基于YOLO v3的生猪个体识别方法

为实现高效的猪只个体识别,提出一种基于机器视觉的生猪个体识别方法。通过采集母猪和仔猪个体图像,对图像进行扩充和筛选,制作训练集和测试集。试验采用基于YOLO v3的识别模型,并与Faster RCNN和SSD模型识别结果进行比较,结果表明:对仔猪的识别平均精度均值达89.65%,准确率达95.99%,召回率达84.09%。对母猪的识别平均精度均值达95.16%,准确率达96.00%,召回率达96.00%。相较于Faster RCNN,该模型的识别速率是其7倍以上,相较于SSD,该模型的平均精度均值提高9%,说明该模型在识别速率和识别精度上都达到了较高水平。该研究可为猪只个体智能识别、数据监测及养殖信息化等提供理论依据。     

基于改进YOLO v3模型的奶牛发情行为识别研究

为提高复杂环境下奶牛发情行为识别精度和速度,提出了一种基于改进YOLO v3模型的奶牛发情行为识别方法。针对YOLO v3模型原锚点框尺寸不适用于奶牛数据集的问题,对奶牛数据集进行聚类,并对获得的新锚点框尺寸进行优化;针对因数据集中奶牛个体偏大等原因而导致模型识别准确率低的问题,引入DenseBlock结构对YOLO v3模型原特征提取网络进行改进,提高了模型识别性能;将YOLO v3模型原边界框损失函数使用均方差(MSE)作为损失函数度量改为使用FIoU和两框中心距离Dc度量,提出了新的边界框损失函数,使其具有尺度不变性。从96段具有发情爬跨行为的视频片段中各选取50帧图像,根据发情爬跨行为在活动区出现位置的不确定性和活动区光照变化的特点,对图像进行水平翻转、±15°旋转、随机亮度增强（降低）等数据增强操作,用增强后的数据构建训练集和验证集,对改进后的模型进行训练,并依据F1、mAP、准确率P和召回率R指标进行模型优选。在测试集上的试验表明,本文方法模型的识别准确率为99.15%,召回率为97.62%,且处理速度达到31f/s,能够满足复杂养殖环境、全天候条件下奶牛发情行为的准确、实时识别。     

基于改进YOLO v3模型的挤奶奶牛个体识别方法

为实现无接触、高精度养殖场环境下奶牛个体的有效识别，提出了基于改进YOLO v3深度卷积神经网络的挤奶奶牛个体识别方法。首先，在奶牛进、出挤奶间的通道上方安装摄像机，定时、自动获取奶牛背部视频，并用视频帧分解技术得到牛背部图像；用双边滤波法去除图像噪声，并用像素线性变换法增强图像亮度和对比度，通过人工标注标记奶牛个体编号；为适应复杂环境下的奶牛识别，借鉴Gaussian YOLO v3算法构建了优化锚点框和改进网络结构的YOLO v3识别模型。从89头奶牛的36790幅背部图像中，随机选取22074幅为训练集，其余图像为验证集和测试集。识别结果表明，改进YOLO v3模型的识别准确率为95.91%，召回率为95.32%，mAP为95.16%， IoU为85.28%，平均帧率为32f/s，识别准确率比YOLO v3高0.94个百分点，比Faster R-CNN高1.90个百分点，检测速度是Faster R-CNN的8倍，背部为纯黑色奶牛的F1值比YOLO v3提高了2.75个百分点。本文方法具有成本低、性能优良的特点，可用于养殖场复杂环境下挤奶奶牛个体的实时识别。     

基于YOLO v5和多源数据集的水稻主要害虫识别方法

针对水稻稻纵卷叶螟和二化螟成虫图像识别中自动化程度较低的问题,引入目标检测算法YOLO v5对监测设备和诱捕器上的稻纵卷叶螟和二化螟成虫进行识别与计数。依据稻纵卷叶螟和二化螟的生物习性,采用自主研发的水稻害虫诱集与拍摄监测装置,自动获取稻纵卷叶螟和二化螟成虫图像,并与三角形诱捕器和虫情测报灯诱捕拍摄的稻纵卷叶螟和二化螟成虫图像共同构建水稻害虫图像数据集;采用左右翻转、增加对比度、上下翻转的方式增强图像数据集;对比了不同训练模型对三角形诱捕器和监测设备诱捕拍摄的水稻害虫图像的检测性能,并对比稻纵卷叶螟成虫不同训练样本量对识别结果的影响,用精确率、召回率、F1值、平均精度评估各模型的差异。测试结果表明,测试集图像为三角形诱捕器和监测设备诱捕拍摄虫害图像时,稻纵卷叶螟识别的精确率和召回率分别达到91.67%和98.30%,F1值达到94.87%,二化螟识别的精确率和召回率分别达到93.39%和98.48%,F1值达到95.87%。不同采样背景、设备构建的多源水稻害虫图像数据集可以提高模型对水稻害虫识别的准确性。基于YOLO v5算法设计的水稻害虫识别计数模型能够达到较高的识别准确率,可以用于...     

基于改进YOLO v5s的奶山羊面部识别方法

为准确高效地实现无接触式奶山羊个体识别,以圈养环境下奶山羊面部图像为研究对象,提出一种基于改进YOLO v5s的奶山羊个体识别方法。首先,从网络上随机采集350幅羊脸图像构成羊脸面部检测数据集,使用迁移学习思想预训练YOLO v5s模型,使其能够检测羊脸位置。其次,构建包含31头奶山羊3 844幅不同生长期的面部图像数据集,基于预训练的YOLO v5s,在特征提取层中引入SimAM注意力模块,增强模型的学习能力,并在特征融合层引入CARAFE上采样模块以更好地恢复面部细节,提升模型对奶山羊个体面部的识别精度。实验结果表明,改进YOLO v5s模型平均精度均值为97.41%,比Faster R-CNN、SSD、YOLO v4模型分别提高6.33、8.22、15.95个百分点,比YOLO v5s模型高2.21个百分点,改进模型检测速度为56.00 f/s,模型内存占用量为14.45 MB。本文方法能够准确识别具有相似面部特征的奶山羊个体,为智慧养殖中的家畜个体识别提供了一种方法支持。     

基于YOLO算法的不同品种枣自然环境下成熟度识别

实现果园机械化智能采摘是解决农村劳动力不足、降低果实采摘成本的重要途径,对果园中果实的准确识别是其关键技术。以枣为研究对象,建立最适合多品种、实用性强的枣果实成熟度识别模型,将YOLO算法引入到枣果实在自然环境下的成熟度识别中,将枣果实分为成熟果实、未熟果实和完熟果实、半红果实、未熟果实两种标注方式,建立YOLO V3、YOLO V4、YOLO V4-Tiny和Mobilenet-YOLO V4-Lite四种识别模型。研究表明YOLO算法中YOLO V3与YOLO V4-Tiny两个模型均可适用于两种标注方式,验证集mAP约为94%,证明YOLO算法能够对枣果实进行有效的成熟度识别。     

基于Vision Transformer的小麦病害图像识别算法

小麦白粉病、赤霉病和锈病是危害小麦产量的三大病害。为提高小麦病害图像的识别准确率,构建一种基于Vision Transformer的小麦病害图像识别算法。首先,通过田间拍摄的方式收集包含小麦白粉病、赤霉病和锈病3种病害在内的小麦病害图像,并对原始图像进行预处理,建立小麦病害图像识别数据集;然后,基于改进的Vision Transformer构建小麦病害图像识别算法,分析不同迁移学习方式和数据增强对模型识别效果的影响。试验可知,全参数迁移学习和数据增强能明显提高Vision Transformer模型的收敛速度和识别精度。最后,在相同时间条件下,对比Vision Transformer、AlexNet和VGG16算法在相同数据集上的表现。试验结果表明,Vision Transformer模型对3种小麦病害图像的平均识别准确率为96.81%,相较于AlexNet和VGG16模型识别准确率分别提高6.68%和4.94%。     

基于卷积神经网络的草莓识别方法

针对目前草莓识别定位大多在简单环境下进行、识别效率较低的问题,提出利用改进的YOLOv3识别方法在复杂环境中对草莓进行连续识别检测。通过训练大量的草莓图像数据集,得到最优权值模型,其测试集的精度均值(MAP)达到87. 51%;成熟草莓的识别准确率为97. 14%,召回率为94. 46%;未成熟草莓的识别准确率为96. 51%,召回率为93. 61%。在模型测试阶段,针对夜晚环境下草莓图像模糊的问题,采用伽马变换得到的增强图像较原图识别正确率有显著提升。以调和平均值(F)作为综合评价指标,对比多种识别方法在不同果实数量、不同时间段及视频测试下的实际检测结果,结果表明,YOLOv3算法F值最高,每帧图像的平均检测时间为34. 99 ms,视频的平均检测速率为58. 1 f/s,模型的识别正确率及速率均优于其他算法,满足实时性要求。同时,该方法在果实遮挡、重叠、密集等复杂环境下具有良好的鲁棒性。     

自然环境下树上绿色芒果的无人机视觉检测技术

为了快速检测芒果树上的芒果,本文提出了一种基于无人机的树上绿色芒果视觉检测方法。本文采用深度学习技术,利用YOLOv2模型对无人机采集的芒果图像进行检测,首先通过无人机采集树上芒果图像,对芒果图像进行人工标记,建立芒果图像的训练集和测试集,通过试验确定训练模型的批处理量和初始学习率,并在训练模型时根据训练次数逐渐降低学习率,最终训练出来的模型在训练集上的平均精度(Mean average precision,MAP)为86.43%。通过试验,分析了包含不同果实数和不同光照条件下芒果图像的识别准确率,并设计了芒果树产量估计试验,试验结果表明:本文算法检测一幅图像的平均运行时间为0.08s,对测试集的识别准确率为90.64%,错误识别率为9.36%;对含不同果实数的图像识别准确率最高为94.55%,最低为88.05%;顺光条件下识别准确率为93.42%,逆光条件下识别准确率为87.18%;对芒果树产量估计的平均误差为12.79%。表明本文算法对自然环境下树上芒果有较好的检测效果,为农业智能化生产中果蔬产量的估计提供了视觉技术支持。     

基于残差网络的自然环境中刺梨果实的识别

针对传统的目标检测方法依赖人工提取特征,存在检测效率低、鲁棒性差和实时性差等缺陷。本文根据刺梨果实在自然环境中的生长特点,采用带有残差模块的YOLO v3神经网络进行刺梨果实识别模型的训练,该网络通过提取不同卷积层的特征图,将深层特征图进行上采样后与浅层特征图进行多次融合,以提取图像的更深层次的特征信息。通过对该网络的相关参数进行优化和改进,并对未参与模型训练的70幅刺梨图像进行检测,实验表明,本文算法能够有效地对自然环境下的11类刺梨果实进行识别,各类识别平均准确率为88.5%,平均召回率为91.5%,F_1平均值为89.9%,识别速率约为20 f/s。本文算法在刺梨果实的识别上取得了理想的识别效果。     

基于机器视觉的杂草实时采集与处理算法的研究

随着计算机技术的不断进步,机器视觉技术在包括农业工程的各个领域的应用与研究中得到了广泛的发展,机器视觉在杂草实时采集与识别的技术研究中已成为科学工作者们的主要研究方向。为此,研究了杂草图像的实时采集、处理算法以及软件系统的开发,并利用现有的实验平台作为模拟试验系统。     

数字图像处理与洪水检测和预防

针对自然灾害频繁发生,而目前我们对于自然灾害的预防措施又相对比较落后的现状,提出了通过物联网与数字图像处理技术的结合来检测河道中河水信息的实时变化,预防洪水灾害发生,最终达到保护人类生命财产的目的。     

基于卷积神经网络的生菜多光谱图像分割与配准

针对多光谱图像中由于多镜头多光谱相机各通道之间存在的偏差以及传统分割方法的不适用,图像分析处理过程往往会出现无法自动化分割或分割精度较低的问题,提出采用基于相位相关算法和基于UNet的语义分割模型对田间生菜多光谱图像进行各个通道的精确配准并实现前景分割。使用Canny算法对多光谱各通道图像进行边缘提取,进而使用相位相关算法对多光谱各通道图像进行配准,单幅图像平均处理时间0.92s,配准精度达到99%,满足后续图像分割所需精度;以VGG16作为主干特征提取网络,直接采用两倍上采样,使最终输出图像和输入图像高宽相等,构建优化的UNet模型。实验结果表明：本文所提出的图像配准和图像分割网络,分割像素准确率达到99.19%,平均IoU可以达到94.98%,能够很好地对生菜多光谱图像进行前景分割,可以为后续研究作物精准表型的光谱分析提供参考。     

田间杂草识别中图像预处理方法的研究

为了改善农业喷洒机器人视觉系统中图像的处理效果,对视觉系统采集到的RGB彩色图像进行2G-R-B变换处理。对得到的超绿灰度图像,分别使用对比度拉伸变换和直方图均衡化两种方法进行图像增强处理。比较这两种方法的处理效果,结果表明：直方图均衡化法对田间杂草图像具有较好的增强效果。     

马铃薯缺陷透射和反射机器视觉检测方法分析

针对反射机器视觉技术若同时检测马铃薯内外部缺陷存在检测精度不高的问题,提出一种基于透射机器视觉技术的马铃薯内外部缺陷无损检测方法。通过对获取的马铃薯透射和反射图像预处理方法的比较研究,确定上山法结合区域生长法为马铃薯透射和反射图像特征的最优分割方法;采用偏最小二乘-支持向量机分别建立了透射和反射图像的马铃薯缺陷识别模型并进行了比较。在对马铃薯内部缺陷进行检测时,透射和反射图像所建模型的判别正确率分别为96.30%、59.26%;在对马铃薯外部缺陷进行检测时,透射和反射图像所建模型的判别正确率分别为94.20%、89.86%;在对马铃薯内外部缺陷进行同时检测时,透射和反射图像所建模型的判别正确率分别为95.83%、81.25%。研究结果表明,无论是对马铃薯内部或外部缺陷单独进行检测,还是对内外部缺陷同时进行检测,透射方法均比反射方法精度更高。     

作物数字图像获取与长势诊断的方法研究

数字图像在作物信息采集方面具有信息量大、速度快、精度高等显著的特点和优势,被广泛应用于作物生长诊断方面。以往研究集中在作物图像分析技术,对图像获取手段和获取系统的技术要求等论述较少。从建立作物图像获取系统的角度出发,在分析作物图像颜色、分辨率、格式和文件存储空间大小的基础上,总结了常用作物图像获取及分析技术在作物监测方面的应用。结果表明,作物水分及营养状况诊断多采用图像颜色特征分析的方法,常用RGB和HIS颜色模型,作物图像可以在自然光照条件下获取,镜头距离地面或作物的距离、拍摄角度、图像分辨率和图像存储格式并无定规,可用JPEG格式来存储图像,节省大量的图像存储空间。土壤和杂草等背景的识别、病虫害特征提取等方面采用颜色特征、多光谱图像、纹理特征和形状特征等方法,图像颜色分辨率从288×352像素到3 072×2 304像素可使识别目标达到80%～95%。图像分辨率高的识别效果好,但是程序用时长,图像文件占用空间大,影响图像传输速度和诊断的实时性。因此获取图像时要根据图像应用的具体情况来选择合理的图像分辨率。     

基于Shannon-cosine小波的农田遥感图像纹理延拓

农田遥感图像一般都是大图像，对这种大图像进行后续的分析，分块处理是较常见的方法，而在进行分块处理的时候易产生边界效应。消除边界效应最常用的方法是进行图像延拓，常见的延拓方法有对称延拓、零延拓和周期延拓，但在边界处会引入大量高频信息。农田遥感图像中的纹理承载了重要的信息，因此，结合农田遥感图像纹理呈现出的直线特性，本文提出了一种基于纹理方向的图像延拓法。利用多尺度插值小波解偏微分方程的方法根据图像的灰度变化自适应选取配置点，即在图像平坦区域稀疏取点，在纹理细节处密集取点。然后根据配点利用包围盒识别农田遥感图像的纹理方向，进一步沿纹理方向进行延拓。试验结果表明，本文提出的图像延拓方法有效地克服了常规延拓方法的缺点，提高了计算效率，消除了边界效应。     

基于非抽样Shearlet变换的红外与可见光图像融合方法

针对同一场景红外图像与可见光图像的融合问题,提出了一种基于非抽样Shearlet变换(NSST)的融合算法。首先对源图像进行多尺度、多方向NSST分解,得到低频子带系数和各带通方向子带系数;然后,在局部区域结构相似度的基础上,采用基于局部区域能量的方法选择融合图像的低频子带系数;基于脉冲耦合神经网络(PCNN)对带通方向子带空间频率(SF)的响应而得到的点火次数选择融合图像的带通方向子带系数,得到融合图像的NSST系数;最后经过非抽样Shearlet逆变换得到融合图像。实验结果表明:与其他5种相关的融合方法相比,该方法可获得具有更好视觉效果和更优量化指标的融合图像。     

基于ComⅥ和双阈值OTSU算法的农作物图像识别

针对农作物图像中依附泥土和杂质噪声呈现不规则性和复杂性特点,提出了一种基于植被指标合成双阈值OTSU算法的农田作物图像识别方法.该方法根据农作物充分显露和部分被遮盖2类图片特点,将图像识别过程分为3个阶段：首先利用植被指标合成获取农作物图像灰度图,然后根据双阈值OTSU自适应算法进行二值化处理与图像分割,再进行正常的形态学运算,将3个阶段所分割的图像叠加形成最终的农作物与土壤识别图像,并将该算法与双阈值迭代设定法进行了对比.试验研究表明该算法克服了传统灰度图算法和阈值迭代算法的缺点,能有效提取和识别过渡区域的边缘,图像识别的准确率为92.7%以上.最后,采用Visual Basic2010和Matlab 2012软件设计了农作物图像识别系统,从应用角度实现了图像识别的可视化与自动化.     

作物数字图像远程实时获取方法研究

作物图像获取方法是应用计算机视觉技术监测作物长势的首要问题。为此,对作物数字图像远程实时获取方法进行了研究。研究的作物数字图像远程实时获取系统由图像获取设备、下位机、数据传输系统、Web服务器和客户端等部分组成,包括用户管理与系统维护、数据库管理、图像获取与设备控制和数据处理与发布4个功能模块。系统利用带无线传输功能的数码相机和高清晰网络工业相机作为作物数字图像获取设备,并给出了图像获取设备的5种安装形式:移动车载、固定形式、滑动导轨、云台和综合形式;系统在图像获取设备到下位机之间采用有线或微波无线的传输方式,从下位机到Web服务器再到客户端采用Internet网络连接,通过增加带宽可以显著提高图像信息的传输速率;系统利用直接存取法建立作物图像数据库,并利用Web信息系统实现了作物图像信息的实时发布。