基于本体与认知经验的农业机器人视觉分类决策方法

基于小样本数据下认知经验知识辅助计算机进行决策,对实现农业领域机器人智能认知决策与助力智慧农业发展具有重要意义。本文在统计计数、支持向量机（SVM）等图像属性信息学习方法基础上,使用Protégé等工具,基于认知经验构建水果识别分类的专业知识库;然后根据图像颜色与形状信息,进行知识库搜索推理得到分类决策。实验在Fruit360数据集中共选择2091幅葡萄、香蕉、樱桃水果图像作为测试集,并各挑选30幅图像作为属性信息训练集与验证集,结果表明当前数据下葡萄与樱桃识别准确率为100%,香蕉识别准确率为93.30%。仅在知识库添加黄桃知识后,对984幅黄桃图像样本进行测试,其分类准确率为97.05%。表明本文方法能有效完成图像分类决策任务,且具有良好的过程可解释性、能力共享性和可拓展性。     

基于深度强化学习的虚拟机器人采摘路径避障规划

针对采摘机器人在野外作业环境中，面临采摘任务数量多，目标与障碍物位置具有随机性和不确定性等问题，提出一种基于深度强化学习的虚拟机器人采摘路径避障规划方法，实现机器人在大量且不确定任务情况下的快速轨迹规划。根据机器人本体物理结构设定虚拟机器人随机运动策略，通过对比分析不同网络输入观测值的优劣，结合实际采摘行为设置环境观测集合，作为网络的输入；引入人工势场法目标吸引和障碍排斥的思想建立奖惩函数，对虚拟机器人行为进行评价，提高避障成功率；针对人工势场法范围斥力影响最短路径规划的问题，提出了一种方向惩罚避障函数设置方法，将障碍物范围惩罚转换为单一方向惩罚，通过建立虚拟机器人运动碰撞模型，分析碰撞结果选择性给予方向惩罚，进一步优化了规划路径长度，提高采摘效率；在Unity内搭建仿真环境，使用ML-Agents组件建立分布式近端策略优化算法及其与仿真环境的交互通信，对虚拟机器人进行采摘训练。仿真实验结果显示，不同位置障碍物设置情况下虚拟机器人完成采摘任务成功率达96.7%以上。在200次随机采摘实验中，方向惩罚避障函数方法采摘成功率为97.5%，比普通奖励函数方法提高了11个百分点，采摘轨迹规划平均耗时0.64s/次，相较于基于人工势场法奖励函数方法降低了0.45s/次，且在连续变动任务实验中具有更高的适应性和鲁棒性。研究结果表明，本系统能够高效引导虚拟机器人在避开障碍物的前提下快速到达随机采摘点，满足采摘任务要求，为真实机器人采摘路径规划提供理论与技术支撑。     

自然光照条件下采摘机器人果实识别的表面阴影去除方法

有效的阴影检测和去除算法会大大提高自然环境下果实识别算法的性能,为农业智能化提供技术支持。该研究采用超像素分割的方法,将一张图像分割成多个小区域,在对图像进行超像素分割的基础上,对自然光照下的果园图像阴影区域与非阴影区域进行对比分析,探索8个自定义特征用于阴影检测。然后采用SVM的方法,结合8个自主探索的自定义特征,对图像中每个超像素分割的小区域进行检测,判断每个小区域是否处于阴影中,再使用交叉验证方法进行参数优化。根据Finlayson的二维积分算法策略,对检测的每一个阴影区域进行阴影去除,获得去除阴影后的自然光照图像。最后进行阴影检测的识别准确性试验,试验结果表明,本研究的阴影检测算法的平均识别准确率为83.16%,经过阴影去除后,图像的阴影区域亮度得到了提高,并且整幅图像的亮度更为均匀。该研究可为自然环境下机器人识别果实及其他工农业应用场景提供技术支持。     

自然环境下树上绿色芒果的无人机视觉检测技术

为了快速检测芒果树上的芒果,本文提出了一种基于无人机的树上绿色芒果视觉检测方法。本文采用深度学习技术,利用YOLOv2模型对无人机采集的芒果图像进行检测,首先通过无人机采集树上芒果图像,对芒果图像进行人工标记,建立芒果图像的训练集和测试集,通过试验确定训练模型的批处理量和初始学习率,并在训练模型时根据训练次数逐渐降低学习率,最终训练出来的模型在训练集上的平均精度(Mean average precision,MAP)为86.43%。通过试验,分析了包含不同果实数和不同光照条件下芒果图像的识别准确率,并设计了芒果树产量估计试验,试验结果表明:本文算法检测一幅图像的平均运行时间为0.08s,对测试集的识别准确率为90.64%,错误识别率为9.36%;对含不同果实数的图像识别准确率最高为94.55%,最低为88.05%;顺光条件下识别准确率为93.42%,逆光条件下识别准确率为87.18%;对芒果树产量估计的平均误差为12.79%。表明本文算法对自然环境下树上芒果有较好的检测效果,为农业智能化生产中果蔬产量的估计提供了视觉技术支持。     

基于深度语义分割网络的荔枝花叶分割与识别

针对使用目标检测、实例分割方法无法对复杂自然环境下稠密聚集的荔枝花进行识别的问题,提出一种基于深度语义分割网络识别荔枝花、叶像素并实现分割的方法。首先在花期季节于实验果园拍摄荔枝花图像;然后制作标签,并进行数据增强;构建深度为34层的ResNet主干网络,在此基础上引入稠密特征传递方法和注意力模块,提取荔枝花、叶片的特征;最后通过全卷积网络层对荔枝花、叶片进行分割。结果表明,模型的平均交并比(mIoU)为0.734,像素识别准确率达到87%。本文提出的深度语义分割网络能够较好地解决荔枝花的识别与分割问题,在复杂野外环境中具有较强的鲁棒性和较高的识别准确率,可为智能疏花提供视觉支持。