基于改进YOLOv4算法的番茄叶部病害识别方法

为快速准确识别自然环境下的番茄叶片病害,提出一种基于改进YOLOv4算法的轻量化番茄叶部病害识别方法。该方法根据番茄病害特征采用K均值聚类算法调整先验框的维度,并使用宽度因子为0.25的MobileNetv1代替YOLOv4原有的主干网络CSPDarknet53进行特征提取,并在特征融合网络PANet中引入深度可分离卷积代替原有的3×3标准卷积,同时在主干网络的2个输出特征层和空间金字塔池化输出层分别嵌入卷积块注意力模块(CBAM),提高模型识别精度。试验结果表明,改进后的模型对8类番茄叶片整体检测精准性(mAP)为98.76%,参数量为12.64 M,传输帧数为1 s 101.76帧,相较于原YOLOv4模型,模型参数量减少80%,每秒传输帧数比原始YOLOv4模型提高了130%。     

大田甘蓝作物行识别与对行喷雾控制系统设计与试验

对行喷雾技术可提高农药的利用率,有利于保护环境和减少农药残留。本文搭建基于机器视觉的大田甘蓝对行喷雾控制系统。通过改进的ExG算法提取颜色信息,采用最大类间方差法和形态学的开闭运算分割作物与背景。提出甘蓝作物行定位与多作物行自适应ROI提取方法,在条带分割的ROI内基于限定阈值垂直投影对特征点集进行采集,通过最小二乘法对特征点集进行线性拟合得到作物行中心线。利用中心线几何关系得到作物行偏移信息,根据对行机构的运动特性建立对行偏移补偿模型,并设计基于PID轨迹追踪算法的对行喷雾控制系统。试验结果表明,实验室作物行识别准确率为95.75%,算法平均耗时为77 ms。在田间试验中,识别算法在时间段09:00—11:00、14:00—16:00内测试效果最佳,识别偏差均值保持在2.32 cm以下。针对不同范围的杂草测试中,算法平均识别成功率为95.56%,说明算法具有较强的鲁棒性。在与其他识别算法对比测试中,本文算法平均耗时最短,识别成功率最高,能够为实时作业提供视觉引导。在对行喷雾控制系统田间试验中,对行准确率达到93.33%,对行控制算法可将对行偏差控制在1.54 cm,满足田间实际应用要...     

车载式大田土壤电导率在线检测系统设计与试验

现有大田土壤电导率检测装置主要以手持式为主,存在检测效率低、实时性差等问题。基于电流-电压四端法原理设计了一种车载式大田土壤电导率在线检测系统,系统主要由恒流信号源电路、信号处理电路、Arduino控制器、GPS定位模块及车载传感器等组成,可在线检测大田土壤电导率。通过实验室和大田试验对系统性能进行了验证,试验结果表明,系统具有较好稳定性,动态响应时间约为540 ms,开机预热引起的温漂最大偏差为3.70%,不考虑温差影响下系统检测精度R²为0.734 2,消除温差影响后检测精度R²为0.864 5～0.915 6,均高于商用手持式电导率检测仪,其R²为0.609 5;探究了拖拉机振动、传感器插入深度、作业速度和土壤坚实度对系统检测精度的影响,振动状态相对静止状态,检测数据最大误差为10.37%,且误差主要集中在0～10μS/cm范围内;当作业速度不大于5.0 km/h和传感器插入深度大于等于10 cm时,该系统可稳定进行大田土壤电导率在线检测,且检测地块土壤坚实度不应过小,以确保传感器电极与土壤充分接触。该系统可为开展...