基于DSP和单片机的实时变量喷药系统设计

为防治玉米农田杂草危害,设计了一种基于DSP识别和单片机控制的杂草实时变量喷药系统。数字信号处理器(DSP)实时数据处理能力强,单片机控制能力强。DSP作为喷药系统上位机图像处理模块的CPU,对田间玉米杂草图像实时采集、处理,分离出杂草,生成杂草位置信息表,发送给作为系统下位机控制模块CPU的单片机;单片机通过电磁阀控制6个喷头的开闭实现精准变量喷药。田间试验表明:系统在室外田间复杂情况下可以满足实时精准喷药要求,在作业机械速度为4km/h时,喷药精确度可以达到91.4%。     

基于嵌入式和图像处理技术的精准自动施药平台研究

介绍了精准自动施药平台的结构及HSI颜色模型,并利用直方图均衡化处理、中值滤波和迭代阈值算法等图像处理技术,实现了杂草目标和背景的分离,从软硬件两方面设计了精准自动施药平台嵌入式控制系统。测试结果表明:精准自动施药平台准确率达到了91.5%以上,说明该平台具有很高的喷药精度和稳定性,能够满足对果园除草喷药的要求。     

改进SSD的灵武长枣图像轻量化目标检测方法

针对加载预训练模型的传统SSD（Single Shot MultiBox Detector）模型不能更改网络结构，设备内存资源有限时便无法使用，该研究提出一种不使用预训练模型也能达到较高检测精度的灵武长枣图像轻量化目标检测方法。首先，建立灵武长枣目标检测数据集。其次，以提出的改进DenseNet网络为主干网络，并将Inception模块替换SSD模型中的前3个额外层，同时结合多级融合结构，得到改进SSD模型。然后，通过对比试验证明改进DenseNet网络和改进SSD模型的有效性。在灵武长枣数据集上的试验结果表明，不加载预训练模型的情况下，改进SSD模型的平均准确率（mAP，mean Average Precision）为96.60%，检测速度为28.05帧/s，参数量为1.99×106，比SSD模型和SSD模型（预训练）的mAP分别高出2.02个百分点和0.05个百分点，网络结构参数量比SSD模型少11.14×106，满足轻量化网络的要求。即使在不加载预训练模型的情况下，改进SSD模型也能够很好地完成灵武长枣图像的目标检测任务，研究结果也可为其他无法加载预训练模型的目标检测任务提供新方法和新思路。     

植物根系表型信息获取技术研究进展

人口数量增长和全球气候变化加剧了粮食安全供给压力,育种学家亟需培育高产、高效作物品种以满足日益增长的粮食消费需求.基于根性状的品种培育改良可有效提高作物水分、养分利用率,但根系表型观测的困难性极大地限制了育种进程.随着自动化控制、成像和传感器以及图像解译技术的发展,高通量根表型信息系统性收集已成为可能.本文综述了一系列适用于室内或田间的非破坏性或破坏性根系二维或三维结构测定技术;系统阐述了主流的根表型参数提取图像分析技术和软件;探讨了基于根表型平台的根性状筛选应用于新品种培育的成功案例,并对高通量根表型平台的进一步研发进行了展望.     

基于图像处理的茶叶智能识别与检测技术研究进展分析

作为茶叶智能化生产的关键难题之一,基于图像处理的茶叶智能识别与检测技术受到广泛关注。通过综述图像处理技术在茶叶嫩芽识别定位、茶叶病虫害检测、茶叶品种识别与品质检测等方面的研究应用,分析比较各方法的优缺点,总结现有研究存在的主要问题有嫩芽分割受光照影响较大、难以分割含与嫩芽颜色相近背景的图像、枝叶遮挡情况识别效果不理想、缺乏真实背景下茶叶病斑识别算法等。指出基于图像处理的茶叶智能识别与检测技术未来的研究重点:增加不同地域茶叶及品种的样本数据以提高算法普适性;采取多信息融合的方法以求获得更全面的茶叶嫩芽信息;枝叶遮挡严重情况下的识别策略可考虑借助机械装置或风机拨开枝叶,从而避免因枝叶遮挡而导致识别率低的现象发生。     

无人机机载激光雷达提取果树单木树冠信息

定株管理是未来果园精准生产管理的趋势，果树单木树冠信息的提取是定株管理的关键。该研究利用无人机采集的苹果园激光探测与测量数据（Light Detection and Ranging，LiDAR）检测和测量每棵果树的树冠面积和树冠直径，并评价空间分辨率对于果树单木树冠检测与提取的影响。该方法主要包括使用反距离权重插值法间接生成冠层高度模型（Canopy Height Model，CHM）；使用局部极大值滤波算法和标记控制分水岭分割算法（Marked-Controlled Watered Segmentation，MCWS）对果树进行单木树冠检测与提取，通过与参考数据的比较，评估了该方法的精度，并定量分析了空间分辨率对于单木树冠检测与信息提取结果的敏感性。结果表明，该方法有效地实现果树单木树冠检测与信息提取，代表果树检测精度的F1得分为94.86%，树冠轮廓提取准确率为86.39%，树冠面积的提取数据集和参考数据集的线性拟合结果决定系数和归一化均方根误差分别为0.81和20.56%，树冠直径的提取数据集和参考数据集的线性拟合结果决定系数和归一化均方根误差分别为0.85和14.79%，树冠面积和直径不同程度地被高估。此外，冠层高度模型的空间分辨率接近果树平均树冠直径的1/10时精度最高，可以有效检测果树单木树冠及提取树冠轮廓，从而准确提取果树单木树冠信息。     

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。