基于卷积神经网络的田间多簇猕猴桃图像识别方法

为实现田间条件下快速、准确地识别多簇猕猴桃果实,该文根据猕猴桃的棚架式栽培模式,采用竖直向上获取果实图像的拍摄方式,提出一种基于Le Net卷积神经网络的深度学习模型进行多簇猕猴桃果实图像的识别方法。该文构建的卷积神经网络通过批量归一化方法,以Re LU为激活函数,Max-pooling为下采样方法,并采用Softmax回归分类器,对卷积神经网络结构进行优化。通过对100幅田间多簇猕猴桃图像的识别,试验结果表明:该识别方法对遮挡果实、重叠果实、相邻果实和独立果实的识别率分别为78.97%、83.11%、91.01%和94.78%。通过与5种现有算法进行对比试验,该文算法相对相同环境下的识别方法提高了5.73个百分点,且识别速度达到了0.27 s/个,识别速度较其他算法速度最快。证明了该文算法对田间猕猴桃图像具有较高的识别率和实时性,表明卷积神经网络在田间果实识别方面具有良好的应用前景。     

基于高速摄影的冬枣果实振动脱落规律分析

为研究冬枣振动采收过程中果实的运动规律和脱落轨迹,采用改装的电动往复锯连接自制振动采摘头对树枝进行高速振动,用高速相机记录不同振动频率(15、20、25 Hz)下冬枣果实的运动轨迹,对高速视频进行分析,计算在振动过程中的枣果脱落类型、脱落时间和运动轨迹,以及果实脱落时的速度、加速度和惯性力。结果表明:1)冬枣果实的主要脱落类型是旋倾型,15、20和25Hz时,旋倾型脱落的果实个数比例分别为81%、66%和78%,参考已有研究经验,冬枣机械收获宜选用连续式振动设备;2)随着振动频率的增大,果实的平均脱落时间减小,3个频率的果实脱落时间分别为1.71、0.54和0.43s,15Hz时果实脱落时间与20和25Hz时的果实脱落时间存在显著性差异,而20与25Hz时的果实脱落时间无显著性差异;3)果实的速度和加速度随着振动频率的增大而增大,但不同频率的果实平均脱落惯性力不存在显著性差异,3个频率下分别为0.48、0.43和0.49N。本研究结果可为机械收获装备的设计选型与研发提供理论依据。