基于改进YOLOv3的果树树干识别和定位

为提高果园机器人自主导航和果园作业的质量、效率,该研究提出一种基于改进YOLOv3算法对果树树干进行识别,并通过双目相机进行定位的方法。首先,该算法将SENet注意力机制模块融合至Darknet53特征提取网络的残差模块中,SENet模块可增强有用特征信息提取,压缩无用特征信息,进而得到改进后残差网络模块SE-Res模块;其次,通过K-means聚类算法将原始YOLOv3模型的锚框信息更新。果树树干定位通过双目相机的左、右相机对图像进行采集,分别传输至改进YOLOv3模型中进行果树树干检测,并输出检测框的信息,再通过输出的检测框信息对左、右相机采集到的果树树干进行匹配;最后,通过双目相机三角定位原理对果树树干进行定位。试验表明,该方法能较好地对果树树干进行识别和定位,改进YOLOv3模型平均精确率和平均召回率分别为97.54%和91.79%,耗时为0.046 s/帧。在果树树干定位试验中,横向和纵向的定位误差均值分别为0.039 和0.266 m,误差比均值为3.84%和2.08%;与原始YOLOv3和原始SSD模型相比,横向和纵向的定位误差比均值分别降低了15.44、14.17个百分点和21.58、20.43个百分点。研究结果表明,该方法能够在果园机器人自主导航、开沟施肥、割草和农药喷洒等作业中进行果树识别和定位,为提高作业效率、保障作业质量奠定理论基础。     

基于改进YOLOv8模型的轻量化板栗果实识别方法

为实现自然环境下的板栗果实目标快速识别，该研究以湖北省种植板栗为研究对象，提出了一种基于改进YOLOv8模型的栗果识别方法YOLOv8-PBi。首先，将部分卷积（partial convolution，PConv）引入C2f模块中，缩减卷积过程中的浮点数和计算量；其次，引入加权双向特征金字塔网络（bidirectional feature pyramid network，BiFPN），增强多尺度特征融合性能，最后，更改边界框损失函数为动态非单调聚焦机制WIoU（wise intersection over union，WIoU），提高模型收敛速度，进一步提升模型检测性能。试验结果表明，改进YOLOv8-PBi模型准确率、召回率和平均精度分别为89.4%、74.9%、84.2%；相比原始基础网络YOLOv8s，模型权重减小46.22%，准确率、召回率和平均精度分别提升1.3、1.5、1.8个百分点。部署模型至边缘嵌入式设备上，经过TensorRT加速后，检测帧率达到43 帧/s。该方法可为板栗智能化收获过程中的栗果识别提供技术基础。     

基于YOLO深度卷积神经网络的复杂背景下机器人采摘苹果定位

为提高苹果采摘机器人的工作效率和环境适应性,使其能全天候的在不同光线环境下对遮挡、粘连和套袋等多种情况下的果实进行识别定位,该文提出了基于YOLOv3(you only look once)深度卷积神经网络的苹果定位方法。该方法通过单个卷积神经网络(one-stage)遍历整个图像,回归目标的类别和位置,实现了直接端到端的目标检测,在保证效率与准确率兼顾的情况下实现了复杂环境下苹果的检测。经过训练的模型在验证集下的m AP(meanaverageprecision)为87.71%,准确率为97%,召回率为90%,IOU(intersection over union)为83.61%。通过比较YOLOv3与Faster RCNN算法在不同数目、不同拍摄时间、不同生长阶段、不同光线下对苹果的实际检测效果,并以F1为评估值对比分析了4种算法的差异,试验结果表明YOLOv3在密集苹果的F1高于YOLOv2算法4.45个百分点,在其他环境下高于Faster RCNN将近5个百分点,高于HOG+SVM(histogram of oriented gradient+support vector machine)将近10个百分点。并且在不同硬件环境验证了该算法的可行性,一幅图像在GPU下的检测时间为16.69 ms,在CPU下的检测时间为105.21 ms,实际检测视频的帧率达到了60帧/s和15帧/s。该研究可为机器人快速长时间高效率在复杂环境下识别苹果提供理论基础。     

快速精准识别棚内草莓的改进YOLOv4-Tiny模型

为了实现棚内草莓果实的快速精准识别,该研究提出一种基于改进YOLOv4-Tiny的草莓检测模型。首先,为了大幅度减少模型计算量,采用轻量型网络GhostNet作为特征提取网络,并在GhostBottleneck结构中嵌入卷积注意力模块以加强网络的特征提取能力;其次,在颈部网络中添加空间金字塔池化模块和特征金字塔网络结构,融合多尺度特征提升小目标草莓的检测效果;最后,采用高效交并比损失作为边界框回归损失函数,加速网络收敛并提高模型的检测准确率。结果表明,改进YOLOv4-Tiny模型权重大小仅为4.68 MB,平均每幅图片的检测时间为5.63 ms,在测试集上的平均精度均值达到92.62%,相较于原YOLOv4-Tiny模型提升了5.77个百分点。与主流的目标检测模型SSD、CenterNet、YOLOv3、YOLOv4和YOLOv5s相比,改进YOLOv4-Tiny模型平均精度均值分别高出9.11、4.80、2.26、1.22、1.91个百分点,并且模型权重大小和检测速度方面均具有绝对优势,该研究可为后续果实智能化采摘提供技术支撑。     

基于深度学习与目标跟踪的苹果检测与视频计数方法

基于机器视觉技术自动检测苹果树上的果实并进行计数是实现果园产量测量和智慧果园生产管理的关键。该研究基于现代种植模式下的富士苹果视频,提出基于轻量级目标检测网络YOLOv4-tiny和卡尔曼滤波跟踪算法的苹果检测与视频计数方法。使用YOLOv4-tiny检测视频中的苹果,对检测到的果实采用卡尔曼滤波算法进行预测跟踪,基于欧氏距离和重叠度匹配改进匈牙利算法对跟踪目标进行最优匹配。分别对算法的检测性能、跟踪性能和计数效果进行试验,结果表明：YOLOv4-tiny模型的平均检测精度达到94.47%,在果园视频中的检测准确度达到96.15%;基于改进的计数算法分别达到69.14%和79.60%的多目标跟踪准确度和精度,较改进前算法分别提高了26.86和20.78个百分点;改进后算法的平均计数精度达到81.94%。该研究方法可有效帮助果农掌握园中苹果数量,为现代化苹果园的测产研究提供技术参考,为果园的智慧管理提供科学决策依据。     

农业车辆双目视觉障碍物感知系统设计与试验

为保证智能化农业机械在自主导航过程中的安全可靠性,该研究将嵌入式AI计算机Jetson TX2作为运算核心,设计一套基于双目视觉的农业机械障碍物感知系统。使用深度卷积神经网络对作业环境中的障碍物进行识别,并提出一种基于改进YOLOv3的深度估计方法。将双目相机抓取的左右图像分别输入至改进的YOLOv3模型中进行障碍物检测,并将输出的目标检测框信息进行目标匹配和视差计算,完成对障碍物的识别、定位和深度估计。试验结果表明,该系统能够对障碍物进行准确识别,平均准确率和召回率分别达到89.54%和90.18%;改进YOLOv3模型的深度估计误差均值、误差比均值较原始YOLOv3模型分别降低25.69%、25.65%,比Hog+SVM方法分别降低41.9%、41.73%;动态场景下系统对障碍物深度估计的平均误差比为4.66%,平均耗时0.573s,系统在深度预警时能够及时开启电控液压转向模块进行安全避障。研究结果可为农业机械的自主导航提供有效的环境感知依据。     

基于改进YOLOv7的苹果生长状态及姿态识别

针对目前苹果在复杂环境下难以进行生长状态分类识别、姿态信息同步获取等问题,该研究提出了一种基于改进YOLOv7的苹果生长状态分类和果实姿态融合识别方法。首先改进多尺度特征融合网络,在骨干网络中增加160×160的特征尺度层,用于增强模型对微小局部特征的识别敏感度;其次引入注意力机制CBAM（convolutional block attention module）,改善网络对输入图片的感兴趣目标区域的关注度;最后采用Soft-NMS算法,能够有效避免高密度重叠目标被一次抑制从而发生漏检现象。此外,结合UNet分割网络和最小外接圆及矩形特征获取未遮挡苹果姿态。试验结果表明,改进YOLOv7的识别精确率、召回率和平均识别精度分别为86.9%、80.5%和87.1%,相比原始YOLOv7模型分别提高了4.2、2.2和3.7个百分点,与Faster RCNN、YOLOv5s、YOLOv5m相比,检测平均准确率分别提升了18.9、7.2和5.9个百分点,另外苹果姿态检测方法的准确率为94%。该文模型能够实现苹果生长状态分类及果实姿态识别,可为末端执行器提供了抓取方向,以期为苹果无损高效的采摘奠定基础。     

基于轻量型卷积神经网络的马铃薯种薯芽眼检测算法

马铃薯种薯芽眼属于小目标物体,识别难度大、要求高。为了在试验台(芽眼识别装置)上快速、准确地完成识别任务,该研究提出一种基于轻量型卷积神经网络的芽眼检测模型。首先,为了降低模型的计算量和聚焦小目标物体,替换YOLOv4的主干网络CSPDarkNet-53为GhostNetV2轻量型特征提取网络;其次,在YOLOv4的颈部网络中,使用深度可分离卷积(depthwise separable convolution,DW)模块代替普通卷积块进一步降低模型计算量;最后,更改边界框损失函数为具有角度代价的边界框损失函数(SIoU),避免因预测框的位置不确定,而影响模型收敛速度和整体检测性能。结果表明,改进后芽眼检测模型参数量为12.04 M,使用笔记本电脑CPU检测单张图片的时间为0.148 s,从试验台收集的测试数据显示平均精度为89.13%。相对于其他主干特征提取网络CSPDarkNet-53、MobileNetV1、MobileNetV2、MobileNetV3、GhostNetV1,其检测精度分别高出1.85、0.75、2.67、4.17、1.89个百分点;与同类目标检测模型SSD、Fa...     

利用改进的YOLOv5s检测莲蓬成熟期

为解决莲田环境下不同成熟期莲蓬的视觉感知问题,该研究提出了一种改进YOLOv5s的莲蓬成熟期检测方法。首先,通过在主干特征网络中引入BoT(bottleneck transformer)自注意力机制模块,构建融合整体与局部混合特征的映射结构,增强不同成熟期莲蓬的区分度;其次,采用高效交并比损失函数EIoU(efficient IoU)提高了边界框回归定位精度,提升模型的检测精度;再者,采用K-means++聚类算法优化初始锚框尺寸的计算方法,提高网络的收敛速度。试验结果表明,改进后YOLOv5s模型在测试集下的精确率P、召回率R、平均精度均值mAP分别为98.95%、97.00%、98.30%,平均检测时间为6.4ms,模型尺寸为13.4M。与YOLOv3、 YOLOv3-tiny、 YOLOv4-tiny、 YOLOv5s、YOLOv7检测模型对比,平均精度均值mAP分别提升0.2、1.8、1.5、0.5、0.9个百分点。基于建立的模型,该研究搭建了莲蓬成熟期视觉检测试验平台,将改进YOLOv5s模型部署在移动控制器Raspberry Pi 4B中,对4种距离范围下获取的莲蓬场景图像...     

基于无人机航拍与改进YOLOv3模型的云杉计数

为解决目前苗木计数由人工完成而导致的成本高，效率低，计数精度不能得到保障的问题，该研究以自然环境下的云杉为研究对象，以无人机航拍云杉图像和拼接后完整地块云杉图像为数据源，根据云杉尺寸差异大和训练样本小的特点提出一种基于改进YOLOv3（You Only Look Once v3，YOLOv3）模型的云杉计数模型。该模型将密集连接模块和过渡模块引入特征提取过程，形成Darknet-61-Dense特征提取网络。通过694幅无人机航拍云杉图像测试表明，密集连接模块和过渡模块可解决YOLOv3模型小样本训练过拟合问题和云杉特征丢失问题，改进YOLOv3模型可以快速准确实现云杉计数，在精确率P、召回率R、平均精度AP、平均计数准确率MCA和平均检测时间ADT这5个评价指标上达到96.81%、93.53%、94.26%、98.49%和0.351 s；对比原有YOLOv3模型、SSD模型和Faster R-CNN模型，精确率P分别高2.44%、4.13%和0.84%。对于拼接后完整地块云杉图像，改进YOLOv3模型的5个评价指标的结果分别为91.48%、89.46%、89.27%、93.38%和1.847 s；对比原有YOLOv3模型、SSD模型和Faster R-CNN模型，精确率P分别高2.54%、9.33%和0.74%。该研究为利用无人机快速准确统计苗木数量的关键步骤做出有益的探索。     

基于改进RetinaNet的果园复杂环境下苹果检测

为了快速准确地检测重叠、遮挡等果园复杂环境下的苹果果实目标,该研究提出一种基于改进RetinaNet的苹果检测网络。首先,该网络在传统RetinaNet的骨干网络ResNet50中嵌入Res2Net模块,提高网络对苹果基础特征的提取能力;其次,采用加权双向特征金字塔网络（Bi-directional Feature Pyramid Network,BiFPN）对不同尺度的特征进行加权融合,提升对小目标和遮挡目标的召回率;最后,采用基于焦损失（Focal Loss）和高效交并比损失（Efficient Intersection over Union Loss,EIoU Loss）的联合损失函数对网络进行优化,提高网络的检测准确率。试验结果表明,改进的网络在测试集上对叶片遮挡、枝干/电线遮挡、果实遮挡和无遮挡的苹果检测精度分别为94.02%、86.74%、89.42%和94.84%,平均精度均值（mean Average Precision,mAP）达到91.26%,较传统RetinaNet提升了5.02个百分点,检测一张苹果图像耗时42.72 ms。与Faster-RCNN和YOLOv4等主流目标检测网络相比,改进网络具有优异的检测精度,同时可以满足实时性的要求,为采摘机器人的采摘策略提供了参考。     

苹果采摘机器人关键技术研究现状与发展趋势

目前国内苹果基本采用人工采摘方式,随着劳动力资源短缺以及机械自动化技术的迅速发展,利用机器人采摘替代人工作业成为必然趋势,开发苹果采摘机器人用于果园收获作业具有重要意义。由于苹果采摘作业环境复杂,严重制约了采摘自动化的发展。目标识别、定位与果实分离是苹果采摘机器人的关键技术,其性能决定了苹果采摘的效率及质量。该文概述了具有市场化前景的苹果采摘机器人发展和应用现状,综述了在复杂自然环境光照变化、枝叶遮挡、果实重叠、夜间环境下以及同色系苹果的识别方法,介绍了多种场景并存的复杂环境下基于深度学习的苹果识别算法,遮挡、重叠及振荡果实的定位方法,并对采用末端执行器实现果实与果树的分离方法进行了分析。针对现阶段苹果采摘机器人采摘速度低、成功率低、果实损伤、成本高等问题,指出今后苹果采摘机器人商业化发展亟需在农机农艺结合、优化识别算法、多传感器融合、多臂合作、人机协作、扩展设备通用性、融合5G与物联网技术等方面开拓创新。     

黄土高原不同林龄苹果树根系吸水策略对降水的响应

在黄土高原陕西省长武塬区选取品种和管理手段均相同的3种林龄果园(尚未结果的5年幼龄果园、已结果的8年初果园和13年壮果园)苹果树,采用空间换时间的试验设计,分别于2015年7月12日和8月19日对0—500cm深度土壤及对应取样处的苹果树枝条取样,测定土样和枝条样中水分的稳定氢氧同位素,并利用贝叶斯模型量化降水前后不同土层对苹果林耗水的贡献。结果表明:(1)不同林龄苹果树降雨前后的主要水分来源深度不同。干旱时,13年壮龄果树的主要吸水深度比5年和8年果树深;而生长旺季,雨季降水只能补充未挂果的5年幼龄果园土壤水分消耗,即使降水量很大,也无法满足已经开始挂果的8年和13年果园土壤水分消耗。(2)在干旱期,5年和8年果树50%以上的水分来自表层0—100cm土壤,而13年果树50%的水分来自100—300cm土层。而降水后,5年和8年果树的主要水分来源变为100—300cm土层,贡献值在40%左右;13年果园的主要水分贡献层为0—100cm土层,贡献了近50%的水分。(3)3种林龄果树根系对300—500cm土层土壤水分的吸收对降雨的响应非常弱,降雨前后贡献率始终保持在30%。     

宝鸡不同密度旱作苹果园产量和深层土壤水分动态响应模拟

为揭示半湿润黄土台塬沟壑区不同密度旱作苹果园产量长周期演变趋势与深层土壤水分变化动态, 应用WinEPIC模型定量模拟分析了1965-2009年期间宝鸡6种种植密度(D1: 2 m×3 m; D2: 2 m×4 m; D3: 2.5 m× 4 m; D4: 3 m×4 m; D5: 4 m×4 m; D6: 4 m×5 m)苹果园果品产量和0~15 m土层土壤水分变化动态, 并据此确定了当地旱作苹果园最佳种植密度和适宜种植年限。结果表明: (1)在1968-2009年42年苹果产果期间, 各密度苹果园果品产量呈现逐渐增高后又强烈波动性降低趋势, 前21年平均产量明显高于后21年。(2)随着种植密度增大, 苹果园果品产量逐渐增加, 当种植密度达到D3(2.5 m×4 m)~D4(3 m×4 m), 即833~1 000 株·hm^-2后, 增产幅度趋缓。(3)随着种植密度增加, 果园0~15 m土层土壤有效含水量逐渐降低, 深层土壤干层形成时间逐渐缩短。(4)从产量、干旱胁迫日数、土壤有效含水量和土壤剖面湿度分布演变趋势和变幅分析, 宝鸡旱作苹果园地最佳种植密度为D3(2.5 m×4 m)或D4(3 m×4 m), 即833株·hm^-2或1 000株·hm^-2, 种植年限为30年左右为宜。     

基于改进型YOLOv4的果园障碍物实时检测方法

针对农业机器人在复杂的果园环境中作业时需要精确快速识别障碍物的问题,该研究提出了一种改进型的YOLOv4目标检测模型对果园障碍物进行分类和识别。为了减少改进后模型的参数数量并提升检测速度,该研究使用了深度可分离卷积代替模型中原有的标准卷积,并将主干网络CSP-Darknet中的残差组件(Residual Unit)改进为逆残差组件(Inverted Residual Unit)。此外,为了进一步增强模型对目标密集区域的检测能力,使用了软性非极大值抑制(Soft DIoU-Non-Maximum Suppression,Soft-DIoU-NMS)算法。为了验证该研究所提方法的有效性,选取果园中常见的3种障碍物作为检测对象制作图像数据集,在Tensorflow深度学习框架上训练模型。然后将测试图片输入训练好的模型中检测不同距离下的目标障碍物,并在同一评价指标下,将该模型的测试结果与改进前YOLOv4模型的测试结果进行评价对比。试验结果表明,改进后的YOLOv4果园障碍物检测模型的平均准确率和召回率分别为96.92%和91.43%,视频流检测速度为58.5帧/s,相比于原模型,改进后的模型在不损失精度的情况下,将模型大小压缩了75%,检测速度提高了29.4%。且改进后的模型具有鲁棒性强、实时性更好、轻量化的优点,能够更好地实现果园环境下障碍物的检测,为果园智能机器人的避障提供了有力的保障。     

基于改进YOLOv4模型的橙果识别与定位方法

为提高橙果采摘定位精度和作业速度,提出一种便于迁移至移动终端的改进YOLOv4模型,可从RealSense深度相机所成彩色图像中获取果实质心二维坐标,经配准提取对应深度图中质心点深度值,实现果实的三维空间定位。改进YOLOv4模型以MobileNet v2为主干网络,在颈部结构中使用深度可分离卷积替换普通卷积,实现模型轻量化并提高检测速度。训练后的改进模型对513张独立橙果测试集数据的识别平均精度达97.24%,与原始YOLOv4模型相比,平均检测时间减少11.39 ms,模型大小减少197.5 M。与经典Faster RCNN、SSD模型相比,检测平均精度分别提高了2.85和3.30个百分点,模型大小分别减少了474.5和44.1 M。与轻量化模型YOLOv4-tiny相比,召回率提升了4.79个百分点,较Ghostnet-YOLOv4,检测速度提升了27.64个百分点。为验证该改进算法实用性,应用改进模型获取果园中78个橙果的位置信息,结果表明：果实二维识别成功率达98.72%,水平方向及垂直方向的平均绝对百分比误差均在1%以内。果实三维定位成功率达96.15%,深度信息平均绝对百分比误差为2.72%,满足采摘机械手精准定位需求。该方法为复杂场景下采摘作业实现提供了鲁棒性强、实时性好、精准度高的目标定位途径。     

基于双侧图像识别的单株苹果树产量估测模型

利用普通数码相机获取成熟期苹果树图像进行产量估测,具有成本低、操作简单等特点,其关键是估测模型的建立。该文分别按东南和西北2个方向获取富士苹果成熟期的40株果树的80幅图像,通过果实特征提取,获取东南方向识别出的图斑数量（参数1）、西北方向识别出的图斑数量（参数2）、东南方向识别出的图斑像素面积（参数3）、西北识别出的图斑像素面积（参数4）,分别以识别出的4个参数及双方向图斑数量之和（参数5）、双方向图斑像素面积之和（参数6）共6个参数为自变量,以获取的单株产量信息为因变量,以奇数组20株果树为建模数据集建立线性回归模型。结果表明以参数5构建的产量估测模型的决定系数R2最高为0.81,相对均方根差（NRMSE）值最低为0.11,说明以该参数构建的模型其估测效果最好;进一步利用以参数5构建的估测模型对偶数组20株果树进行验证,其NRMSE值为0.16,估测结果较好,但也存在估测产量较大波动的情况。深入讨论引起估测偏差的情况,后期研究应重点提高逆光、弱光照条件下的成熟期苹果的识别率,及解决由于单果因遮挡被分离而被识别为多果的情况和多果因重叠被识别为单果的情况,以提高识别效果,进而提高产量模型估测效果。     

Response of Mature Phosphorus-Deficient Apple Trees to Phosphorus Fertilization and Liming

ABSTRACT

The aim of the study was to examine response of mature phosphorus (P) deficient apple (Malus domestica Borkh.) trees to phosphorus fertilization and liming. The experiment was carried out during 2003–2005 in a commercial orchard in Central Poland on ‘Jonagold’ apple trees/M.26 planted in 1996 on a coarse-textured soil with low both pH (4.6) and organic matter (1.2%). Calcium-lactate soluble phosphorus concentration in the soil was within an optimal range despite appearance of leaf phosphorus deficiency symptoms. Soil and foliar applications of phosphorus, and soil liming were applied. Soil phosphorus fertilization was made in the first year of the experimental at a rate of 100 kg P per ha as triple superphosphate. Foliar sprays of a soluble compound containing organic phosphorus were performed 5 times per season at 2-week intervals, starting 4 weeks after full bloom. Soil liming was applied in the fall 2002 at a rate of 1100 kg Ca ha^?1 as hydrated lime. Additional combination as soil phosphorus fertilization plus liming was also applied. Plots unsupplied with phosphorus and lime served as a control. The results showed that liming and liming plus soil P application increased soil pH, and phosphatase activity in the soil, and improved phosphorus nutrition, tree vigor, yield, fruit color, and firmness after storage; effect of these treatments was not found only in the first year of the study. In all years foliar phosphorus sprays improved phosphorus nutrition of apple trees, and fruit color and firmness after storage. In 2 out of 3 years foliar phosphorus application increased yield. The vegetative and reproductive responses of ‘Jonagold’ apple trees did not depend on soil phosphorus fertilization. It was concluded that maintaining an optimal pH of soils for apple trees limits the incidence of orchard phosphorus deficiency and that foliar phosphorus sprays should be applied in phosphorus-deficient apple orchards to improve yield, and fruit appearance and storability.