基于位置特征的穴间杂草快速识别算法

研究了利用穴播作物的位置特征进行穴间区块杂草识别的算法.针对穴播作物按规律分布生长的特点和田间场景中植物叶片交叠等问题,以穴播玉米为研究对象提出了一种基于作物位置特征的过分割区块投影定位作物株心的方法,据此确定出穴间喷雾操作区块并进行各区块像素统计、判别,实现穴间杂草的识别.试验表明:穴间区块杂草实时识别的正确率在87.7%以上, 在MATLAB6.5环境下处理一幅640×512图像,从读入图像至给出杂草控制指令耗时在500ms以内,具有较好的实时性,且可适用于作物苗期各阶段的杂草识别.     

自然光照下基于粒子群算法的农业机械导航路径识别

针对农业机械视觉导航线提取易受光照变化影响及常规导航线识别算法实时性低、抗干扰能力差等问题,对自然光照条件下基于机器视觉的农业机械导航路径识别技术进行了研究。首先,在YCr Cb颜色模型的基础上构建与光照无关的Cg分量,选择2Cg-Cr-Cb特征因子对图像进行灰度化处理,以降低光照变化对图像分割的影响;然后,采用改进K-means聚类方法进行图像分割,将绿色作物信息从土壤背景中分离出来,并通过形态学滤波方法滤除二值图像中存在的杂草干扰信息;最后,根据图像中作物行的特点建立作物行直线方程约束模型,利用粒子群算法对作物行直线进行寻优求解,进而得到导航线。实验结果表明,不同光照条件下对2Cg-Cr-Cb灰度图像进行图像分割,可以清晰完整地将作物从土壤背景中分离出来,分割图像受光照变化影响较小并且不会引入背景噪声;基于粒子群算法的导航线检测方法可以快速准确地提取出导航路径,对于不同农田作物和作物不同生长阶段具有较高的适应性,相比于常规导航线识别算法具有实时性高、鲁棒性好等优点。     

麦田杂草的图像识别技术的研究

主要研究了麦田杂草的图像识别技术,设计了麦田杂草识别系统.该系统包括使用数码相机进行麦田图像数据的采集,实现对图像的预处理;绿色植物与土壤背景的分割包括图像的灰度化与格式转换和图像的二值化;作物与杂草的分割包括作物中心行的识别和作物行的滤除,最后获取杂草图像.在滤除作物行的过程中确定边界阈值时采用通过先计算手工标定的作物行宽度与计算机自动检测的作物行宽度之间的相对误差,然后选定合适的对应最小误差的作物行边界阈值的方法.该系统全程使用MATLAB语言编程,系统最终目的是根据杂草和作物分布的位置特征滤除作物行,识别出杂草.     

作物行识别算法的虚拟试验方法

针对作物行识别算法的传统开发过程对田间作物生长周期依赖性较强,错过适当的田间图像采集时期将直接导致算法开发周期延长等问题,提出一种基于虚拟场景的作物行识别算法测试方法,即在虚拟环境下模拟农田作物行场景和图像采集系统,运用虚拟作物行图像测试作物行的识别算法。该方法在虚拟现实环境下建立作物行场景模型;提出一种融合建模法,根据作物和杂草的几何特征建立对应的三维几何模型;根据实际田间作物的空间分布特征,建立株距、行距可调的田间作物行模型;以Vega Prime为视景仿真工具,通过配置投影模式、渲染模式、视点位姿和图像采集规格,构建图像采集系统,输出作物行场景图像。以苗期棉花作物行为建模对象,对一种经过田间试验验证的双目视觉作物行识别算法进行测试试验。对比实际棉田图像对应的试验结果,同一作物行识别算法的识别正确率、偏差角和图像处理时间均相近。结果表明,本文建立的虚拟棉田作物行与实际棉田作物行场景相近,能够用于作物行识别算法的测试。     

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。     

基于语义分割网络的植保机器人视觉伺服控制方法

为实现稳定可靠的植保机器人视觉伺服控制,提出了一种基于语义分割网络的作物行特征检测方法。基于语义分割网络ESNet实现农田场景图像像素级带状区域检测,并利用最小二乘算法拟合得到每条行作物线特征;在此基础上通过设计一种主导航线提取算法获取导航路径,并利用卡尔曼滤波对主导航线几何参数进行平滑处理,有效抑制了不平整地面导致的机器人运动颠簸与视觉图像测量噪声引起的导航参数波动。继而构建机器人前轮转向、后轮差速的阿克曼运动学模型;在图像空间坐标下设计纯追踪控制器实现植保机器人的伺服运动控制。大田环境下的现场实验结果为：总体横向偏差为0.092m,验证了本文方法的有效性。     

基于最小二乘法的早期作物行中心线检测方法

提出了一种基于最小二乘法的早期作物行中心线检测算法。利用G-R颜色特征因子分割作物与背景。根据作物与杂草的长度属性去除部分杂草噪声,应用垂直投影法动态检测作物行数,并提取作物行中点为特征点,获得特征点图像。利用特征点间的邻近关系对特征点进行分类,对归类后的特征点进行两次最小二乘法拟合,得到作物行中心线。对于有作物缺失的作物行,采用统计条形区域内特征点数量的方法判别检测结果的可信度。实验结果表明,算法能克服杂草和作物缺失的影响,实时地提取小麦、玉米和大豆作物行,平均每幅图像处理时间小于     

基于最小二乘法的早期作物行中心线检测方法

提出了一种基于最小二乘法的早期作物行中心线检测算法.利用G-R颜色特征因子分割作物与背景.根据作物与杂草的长度属性去除部分杂草噪声,应用垂直投影法动态检测作物行数,并提取作物行中点为特征点,获得特征点图像.利用特征点间的邻近关系对特征点进行分类,对归类后的特征点进行两次最小二乘法拟合,得到作物行中心线.对于有作物缺失的作物行,采用统计条形区域内特征点数量的方法判别检测结果的可信度.实验结果表明,算法能克服杂草和作物缺失的影响,实时地提取小麦、玉米和大豆作物行,平均每幅图像处理时间小于150 ms.     

基于机器视觉的苗期杂草实时分割算法

对利用植物的位置来识别作物苗期田间杂草的方法进行了研究。根据苗期田间植物的位置特征 ,建立了基于机器视觉的分割苗期田间杂草的算法 DBW。通过比较分析各种算法的分割效果图和所耗费的时间 ,运用超绿色法灰度化原始图像 ,然后应用最大方差自动取阈法二值化图像 ,最后运用种子填充算法分割作物和杂草。研究表明 ,算法 DBW在实时性方面表现出一定的优越性 ,处理一幅 5 4 4× 117像素的图像只需大约 6 0 ms     

基于机器视觉的农田机械导航线提取算法研究

随着科学技术的发展,精细农业已成为现代农业发展的主导方向。农业机械的自动导航技术是精细农业的关键技术之一,也是实施精准农业的基础。机器视觉由于其广泛实用性,已成为农田机械导航线提取的重要方法。目前,机器视觉自动导航线提取易受自然环境干扰,且在实时处理速度上有待提高。为此,研究了一种导航线提取算法,旨在简化图像处理,提高通用性。首先对CCD获取的彩色农田图像,使用改进的过绿色算法进行灰度化,得到目标区分较好的图像;然后使用改进的OTSU算法对图像进行分割,得到二值图像,再采用滤波、腐蚀、膨胀相结合的算法去除图像噪声;最后提取作物行骨架,拟合作物行直线并进行方向校正,计算相机偏差,为实时校正航向提供反馈信息。试验结果表明,该算法处理一幅图像所用时间在200ms左右,可满足农田机械实时导航的要求。     

喷杆喷雾机智能控制系统设计及试验

为提高喷雾均匀性和农药的有效利用率,针对大田作物施药的农艺要求,设计了一种安装于大田常用喷杆喷雾机的喷雾机智能控制系统,并介绍总体方案和工作原理。该系统主要包括变量施药、喷杆高度自动调节等功能,变量施药系统通过变量调节阀调节喷雾流量,通过喷雾量与作业速度自适应控制模型,实现作业过程中药液均匀喷施;喷杆高度调节系统采用超声波传感器检测喷头与作物顶端的距离,根据设定的目标高度,控制电动缸动作,调节喷杆高度。试验表明:变量喷雾控制系统能够根据设定喷量和作业速度的变化准确发出调控指令,控制流量调节阀动作进行流量调节,提高了喷雾作业的均匀性,喷雾精度误差最小为2.24%,能够有效提高喷药作业质量;喷杆高度调节最大误差为5.40%,提高了喷杆与作物顶端距离调整的准确度。     

变量喷药自适应神经模糊控制器设计与仿真

为了减少除草剂用量,采用变量喷施除草剂方式进行除草.根据分别建立的杂草面积、喷药机械行驶速度与喷药量关系模型,得知杂草面积和喷药机械行驶速度是影响变量喷施效果的主要因素.为了获取喷药量与车速及杂草面积关系试验数据,设计了室内变量喷药试验台,使用DSP处理器及编码器分别得到杂草面积及喷药机械前进速度信息.结合所获试验数据,设计了一种基于自适应神经模糊推理（ANFIS）的双输入、单输出控制器.对控制器设计过程中输入输出变量的选取、隶属函数的选择及控制器的训练等进行了研究,数据经过30次训练后误差为1.47×10^-5.对控制器的速度采集、串行通信、电磁阀驱动等硬件电路及模糊控制软件流程,进行了设计.在Matlab中建立了自适应神经模糊控制仿真模型,仿真结果表明：在喷头打开时间为0.2 s,喷药机械速度为0～1 m/s,杂草面积在0～100 cm^2时,控制器可自动调节喷药量在0～4 mL变化.与采用传统模糊控制方式相比,该控制器自适应性强,具有较好的应用前景.     

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。     

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.     

基于双目视觉的作物苗期障碍物三维信息检测方法

农业智能装备在实际农田环境中行进或作业的过程中需要感知多变环境下的各种障碍物。为此,基于双目视觉,开展了作物苗期农田障碍物三维信息检测方法研究,提出了一种基于特征的障碍物检测算法。首先,利用边缘检测算法去除天空背景,提取出障碍物潜在区域的上边界线,利用超绿特征颜色变换去除绿色作物苗期农田背景,提取下边界线;然后,通过阈值分割算法提取障碍物目标区域;最后,通过重心特征点立体匹配来获取视差值,结合MatLab标定获取的相机内外参数进行三维重建,计算障碍物的距离、宽度和高度三维信息。田间试验结果表明:该算法可以正确提取出障碍物目标区域,障碍物距离、宽度和高度检测的平均相对误差分别为4.7%、5.79%和1.78%,能够满足农业智能装备田间障碍物检测的需求,具有较好的可靠性。     

基于贝叶斯方法的收割机发动机盖有限元模型修正

收割机发动机缸盖较为复杂,在进行有限元分析时,如果模型简化或计算模型选择错误对计算效果影响很大。为此,提出了一种基于贝叶斯方法的发动机缸盖有限元模型修正方法,在进行缸盖的有限元分析时,采用了贝叶斯方法对缸盖的刚度参数进行修正,有效地提高了计算仿真的准确性。为了验证修正模型的可行性和可靠性,利用Pro/E软件对收割机发动机缸盖进行了三维建模,并将模型直接导入到ANSYS软件中进行了网格划分,网格划分采用了分块网格划分的形式,提高了计算效率和计算的准确性。最后,运用ANSYS对发动机缸盖在工作条件下的应力分布进行了有限元仿真计算,结果表明:采用修正模型可以成功地计算得到较为准确的应力分布情况,从而验证了模型的可靠性,为收割机发动机缸盖的设计提供了重要的数据参考。     

基于最小相切圆和形态学相结合的作物行检测算法

机器视觉的农业导航路径规划是精准施药的关键,而作物行提取是其准确识别作物行路径的基础。为此,以玉米为研究对象,提出了一种基于最小相切圆原理和形态学相结合的作物行检测算法。首先在室外田间环境下采集生长早中期的玉米作物行图像,选择作物行比较规整的图像进行处理;其次,利用改进的超绿灰度化(1.8R-G-B)算法对玉米作物行图像进行灰度化处理,大大减少了噪声的干扰,通过中值滤波基本消除了噪声;然后,运用Otsu阈值算法获取了玉米作物行的二值图像。由于作物行呈线型,在此基础上,采用5×1像素的线型结构元素和3×3像素的方形结构元素两者相结合的方法对二值图像进行腐蚀、膨胀运算,并采用提出的最小相切圆与形态学结合的方法提取中央玉米作物行的骨架并进行中央作物行直线的拟合。实验表明:该算法能提供准确的位置信息,且对作物行边缘噪声具有较强的抗干扰能力,对进一步研究精准施药提供了参考依据。