人字形板式换热器流道传热特性及参数优化

为实现田间条件下快速、准确识别棉花与杂草,该文以自然光照下田间棉花与杂草为研究对象,采用垂直向下拍摄的方式获取棉花杂草视频,按1帧/s的速率从视频中提取图像,在人工去除冗余度过多的图片后,建立1 000幅图片的数据集。对比了Faster R-CNN和YOLOv3 2种典型卷积神经网络,将Faster R-CNN卷积神经网络的深度学习模型引入到棉花杂草图像识别中,并提出一种结构优化的方法,使之适用于复杂背景下的棉田杂草识别。该文选用残差卷积网络提取图像特征,Max-pooling 为下采样方法,RPN网络中引入特征金字塔网络生成目标候选框,对卷积神经网络结构进行优化。在使用700幅图片进行训练后,通过200 幅田间棉花杂草图像识别测试,结果表明：该方法的平均目标识别准确率达95.5%,识别单幅图像的平均耗时为1.51 s,采用GPU 硬件加速后识别单幅图像的平均耗时缩短为0.09 s。优化后的Faster R-CNN卷积神经网络相对于YOLOv3平均正确率MAP高0.3以上。特别是对于小目标对象,其平均正确率之差接近0.6。所提方法对复杂背景下棉花杂草有较好的检测效果,可为精确除草的发展提供参考。     

融合FPN的Faster R-CNN复杂背景下棉田杂草高效识别方法

为实现田间条件下快速、准确识别棉花与杂草,该文以自然光照下田间棉花与杂草为研究对象,采用垂直向下拍摄的方式获取棉花杂草视频,按1帧/s的速率从视频中提取图像,在人工去除冗余度过多的图片后,建立1 000幅图片的数据集。对比了Faster R-CNN和YOLOv3 2种典型卷积神经网络,将Faster R-CNN卷积神经网络的深度学习模型引入到棉花杂草图像识别中,并提出一种结构优化的方法,使之适用于复杂背景下的棉田杂草识别。该文选用残差卷积网络提取图像特征,Max-pooling 为下采样方法,RPN网络中引入特征金字塔网络生成目标候选框,对卷积神经网络结构进行优化。在使用700幅图片进行训练后,通过200 幅田间棉花杂草图像识别测试,结果表明：该方法的平均目标识别准确率达95.5%,识别单幅图像的平均耗时为1.51 s,采用GPU 硬件加速后识别单幅图像的平均耗时缩短为0.09 s。优化后的Faster R-CNN卷积神经网络相对于YOLOv3平均正确率MAP高0.3以上。特别是对于小目标对象,其平均正确率之差接近0.6。所提方法对复杂背景下棉花杂草有较好的检测效果,可为精确除草提供参考。     

基于改进Multi-Scale AlexNet的番茄叶部病害图像识别

番茄同种病害在不同发病阶段表征差异明显,不同病害又表现出一定的相似性,传统模式识别方法不能体现病害病理表征的动态变化,实用性较差。针对该问题,基于卷积神经网络提出一种适用于移动平台的多尺度识别模型,并基于此模型开发了面向农业生产人员的番茄叶部病害图像识别系统。该文详细描述了AlexNet的结构,分析其不足,结合番茄病害叶片图像特点,去除局部响应归一化层、修改全连接层、设置不同尺度卷积核提取特征,设计了基于AlexNet的多感受野识别模型,并基于Android实现了使用此模型的番茄叶部病害图像识别系统。Multi-ScaleAlexNet模型运行所耗内存为29.9MB,比原始AlexNet的内存需求652MB降低了95.4%,该模型对番茄叶部病害及每种病害早中晚期的平均识别准确率达到92.7%,基于此模型的Andriod端识别系统在田间的识别率达到89.2%,能够满足生产实践中移动平台下的病害图像识别需求。研究结果可为基于卷积神经网络的作物病害图像识别提供参考,为作物病害的自动化识别和工程化应用参考。     

自然光照条件下采摘机器人果实识别的表面阴影去除方法

有效的阴影检测和去除算法会大大提高自然环境下果实识别算法的性能,为农业智能化提供技术支持。该研究采用超像素分割的方法,将一张图像分割成多个小区域,在对图像进行超像素分割的基础上,对自然光照下的果园图像阴影区域与非阴影区域进行对比分析,探索8个自定义特征用于阴影检测。然后采用SVM的方法,结合8个自主探索的自定义特征,对图像中每个超像素分割的小区域进行检测,判断每个小区域是否处于阴影中,再使用交叉验证方法进行参数优化。根据Finlayson的二维积分算法策略,对检测的每一个阴影区域进行阴影去除,获得去除阴影后的自然光照图像。最后进行阴影检测的识别准确性试验,试验结果表明,本研究的阴影检测算法的平均识别准确率为83.16%,经过阴影去除后,图像的阴影区域亮度得到了提高,并且整幅图像的亮度更为均匀。该研究可为自然环境下机器人识别果实及其他工农业应用场景提供技术支持。     

基于光照无关图理论的苹果表面阴影去除方法

阴影影响下苹果目标的快速准确识别是苹果采摘机器人视觉系统必须解决的关键技术之一。为了实现阴影影响下苹果目标的准确识别,该研究采用光照无关图理论实现了苹果表面阴影的去除。以自然场景下获取的受不同程度阴影影响的苹果目标图像为研究对象,首先利用光照无关图原理获取阴影苹果图像的光照无关图,达到突出苹果目标阴影区域的目的;其次提取原图像的红色分量信息并与关照无关图进行相加处理;最后将相加后的图像进行自适应阈值分割处理,达到去除阴影的目的。为了验证该算法的有效性与准确性,利用20幅受阴影影响的苹果目标图像进行了试验,并与Otsu算法、1.5*R-G色差算法进行了对比,试验结果表明：Otsu算法仅能识别出未受阴影影响的苹果区域;1.5*R-G 色差算法受光照影响较大,对于苹果图像的相对强光照区域和部分阴影区域不能有效识别;基于光照无关图的苹果表面阴影去除方法对阴影影响下的苹果目标图像分割效果较好,可以克服光照过强的问题,并准确识别出阴影影响下的苹果目标。文中算法的平均假阳性率为17.49%,比Otsu算法降低了52.84%,比1.5*R-G算法降低了26.18%;文中算法的平均重叠系数为86.59%,比Otsu算法提高了47.2%,比1.5*R-G算法提高了11.03%;表明利用光照无关图可以有效地去除苹果表面的阴影,将其应用于阴影影响下的苹果目标的识别是可行的。     

智能杂草识别系统的设计与试验

摘要：为了减少农药的使用量,设计了一种新型杂草智能识别系统,并在不同的环境下进行了大量试验。该系统主要由智能识别控制器、喷头总成于安装支架组成,通过摄像头实时采集田间图像,采用基于颜色与位置特征的识别算法分析杂草分布情况,控制喷头快速开闭,实现精准对靶喷药。试验证明,该系统对不同环境均具有较好地适应性,能够快速、准确、可靠的定位杂草。在普通环境下系统识别准确率为97.0%;在强光照环境下系统识别准确率为92.5%;在阴影环境下系统识别准确率为89.2%,单帧图像平均耗时160 ms。该研究可为田间精确喷施除草装置的研发提供参考。     

基于机器视觉的冬小麦叶片形态测量软件开发

随着图像处理与识别技术的快速发展,作物表型识别技术日趋成熟。为实现不同品种、不同生育期冬小麦叶片面积和面积系数的精准快速测定,依托VB.net和OpenCV在.NET平台下的图像处理封装库,研发了基于机器视觉的冬小麦叶片形态测量算法并设计开发了软件,软件可实现数字图片的畸变校准并可以同时测量多个叶片长、宽和面积。为验证软件测定效果,选取冬小麦绿色展开叶100 片,通过与人工测量的叶片长宽、WinDIAS叶面积分析系统测量的叶面积结果对比,分析图像识别方法的准确性和稳定性。结果表明,图像识别法与人工和WinDIAS测量的冬小麦叶片长、宽和面积的相关系数均≥0.975,归一化均方根误差均≤0.10%;针对数字照片畸变校准功能进行测试,对叶片水平（垂直）缩放50%且垂直（水平）斜切30°的图像校准后,其测量结果与原始图像测量结果的最大相对误差仅为2%。说明基于机器视觉的冬小麦叶片形态识别方法,可对多种畸变图像进行准确的几何校准,可作为一种可同时准确测定多个叶片面积和长宽的新方法,在农业科学测量、农情信息业务、农业气象观测业务等领域推广应用。     

基于视觉里程计和自然信标融合的移动机器人定位算法

针对未知室内环境下移动机器人的定位问题,提出了一种基于单目视觉和自然信标融合的移动机器人定位算法。该方法采用普通摄像头和全景摄像头结合的方式进行定位。采用普通摄像头提取天花板特征,进行视觉里程计定位。全景普通摄像头提取周边环境及天花板信息,采用Harris-SIFT构建自然信标库,并且进行自然信标检测与识别。在两者的基础上,移动机器人进行实时定位。利用自然信标定位时,提出方向滤波器结合视觉里程计和惯导系统估计旋转角度,利用自然信标求取定位特征点,两者结合进行定位。该方法有效地结合了相对定位的快速性和绝对定位的准确性。在室内环境进行试验,其中自然信标定位在x,y方向的平均误差分别为38.66和31.54 mm。相比视觉里程计而言,结合自然信标定位的平均误差分别减小了32.53%和68.68%。融合视觉里程计的自然信标定位运算速度相比仅靠自然信标定位而言提高了约6倍左右,同时与视觉里程计定位处于同一数量级。试验结果表明相对于视觉里程计而言,所提算法大大提高了定位精度,同时不影响算法的实时性。     

基于稀疏编码金字塔模型的农田害虫图像识别

相较于一般物体的图像,农作物害虫图像因具有复杂的农田环境背景,分类与识别更加困难。为提高害虫图像识别的准确率,该文提出一种基于图像稀疏编码与空间金字塔模型相结合的害虫图像表示与识别方法。该方法利用大量非标注的自然图像块构造过完备学习字典,并运用该学习字典实现对害虫图像的多空间稀疏表示。与此同时,结合多核学习,该文设计了一种害虫图像识别算法。通过对35种害虫的识别,试验结果表明：在相同方法下,该文所提特征提取方法可使平均识别精度提高9.5百分点;此外,进一步通过对221种昆虫及20种蝴蝶的识别,试验结果表明：与传统方法相比较,该文所提方法使得平均识别精度提高14.1百分点。     

基于K-means聚类的柑橘红蜘蛛图像目标识别

为快速检测红蜘蛛虫害,该研究采用基于Lab颜色模型中a(红/绿)、b(黄/蓝)层信息的K-means聚类法识别彩色图像中的红蜘蛛。试验选取8幅具有不同清晰度的柑橘红蜘蛛图像,采用基于Sobel边缘检测算子的评价函数计算图像清晰度评价值以评价图像清晰度,对比采用灰度法和包含2、3、4或5个聚类中心的K-means聚类法的目标识别效果和识别效率。结果表明,灰度法对8幅图像中红蜘蛛目标识别率平均值为29%,误判率平均值为201%,无法应用于复杂背景图像中的红蜘蛛目标识别。包含5个聚类中心的K-means聚类法对清晰度较高的图像识别率为100%,误判率为0,对清晰度较低的图像识别率为88%,误判率为0;当图像尺寸较小时,包含4个聚类中心的K-means聚类法识别效率与灰度法相当;当图像尺寸较大时,重复计算聚类中心导致识别耗时较长;基于Lab颜色空间的识别算法无法有效识别其他颜色的红蜘蛛,继续研究的方向为引入红蜘蛛形态信息以提高识别准确率和优化聚类中心的选取以降低识别耗时。     

屋顶全开启型Venlo式温室的采光性能

不同天气（晴天和阴天）和开窗比例条件下,对屋顶全开启型Venlo式温室(温室A)白天室内、外光合有效辐射量子通量密度（PAR）进行测试。以屋顶通风窗型Venlo式温室为对照（温室B）,研究屋顶全开启型Venlo式温室的采光性能。结果表明：屋顶全开启型Venlo式温室在晴天条件下的平均透光率为53.7%,阴天条件下为52.1%,均高于对照。且屋顶全开启型Venlo式温室的透光率随着（屋面）天窗开启比例的增加而提高,而对照透光率无明显变化,表明开启的天窗减少了对太阳辐射的阻挡,提高了温室透光率。同时,屋顶全开启型Venlo式温室晴天条件下PAR分布均匀度均值为0.893,阴天条件下为0.916,均低于对照。不同天气条件下,随着天窗开启比例的增加,屋顶全开启型Venlo式温室PAR分布均匀度不断降低,而对照无明显变化,且屋顶全开启型Venlo式温室在晴天条件下PAR分布均匀度变幅大于阴天,表明开启的天窗集中阻挡了温室天沟附近太阳辐射的直射,从而导致其PAR分布均匀度较低。     

不同光照条件对侵蚀沟三维重建精度的影响

为深入探究不同光照条件下无人机重建三维模型精度的差异,在晴天以及阴天条件下,采用无人机摄影技术获得4期数字表面模型,并分别以RTK(real-time kinematic)测量的高程点和三维激光扫描仪获取的数字高程模型为基准,在典型剖面和整个侵蚀沟2个不同尺度上,分析在不同光照条件下侵蚀沟三维重建的高程精度差异。结果表明：(1)典型剖面尺度上,阴天构建的模型高程精度最高,晴天中午的高程模型精度相较于上午和下午的更高,而剖面阴影区高程误差比非阴影区增加0.138～0.217 m。(2)整个侵蚀沟尺度上,阴天条件下航测的高程模型的均方根误差达到最小仅为0.155 m;对于晴天的不同时段,中午航测所得的DSM高程误差最低,但仍比阴天DSM的高程误差高0.411 m;综合晴天的3期高程模型,阴影区高程误差比非阴影区增加0.250～0.346 m。(3)从不同坡向来看,阳坡的高程误差最低,而阴影面积的增加导致其他坡向误差进一步加大。光照产生的阴影显著降低高程模型精度,研究结果可为基于无人机的侵蚀沟航测制图研究提供参考。     

基于改进支持向量机的水电机组多类轴心轨迹智能识别

在水电机组故障诊断系统中,轴心轨迹是判断机组状态的一个重要特征。而水电机组实际运行中轴心轨迹故障样本数量较少,依据其进行故障智能诊断无法准确完成,需结合相应频谱特性才可做出诊断。论文针对此问题,采用改进的支持向量机（support vector machine,SVM）多故障分类算法,建立了多故障轴心轨迹分类器,并应用于水电机组的故障诊断。结果表明,改进的SVM在样本数较少时取得较好的分类效果,样本数为16和50时,分类准确率达到了96.3%和91.2%,;并且在分类数增多时,分类准确率得到提高,而样本数增多时,分类准确率骤减。该故障分类器可实现多故障的识别和诊断,并且具有算法简单和对多故障轴心轨迹图形分类能力强的优点。该研究可为水电机组少样本轴心轨迹故障的智能诊断提供参考。     

基于改进ConvNeXt模型的黄羽鸡表皮层黑色素智能分级方法

为解决活体黄羽鸡表皮层黑色素分级方法成本高、效率低下、分级环境易受环境光干扰等问题,该研究探索一种基于ConvNeXt模型的黄羽鸡表皮层黑色素智能分级方法 ConvNeXt-WPCA,用于实现活体黄羽鸡表皮层黑色素智能分级。ConvNeXt-WPCA模型通过以下3点改进提高模型对黄羽鸡黑色素的识别效果：1）针对黄羽鸡黑色素图像RGB三通道内黑色素信息分布不均衡问题,改变输入图片通道权重来增强模型对黑色素特征的提取能力;2）使用部分卷积代替深度可分离卷积,减少模型计算量和内存访问次数提高对计算资源的利用率;3）引入坐标注意力机制,引导模型关注黄羽鸡胸腹部及肛门附近皮肤提升模型精度。同时,该研究还设计一种双光源图像获取装置,分别在自然光和偏振光条件下拍摄黄羽鸡样本,以减小分级结果受环境光干扰的影响,并探索偏振光在黑色素分级任务中的应用潜力。结果表明ConvNeXt-WPCA模型相较标准ConvNeXt模型,针对自然光下黄羽鸡黑色素图像数据集分级准确率提升9.68个百分点,最终达到89.03%的识别准确率,针对偏振光下黄羽鸡黑色素图像数据集分级准确率提升15.26个百分点,最终达到98.87...     

皮棉表面单类异性纤维的高光谱图像检测

皮棉杂质直接影响棉包定级和棉纺织品品质。国内外学者采用机器视觉等技术,能够有效检测着色较深、面积较大和含有荧光物质的部分棉花杂质。但是,针对纤细、浅色、白色和透明杂质检测效果不佳。因此,该文采用高光谱成像系统获取纤细、浅色、白色及透明异性纤维的棉花高光谱图像,异性纤维包括灰色,白色和透明的丙纶丝、黑色人发、黑色和白色的猪毛、黑色或者透明的聚乙烯地膜碎片。采用主成分分析、独立成分分析、双波段比分析和波长合并四种降维方法,对比其异性纤维分割效果,确定最佳预分割图像。随后,采用Sobel算子边界提取和形态学处理分割这些图像,再采用膨胀和收缩等形态学运算分割出目标区域,最后采用面积单值滤波剔除二进制图像中的噪声点和伪目标区域。统计结果,训练和验证集异性纤维的识别准确度分别为73.2%和75.3%,其中,灰色丙纶丝和黑色毛发的识别率超过93%,白色丙纶丝的精确分割大于80%,结果表明,高光谱图像系统可以准确检测部分浅色、白色和黑色纤细的异性纤维,白色纤细毛发和透明的聚乙烯地膜碎片检测效果较差。     

Influence of phosphorus and calcium on flame atomic absorption spectrophotometric determination of lead in canned fish products

Lead was determined in the presence of whole multiples of the P/Ca ratio found in Portuguese canned fish by flame atomic absorption spectrophotometry with and without using an ashing aid. Under our experimental conditions, use of the ashing aid eliminates P and Ca interference. Results with real samples, spiked with 1, 2, 3, and 4 ppm lead, are presented and statistically treated.     

基于R-FCN深度卷积神经网络的机器人疏果前苹果目标的识别

疏果前期苹果背景复杂、光照条件变化、重叠及被遮挡,特别是果实与背景叶片颜色极为相近等因素,给其目标识别带来很大困难。为识别疏果前期的苹果目标,提出基于区域的全卷积网络(region-based fully convolutional network,R-FCN)的苹果目标识别方法。该方法在研究基于ResNet-50和ResNet-101的R-FCN结构及识别结果的基础上,改进设计了基于ResNet-44的R-FCN,以提高识别精度并简化网络。该网络主要由ResNet-44全卷积网络、区域生成网络(RegionProposal Network, RPN)及感兴趣区域(Region of Interest, RoI)子网构成。ResNet-44全卷积网络为基础网络,用以提取图像的特征,RPN根据提取的特征生成Ro I,然后Ro I子网根据ResNet-44提取的特征及RPN输出的Ro I进行苹果目标的识别与定位。对采集的图像扩容后,随机选取23 591幅图像作为训练集,4 739幅图像作为验证集,对网络进行训练及参数优化。该文提出的改进模型在332幅图像组成的测试集上的试验结果表明,该方法可有效地识别出重叠、被枝叶遮挡、模糊及表面有阴影的苹果目标,识别的召回率为85.7%,识别的准确率为95.1%,误识率为4.9%,平均速度为0.187 s/幅。通过与其他3种方法进行对比试验,该文方法比FasterR-CNN、基于ResNet-50和ResNet-101的R-FCN的F1值分别提高16.4、0.7和0.7个百分点,识别速度比基于ResNet-50和ResNet-101的R-FCN分别提高了0.010和0.041 s。该方法可实现传统方法难以实现的疏果前苹果目标的识别,也可广泛应用于其他与背景颜色相近的小目标识别中。     

干旱胁迫下不同茸毛性状辣椒植株抗旱性比较

干制辣椒种子经60Coγ射线辐照后种植,获得一株茸毛变异株。以多年自交的多茸毛系及其姊妹系无茸毛系和少茸毛系为试验材料,研究干旱胁迫条件下辣椒体表不同茸毛状态与抗旱性的关系。结果表明:在干旱胁迫下多茸毛系植株抗萎蔫的能力显著优于无茸毛系和少茸毛系;干旱胁迫前期主要表现为抑制植株生长,多茸毛系的株高,茎粗和节间数分别比对照降低3.38%,7.25%和2.7%,降低幅度显著低于其他系;持续到结果期,多茸毛系的抗旱能力优势表现在产量降低量较少,为22.94%,而无茸毛系降低69.91%,少茸毛系降低42.94%,表明辣椒体表茸毛性状在干旱胁迫下能有效降低辣椒经济产量的损失率,耐旱能力与茸毛多少有关。     

基于区域生长顺序聚类-RANSAC的水稻苗带中心线检测

为提高水稻苗带中心线检测的适应性和实时性,满足巡田机器人导航的低成本、轻量级计算、高实时性需求,针对水稻苗带中心线检测结果容易受到光照变化和机器震动等原因产生图像噪声影响的问题,该研究以返青期和分蘖初期水稻秧苗为研究对象,提出基于区域生长顺序聚类-随机抽样一致性算法（random sample consensus,RANSAC）的水稻苗带中心线检测方法。首先,对采集的水稻秧苗图像运用归一化超绿特征法（excess green,ExG）和最大类间方差法（Otsu）分割水田背景和秧苗区域,应用先腐蚀后开运算的形态学方法去除秧苗图像噪声点;然后,采用基于水平带的秧苗轮廓质心检测方法提取秧苗特征点,利用区域生长顺序聚类方法将同一秧苗行的特征点聚成一类;最后,通过RANSAC算法拟合苗带中心线,从而得到巡田机器人视觉导航基准线。试验结果表明：该方法对返青期和分蘖初期水稻苗带中心线检测率均在97%以上,比已有YOLOv3算法提高6.12个百分点,比基于区域生长均值漂移聚类算法降低2.41个百分点;平均误差角度为2.34°,比已有YOLOv3算法高1.37°,比基于区域生长均值漂移聚类算法低0.12...     

动物毛发的形态结构及其功能特性研究

对人发及其他14种动物毛发的扫描电镜(SEM)照片进行分析,根据它们形态结构特征将其分为指状结构、芽状结构、鳞状结构和波状结构4类,并就每种毛发结构的保温性、疏水性及其柔性进行了比较分析。分析结果表明,具有指状细观结构形态的毛发在保温性、疏水性及柔韧性方面具有明显优势,这一信息对研究开发新型功能材料具有借鉴作用