施药机器人对行施药系统的设计与试验

【目的】设计一种能在作物行间自主导航的施药机器人,实现移动机器人在温室中自动行走并均匀施药。【方法】针对导航路径识别受光线变化影响较大的问题,在Kinect摄像机获取的彩色图像中选取了HIS空间,并对K-means算法的聚类中心和聚类数目的选取进行了优化,随后采用改进的K-means算法对与光照信息无关的H、S分量联合分割,获得完整道路信息,并采用Candy算子检测边缘及改进的Hough变化方法拟合导航路径。采用模糊控制方法通过实时调整转角和转向,对车体行走偏移进行矫正。同时,为满足不同农作物的施药需求,在喷药系统上选用了自整定模糊PID控制算法。【结果】该系统可有效适应不同光照条件,提取作物行中心线平均耗时12.36 ms,导航偏差不超过5 cm,植株叶片正面的上、中、下层覆盖率分别为63.26%、50.89%和75.82%,单位面积(1 cm~2)雾滴数平均为55、42和78个。【结论】本系统可以满足温室移动机器人自主施药防治病虫害的需求。     

基于行宽的玉米行间杂草识别算法

为精确识别和定位玉米行间杂草,满足基于机器视觉的变量施药系统喷施要求,提出了一种基于行宽的多行玉米行间杂草识别算法.该算法以垂直拍摄的3叶期3行玉米田间图像为研究对象,利用YIQ颜色空间中的Q分量灰度化田间彩色图像,以降低自然光源对图像的影响;通过建立实际田间玉米行宽与图像玉米行宽的映射关系,将3叶期玉米行的宽度映射到对应图像中,并确定基于识别率和运算速度的覆盖范围;以具有一定宽度的玉米行作为识别基准,减小未连通叶片区域的误识别率,提高对杂草识别的精度.从识别精度和速度2方面与基于作物行中心线识别算法进行了对比.研究结果表明,对于3叶期3行玉米田间图像,杂草正确识别率可达89.2％,速度为197 ms.本算法有效地提高了行间杂草识别的精度和速度,能够初步满足基于机器视觉的变量施药系统对大田玉米多行喷施的工作要求.     

激光雷达和摄像机联合标定识别作物

作物识别技术广泛应用于杂草精准对靶施药、果实采摘机器人、植物病虫害识别等方面.从机器视觉和激光探测两方面分析了国内外作物识别的研究现状,机器视觉识别作物主要是利用作物的颜色、纹理、形状、位置特征;激光探测识别作物利用激光的测距信息.分析了国内外融合激光雷达和摄像机信息识别作物的研究现状,总结了激光雷达和摄像机联合标定的方法,并指出其在作物识别中的重要性.     

温室智能装备系列之六十七 出风口自调节风送变量喷药机器人开发及试验

<正>机器人替代人在温室高温高湿环境中进行喷药作业是设施生产的重要发展方向,减轻劳动强度同时提高施药精度,保护作业人员健康同时节省农药用量。采用风送方式作业能够提高施药雾滴均匀性,增大覆盖范围,非常有助于设施环境的施药作业。出风口高度位置和风量根据靶标差异自动调节能更加准确的实现精准喷药和药量节省效果。采用对靶方式识别作物的机器人是未来的研究重点。周恩浩等(2008)指     

温室智能装备系列之六十七 出风口自调节风送变量喷药机器人开发及试验

<正>机器人替代人在温室高温高湿环境中进行喷药作业是设施生产的重要发展方向,减轻劳动强度同时提高施药精度,保护作业人员健康同时节省农药用量。采用风送方式作业能够提高施药雾滴均匀性,增大覆盖范围,非常有助于设施环境的施药作业。出风口高度位置和风量根据靶标差异自动调节能更加准确的实现精准喷药和药量节省效果。采用对靶方式识别作物的机器人是未来的研究重点。周恩浩等(2008)指     

基于环境信息和颜色特征的作物叶片病害等级识别算法

为了根据作物不同病害程度等级采取不同防治方法,实现作物高产和减少环境污染,提出了一种复杂背景下的作物叶片病害等级分类算法。首先,利用阈值分割法对黄瓜病害叶片图像进行病斑分割;其次,计算病斑区域中像素个数与病叶区域中像素个数的比值;最后用作物病害等级分级标准进行比较来确定病害等级类别。利用该方法在2种作物5种常见病害叶片图像数据库上进行了病害等级分类试验,识别精度高达92.7%。结果表明,该方法对作物病害叶片等级分类是有效可行的。     

基于机器视觉的仿人机器人运动跟踪技术研究

针对仿人机器人的特点,设计了一个具有单目视觉的仿人机器人视觉识别系统。在比较各种追踪算法的基础上,将算法应用于机器人视觉识别,并以此调整机器人前进路线。根据FIRA比赛规则,决策系统通过视觉反馈和姿态反馈信息,调用底层动作库,进行短跑运动规划。实验显示算法适合仿人机器人参加竞技类比赛。     

深度学习在作物病害图像识别方面应用的研究进展

在作物生产管理过程中,正确及时地诊断作物所患病害非常关键。基于深度学习的图像识别为作物病害自动快速诊断提供了新途径。相比传统图像识别所用的模式识别方法,深度学习网络模型能自行提取特征且能够由低维特征抽象出高维特征,取得更好的学习效果。系统梳理了深度学习在图像自动化识别方面的发展历程,介绍了浅层神经网络的相关概念,阐述了深度学习与之相比具有的优势,并简述了深度学习的重要图像识别算法——卷积神经网络。作物病害图像识别由单作物单病害、单作物多病害和多作物多病害的识别三部分组成,在分析讨论深度学习这三方面的研究现状以及目前该领域面临的困难与挑战的基础上,提出了未来可能突破的难点和研究重点。     

基于自适应中心对称局部二值模式的作物病害识别方法

基于局部二值模式(LBP)算子在模式识别中直方图维数高、判别能力差、具有冗余信息等缺点,针对作物病害叶片图像的特点,提出一种自适应中心对称局部二值模式(Adaptive Center-Symmetric Local Binary Patterns,ACSLBP)算法,并应用于作物病害识别。该算法能够得到光照和旋转不变性的纹理特征,利用模糊C均值聚类算法对病害叶片图像进行分割,再将分割后的病斑图像进行分块,然后采用自适应阈值提取每个子块的ACSLBP纹理直方图,结合作物病害叶片图像的颜色特征,利用最近邻分类器识别作物病害。在黄瓜4种常见病害叶片图像数据库上进行试验,平均识别率高达95%以上,表明该方法是有效可行的。     

智能除草装备苗草模式识别方法研究

精准苗草识别是靶向施药除草装备作业基础。为提高识别算法精度及效率,解决光照变化对识别图像分割精度影响,文章优化研究分割算法,引入加权系数,提高算法光照适应性;根据作物线性分布生长特点,采用烟花智能群体算法,对垄间杂草与作物识别与定位;田间图像采集与试验结果表明,加权分割方法可有效解决光照变化对分割效果影响,实际作物与垄间杂草识别率为98.7%和89.5%,满足苗草识别与导航要求,对导航技术与智能除草装备发展具有重要意义。     

基于图像处理技术的玉米叶部病害识别研究

本文结合玉米作物病害的图像特征,首先进行图像的预处理,实现叶部病斑的分割;随后以6个参量来描述玉米叶部病斑的形状特征;将图像由RGB坐标向HSI坐标系统转换,提取参量描述病斑颜色特征;采用灰度共生矩阵提取玉米叶部病斑的纹理特征;引入粒子群优化算法对传统神经网络算法进行改进,使之具备准确分类并识别玉米叶部病害的能力;最后构建了玉米叶部病害图像识别系统,并通过实验与比较,证明了所构建的系统识别病害的准确度。     

基于机器视觉的马铃薯病害识别系统

设计出一种基于机器视觉的马铃薯病害识别系统,该系统主要包括病害识别部分、服务器端、客户端。识别部分采集病害叶片图像,并进行小波去噪。利用OTSU阈值算法分割图像,提取病害的颜色、形状、纹理特征并利用SVM分类器进行识别。基于VS 2010搭建服务器端,提供包含REST API的Web Service与客户端进行信息交互。基于Android SDK设计病害识别系统的手机客户端,通过3G或无线网络对服务器端进行访问。通过实地测试,能准确识别出马铃薯的几种主要病害,且识别率大于92%。     

病害特征在作物病害识别中的应用研究综述

病害特征指作物在感染上病害时,在生理、形态和结构上发生病变特征,而病害识别则是利用提取出的作物病害特征来对作物进行病害识别,通常在病害形状、纹理和颜色作为识别特征的3个重要指标。将图像处理技术应用到病害特征提取识别中的研究与发展,分别从形状、颜色、纹理的特征提取出发,基于部分学习方法的病害识别,对近些年作物病害特征提取识别的应用研究进行综述,分析几种特征在病害识别研究中的优势与不足,并对病害特征在农业检测识别应用的前景进行展望。     

基于知识图谱与深度学习的黄瓜叶部病害识别方法

黄瓜病害识别是病害防治的提前。针对现有作物病害识别方法中存在实体关系交叉关联、多源异构数据聚合能力差、依靠大规模标注数据、缺乏专家经验知识指导等问题，提出一种知识图谱与深度学习的黄瓜叶部病害识别方法(KGCNN)。该方法通过知识图谱与实体链接消歧嵌入获取作物病害知识图谱中的结构化病害知识，并将病害特征词向量与知识实体向量作为卷积神经网络的多通道输入，在卷积过程中从知识和语义2个层面表示不同病害类型。与现有的作物叶部病害识别方法相比，该方法充分利用了知识图谱和CNN分别在知识表示和特征学习方面的优势。在由黄瓜白粉病、斑点病和角斑病的病害叶片及其对应的环境气候气象信息的数据集上进行训练和测试。结果表明该方法的识别性能优于基于CNN及其改进模型和其他病害识别方法。该方法适用于作物初步病害识别，可为其他作物病害的识别提供技术支持。     

基于区分矩阵的属性约简算法的作物病害识别方法

利用作物叶片症状进行作物病害识别是植保中的一个重要研究内容。提出了一种基于区分矩阵属性约简的黄瓜病害叶片图像分割与病害识别方法。首先,利用最大类间方差法对黄瓜病害叶片图像进行病斑分割;其次,提取病斑图像的36个分类特征;再次,利用基于区分矩阵的属性约简算法对36个特征进行特征选择;最后,利用最近邻分类器进行病害识别。在3种常见黄瓜病害叶片图像数据库上的试验结果表明,该方法是有效可行的,能够为基于病害叶片的作物病害识别系统研究提供参考。     

基于改进YOLOv4算法的苹果叶片病害检测方法

准确识别苹果叶片病害种类以进行及时防治对于苹果增量增产具有重要的意义,为解决同时检测苹果叶片多种病害目标结果不准确的问题,提出一种改进的YOLOv4目标检测算法(MC-YOLOv4)对苹果叶片常见的5种病害(斑点落叶病、褐斑病、灰斑病、花叶病、锈病)进行检测。为方便迁移到移动终端,首先,该算法将YOLOv4网络结构中的主干特征提取网络CSPDarknet53换成了轻量级的MobileNetV3网络,并在加强特征提取网络结构中引入深度可分离卷积代替传统卷积;其次,为提高检测精度,将卷积注意力机制模块CBAM融合至PANet结构中,可增强对有用特征信息的提取;最后,为了使锚框更适应本研究的数据集,通过K-means聚类算法将模型的锚框信息更新。结果表明,MC-YOLOv4模型在检测中的平均精度为97.25%,单张图像平均检测时间为13.3 ms,权重文件大小为55.5 MB。MC-YOLOv4模型对于同时检测苹果叶片多种病害目标的问题上具有识别速度快、识别精准度高、可靠性强等特点,该研究为苹果叶片的病害检测提供了一种更优的方法,有助于实现精准施药,提高苹果的产量和品质。     

基于迁移学习的GoogLeNet果园病虫害识别与分级

为提高果树病虫害危害程度分级精度进而更好地指导果园病虫害防治，采用迁移学习技术与GoogLeNet模型相结合的方法，对6种果园作物的25类病虫害样本进行识别与危害程度分级研究；同时，探究不同数据集大小以及不同优化算法对模型性能的影响；基于MATLAB平台设计了一款可视化的病虫害识别与分级系统。结果表明:1)基于迁移学习的GoogLeNet模型，对病虫害识别精度可达99.35%，危害程度分级精度可达92.78%；2)在相同训练参数下，本研究模型比AlexNet、VGG-16、ResNet-18、SqueezeNet、原GoogLeNet及MobileNet-v2模型验证精度提高了2.38%~11.44%，并且收敛速度最快；3)本研究模型识别精度随着数据集的增大而提高；在3种优化算法中SGDM算法耗时最短且精度最高，更适合本研究模型。通过拍摄果树叶片病害区域图像，本研究设计的系统能够在0.43 s左右准确识别出果树种类、病害类型以及危害等级等信息。     

机器人黄瓜病害采集系统

机器人黄瓜病害采集系统是以单片机控制器为核心,由颜色采集模块、摄像头捕捉模块、单片机控制模块和蓝牙传输模块组成。系统通过机器人定时巡查,颜色传感器捕捉病斑,用摄像头定点采集黄瓜病害图像,蓝牙模块发送给远程上位计算机,计算机对黄瓜病害进行有效识别,实现黄瓜病害的早发现和早诊治的目的。     

作物病害机器视觉诊断研究进展

 据统计,由病害引起的作物产量损失平均在12%以上,病害不仅直接影响产量,而且也严重降低农产品的品质。通过快速诊断识别作物病害而及时采取防治措施,提高作物病害的诊断水平是保证有效防治病害的重要组成部分。机器视觉技术的发展为作物病害诊断和识别提供了快捷、低廉、无损检测的可能手段。本文综述了面向多种作物病害机器视觉诊断研究的进展,归纳了作物病害机器视觉诊断的识别模式,分析了诊断中存在的问题,提出了相应的解决方法。     

基于判别局部保持投影的苹果叶部病害识别方法

通过维数约简实现特征提取是图像识别的一个重要步骤.由于同一种作物病害叶片和病斑图像的高度复杂性,在各种不同拍摄角度、位置和光照等条件下得到的图像之间差异较大,使得很多经典的维数约简和特征提取算法不能有效地用于作物叶部病害识别.本文在判别局部保持投影(Discriminant Locality Preserving Projections,DLPP)的基础上,提出一种基于DLPP的苹果叶部病害识别方法.首先利用GrabCut算法对采集的病害叶部图像进行背景分割,然后利用分水岭算法对去背景图像进行分割,得到病斑图像;再利用DLPP将病斑图像投影到低维判别空间,得到分类特征;最后利用K-最近邻分类器进行病害类别识别.在实际苹果病害叶片图像数据库上的实验结果表明,该方法是有效可行的.