基于机器视觉的日本鲭定向装置设计与试验

针对现有鱼体定向整理装置工作环境嘈杂,工作稳定性差的问题,本研究设计了一种基于机器视觉的鱼体定向整理装置.采用卷积神经网络Resnet-18对鱼体头尾朝向进行识别,采用图像处理的方法提取鱼体轮廓并进行网格划分,通过比较灰度值大小判断鱼体的腹背朝向.当检测到鱼体尾部朝前时,气缸推杆将其推出剔除,实现鱼体头尾定向;当鱼体头...     

加气渗灌模式下灌水定额与棉秆还田深度对棉花生长及产量的影响

为了探究加气渗灌模式下灌水定额和棉秆还田深度对棉花生长和产量的影响,本文以新陆中88号为研究对象,探究灌水定额和棉秆还田深度对棉花株高、茎粗、干物质量以及叶绿素相对含量的调控效应。结果表明,棉花受灌水定额影响较大,植株株高、茎粗、干物质量和叶片叶绿素相对含量均随着灌水定额的增大呈增加趋势。总体来看,在同一灌水定额条件下,25 cm土层处理的叶绿素相对含量大于15 cm和35 cm处理;棉秆还田深度为25 cm时,棉花株高、茎粗以及单株棉花籽棉产量均为最佳。     

基于深度学习及传统机器学习模型估算山东省参考作物蒸散量

为探寻深度学习模型在区域参考作物蒸散量(Reference crop evapotranspiration,ET0)估算中的适用性,以山东省为研究区域,选取了深度神经网络(DNN)、时间卷积神经网络(TCN)和长短期记忆神经网络(LSTM)3种深度学习模型,极限学习机模型(ELM)、广义回归神经网络模型(GRNN)和随...     

基于双金字塔网络的RGB-D群猪图像分割方法

为实现群养猪的视觉追踪和行为监测,针对猪舍中仔猪因拥挤堆叠等习性而导致的目标个体粘连、图像分割困难问题,提出基于双金字塔网络的RGB-D群猪图像分割方法。该方法基于实例分割Mask R-CNN框架,在特征提取网络(Res Net101)基础上改进成双金字塔特征提取网络。RGB图像和Depth图像分别提取特征后进行融合,输入区域生成网络得到预选锚(ROI)和共享特征输入Head网络,通过类别、回归和掩模3个分支,输出检测目标的位置和分类结果,实现猪舍场景下群养仔猪粘连区域的有效个体分割。网络模型训练采用2 000组图像样本,按照4∶1比例随机划分训练集和验证集。试验结果表明,双金字塔网络(Feature pyramid networks,FPN)能有效解决颜色相近、个体相似的群猪粘连问题,实现单个仔猪区域的完整分割,分割准确率达89.25%,训练GPU占有率为77.57%,与Mask R-CNN和Pig Net网络分割结果相比,分割准确率和分割速度均有较大提高。双金字塔网络模型对于多种行为状态、不同粘连程度的群猪图像中个体分割都取得了良好效果,模型泛化性和鲁棒性较好,为群养猪的个体自动追踪提供了新的途径。     

基于量化误差估计模型的视频超分辨率重建算法

提出了一种量化噪声的综合分布模型来估计量化过程带来的误差,并结合深度学习进行超分辨率重建。首先对数据库训练样本进行矫正量化误差的预处理,然后通过训练学习误差矫正后的低分辨率视频帧与高分辨率视频帧之间的特征,获得更加准确的映射关系,减少了量化过程带来的误差和质量损失。实验结果表明,本实验的算法不管在主观体验还是客观指标上都优于以前的算法。     

施氮深度对油后直播棉花产量及品质的影响

以湘K25为试验材料,在相同施氮量前提下,设置4个施氮深度处理H1(0 cm)、H2(5 cm)、H3(10 cm)、H4(15 cm),研究不同施氮深度对油后直播棉花品质及产量的影响。结果表明:施氮深度对棉花产量影响显著,对纤维品质影响不显著;施氮深度为10 cm时,棉花皮棉产量为1 354.26 kg/hm~2,比H1、H2、H4处理分别高412.24、218.6、171.3kg/hm~2;吐絮期,H3处理的干物质积累量最大,达13 640.8 kg/hm~2;盛铃期,H3处理的叶面积指数仅小于H2处理的;盛铃期,冠层横向、纵向有效光合辐射(PAR)截获率相对合理,获取的冠层光合有效辐射(PAR)较多。综合分析,施氮深度为10 cm时,油后直播棉花的产量和品质均相对较好。     

农用无人机自主飞行技术研究与趋势

随着人工智能、深度学习的快速发展,无人机自主飞行技术已然成为无人机智能化评价之一。在精准农业与智慧农业的倡导下,无人机在农业领域发展迅猛。农用无人机应用场景包括:作物授粉、喷洒作业、农情监测、打顶剪枝、疏花疏果及畜牧跟踪,其自主程度重要性不言而喻。综述国内外无人机飞行技术研究现状,介绍农用无人机在自主控制方法、避障方法、轨迹规划算法以及精准喷洒方法的研究进展,分析指出农用无人机系统自主环境感知能力差、信息处理速度慢、路径规划算法收敛慢、作物识别率低等不足,提出采用多传感器组合、双冗余控制、多算法融合和基于深度学习的作物特征识别等改进方法。本文为农用无人机自主飞行技术满足智能作业需求提供理论基础。     

基于数据平衡深度学习的不同成熟度冬枣识别

为解决不同成熟度冬枣的样本数量相差悬殊导致的识别率低的问题，本文提出了一种基于数据平衡的Faster R-CNN的冬枣识别方法。该方法针对自然环境下不同成熟度的冬枣，首先从不同角度进行了数据平衡的Faster R-CNN冬枣识别方法研究，然后将所提出的方法与基于YOLOv3的识别方法进行了对比试验研究。研究结果表明：所提出的数据平衡的Faster R-CNN方法在样本数量不足和类别不平衡的情况下，增强了模型的泛化效果，对片红冬枣识别的平均精确度达到了98.50％，总损失值小于0.5，其识别平均精确度高于YOLOv3。该研究对解决冬枣自动化和智能化采摘的识别问题具有一定的实际意义和应用价值。     

基于深度学习的种鸭蛋孵化早期受精信息无损检测

针对我国鸭蛋孵化行业剔除无精蛋的方法效率低、剔除的无精蛋已丧失食用价值、造成资源巨大浪费的问题,运用机器视觉技术,以孵化至第3天的种鸭蛋为研究对象,运用深度卷积神经网络(Convolutional neural networks,CNN)端对端的特点,在Alexnet神经网络基础上进行改进,将孵化第3天的种鸭蛋透射图像直接输入到深度卷积神经网络。用卷积层代替全连接层,改变卷积核的尺寸,搭建了种鸭蛋受精信息识别网络(Eggnet)模型,实现了对种鸭蛋孵化早期受精信息的无损判别。试验结果表明,该方法对孵化第3天的种鸭蛋图像测试集分类准确率高达98.87%,验证集分类准确率为97.97%,平均单枚蛋检测时间仅为0.24 s。