西瓜打击音波特性的研究

以无损判定西瓜成熟度和内部品质为目的。制作了单摆式打击装置，测定了西瓜果实的打击音波曲线。利用ＦＦＴ法分析打击音波的功率谱密度；对打击音波特性值和感官评价值及基础特性之间的相关性进行了分析。     

基于机器视觉的非结构化道路检测与障碍物识别方法

为了实现非结构化道路检测与障碍物的识别,提出了一种基于最小错误率贝叶斯决策与Hough变换相结合的非结构化道路检测与障碍物识别算法。算法首先将Otsu多阈值理论引入到最小错误率贝叶斯决策中并进行图像分割,然后利用Hough变换进行道路检测、提取出纯路面区域并再次进行路面分割,最后根据分割结果进行路面障碍物定位。结果表明,该算法能够有效实现非结构化道路的检测与障碍物的识别,在光影、照度变化、水渍等不利因素影响较小的情况下,具有较好的鲁棒性。     

葡萄干轮廓的图像检测方法研究

葡萄干的轮廓检测是葡萄干其他特征提取的基础,研究通过与经典的边缘检测算子检测轮廓的方法进行比较分析,提出了最佳阈值分割与形态学运算相结合的轮廓提取新方法,实验证明,该方法能够有效的提取葡萄干的轮廓特征,为后期图像的分析打下了基础。     

基于ALR-GMM的群养猪攻击行为识别算法研究

群养猪攻击行为是评估猪群对微环境适应性的重要指标。活动指数模型能够描述猪群行为模式,已经在群养猪攻击行为识别研究中得到初步验证。然而,养殖设施的差异性和动态背景环境等因素所导致的环境适应性差是限制其商业化应用的主要障碍。本文基于递归背景建模思想,在高斯混合模型(GMM)中引入双曲正切函数,提出了一种自适应学习率GMM的活动指数计算方法(ALR-GMM),能够在动态背景环境下准确提取动物活动指数。与经典模型相比,平均相对误差从15.08%降到14.34%。育肥猪攻击行为识别试验中,采用ALR-GMM算法提取行为视频单元的活动指数特征,构建了活动指数最大值、平均值、方差和标准差特征向量,采用线性核函数支持向量机建立分类器。结果表明,本文算法的正确率、灵敏度、特效度和精度分别为97.6%、97.9%、97.7%和97.8%,满足实际应用需求。     

农业机械化及其自动化专业实践教学体系研究

新形势下加强实践教学,提高人才培养质量,已成为进一步深化教学改革的紧迫任务。针对农业机械化及其自动化专业培养目标,构建相适应的实践教学体系,完善实践教学保障体系,提高学生创新能力和综合实践能力,是培养具有创新精神和实践能力的高级复合型人才保证。     

基于改进型鱼群算法的番茄光环境调控目标值模型

针对光温耦合条件下番茄光环境调控目标值难以快速、精确获取的问题,在光温嵌套光合速率试验结果基础上,为提高人工鱼群算法寻优速度,基于视野和步长动态调整思想,提出了改进型鱼群算法的光温耦合寻优方法,对不同温度下光饱和点进行快速精准寻优,建立了番茄光环境调控目标值模型,模型决定系数为0.999 9。验证试验结果表明,不同温度下光饱和点的模型计算值与实测值高度线性相关,相关系数为0.988,最大相对误差在±2%内,明显优于遗传算法构建模型的相对误差(±6%)。快速、动态获取不同温度下光饱和点,对设施光环境精准调控效率具有重要意义。     

Kinect获取植物三维点云数据的去噪方法

为解决Kinect获取的玉米三维点云数据噪声影响三维重建精度的问题,根据Kinect所获取的点云数据特点,采用多帧数据融合的方法获取更完整的三维点云数据并对点云数据进行初步平滑;通过对Kinect所获数据噪声进行分析,提出了一种基于密度分析和深度数据双边滤波的方法,分别对离群点噪声和内部高频噪声进行处理。以Kinect获取的玉米及茄子的三维点云数据进行去噪实验,所用去噪时间仅为传统双边滤波去噪时间的2.71%和1.78%,并且能够达到很好的去噪效果。结果表明,所提方法能够方便、快捷地去除不同尺度的噪声,同时保留边缘数据的完整性,获得良好的植物三维点云数据。     

基于简约束三角形剖分的果实表面模型重建

【目的】研究轮廓线三维表面模型重建中存在的嵌套、分叉和投影交叉等复杂轮廓的轮廓匹配问题。【方法】在定义轮廓距离基础上,制定了轮廓匹配的2条准则,构成拓扑结构简单的轮廓对,针对一对多且投影交叉的轮廓对,采用等比放大方法进行预处理,利用简约束算法对放大后的轮廓对进行剖分。用实际算例对提出的重建方法进行了验证。【结果】算例验证表明,提出的重建方法能快速进行拓扑结构复杂的轮廓剖分,重建合理的表面网格模型,重建只存在轮廓嵌套的南瓜模型需19.673 ms,重建最复杂的莲藕模型需51.845 ms。【结论】通过对果实MRI图像序列提取的轮廓进行剖分,能够快速进行果实表面重建。     

基于Storm的奶牛发情实时监测系统设计与实现

奶牛发情识别是奶牛场生产活动中的重要组成部分,直接关系到奶农的经济效益,而现有的奶牛发情识别方法存在效率低、时效性差、准确率低等问题。针对这些问题,基于大数据实时流式框架Storm设计并实现了奶牛发情实时监测系统。利用阿菲金二代计步器获取奶牛体征参数,通过无线局域网传输到服务器,采用基于Storm的实时流式框架进行处理,JavaWeb对处理后的体征参数可视化展示;以2 h作为单个时间片,6 h作为一个情期显著滑动窗口,选取窗口内连续3个时间片单元的步数s1、s2、s3、累积静卧时间t1、累积起卧次数b和累积站立时间t2为特征向量,建立了基于Storm的奶牛发情SVM预测模型。测试结果表明,设计的系统平均延迟在2 s内,平均准确率在98.9%以上,奶牛发情预测准确率为85.71%,奶牛发情预测周期缩短为6 h。该系统为奶牛发情预测提供了有效工具,对其他大型动物的监测也具有一定的指导意义。     

基于Horn-Schunck光流法的多目标反刍奶牛嘴部自动监测

奶牛反刍行为的智能监测对于奶牛健康及提升现代养殖业的水平具有重要意义。奶牛嘴部区域的自动检测是奶牛反刍行为智能监测的关键,该文提出一种基于Horn-Schunck光流法的多目标奶牛嘴部区域自动检测方法。利用Horn-Schunck光流法模型求取奶牛反刍视频中各时间序列图像的光流场,将各帧序列图像中运动较大的光流数据进行叠加,获取奶牛反刍时的候选嘴部区域,最后运用奶牛嘴部区域检测模型实现反刍奶牛嘴部区域的检测。为了验证算法的有效性,利用不同环境下获取的12段视频进行验证,选取的12段视频的每段时长10 s,每段视频帧数在250~280帧之间,结果表明,对于多目标奶牛,12段视频中有8段视频可以成功检测到反刍奶牛的嘴部区域;根据所定义的真实充盈率指标与检测充盈率指标,分别统计了8段成功检测反刍奶牛嘴部区域的视频检测结果,试验表明,8段视频中最大真实充盈率为96.76%,最小真实充盈率为25.36%,总体平均真实充盈率为63.91%;最大检测充盈率为98.51%,最小检测充盈率为43.80%,总体平均检测充盈率为70.06%。研究结果表明,将Horn-Schunck光流法应用于多目标奶牛嘴部区域的自动检测是可行的,该研究可为奶牛反刍行为的智能监测提供参考。