实时识别行间杂草的机器视觉系统

在实验室环境条件下,开发和测试了识别行间杂草的机器视觉系统。硬件系统主要由速度可控的土壤箱设备、三台实时采集图像的摄像机和计算机组成;软件系统根据植物和背景的颜色特征二值化图像,再根据田间作物的位置特征识别作物和行间杂草。实验表明,采集并处理一幅大小为710×512像素的彩色图像的平均时间为426 ms,系统的正确识别率达到了86%。     

基于卷积网络和哈希码的玉米田间杂草快速识别方法

为提高作物与杂草识别的准确性,结合深度卷积网络强大的特征提取能力和哈希码便于存储和快速检索的特点,提出了基于深度卷积网络和二进制哈希码的田间杂草快速识别方法。结合预训练好的多层卷积网络,增加二进制哈希层构建杂草识别模型,并利用所采集的杂草数据集对模型进行fine-tuning。所提出的二进制哈希层可有效地的将高维杂草特征进行压缩,以便于实际田间杂草特征的存储和后续计算。在进行杂草识别时,利用训练好的模型提取输入图像的全连接层特征码和哈希特征码,与数据库中的全连接层特征码和哈希特征码进行对比,分别计算其汉明距离与欧氏距离,找出与其最相似的K张图像,统计这K张图像的标签,将其归入频率最高的一类,以达到分类识别的目的。本文通过对比不同卷积层数和不同二进制哈希码长度对杂草识别的影响,最终确定了包含4层卷积网络和128位哈希码长度的杂草识别模型。试验结果表明所提出的研究方法在田间杂草识别上可以达到98.6%准确率,并且损失函数稳定性相较于普通模型有所提高。同时在其他杂草数据集上也有良好的表现,准确率达到95.8%,说明提出的方法具有通用性。经实地测试表明利用本文提出的模型识别杂草进行对靶喷雾可以达到92.7%的杂草施药率,能够有效减少农药浪费,适用于精准喷雾。     

基于传感器融合阵列的果树冠层信息采集方法

针对果园上、中、下冠层不同稀疏度,提出一种多传感器阵列的果树冠层信息融合方法（简称传感器融合阵列）,并进行了相关试验及验证。首先设计了果园冠层宽度信息的无线采集系统,并对比分析了6种非接触式测距传感器的动态识别能力;其次采用筛选出的激光传感器及超声波传感器阵列,收集3种果园上、中、下果树冠层信息;最后选出适合3种果园的传感器融合阵列,依据Box-Benhnken 中心组合试验法设计试验,对采用同种传感器阵列与传感器融合阵列测距方案进行响应面试验,并对得出的试验结果进行统计分析。试验结果表明：影响果树整体测量精度显著性水平从大到小依次为测距方案、车体速度、果园类型。车速为0.3~0.5m/s时,与人工测量相比,采用超声波传感器阵列收集果园冠层信息,相对误差为14.70%~20.04%;采用激光传感器阵列时,相对误差为9.13%~16.02%,采用传感器融合阵列时,相对误差为4.2%~10.24%。采用传感器融合阵列比单种传感器阵列精度高,更适合果园变量喷雾作业。     

玉米青贮收获机多参数检测系统设计与试验

针对当前玉米青贮收获机作业参数人工检测效率低、自动检测手段匮乏、检测参数间相互独立、难以支撑关联分析等问题,设计了基于CAN总线和虚拟仪器的玉米青贮收获机田间多参数检测系统。该检测系统由作业质量检测装置、机械部件工况检测装置、液压部件工况检测装置和上位机监测软件构成,可以实现发动机输出转速与扭矩、割茬高度、收获生产率、割台工作转速与扭矩、切碎辊工作转速与扭矩、抛送风机工作转速与扭矩、行走部件转速与扭矩、喂入部液压泵输出流量与压力等多种参数的系统性测量与综合分析,并结合现行标准用于玉米青贮收获作业的整机合格性评价。田间试验结果表明,多参数检测系统能够实现玉米青贮收获机作业参数的全面、动态、连续和稳定测量。其中,扭矩参数静态测量的最大相对误差在±0.5%范围内,空载工况下的试验组间均值差异性不大于0.75 N·m,试验组内重复性测量最大极差为1.28 N·m,最大变异系数为0.012;收获工况下的检测数据与实际工况始终保持一致,可以准确获取不同机器参数下的整机转速与扭矩动态变化趋势;液压流量参数测量的最大相对误差为1.13%,额定作业工况下的相对误差为0.53%;收获生产率参数测量的模型回...     

基于机器视觉的草地蝗虫识别方法

为了准确、自动地提取蝗虫信息进行蝗灾测报,提出了一种基于机器视觉的草地蝗虫识别方法,用于超低空蝗灾预警系统所自动采集的视频中草地蝗虫头数信息的提取。该方法先根据跃起草地蝗虫的背景构成,把原始图像分为天空子图像和草地子图像;然后,采用帧间差分法检测两子图像中的运动区域;最后,运用蝗虫的形态特征因子对检测的运动区域进行再分类,识别跃起蝗虫。把自动识别的跃起蝗虫头数,带入建立的跃起蝗虫头数与和地面蝗虫头数之间的数学模型中,从而得到地面蝗虫的数量,进行地面上草地蝗虫的间接计数。试验结果表明:跃起草地蝗虫的识别率为80%～100%,由建立跃起蝗虫和地面蝗虫的之间模型计算的地面草地蝗虫的精度大于80%。因此,基于机器视觉的草地蝗虫识别方法能满足蝗虫精准测报的要求。     

基于机器视觉的苗期杂草实时分割算法

对利用植物的位置来识别作物苗期田间杂草的方法进行了研究。根据苗期田间植物的位置特征 ,建立了基于机器视觉的分割苗期田间杂草的算法 DBW。通过比较分析各种算法的分割效果图和所耗费的时间 ,运用超绿色法灰度化原始图像 ,然后应用最大方差自动取阈法二值化图像 ,最后运用种子填充算法分割作物和杂草。研究表明 ,算法 DBW在实时性方面表现出一定的优越性 ,处理一幅 5 4 4× 117像素的图像只需大约 6 0 ms     

油菜种子甩盘式丸化加工试验与参数优化

为研究油菜种子丸粒化核心工艺对成丸质量的影响,分析了油菜种子丸化过程的接触力学,构建丸化过程的仿真模型,开展验证试验,优化油菜种子丸粒化加工工艺。接触力学分析结果表明,种丸粘结包敷的前提是种丸-粉剂颗粒碰撞过程中的相对切向速度小于阈值,二者未发生相对滑动;较大的法向接触力可提高最大静摩擦力、压实丸粒粘结,促进成丸质量;而对于种丸-种丸、粉剂-粉剂间接触,增大切向接触力、降低法向接触力,有利于减少多籽、空丸及形变等问题发生。仿真结果表明,当甩盘转速为1200r/min时,种丸-粉剂的速度均差为0.22m/s,创造静止粘结条件;种丸和粉剂速度分布标准差为0.42、0.52m/s,种丸-种丸、粉剂-粉剂的平均速度影响多籽和空丸产生。供粉速度影响核心粘结区域种子和粉剂的比例,粉剂过多形成空丸、浪费粉剂,粉剂不足降低包敷效率。正交试验极差和方差分析结果表明,粉液比是影响成丸质量的最主要因素,丸粒化油菜种子最佳工艺参数：甩盘转速为1200r/min、粉液比为2.1、供粉速度为24g/min,此时成丸合格率为95.7%,单籽率为94.9%,包敷效率为1.8kg/h。研究结果揭示了种子丸粒化机理,形成了油菜种子丸粒化加工工艺,有利于提升油菜种子加工水平。     

超低空无人飞行器虚拟现实技术实现与仿真

为了远程控制超低空无人飞行器起降和监视其飞行状况,设计了基于虚拟现实技术的导航与控制方法.借助Multigen Creator软件,建立了飞行器的三维仿真模型,由DEM数据生成了地形场景,研究了三维模型的驱动方法.根据飞行器上装载的GPS接收机和其他传感检测设备实时传递的参数对虚拟环境下的飞行器模型及飞行场景进行驱动.同时给出反馈信号,控制飞行器按预定路线和姿态飞行,利用GIS技术,在数字地图上显示飞行轨迹.对飞行器的飞行轨迹和飞行姿态进行实时控制,仿真试验表明,对飞行器的远程导航控制是可行的.     

农业车辆杂草环境下视觉导航路径识别方法

在普通环境导航路径识别方法的基础上,分析了株间杂草和垄间杂草对农业车辆导航路径的影响.针对影响较大的垄间杂草环境,提出一种基于BP神经网络的杂草环境下导航路径识别方法.田间实验证明,该方法对杂草的影响具有较好的适应性,能够快速、可靠、准确地提取导航路径特征,识别率为97%,单幅图像平均耗时560ms.     

基于机器视觉的田间杂草识别技术研究进展

田间杂草识别技术是实现变量喷洒除草剂以保护环境的关键所在。针对国内外在精细农业的杂草识别领域，全面、系统地分析了基于机器视觉的田间杂草识别技术的研究进展与应用状况，以促进该项技术在中国的应用和发展。分别阐述了利用植物和背景形状特征、纹理特征、颜色特征和多光谱特征识别田间杂草技术的理论依据、特征参数、研究状况和问题所在，并指出了实现田间实时识别的难点。