猪只饮水行为机器视觉自动识别

猪只饮水行为往往与猪舍环境的舒适度以及猪只的健康水平密切相关,实时地监控猪栏中猪只饮水状况对猪舍管理和提高养殖福利具有重要意义。目前,主要采用RFID和机器视觉两种技术自动识别饮水行为,RFID方式需要给猪只佩戴耳标,存在对猪身有侵入和不便操作的缺点,机器视觉方法能非接触式监测和提取猪只饮水行为,具有低成本易实施的优点。本文实现了基于机器视觉的猪只饮水行为自动识别,首先通过传统的阈值分割方法得到二值化图像来实现猪只从背景中的提取,接着引入图像占领指数对猪只饮水行为进行预判,最后利用深度学习方法构造猪只头部检测器,更精准地判定饮水行为的发生。试验表明,该方法在本文构建的饮水视频数据集中识别正确率为92.11%,且能识别饮水猪只的身份,可应用到实际的猪只生产过程中辅助管理决策。     

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。     

基于卷积神经网络的玉米根茎精确识别与定位研究

为了能精准地识别和定位玉米根茎,本文建立了基于迁移学习方法的玉米根茎检测网络,模拟人眼识别功能从复杂的田间环境中识别和定位玉米根茎,实现履带自走式热雾机玉米行间对行行走。以履带自走式热雾机为图像采集平台获取玉米作物田间图像,采用DOG金字塔算法提取图像中的目标根茎,构成样本训练数据库。通过训练网络,首先实现了单株玉米根茎的精准识别,然后开展玉米作物行间环境下多株玉米根茎精确识别和根茎定位。基于已识别的玉米根茎位置采用最小二乘法拟合行驶路径,试验结果表明,提出的玉米根茎识别方法与传统图像处理的方法相比,具有更好的定位精度,能够实现玉米作物田间路径的准确规划,为履带自走式热雾机玉米行间对行行走提供了技术支撑。     

基于深度动态学习神经网络和辐射传输模型地表温度反演算法研究

【目的】地表温度反演是一个典型的病态反演问题,深度动态学习神经网络的出现提供了一条新的地表温度反演途径。文章以MODIS中红外和热红外波段作为参照模拟研究对象,利用深度动态学习神经网络和辐射传输模型(MODTRAN)进行地表温度反演研究,选择最适合于MODIS地表温度反演的波段组合,从而为国产卫星风云系列和高分数据红外波段反演地表温度提供参考算法。【方法】根据中红外波段受太阳的影响以及水汽波段的特征,将反演组合波段分成3组。第1组适合白天和晚上同时反演地表温度的组合(MODIS波段29、31、32和33);第2组适合白天的热红外波段和水汽波段组合(MODIS波段29、31、32、33和水汽波段);第3组是只适合晚上的中外波段(MODIS 20、22、23)与热红外波段(MODIS 29、31、32和33)的组合。【结果】利用辐射传输模型(MODTRAN)和深度动态神经网络(NN)反演分析表明,深度动态学习神经网络能够被用来精确地从单景MODIS数据中反演地表温度,克服了传统MODIS白天/黑夜产品算法的缺陷。3种类型的组合地表温度的平均反演误差都在1 K以下,最高精度为热红外波段与水汽波段的组合,平均最高精度为0.251 K,标准差是0.255 K,相关系数是1。【结论】利用深度动态学习神经网络和辐射传输模型彻底解决了地表温度和发射率病态反演难题,为风云系列卫星和高分数据地表温度反演算法提供参考算法模式,深度动态学习神经网络与辐射传输模型相结合反演地表温度和发射率在地表温度反演史上具有里程牌意义。     

平潭岛野生观赏草资源的评价及开发应用

观赏草因具有优良的生态性和特有的观赏性,近年来成为重要的园林绿化材料。本研究通过对平潭岛野生观赏草的调查,采用灰色关联度分析法对其进行综合评价。结果表明,1)平潭岛观赏草隶属于5科50属77种。2)生态适应性广,原生境以山坡草地及疏林灌木为主,占总数55.84%;抗性强,耐干旱占总数45.45%、耐水湿占总数31.17%、部分耐盐碱及抗风;观赏价值高,评价得分均≥2。3)参评的77种观赏草中与理想种的关联度≥0.6有66种,均有开发利用潜力;与理想种的关联度≥0.7有19种,均具有较高的观赏性和适应性;与理想种关联度≥0.8有5种,分别是芒(Miscanthus sinensis)、五节芒(Miscanthus floridulus)、甜根子草(Saccharum spontaneum)、野百合(Lilium brownii)和间型沿阶草(Ophiopogon intermedius),可考虑直接用于园林绿化。     

像素自相关矩阵的阈值自适应角点检测算法

针对Harris角点检测算法中角点响应函数(corner response function,CRF)系数阈值与非极大值抑制系数阈值需要人为设定所造成的可变性和随机性等问题,该文提出一种通过计算图像每个像素的自相关矩阵行列式值,构造特征角点图像进行自适应阈值分割的改进Harris角点检测算法.该算法首先通过计算原图像经过方向滤波和低通滤波后各像素的自相关矩阵行列式值,以此构造特征角点图像;然后采用OTSU算法计算特征角点图像分割阈值,从而筛选出预选区域;最后结合改进的非极大值抑制方法提取有效角点.通过5组角点检测对比试验结果数据分析,不同类型图像的角点检测准确率均有提高,高分二号遥感影像的角点检测准确率提高27.06个百分点,可以初步得出,该算法相比传统Harris角点检测算法不但能够自动计算角点检测的最佳阈值,而且能够更准确地定位角点和去除边缘伪角点,从而提高了角点检测的精确度,该研究可为农业遥感影像数据检测提供参考.     

高程梯度性质和算法不确定性的初步分析

高程梯度指高程在平面坐标中x和y两个方向上的变化率。在坡度算法θ=（p²+q²）/2中分别用p和q表示,因为高程梯度p和q算法的不同而衍生出多种坡度算法,因此对p,q算法性质和精度的研究是坡度算法精度评价的基础。选取陕西省绥德县、秦岭、黑龙江省拜泉县的三个样区,基于7种不同算法计算了高程梯度（p和q）,并对其统计分布特征、空间结构特征、p和q相互关系、算法稳定性与不确定性等进行了分析。结果表明:（1）p和q均值为零,相互独立,方差相等,呈正态分布;（2）各种算法均能表现局地结构和样区之间的差异;（3）从算法稳定性、精度等方面看,Evans-Young算法,特别是经过Shary改进的Evans-Young算法的效果最佳。     

基于最优二叉决策树分类模型的奶牛运动行为识别

针对奶牛行为分类过程中决策树算法构建主观性强、阈值选取无确定规则,易导致分类精度差的问题,该文提出一种基于最优二叉决策树分类模型的奶牛运动行为识别方法,首先选取描述奶牛腿部三轴加速度数值大小、对称性、陡峭程度、变异程度、不确定性及夹角的24个统计特征量,其次通过构建ROC(receiver operating characteristic,ROC)曲线获得各统计特征量的最佳行为类别分组方式及最优阈值,然后利用信息增益作为最优二叉决策树划分属性的选择标准,最终构建最优二叉决策树分类模型对奶牛运动行为进行分类识别。试验结果表明,该分类模型能够有效区分奶牛的站立、平躺、慢走、快走、站立动作、躺卧动作6种运动行为,平均准确率、平均精度、平均F1值分别为76.47%、76.83%、76.57%,相较传统的ID3(iterative dichotomiser 3,ID3)决策树算法分别高5.71、5.4和5.61个百分点,分别高于K-means聚类算法7.51、8.02和7.77个百分点,优于支持向量机算法6.77、6.72和6.57个百分点。该方法可为提高奶牛行为分类精度提供有效的理论支撑。     

温室绿熟番茄机器视觉检测方法

针对基于可见光图像对绿色番茄进行识别过程中,光线不均造成的阴影等会影响果实的识别、枝干和叶片对果实的遮挡以及果实之间的遮挡对果实识别的影响等难题,该文对基于机器视觉的绿色番茄检测方法进行研究。首先通过快速归一化互相关函数(FNCC,fast normalized cross correlation)方法对果实的潜在区域进行检测,再通过基于直方图信息的区域分类器对果实潜在区域进行分类,判别该区域是否属于绿色果实,并对非果实区域进行滤除,估计果实区域的个数。与此同时,基于颜色分析对输入图像进行分割,并通过霍夫变换圆检测绿色果实的位置。最终对基于FNCC和霍夫变换圆检测方法的检测结果进行融合,实现对绿色番茄果实的检测。当绿色果实和红色果实同时存在时,将绿色果实检测结果与基于局部极大值法和随机圆环变换检测圆算法的红色番茄果实检测结果进行合并。算法通过有机结合纹理信息、颜色信息及番茄的形状信息,对绿色番茄果实进行了检测,解决了绿色番茄与叶子、茎秆等背景颜色接近等难题。文中共使用了70幅番茄图像,其中35幅图像作为训练集图像,35幅作为验证集图像。所提出算法对训练集图像中的83个果实的检测正确率为89.2%,对验证集图像中105个果实的检测正确率为86.7%,为番茄采摘机器人采摘红色和绿色成熟番茄奠定了基础。     

基于点云的果树冠层叶片重建方法

精确的果树三维冠层结构是农业科研人员进行功能结构模型研究的重要载体,该文提出一种快速、精确、自动的果树冠层叶片重建方法。首先根据带叶果树点云的局部和全局特征,建立椭球分层的点云密度收缩方法实现器官点云分离,然后利用邻近传播主成分分析算法实现叶片特征参数的求解,利用Laplacian收缩算法实现冠层骨架点的连通,从而实现冠层叶片的快速自动重建。最后利用C++及Point Cloud Library(PCL)点云库,开发果树叶片点云冠层自动重建系统,对苹果树、柑橘树等不同类型果树进行算法验证,结果表明该方法能够正确识别出的叶片数占冠层总叶片数的90%以上,叶面积指数的正确率大于95%,叶片倾角偏离5?以内的叶片数占总叶片数的90%以上。该方法得到了较好的可视化效果和叶冠三维重建精度,可为后期树体冠层内光合作用的研究、整形修剪、农业仿真试验等提供参考。