术把杂草从农作物和土壤的背景中识别出来,定量与定位地喷洒化学制剂就显得极为重要.动态杂草识别与喷洒系统不但与识别算法有关,还与摄像头的安装高度、安装角度以及喷头的距离有很大的关系.为了达到精确喷洒的目的,对系统的计算机视觉部分进行了深入的研究和设计,通过大量试验进行验证,为动态杂草识别与喷洒系统的精确喷洒做好了充分的准备.     

基于计算机视觉的玉米田间除草系统开发

杂草会给农业生产造成严重的损失,化学除草操作简单,效率较高,但面临在粮食和环境中残留所引起的安全问题。变量喷药能够根据杂草在田间的位置、种类和密度调节除草剂喷洒的时机和剂量,但要以对田间杂草的准确识别为前提。为此,开发了一种利用计算机视觉的玉米田间变量喷药除草系统,利用相机拍摄田间图像,导入计算机中进行分析,提取杂草信息后生成处方图传递给喷药控制系统;喷药控制系统根据处方图,结合机械的速度控制喷头的开闭时机和程度,实现变量喷药。系统对田间杂草的识别率为90%,处理单张图片的平均耗时为86ms,能满足对杂草进行实时识别的要求。在室内试验中,机械行进速度为0.3m/s时,系统具有很好的准确性和作业效率。     

机器视觉喷药机器人的研发

为解决温室内农药喷洒的浪费现象,减少土壤中的农药残留问题,开发基于机器视觉的喷药机器人。该系统通过TMS320DM642对温室内作物和杂草进行识别,将处理结果上传至ARM处理器并控制喷药机械手进行喷药。该机器人能正确辨别特定的作物和杂草,并根据作物和杂草面积大小和分布状况进行对靶变种类喷药,即:对杂草喷洒除草剂,对作物喷洒除虫剂。同时,该系统还加入了Zigbee无线通讯和视频传输模块,实现了喷药的无人化和智能化。     

农业自动化喷雾机械标靶害虫自动识别系统的研究

农业喷雾对象的识别和定位是农业自动化喷雾机械研究中的核心技术之一。对病虫害甘蓝进行精准喷洒农药,实现病虫害准确自动识别成为关键。为此,利用机器视觉的欧氏距离甘蓝夜蛾虫害自动识别检测系统,结合由Qualityspec光谱仪组成的光谱成像系统,对甘蓝正常叶片和遭受甘蓝夜蛾虫害的甘蓝叶片的颜色特征和光谱特征进行分析,并采用机器视觉分割阈值选取中的Otsu算法和自适应波段选择方法提取出了颜色差异的最佳几何阈值和两种叶片的特征波段。试验结果表明:综合机器视觉和光谱技术能够实现甘蓝夜蛾虫害的自动且准确的识别,准确率可达94%。因此,建立机器视觉和光谱技术综合识别体系,可为农作物病虫害自动防治喷雾机器人的研制奠定基础,以达到农作物病虫害实时识别和及时治理的目的。     

计算机视觉技术在果园除草机上的应用研究

果园杂草与树木竞争营养和水分,还是病虫害滋生和栖息的场所,导致果园减产10%~20%,并降低果园产品的质量。化学除草方法的效率高、成本低,有利于保持果园的土壤环境和微生物群落。传统的大面积喷洒带来药液的浪费和残留问题,而变量喷药则根据杂草的位置和密度,相应地调节除草剂的喷洒时机和剂量,能够减少除草剂用量。变量喷药的前提是获得杂草的位置、分布和密度信息,目前常用计算机视觉技术来实现。为此,利用计算机视觉技术识别获取果园杂草的分布和密度信息,通过处理器控制执行装置进行变量喷药,并设计了果园化学除草的机械。试验结果表明:视觉系统对苹果园和葡萄园单张图像的处理时间为80ms,机械的最佳作业速度为0.3m/s和0.4m/s,具有较高的除草效果和效率,能在果园生产中应用推广。     

农作物病害检测中光谱和图像处理技术现状及展望

精准农药喷洒作业是精细农业中要解决的重要问题之一,喷雾对象的识别和定位是精准农药喷洒作业的核心技术之一。机器视觉与光谱检测是目前最主要的两种自动检测方法。为此,针对国内外在病害检测识别领域研究现状,全面、系统地阐述基于图像处理技术的机器视觉检测法与光谱检测法在病害识别中的研究现状,分析其在病害识别上存在的优缺点。同时,指出今后病害检测的研究方向,使检测系统更具有良好的分割准确性、鲁棒性和实时性,以期实现非结构环境下的病虫害自动检测。     

应用机器视觉技术识别田间杂草的研究

田间杂草的识别是准确使用除草剂有效的依据，对提高农作物产量、降低成本、生产出满足消费者需求的无害产品是非常重要的。为此，就如何利用机器视觉技术从复杂的土壤背景下分离出植物(作物和杂草)的方法进行研究，从而为杂草的识别做前期准备工作。     

一种基于DSP的杂草图像分割方法

0引言 大面积喷洒农药不仅造成了农药的大量浪费，而且严重地污染了环境，同时，农药在作物中的残留威胁着人类的健康生活。因此，利用机器视觉识别出杂草并实现农药自动喷洒的定量定点化成为精细农业研究的重点。其中，将作物和杂草从数字图像中快速准确地分离出来，对后续杂草识别处理以及实现定量定点喷洒农药具有重要意义。     

色差边缘检测方法在杂草识别中的研究

田间作物与杂草的识别是实现变量喷洒除草药剂的关键.为此,提出了田间作物和杂草的叶子颜色信息以及HSI颜色模型研究的基础上,提出了一种与HSI空间3分量相互分离的特点相结合的色差边缘检测方法,并将实验结果同传统的Sobel方法进行了比较.结果表明,该方法充分利用了田间作物与杂草的彩色信息,能够快速准确地检测到图像的边缘,边缘连续性好,能很好地与背景分离,而且能够满足实时检测的要求.     

基于骨架提取算法的作物茎秆识别与定位方法

针对农作物禾苗和杂草辨识和定位不精确,会造成除草机器人除草不净、伤害禾苗、影响产量等问题,提出了一种基于骨架提取算法的作物茎秆中心识别与定位的多级图像识别方法。该方法通过不同图像处理算法的多级式递进融合,实现对农作物茎秆的精确识别与中心定位。首先将采集到的彩色图像转换到HSV颜色空间进行背景分割。然后采用腐蚀算法对图像进行腐蚀操作,腐蚀掉杂草图像信息得到仅含作物的图像信息,最后用Zhang-Suen细化算法对作物图像进行骨架提取操作,并对骨架交叉点进行计算分析,识别与定位作物茎秆中心,实现作物精准辨识和定位。对采集的100幅苗期图像进行实验测试,结果表明农作物禾苗茎秆中心识别和定位精度误差小于12mm。本文方法能实时精准辨识禾苗和杂草,并对禾苗进行精准定位,为实现田间机械化除草提供了一种精准可靠的作物识别和定位方法。     

杂草信息实时获取技术与设备研究进展

杂草信息的实时获取技术是田间杂草精准控制研究的首要问题,杂草实时获取设备是制约精准除草作业实现的瓶颈.综述了基于光谱、图像和光谱成像技术的杂草实时获取技术与设备的国内外研究现状,以促进精准杂草管理技术在我国的应用和发展.基于光谱的杂草信息获取方法较适用于实时防除作物出苗前的杂草,国外已有WeedSeeker、Weed-IT等杂草传感器.基于图像的杂草信息获取方法较适用于识别行间杂草,国外已有Autopilot、Cam Pilot、Robocrop等视觉导航产品和Robocrop InRow机械除草机防除行内杂草.基于光谱成像的杂草信息获取方法较适用于识别行内杂草,中、澳正联合研发微光子植物判别和杂草控制传感器.需要继续深入研究在复杂的开放式非结构的农田环境中,快速、准确地实时获取农田杂草信息技术.     

基于改进YOLOv5算法的农田杂草检测

随着智慧农业技术和大田种植技术的不断发展,自动除草具有广阔的市场前景。关于除草剂自动喷洒的有效性,农田杂草的精准、快速地识别和定位是关键技术之一。基于此提出一种改进的YOLOv5算法实现农田杂草检测,该方法通过改进数据增强方式,提高模型泛化性;通过添加注意力机制,增强主干网络的特征提取能力;通过改进框回归损失函数,提升预测框的准确率。试验表明,在芝麻作物和多种杂草的复杂环境下,本文方法的检测平均精度均值mAP为90.6%,杂草的检测平均精度AP为90.2%,比YOLOv5s模型分别提高4.7%和2%。在本文试验环境下,单张图像检测时间为2.8 ms,可实现实时检测。该研究内容可以为农田智能除草设备提供参考。     

豌豆苗期田间杂草识别与变量喷洒控制系统

以图像实时控制器CVS-1456为核心设计了图像实时识别与变量喷洒系统.在普通光照下分别采集包含豌豆苗、土壤背景、杂草(刺儿菜)等的原始图像,分析其颜色模型,根据色差分量R-B颜色特征采用LabVIEW和IMAQ Vision编程实现杂草实时识别.基于Canny算子对识别的杂草进行边缘检测,并提取目标杂草的面积、密度和形心位置3个特征参数为变量喷洒定位提供依据.随机试验表明:基于R-B色差分量对豌豆苗期复杂背景下刺儿菜杂草平均正确识别率达到83.5％,均方差0.066,该方法准确可靠.     

基于图像处理的杂草叶片识别参数研究

杂草种类繁多、危害严重,对杂草种类进行精确识别,可以提高除草效率,减少除草剂使用量,降低其对环境的污染.为此,应用图像处理的有关技术,以杂草叶片为研究对象,以形态、纹理和颜色特征相结合的方法来描述杂草叶片信息,提出了共16个特征参数可对杂草叶片信息进行精确描述,该特征参数可区别不同种类的杂草,为农药的精确投放和现代施药装备的开发奠定基础.     

基于DSP和单片机的实时变量喷药系统设计

为防治玉米农田杂草危害,设计了一种基于DSP识别和单片机控制的杂草实时变量喷药系统。数字信号处理器(DSP)实时数据处理能力强,单片机控制能力强。DSP作为喷药系统上位机图像处理模块的CPU,对田间玉米杂草图像实时采集、处理,分离出杂草,生成杂草位置信息表,发送给作为系统下位机控制模块CPU的单片机;单片机通过电磁阀控制6个喷头的开闭实现精准变量喷药。田间试验表明:系统在室外田间复杂情况下可以满足实时精准喷药要求,在作业机械速度为4km/h时,喷药精确度可以达到91.4%。     

基于迁移学习与卷积神经网络的玉米植株病害识别

大数据背景下产生了海量图像数据,传统的图像识别方法识别玉米植株病害准确率较低,已远远不能满足需求。卷积神经网络作为深度学习中的常用算法被广泛用于处理机器视觉问题,能自动识别和提取图像特征。因此,本研究提出一种基于数据增强与迁移学习相结合的卷积神经网络识别玉米植株病害模型。该算法首先通过数据增强方法增加数据,以提高模型的泛化性和准确率;再构建基于迁移学习的卷积神经网络模型,引入该模型的训练方式,提取病害图片特征,加速卷积神经网络的训练过程,降低网络的过拟合程度;最后将该模型运用到从农田采集的玉米病害图片,进行玉米病害的精确识别。识别试验结果表明：使用数据增强与迁移学习的卷积神经网络优化算法对玉米主要病害（玉米大斑病、小斑病、灰斑病、黑穗病及瘤黑粉病）的平均识别准确度达96.6%,和单一的卷积神经网络相比,精度提高了25.6%,处理每张图片时间为0.28s,比传统神经网络缩短了将近10倍。本算法的精确度和训练速度上比传统卷积神经网络有明显提高,为玉米等农作物植株病害的识别提供了新方法。     

基于多特征的杂草逆向定位方法与试验

提出了一种基于多特征的杂草逆向定位方法。以田间作物作为研究对象,将多目标杂草定位问题转换为单目标的作物定位问题。采用作物叶片HU不变矩与形状特征的识别准确定位出每一株作物,然后基于颜色特征将作物区域以外的绿色植物均认定为杂草。设计了一款小型杂草定位装置,并应用在宽幅喷药机上。田间试验结果表明,在喷药机工作速度为5 km/h时,该系统对于大豆田间杂草识别的准确率为90%以上,较好地解决了杂草定位与精细喷洒农药问题。