苹果霉心病可见/近红外透射能量光谱识别方法

针对苹果霉心病从外表无法识别的难题,提出基于可见/近红外透射能量光谱进行快速无损识别的模型和方法。在200~1 100 nm波段内采集了200个苹果的透射能量光谱数据,随机选取140个样品作为训练集,剩余60个样品作为测试集。用平滑法和多元散射校正对光谱数据进行预处理。基于全光谱、连续投影算法(SPA)提取的12个特征波长、主成分分析(PCA)提取的9个主成分,分别建立了偏最小二乘判别法、误差反向传播人工神经网络和支持向量机(SVM)识别模型。实验结果说明,应用PCA-SVM建立的模型识别性能最优,该模型对测试集和训练集中霉心病果和健康果的识别正确率分别为99.3%和96.7%。基于SPA和PCA所建模型的输入变量数仅相当于基于全光谱所建模型输入变量数的0.99%和0.74%,极大降低了模型的复杂度。研究结果表明,该方法是可行的且具有较高识别准确度,为苹果在线内部品质分级和便携式苹果霉心病检测仪的研究提供了技术依据。     

基于计算机视觉的苹果水心病无损在线分级系统

对苹果按照水心病患病程度进行无损在线分级对于苹果采摘机器人具有重要的意义。在苹果园中,利用无损在线检测出轻度患有水心病的苹果果实并优先采摘,以避免因患病苹果烂掉而造成经济损失,构建了基于计算机视觉和高光谱技术的苹果水心病患病程度无损在线分级系统。本系统以西北农林科技大学白水苹果试验示范站的秦冠苹果为研究对象,采集苹果果实的高光谱图像和果面图像,对苹果图像进行压缩感知预处理和计算机视觉特征提取,并使用支持向量机算法根据苹果图像的计算机视觉特征来对苹果的水心病患病程度进行分级。实验表明:该系统对苹果水心病的分级准确率可以达到78.2%。与人工对苹果水心病分级相比,该系统不依赖于农业专家对苹果水心病特征的丰富知识,不受农业专家的主观影响。本系统作为苹果采摘机器人的一个模块可以为苹果的采摘行为提供指导,降低了人工成本,提高了经济效益。     

考虑直径影响的苹果霉心病透射光谱修正及检测

针对苹果霉心病近红外透射光谱信息受果实直径影响的难题,提出了一种能够修正果实直径对透射光谱影响的方法。基于透射光谱采集平台获取327个红富士苹果的可见/近红外光谱(350～1 100 nm)信息,采用电子游标卡尺获取其直径(光程)信息。以直径为80 mm健康苹果的平均光谱作为参考光谱,将327个苹果的光谱与参考光谱进行比较,结合直径信息利用公式求得透射光在果实内的衰减系数P,用衰减系数P进行透射光谱的修正。修正后光谱建立支持向量机(SVM)模型、误差反向传播神经网络(BP-ANN)模型,并与修正前原始光谱建立模型进行对比。实验结果表明,应用此光谱修正方法能够显著提高模型判别精度,其中应用SVM算法对修正后的光谱建立模型效果最好,对训练集和测试集的判别准确率分别为99. 34%和90. 20%,相对于原始光谱建立的模型判别准确率分别提高了7. 84和5. 89个百分点。基于此方法修正果实直径对于透射光谱的影响是可行的,构建的模型能够实现苹果霉心病的准确判别。     

基于人工神经网络的苹果可溶性固形物无损检测

采集了60个苹果在400～1 100nm范围内的可见-近红外漫反射光谱,然后使用连续投影算法将光谱变量进行压缩,最后采用BP神经网络建立了苹果糖度的预测模型。实验表明,连续投影算法从400～1 100nm范围提取出25个优选波长参与建模,有效简化了模型结构。BP神经网络模型对苹果糖度的预测相关系数达到0.853,预测均方根误差为1.303 0。结果表明,基于近红外光谱的苹果糖度无损检测是可行的。     

猕猴桃膨大果的近红外漫反射光谱无损识别

在833~2500 nm光谱范围内采集了120个猕猴桃膨大果和120个正常果的近红外漫反射光谱,采用变量标准化方法对光谱进行了预处理,基于Kennard-Stone方法对样本进行了划分,分别建立了基于全光谱(FS)、主成分分析法(PCA)提取的11个主成分和连续投影算法(SPA)提取的6个特征波长的偏最小二乘(PLS)、支持向量机(SVM)和误差反向传播(BP)神经网络识别模型。结果说明,所建立的9个模型对校正集和测试集中猕猴桃膨大果和正常果的正确识别率均分别大于96.7%和93.3%。PCA提取的主成分数和SPA提取的特征波长数仅是FS中波长数的0.53%和0.29%,建立的模型更加简单,且识别效率较高。PLS和SVM模型的识别率普遍高于BP神经网络模型。9种模型中PCA-PLS识别率最高,其对校正集和测试集中膨大果和正常果的正确识别率均达到100%。该研究结果表明,近红外漫反射光谱技术可作为一种准确、高效的方法应用于猕猴桃膨大果的无损识别中。     

富士苹果采收成熟度光谱无损预测模型对比分析

针对苹果采收成熟度不一,导致果品贮藏品质不佳、病害率高等问题,基于可见/近红外光谱和成熟度评价指数建立快速无损判别采收成熟度的分类模型。根据盛花期后的发育时间,采集了3种成熟阶段（八成熟、九成熟和十成熟）样品的光谱信息。光谱预处理后通过“二审”回收算子法剔除异常样本,随机蛙跳（RF）算法提取特征变量,建立成熟度评价指数SIQI和综合评价指标FQI的偏最小二乘（PLSR）模型,SIQI指数和FQI指数的预测相关系数R为0.938和0.917。建立极限学习机（ELM）和支持向量回归（SVR）分类模型,并与2种成熟度评价指数结合SVR建立的分类结果进行比较。对比4种分类结果发现,基于SIQI+SVR构建的分类结果最好,优于直接分类模型,分类准确率为 85.71%。试验结果表明,可见/近红外光谱结合成熟度评价指数可实现苹果成熟度分类,为后续采收成熟度的无损检测设备研发提供理论参考。     

基于CNN的玉米种子内部裂纹图像检测系统

为了高效检测玉米种子内部裂纹,设计基于卷积神经网络(CNN)的检测系统及批量检测方法,采集有裂纹和无裂纹的玉米种子制作数据集,构建AlexNet、VGG11、InceptionV3和ResNet18共4种经典卷积神经网络,同时与传统算法模型SVM和BP神经网络进行对比实验。实验发现,卷积神经网络模型优于这两种传统算法模型,ResNet18模型的综合检测性能最佳,单粒有裂纹种子的识别准确率为95.04%,单粒无裂纹种子的识别准确率为98.06%,平均单粒种子识别时间为4.42 s。基于ResNet18,搭建种子内部裂纹自动识别装置,设计识别软件控制装置,得到玉米种子内部裂纹识别系统。系统实验进行10组批量识别,有裂纹种子的平均识别准确率为94.25%,无裂纹种子的平均识别准确率为97.25%,批量识别中光源的透射无法等效地显现所有种子的内部裂纹、多次加载模型权重导致泛化性不足等因素会影响准确率。     

基于介电特性的苹果内部品质预测方法研究

快速无损检测水果糖度、硬度及含水率等内部品质对确定水果的营养价值和分级销售有着重要意义。为准确利用理化特征对苹果内部口感品质进行无损分级,提出了一种基于随机森林的苹果内部口感品质多语义分类模型。采用苹果的介电参数作为随机森林模型的输入,基于TF-IDF算法对苹果内部口感品质进行分类,依据介电参数推断苹果的理化特征。实验结果表明:该方法可有效实现对苹果内部口感品质的多语义分类,均方根误差为0. 51,可为水果等农产品的无损检测及分级提供参考。     

基于无人机多光谱图像的云南松虫害区域识别方法

针对云南省祥云县林区云南松虫害区域高效识别的需求,为更加高效准确地对虫害信息进行监测,本文搭建了林区八旋翼多光谱图像采集平台,基于无人机多光谱图像提出了一种Jeffries-Matusita(J-M)距离优化的反向传播神经网络(BP)分类方法。该方法首先引入J-M距离实现了对训练样本的优化,有效降低了"同谱异物"和"同物异谱"现象的影响,然后基于颜色矩和灰度共生矩阵提取了图像的颜色和纹理特征,并提取了580、680、800 nm共3个波段的相对光谱反射率作为光谱值特征,建立了5个植被指数模型,最后利用BP神经网络算法对颜色、纹理、光谱值和植被指数4种特征向量进行训练识别,实现了对虫害区域的分类识别。利用所提算法从总体分类精度和Kappa指数两方面与传统BP神经网络和支持向量机(SVM)算法进行对比试验。试验结果表明,本文算法总体分类精度和Kappa指数分别达到了94.01%和0.92,建模时间相对于传统BP神经网络缩短了38%,总体分类效果优于传统BP神经网络和SVM算法。     

基于边缘检测和BP神经网络的大豆杂草识别研究

为提高无人机喷洒除草剂的精准度,以阔叶型杂草、禾本科杂草作为研究对象,针对传统图像识别技术准确率低,边缘信息丢失严重等问题,提出基于改进Canny边缘检测算法和BP神经网络相结合的大豆杂草图像识别方法。首先采用改进后的Canny算法对图像进行特征提取,然后将提取到的结果转化为特征矩阵向量,作为BP神经网络的输入层,最后通过BP神经网络进行大豆杂草图像识别,区分出不同种类的杂草。试验结果表明,改进后的Canny算法同BP神经网络相结合的方法在阔叶型杂草和禾本科杂草识别上,准确率分别为95.67%和93.33%,较传统Canny算法同BP神经网络相结合的方法准确率分别提升5.83%和5.66%。     

可移动式苹果内部品质果园产地分级系统

为满足苹果内部品质产地检测分级需求,本研究研发出检测模块和分级模块,构成可移动式苹果内部品质果园产地分级系统。在此系统的基础上,以苹果糖度和霉心病为代表品质指标,提出一种基于乘法效应消除（Multiplicative Effect Elimination,MEE）的光谱校正方法,用于消除苹果物理属性差异导致的有效光程变化对光谱的影响。利用该系统获取苹果600~900 nm漫透射光谱数据,分别采用多元散射校正（Multiple Scattering Correction,MSC）、标准正态变量变换（Standard Normal Variate Transform,SNV）和MEE算法对苹果光谱预处理后,建立糖度偏最小二乘回归（Partial Least Squares Regression, PLSR）预测模型和霉心病偏最小二乘判别（Partial Least Squares - Discriminant Analysis,PLS-DA）模型。结果表明,MEE算法相比于MSC和SNV算法建模结果更好,糖度预测模型的校正集相关系数（Rc）、校正集均方根误差（Root Mean Square Error of Calibration,RMSEC）、预测集相关系数（Rp）和预测集均方根误差（Root Mean Square Error of Prediction,RMSEP）分别为0.959、0.430%、0.929和0.592%;霉心病判别模型的校正集敏感性、校正集特异性、校正集准确率、预测集敏感性、预测集特异性和预测集准确率分别为98.33%、96.67%、97.50%、100.00%、90.00%和95.00%。将建立的最佳预测模型导入分级系统进行试验,结果表明该系统的分级准确率为90.00%,分级速度约3个/s。该系统具有成本低、结构简单、移动方便等优点,可以满足苹果内部品质果园产地检测分级需求。     

苹果含水率与介电常数关系模型的建构

介电常数与含水率有很高的相关性,可通过测量农产品的介电特性参数预测其干燥过程含水率,高压脉冲电场可有效加快干燥过程,但介电常数和含水率在此过程中的影响机理尚待进一步研究。为解决高压脉冲电场作用下果蔬介电常数与含水率之间关系的微观解释不明确问题,建立有效的苹果含水率与介电常数关系模型,本文以苹果为研究对象,三维模拟其内部电场参数,使用蒙特卡罗法对高压脉冲电场下苹果的介电特性进行理论模拟计算,把苹果内部宏观和微观介质作为集总参数来等效替代其内部整体结构。实验结果显示,当修正系数为8.96时,控制苹果相对水含率从88%逐步下降到18%,介电常数计算值与实测值间相对误差稳定在10%以内。研究为脉冲电场处理果蔬加工提供理论依据。     

大豆豆荚炭疽病严重度的光谱检测

利用可见/近红外光谱技术对大豆豆荚炭疽病严重度进行检测。分别采用主成分分析法(PCA)结合反向传输人工神经网络(BPNN)和连续投影算法(SPA)结合BPNN 2种组合模型进行分析预测。利用SPA的数据压缩功能和BPNN的学习预测能力实现对大豆豆荚炭疽病严重度的检测。以样本检测的准确率作为模型评价指标。实验结果显示SPA-BPNN的检测准确率最高,为90%。研究表明,SPA能够有效地进行波长选择,使BPNN模型获得满意的检测率。     

基于改进YOLOv4算法的苹果叶部病害缺陷检测研究

针对苹果叶部病害缺陷检测效率低下、误检率高、实时性差等问题，以苹果叶部的灰斑病、黑星病、锈病、斑点落叶病作为研究对象，提出一种基于改进YOLOv4算法的苹果叶部病害缺陷检测算法。首先通过数据扩增对数据集扩充提升鲁棒性，算法通过二分K均值聚类算法确定锚框以解决预设锚框不适用苹果叶部病害的问题，引入DenseNet121作为特征提取网络，提升对苹果叶部病害缺陷的检测性能，并且减小模型大小，降低存储开销。将模型与YOLOv4模型进行对比验证，试验结果表明，改进后的YOLOv4模型平均精度均值（mAP）达到97.52%，与改进前相比提升0.89%，模型大小为62.71 MB，与改进前相比减小182.82 MB，检测速度为26.33 FPS，与改进前相比提升6.78 FPS。能够满足实际生活中对苹果叶部病害检测的需求。     

基于机器视觉和信息融合的邻接苹果分割算

提出了利用亮度和颜色的信息融合来分割邻接苹果的方法.首先使用Lab模型对苹果图像进行分割.然后计算分割后每个区域的面积,并判断其是否为邻接苹果区域.接着在邻接区域内计算亮度信息,利用亮度产生的亮斑对邻接苹果进行分割.这样,在邻接区域以外的部分,亮度信息产生的噪声被Lab模型的信息屏蔽,而邻接区域以内的部分,具有惟一性的亮度信息可以较好分割经Lab模型处理后的邻接苹果.实验表明,此算法对邻接苹果识别非常有效,识别率大于92.89%,而且算法简单快速,平均每幅图片识别时间小于0.5 s.     

基于轻量化改进YOLOv5的苹果树产量测定方法

果树测产是果园管理的重要环节之一,为提升苹果果园原位测产的准确性,本研究提出一种包含改进型YOLOv5果实检测算法与产量拟合网络的产量测定方法。利用无人机及树莓派摄像头采集摘袋后不同着色时间的苹果果园原位图像,形成样本数据集;通过更换深度可分离卷积和添加注意力机制模块对YOLOv5算法进行改进,解决网络中存在的特征提取时无注意力偏好问题和参数冗余问题,从而提升检测准确度,降低网络参数带来的计算负担;将图片作为输入得到估测果实数量以及边界框面总积。以上述检测结果作为输入、实际产量作为输出,训练产量拟合网络,得到最终测产模型。测产试验结果表明,改进型YOLOv5果实检测算法可以在提高轻量化程度的同时提升识别准确率,与改进前相比,检测速度最大可提升15.37%,平均mAP最高达到96.79%;在不同数据集下的测试结果表明,光照条件、着色时间以及背景有无白布均对算法准确率有一定影响;产量拟合网络可以较好地预测出果树产量,在训练集和测试集的决定系数R^{\mathrm{2}}分别为0.7967和0.7982,均方根误差RMSE分别为1.5317和1.4021 ㎏,不同产量样本的预测精度基本稳定;果树测产模型在背景有白布和无白布的条件下,相对误差范围分别在7%以内和13%以内。本研究提出的基于轻量化改进YOLOv5的果树产量测定方法具有良好的精度和有效性,基本可以满足自然环境下树上苹果的测产要求,为现代果园环境下的智能农业装备提供技术参考。     

基于无人机多光谱遥感的大豆生长参数和产量估算

为适应现代农业发展对作物生长动态、连续、快速监测的要求，本文基于无人机多光谱遥感技术，以西北地区大豆作为研究对象，分别筛选出与大豆叶面积指数(Leaf area index, LAI)、地上部生物量和产量相关性较好的5个植被指数，采用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)和反向神经网络(Back propagation neural network, BPNN)分别构建了大豆LAI、地上部生物量和产量的估计模型，并对模型进行了验证。结果表明，基于RF模型构建的大豆LAI和地上部生物量预测模型的精度显著高于SVM与BP模型，LAI估计模型验证集的R²为0.801,RMSE为0.675 m²/m²,MRE为18.684%;地上部生物量估算模型验证集的R²为0.745,RMSE为1 548.140 kg/hm²,MRE为18.770。而在产量的估算模型构建中，在大豆开花期(R4)基于RF模型构建的大豆产量预...     

近色背景中树上绿色苹果识别方法

为实现大型果园生产中果实产量监控和预测,研究了基于机器视觉的树上绿色苹果识别方法。为彩色相机配备一环形闪光灯用于夜间苹果树的图像采集,设计了以归一化的g分量和HSV颜色空间中H、S分量为特征参数的支持向量机(SVM)分类器和以超绿算子(2G-R-B)为特征的阈值分类器组合而成的混合分类器,实现了绿色苹果在近色背景中的有效识别;针对识别结果中的果实粘连情况,通过计算区域面积以及区域长、短轴之比,识别粘连区域,并对粘连果实区域图像进行欧氏距离变换,进而针对粘连区域距离变换图像采用分水岭算法进行分割,可将大部分粘连果实分开,并最终实现近色背景中绿色苹果的识别与计数。通过对64幅果树图像实验表明,该方法平均识别正确率为89.30%。     

复杂环境中苹果树识别与导航线提取方法

为精准化管理果园，针对存在裸露土壤、遮蔽物、果树冠层阴影和杂草等复杂环境下难以提取导航线问题，通过无人机搭载多光谱相机获取苹果园影像数据后提取果树像元并进行全局果树行导航线提取。通过处理多光谱影像数据得到正射影像图(DOM)、数字表面模型(DSM)图像，选取并计算易于区分杂草与苹果树的归一化差异绿度指数（NDGI）、比值植被指数（RVI）分布图，构建DSM、NDGI、RVI融合图像后，综合利用过绿植被(EXG)指数和归一化差异冠层阴影指数（NDCSI）以阈值分割法剔除融合图像中土壤、遮蔽物、阴影等像元，降低非植被像元对果树提取的干扰。对比使用支持向量机（SVM）法、随机森林（RF）法和最大似然（MLC）法分别提取最终融合图像和普通正射影像中的苹果树像元，并计算混淆矩阵评价各识别精度。试验表明，MLC法对融合图像中果树的识别效果最优，其用户精度、制图精度、总体分类精度、Kappa系数分别为88.57%、93.93%、93.00%、0.8824；相对于普通正射影像，本文构建的最终融合图像使3种方法的识别精度均得到有效提升。其中，融合图像对RF法的用户精度提升幅度最大，为27.12个百分点；对SVM法的制图精度提升幅度最大，为9.03个百分点；对3种方法的总体分类精度提升幅度最低为13个百分点；对SVM法的Kappa系数提升幅度最大，为22.55%，且对其余两种方法的提升也均在20%以上。将本文得到的苹果树像元提取结果图像做降噪、二值化、形态学转换等处理后，以感兴趣区域划分法提取各果树行特征点，并以最小二乘法拟合各行特征点得到导航线，其平均角度偏差为0.5975°，10次测试整体平均用时为0.4023s。所提方法为复杂环境中果树像元和果树行导航线提取提供了重要依据。     

基于SIRI和CNN的苹果隐性损伤检测方法

苹果从采摘到销售过程中易发生机械损伤,需要及时剔除以避免腐烂变质。然而机械损伤早期苹果外观颜色变化不明显,通常表现为隐性损伤,检测比较困难。提出了一种基于结构光反射成像(SIRI)和卷积神经网络(CNN)的苹果隐性损伤检测方法。通过搭建SIRI系统,采集待测苹果调制的结构光图像,再利用三相位解调法提取交流分量,增强苹果隐性损伤对比度;然后利用交流分量图像制作苹果隐性损伤数据集,并使用基于CNN的语义分割网络FCN、UNet、HRNet、PSPNet、DeepLabv3+、LRASPP和SegNet训练损伤检测模型,多组试验结果表明上述模型均能有效地检测出不同情况下的苹果隐性损伤。其中HRNet模型精确率、召回率、F1值和平均交并比较高,分别为97.96%、97.52%、97.74%和97.58%,但检测速度仅为60 f/s; PSPNet模型检测速度较快,可达到217 f/s,但其检测精度略低,精确率、召回率、F1值和平均交并比分别为97.10%、94.57%、95.82%和95.90%。