改进YOLOv5识别复杂环境下棉花顶芽

为提高复杂环境下棉花顶芽识别的精确率,提出了一种基于YOLOv5s的改进顶芽识别模型。建立了田间复杂环境下棉花顶芽数据集,在原有模型结构上增加目标检测层,提高了浅层与深层的特征融合率,避免信息丢失。同时加入CPP-CBAM注意力机制与SIOU边界框回归损失函数,进一步加快模型预测框回归,提升棉花顶芽检测准确率。将改进后的目标检测模型部署在Jetson nano开发板上,并使用TensorRT对检测模型加速,测试结果显示,改进后的模型对棉花顶芽识别平均准确率达到了92.8%。与Fast R-CNN、YOLOv3、YOLOv5s、YOLOv6等算法相比,平均准确率分别提升了2.1、3.3、2、2.4个百分点,该检测模型适用于复杂环境下棉花顶芽的精准识别,为后续棉花机械化精准打顶作业提供技术理论支持。     

基于差分进化算法的水肥配比控制系统设计

水肥混合配比的灌溉施肥方式能提高水和肥料的利用率。水肥配比后的浓度是影响施肥效果好坏的关键。因此,针对水肥混合配比控制系统中的滞后性、大惯性、非线性等问题,提出一种基于差分进化(differential evolution,简称DE)整定的比例-积分-微分(proportion integral derivative,简称PID)水肥混合配比控制方法,以提高水肥混合配比后浓度的精准性和稳定性。并通过软件仿真对比传统PID控制和差分进化整定的PID水肥混合配比控制的效果。结果表明,利用差分进化算法对PID参数调节后的控制系统在提升肥液浓度响应速度、超调量、抗干扰能力等方面都具有较强的优势。最后,通过水肥混合配比浓度控制试验,验证差分进化算法整定的PID控制系统良好的控制效果,证实其可以满足实际灌溉施肥中的控制要求。     

基于迁移学习和改进CNN的葡萄叶部病害检测系统

为建立高效、准确的葡萄叶部病害检测系统,引入迁移学习机制,利用大型公开数据集对VGG16模型预训练,保持模型前端13个层的参数和权重不变,对全连接层和分类层改进后利用新数据集微调训练模型,包括对训练优化器、学习率和中心损失函数平衡参数的优选试验,最后将模型部署在Android手机端。试验表明,在微调训练阶段选择Adam优化器、初始学习率设为0.001、中心损失函数平衡参数设为0.12时,改进的VGG16模型性能最优,对葡萄6类叶部图像的分类平均准确率为98.02%,单幅图像平均检测耗时为0.327s。与未改进的VGG16模型相比,平均准确率提高了2.82%,平均检测耗时下降了66.8%,权重参数数量减少了83.4%。改进后的模型综合性能优于AlexNet、ResNet50和Inceptionv3等模型。将模型跨平台部署在Android手机端,自然环境下验证的平均准确率为95.67%,平均检测耗时为0.357 s。该研究建立的基于迁移学习和改进卷积神经网络的病害检测系统可实现对葡萄叶部病害的快速、智能诊断,为葡萄病害的及时防控提供依据。     

太阳能智能灌溉阀门控制器设计与应用

针对我国新疆地区土地干旱,水分下渗和蒸发比较严重导致灌溉过程中水分流失的问题,研制出一款根据土壤湿度传感器数据和作物需水量进行决策,实现智能灌溉的阀门控制器。该控制器以STM32单片机为控制核心,采用太阳能供电的方式,控制器包括单片机控制电路、土壤湿度采集电路、太阳能充电控制电路、阀门驱动电路、无线通信电路、阀门状态反馈电路。控制器通过土壤湿度传感器采集的数据进行灌溉决策,在土壤含水率低于作物最适宜生长值下限时开启阀门,当土壤含水率达到田间持水量时关闭阀门。农民能通过手机APP远程获取土壤湿度数据和阀门开关状态信息,并能远程控制阀门进行灌溉。经实验分析论证,该控制器运行稳定,能将土壤含水量控制在合适的范围。     

基于改进卷积神经网络的复杂背景下玉米病害识别

为解决田间环境复杂背景下病害识别困难、识别模型应用率低的问题,提出了一种基于改进卷积神经网络的玉米病害识别方法,探讨了数据集的品质对建立模型性能的影响。利用复杂背景下的玉米病害图像进行数据增强、背景去除、图像细分割和归一化等处理,设计了具有5层卷积、4层池化和2个全连接层的卷积神经网络结构,利用L2正则化和Dropout策略优化网络,对复杂背景下的玉米9种病害进行识别训练和测试,优化后的CNN模型平均识别精度为97.10%,比未优化的网络模型提高9.02个百分点。利用不同大小、不同品质的数据集对优选网络进行训练和测试,数据增强后比原始样本平均识别精度提高了28.17个百分点;将复杂背景去除后,模型性能进一步提升,识别精度达到97.96%;对数据集进行细分割处理后,平均识别精度为99.12%,表明卷积神经网络需要大量的训练数据,且数据集需有一定的代表性和品质。开发了基于移动端的玉米田间病害识别系统,系统测试结果表明,平均识别准确率为83.33%,系统能够实现田间复杂环境下的玉米病害识别。