偏心切割式苹果采摘装置设计与试验

苹果采摘是苹果生产作业中最耗时费力的环节,实现苹果快速采摘是现代化采摘作业的重要途径。本研究设计的偏心切割式苹果采摘装置主要由偏心式采摘头、可拆卸伸缩杆和缓冲下落通道3部分构成:偏心式采摘头采用刀片偏心旋转实现果柄的切割;伸缩杆采用可拆卸设计,实现不同高度苹果的采摘;缓冲下落通道采用内置缓冲布条的布制通道构成,以防止苹果在跌落过程中的损伤。在西北农林科技大学北校区园艺场随机选择5棵苹果树进行了采摘性能田间采摘试验,共采摘苹果150个。试验结果表明:该装置的采摘成功率为92.00%,苹果采摘受损率平均为4.70%。该苹果采摘装置的设计与试验为其它同类型的水果采摘装置的设计与改进提供了参考,有利于提升辅助人工的水果采摘装备研发水平。     

基于机器视觉的马铃薯晚疫病快速识别

晚疫病是马铃薯的一种严重病害,可造成减产甚至绝收。因此马铃薯晚疫病的识别与控制对提高其产量有非常重要的意义。该文基于机器视觉技术对马铃薯叶部晚疫病进行检测,根据马铃薯叶片上晚疫病斑的颜色、纹理和形状特征参数的不同,提取叶片表面的特征参数,并建立数学模型对病害程度做出评价。在RGB、HSV颜色空间中,根据马铃薯叶片在患病早期叶片颜色发生变化且与健康叶片不同,利用颜色特征,建立马铃薯晚疫病的无病和患病模型,该模型对马铃薯患病早期的识别率为67.5%。利用灰度共生矩阵,采用纹理统计参数进行病害等级评价,用熵值和能量值描述晚疫病的严重程度,纹理特征对患病程度的识别率比较稳定,对患病中期与后期的识别率分别为72.5%与80%。利用形状特征的相对特征,根据病斑面积比进行晚疫病诊断,该方法对马铃薯叶片晚疫病患病后期的诊断取得较好效果,识别率为90%,但由于叶片患病早期的病斑面积小且分散,识别难度大,识别率仅为50%。针对颜色、纹理及形状特征在识别马铃薯叶片晚疫病时的优势与局限性,提出颜色纹理形状特征结合的识别方法,对患病中期与后期的识别率分别为90%和92.5%。通常马铃薯晚疫病的理化值检测法耗时数天,但利用机器视觉识别马铃薯晚疫病患病情况非常快速,根据颜色特征进行病害识别的时间约为4 s,纹理特征识别的时间为7 s,形状特征特征识别的时间为3 s,综合颜色纹理形状特征的识别由于计算量较大,识别时间为9 s。该研究可为基于机器视觉的马铃薯晚疫病的快速检测提供理论依据。     

基于多特征提取和选择的木材分类与识别

木材与人们的生活息息相关,不同品种木材的用途各不相同。如何快速并正确地识别不同种类的木材是目前亟须解决的问题。纹理是木材表面重要的天然属性,也是区分木材的重要依据,因而如何准确地提取木材的纹理特征是本文研究的重点。本文设计了一种木材自动识别系统,其基本工作流程如下:首先,使用K-means聚类算法,根据图像的纹理采用SPPD(导管分布的统计特性)及BGLAM(基本灰度级氛围矩阵)特征对木材进行预分类,实现对木材数据库的降维,为提高识别效率做好准备;其次,使用GA(遗传算法)挑选出对木材纹理具有较强区分度的LBP(局部二值模式)特征;最后,用KNN(K最近邻)分类器根据挑选出的LBP特征对木材图像进行最终的分类识别。试验结果表明,木材样本类别个数为20时,识别率较高,可以达到98.13%以上;当木材样本类别个数增加为30时,识别率也在95%以上。     

基于计算流体动力学的风送式喷雾机风送系统流场模拟及结构优化

为缩短研发周期,减少成本,通过计算流体动力学(computer fluid dynamics,CFD)技术对风送式喷雾机的风送系统进行设计和优化,从最大限度地减小气流能量的损失和涡流、提高流场分布均匀性的原则出发,设计了最佳的风箱结构和具体参数。为实现根据树冠形状调整风送系统高度和倾角以适应不同生长时期不同类型的果园,通过CFD模拟计算和试验,探究了风送式喷雾机的气流速度和安装角度对气流速度场的影响规律,并模拟分析了喷雾机流场分布规律。在获取了风送距离与风送速度的关系(随着风送距离的增加,风速逐渐减小,减小的幅度也逐渐减小)后,建立了喷雾高度与喷头倾角的线性关系模型。结果显示:当喷头倾角大于85°或小于40°时,喷头倾角变化对于气流场的改变影响不大;当喷头倾角为40°～85°时,随着喷头倾角的增加,喷雾高度也相应地增加。本研究为实现仿形喷雾的自动化提供了理论依据。     

面向葡萄知识图谱构建的多特征融合命名实体识别

为解决构建知识图谱过程中由于上下文环境复杂、现有模型字向量语义表征相对单一导致领域专业实体识别率低的问题,该研究提出了来自转换器的双向编码器表征量（bi-directional encoder representation from transformer, BERT）和残差结构（residual structure, RS）融合的命名实体识别模型（bert based named entity recognition with residual structure,BBNER-RS）。通过BERT模型将文本映射为字符向量,利用双向长短时记忆网络（bi-directional long-short term memory, BiLSTM）提取局部字符向量特征,并采用RS保留BERT提供的全局字符向量特征,以提高字向量的语义丰富度,最后通过条件随机场（conditional random field, CRF）模型对特征向量解码,获取全局最优序列标注。与其他命名实体识别模型相比,提出的BBNER-MRS模型在葡萄数据集上表现较好,在葡萄人民日报、玻森、简历和微博数据集上F1值分别达到89...     

微型水培人工气候箱环境监控系统设计

针对水培菜生长过程中对光照强度、环境温湿度及营养液的不同需求,设计了一种微型水培人工气候箱环境监控系统,可用于家庭园艺或餐厅农场。基于STM32F103ZET6控制器,设计了系统相关硬件电路及系统控制程序,主要包括外部环境检测模块、外部环境调节模块、营养液检测模块、营养液调节模块、LCD显示及按键模块及上位机显示界面。用户可实时监测微型人工气候箱中的光照强度、温湿度以及营养液的pH(酸碱度)值、EC(电导率)值、DO(溶解氧)值和主要养分离子浓度,相关执行机构工作,可将各环境参数自动调节至标准阈值内,由上位机界面显示各环境参数的变化情况。系统运行测试结果表明:系统能够在15min内完成对作物生长所需各项环境参数的调节,为作物生长提供稳定可靠的环境条件,同时可监测所得主要养分离子浓度的变化情况,为后续研究作物生长养分吸收规律和养分动态管理提供依据。     

基于介电特征的苹果霉心病检测方法

针对苹果霉心病无法有效根据外表进行识别,且传统检测方法具有设备复杂、成本高昂等问题,本研究通过采集苹果介电参数构建苹果霉心病检测模型,从而实现简单快速的苹果霉心病无损检测。基于LCR测量仪采集220个苹果的108项介电指标（9个频率下的12项介电指标）作为原始参数,使用数据标准化、主成分分析算法等对数据进行预处理,并利用BP神经网络、支持向量机、随机森林算法构建霉心病果检测模型。试验结果表明,基于随机森林算法构建的霉心病果检测模型性能最佳,在150个苹果构建的训练集和70个苹果构建的测试集中分类准确率分别达到96.66%和95.71%;基于采用BP神经网络构建的霉心病果检测模型效果次之,分类准确率分别可达到94.66%和94.29%;基于使用支持向量机构建的模型检测效果相对较差,分类准确率分别为93.33%和91.43%。试验结果表明,使用随机森林构建的模型可以更有效地识别霉心病果和好果。本研究可为苹果病虫害及苹果品质无损检测等提供参考。     

基于改进残差网络的田间葡萄霜霉病病害程度分级模型

针对传统葡萄霜霉病人工诊断分级方法低效且存在滞后性的问题,提出了一种改进残差网络的田间葡萄霜霉病识别及病害程度分级模型。在田间采集霜霉病前期、中期、后期以及健康叶片图像,并模拟天气、拍摄角度及设备噪声等影响因素进行数据增容;基于不同发病程度叶片间特征相似度高、区分难度大的特点,在优选ResNet-50模型的基础上,为解决捷径分支信息损失严重和主分支特征提取能力不足的问题,在多个残差块组成的残差体的Base Block中加入步长为2的3×3最大值池化层,实现保留重要信息的降维;改进ID Block中残差块的主分支结构,将其中的第1层1×1降维卷积层替换为3×3降维卷积层且步长为1;设计新的全连接层,用全局均值池化和3层全连接层网络替换原模型全连接层结构,并加入Dropout(随机失活)层避免模型过拟合。原始数据集和增容后数据集试验结果表明,动量因子m为0.60、学习率α为0.001时,改进ResNet-50网络模型与ResNet-34/50/101、AlexNet、VGG-16、GoogLeNet等模型相比具有最好的识别效果。改进后的残差块增强了网络的特征提取能力,在优化超参数的基础上,...     

利用Kalman滤波和Hungarian算法的多目标奶牛嘴部跟踪及反刍监测

针对奶牛养殖场复杂环境下多目标奶牛嘴部自动跟踪及反刍监测的困难,该研究提出了一种基于嘴部区域跟踪的多目标奶牛反刍行为智能监测方法。在YOLOv4模型识别奶牛嘴部上下颚区域的基础上,以Kalman滤波和Hungarian算法跟踪上颚区域,并对同一奶牛目标的上颚和下颚区域进行关联匹配获取嘴部咀嚼曲线,以此获取反刍相关信息,从而实现多目标奶牛个体的嘴部跟踪和反刍行为监测;为解决奶牛快速摆头运动和棚舍栏杆遮挡引发奶牛标号变化的问题,提出未匹配跟踪框保持及扩大的方法。采集并选择实际养殖场环境下的反刍奶牛视频66段,对其中58段视频采取分帧操作得到图像,制作YOLOv4模型数据集,以其余8段视频验证跟踪方法和反刍行为判定方法的有效性。试验结果表明,YOLOv4模型对奶牛嘴部上颚、下颚区域的识别准确率分别为93.92%和92.46%;改进的跟踪算法可实现复杂环境下多目标奶牛嘴部区域的稳定跟踪,且有效解决了栏杆遮挡、快速摆头运动造成的奶牛标号变化现象,上下颚匹配率平均为99.89%,跟踪速度平均为31.85帧/s;由反刍行为判定方法获取的咀嚼次数正确率的平均值为96.93%,反刍时长误差的平均值为1.48 s。该研究可为实际养殖中多目标奶牛反刍行为的智能监测和分析提供参考,也可供其他群体动物运动部位的跟踪和行为监测借鉴。     

融合卷积神经网络与视觉注意机制的苹果幼果高效检测方法

果实表型数据高通量、自动获取是果树新品种育种研究的基础,实现幼果精准检测是获取生长数据的关键。幼果期果实微小且与叶片颜色相近,检测难度大。为了实现自然环境下苹果幼果的高效检测,采用融合挤压激发块(Squeeze-and-Excitation block, SE block)和非局部块(Non-Local block, NL block)两种视觉注意机制,提出了一种改进的YOLOv4网络模型(YOLOv4-SENL)。YOLOv4模型的骨干网络提取高级视觉特征后,利用SE block在通道维度整合高级特征,实现通道信息的加强。在模型改进路径聚合网络(Path Aggregation Network, PAN)的3个路径中加入NL block,结合非局部信息与局部信息增强特征。SE block和NL block两种视觉注意机制从通道和非局部两个方面重新整合高级特征,强调特征中的通道信息和长程依赖,提高网络对背景与果实的特征捕捉能力。最后由不同尺寸的特征图实现不同大小幼果的坐标和类别计算。经过1 920幅训练集图像训练,网络在600幅测试集上的平均精度为96.9%,分别比SSD、Faster R-CNN和YOLOv4模型的平均精度提高了6.9百分点、1.5百分点和0.2百分点,表明该算法可准确地实现幼果期苹果目标检测。模型在480幅验证集的消融试验结果表明,仅保留YOLOv4-SENL中的SE block比YOLOv4模型精度提高了3.8百分点;仅保留YOLOv4-SENL中3个NL block视觉注意模块比YOLOv4模型的精度提高了2.7百分点;将YOLOv4-SENL中SE block与NL blocks相换,比YOLOv4模型的精度提高了4.1百分点,表明两种视觉注意机制可在增加少量参数的基础上显著提升网络对苹果幼果的感知能力。该研究结果可为果树育种研究获取果实信息提供参考。