甘肃省农村经济与农机化现状的调查分析

通过对甘肃省105个自然村经济状况、劳动力状况、土地状况、主要农作物农机使用状况及农民对农业机械的实际需求状况的调查分析,找到制约甘肃农机发展的主要因素,提出促进农村经济发展,提高农业集约化生产规模,研究生产适应甘肃省不同地区、不同农业生产条件、不同土地类型的质优价廉的农业机械产品,能够从根本上解决制约甘肃省农机事业发展所遇到的问题.     

通用电工实验台的设计与试制

主要叙述了所研制的一种通用电工实验台的设计与试制,该实验台采用双重保护线路,安全可靠,仪表布置合理,显示直观,操作简便,可完成电路、电机和电器控制等多项电工类实验教学,经专家和实际实验实习检验,表明其电器及安全性能良好,使用方便,具有一定的推广应用价值。     

基于显著性目标检测的葡萄叶片病害分割

为提高葡萄叶片病害图像中病斑分割性能,提出了一种基于显著性目标检测的病斑分割方法。采用显著性目标检测网络来生成葡萄病害叶片图像的显著性图,通过多种分辨率的网格结构提取图像局部和全局信息,并将它们融合成预测特征;再对病害叶片的显著性图用自适应阈值法分割出叶片上的病害区域,并用形态学方法进行后处理。结果表明,在测试集A上,所建立的方法对病斑分割性能指标马修斯相关系数(MCC)为0.625,略低于对比算法全卷积神经网络(FCN)的0.689,但在衡量泛化性能的测试集B上,所建立方法的MCC为0.338,远高于FCN的0.072, 说明所建立方法在分割精度和泛化性方面具有较好的平衡性。     

基于小样本学习的植物病害识别研究*

为在仅有少量训练样本条件下获得较高的植物病害分类精度,采用小样本学习模型作为病害分类器,在匹配网络、原型网络和关系网络3种典型小样本学习算法框架下分别采用Conv4、Conv6、ResNet10、ResNet18和ResNet34 5种浅层网络作为特征提取网络,在PlantVillage植物病害数据集上对病害识别性能进行对比试验。在1shot条件下,匹配网络、原型网络和关系网络对植物叶片病害识别的平均准确率分别为72.29%、72.43%和69.45%;其中原型网络+ResNet34为表现最好的组合,病害识别准确率达到了77.60%。在5shot条件下,匹配网络、原型网络和关系网络平均准确率分别为87.11%、87.50%和82.92%,各种网络病害识别准确率比1shot条件均有明显提升;原型网络+ResNet34依旧是表现最佳的组合方式,识别准确率达到89.66%。上述试验结果表明,通过优选小样本学习框架和特征提取网络的组合方式,对于少量样本的病害也能取得较好的识别效果。     

基于轻量级CNN的植物病害识别方法及移动端应用

为了实现在手机端植物病害叶片检测,对MobileNet和Inception V3 2种轻量级卷积神经网络进行迁移学习,得到2种作物病害分类模型,将2种分类模型分别移植到Android手机端,在识别精度、运算速度和网络尺寸之间进行平衡,选择最优模型。试验表明,MobileNet和InceptionV3在PlantVillage数据集(共38类26种病害)上平均识别率分别是95.02%和95.62%。在自建图像集葡萄病害叶片的识别中MobileNet和InceptionV3平均识别率分别是87.50%、88.06%,Inception V3的整体识别精度略高,但MobileNet在所有类别的识别上均衡性更好;在模型尺寸方面Inception V3的模型尺寸大小为87.5 MB,MobileNet的模型尺寸为17.1 MB,大约是后者5倍;2种模型移植到手机端时,MobileNet和Inception V3的APP所占内存分别是21.5和125 MB;在手机端单张图片的识别时间方面,Inception V3平均计算时间约是174 ms,MobileNet的平均计算时间约是134 ms,后者的平均计算时间比前者快40 ms;在手机端MobileNet相比于Inception V3占用内存更小,运算时间更快。说明MobileNet更适合在手机端进行植物病害识别应用。     

基于光学模型的退化叶片图像复原方法

针对空气浮尘造成植物叶片图像颜色失真、细节信息模糊问题,采用一种基于光学成像模型的灰尘去除算法,对退化叶片图像颜色进行恢复。首先根据灰尘颗粒对光线的反射和散射特性,建立叶片图像退化模型;然后利用有尘黑卡对光谱的反射特性计算出灰尘的反射率,在此基础上结合暗元原理和小波变换估计出入射光强及透射率2个模型参数。采用色卡和葡萄叶片图像测试算法的有效性。试验结果表明:本研究算法对叶片颜色有较好的恢复效果,复原后图像a、b分量(CIE Lab颜色模型)的平均绝对误差显著降低,有效地提高了图像的对比度和清晰度。试验还表明,本研究算法对不同天气和照明条件、不同品种的葡萄叶片图像均有较好的颜色恢复效果。     

基于FPGA和分水岭算法的甜瓜图像分割

准确从背景中分割出瓜体以及从瓜体表面分割出缺陷是甜瓜外观品质分级计算机视觉系统的重要任务。采用分水岭算法可以一次完成这2项工作。针对软件实现的分水岭算法在图像分割过程中实时性较差的缺点,采用了并行分水岭算法,并在FPGA平台实现该算法。试验表明,基于硬件的算法实现具有较好的实时性,提高了甜瓜图像的分割速度。     

基于无线RF技术的日光温室群分布式控制系统的设计和研究

针对农村广泛使用的日光温室的特点,研制了一种分布式温室群控制系统。该系统的结构体系为中心PC机和温室控制器的主从结构。系统采用无线RF技术,构成了点对多点的星形拓扑结构的通信网络,可对多个温室进行有效管理。控制器将农艺专家控制方案和模糊控制技术相结合,实现温室的温度、湿度的精确控制。     

基于纹理和颜色特征的甜瓜缺陷识别

为了提高硬皮甜瓜缺陷分类的正确率,提取基于纹理和颜色的综合特征,采用支持向量机分类器构造了甜瓜缺陷的自动检测系统。对甜瓜图像可疑区进行了纹理分析,提取灰度共生矩阵的4个特征参数,经过比较实验得出,对比度和角二阶矩2个参数对甜瓜瓜蒂、花萼、擦伤和霉变有明显的可区分性。在可疑区域上提取了由R、G、B分量及其算术运算组成的12种颜色特征,通过实验筛选出4种具有较好区分性的颜色特征。实验结果表明,由这些优选出的纹理与颜色特征组成的综合特征及支持向量机分类器对甜瓜缺陷的识别正确率达到92.2%。     

基于农作物病害检测与识别的卷积神经网络模型研究进展

农作物病害的精准检测与识别是推动农业生产智能化与现代化发展的重要举措。随着计算机视觉技术的发展,深度学习方法已得到快速应用,利用卷积神经网络进行农作物病害检测与识别成为近年来研究的热点。基于传统农作物病害识别方法,分析传统方法的弊端所在;立足于农作物病害检测与识别的卷积神经网络模型结构,结合卷积神经网络模型发展和优化历程,针对卷积神经网络在农作物病害检测与识别的具体应用进行分类,从基于公开数据集和自建数据集的农作物病害分类识别、基于双阶段目标检测和单阶段目标检测的农作物病害目标检测以及国外和国内的农作物病害严重程度评估3个方面,对各类卷积神经网络模型研究进展进行综述,对其性能做了对比分析,指出了基于农作物病害检测与识别的卷积神经网络模型当前存在的问题有：公开数据集上识别效果良好的网络模型在自建复杂背景下的数据集上识别效果不理想;基于双阶段目标检测的农作物病害检测算法实时性差,不适于小目标的检测;基于单阶段目标检测的农作物病害检测算法在复杂背景下检测精度较低;复杂大田环境中农作物病害程度评估模型的精度较低。最后对未来研究方向进行了展望：如何获取高质量的农作物病害数据集;如何提升网络的泛化性能;如何提升大田环境中农作物监测性能;如何进行大面积植株受病的范围定位、病害严重程度的评估以及单枝植株的病害预警。