借鉴日本经验 培养高素质农业工程人才

0引言科学技术的进步是促进生产发展的决定因素和强大动力。科技兴农是我国发展可持续农业,加速实现农业现代化的唯一选择。农业工程科学技术是实现科技兴农的关键技术,《中国农业百科全书》农业工程卷(1994年版),提出:“农业工程是研究工程与农     

除草剂变量施药技术的研究现状与进展

除草剂的田间大面积均匀喷洒不仅造成了浪费,而且加剧了环境污染,作为精确农业关键技术的除草剂的变量施药能够精确地对准杂草喷洒除草剂,从而有效地减少除草剂用量,降低了农业生产成本、减轻了环境污染压力。文章介绍了基于颜色、形状、纹理、光谱、位置特征的计算机视觉杂草识别技术;给出了变量施药技术的概念和介绍了变量施药技术的国内和国外的研究概况,并探讨了该技术的实施难点和未来研究发展方向。     

基于光照无关图的农业机器人视觉导航算法

完成沿作物行的行走作业是农业机器人视觉导航系统的一个基础功能,但是由于田间环境的复杂性,比如阴影的存在和天气的恶劣变化等外界因素的影响使导航参数的提取变得困难。该研究针对农业机器人视觉导航中存在的阴影干扰问题,采用基于光照无关图的方法去除导航图像中的阴影,然后采用增强的最大类间方差法进行图像分割和优化的Hough变换提取作物行中心线,最终通过坐标转换获得导航参数。最后,通过作物行跟踪试验表明,基于光照无关图的阴影去除方法不仅满足了导航实时性的要求,而且使农业机器人在光照变化的情况下导航参数提取的鲁棒性有了更大的提高。     

基于图像分析的杂草分形维数计算

介绍了分形维数的理论计算公式和试验公式，分析了计盒维数的计算方法，运用Matlab软件设计了图像的处理和基于图像的计盒维数的计算程序。随机地选择了4种双子叶杂草和两种单子叶杂草共6种杂草作为研究对象，运用自行设计的程序分别计算了杂草叶的RGB三色图像的分形维数并以其平均值作为杂草叶的分形维数。研究结果表明该文给出的分形维数的计算方法可靠；研究结果也验证了杂草叶具有分形特征；研究结果还说明不同种类的杂草 ，其叶的分形维数明显不同，可以用分形维数为特征参数识别杂草。     

基于颜色特征的作物与背景分割的对比研究

化学除草剂和杀虫剂的运用对环境造成很大的冲击,有选择地对准目标精确喷药能够有效地减少化学药剂的使用量,对准精确喷药的关键是运用机器视觉技术正确地识别目标,而作物与背景的快速并准确地分割是正确识别目标的基础。文章介绍几种图像的颜色模型和转换公式,运用VC++软件设计出图像背景分割的程序。选择南京农业大学江浦农场的玉米田、花生田和校园内的小麦田作为研究对象,运用自行设计的程序对图像进行分割并计算出分割图像所需的时间。用处理耗时与处理效果两个指标来评定用于背景分割的几种颜色特征。研究结果表明,过绿的2G-R-B是最好的背景分割因子,这个分割因子具有耗时少、分割效果好且不受光照强度影响的特点,能够满足农业智能生产中实时性的要求。     

基于二维熵的农业图像目标分割

农业图像的目标分割是在农业领域应用机器视觉技术的基础,采用阈值法进行图像的目标分割,能够克服一些图像缺陷。首先将彩色数字图像转换成像素灰度级分布与其邻域平均像素灰度级分布所构成的二维灰度图,再根据图像分割后的最大熵计算分割阈值,然后由计算出的阈值分割农业田间图像,分割的结果显示,二维熵法分割农业田间图像的效果很好,分割质量的优秀率达到了98%。     

谈农业机械化在现代化农业中的作用

1．农业现代化的特征农业现代化包括农业生产技术现代化、农业生产工具现代化及农业生产方式现代化三个方面。而农业机械化是农业生产现代化和农业生产工具现代化的主要内容。农业机械包括农田作业机械，运输机械，农副产品加工机械，林业、牧业、渔业机械等。农业机械化就是以     

当前乡镇农机站经营管理决策问题的探讨

通过对目前农机站经营管理中存在问题的探讨，提出了适合新形势下农机站发展的新决策。     

基于改进ShuffleNet的板栗分级方法

传统的板栗分级方法主要依靠人工或机械的多级振动筛，不仅分级准确率低而且容易把坏的板栗分成好的板栗。针对传统板栗分级存在的问题，构建轻量级的卷积神经网络实现高精度的板栗的自动分级。在自然光条件下用小米Note9手机拍摄获取包含优等品、一等品、合格品、虫蛀品和霉烂品板栗的5481幅图像应用于卷积网络模型的训练、验证和测试。在学习ShuffleNet的基础上构建了一个浅层卷积神经网络Shnet-1,Shnet-1由2个卷积模块和4个Shuffle构成的板栗图像特征提取网络。特征提取网络连接板栗分类器，分类器由全局平均池化层、隐含层和输出层组成的多层感知器。为了实现板栗分类的最大精度和最小计算量，对Shnet-1模型的超参数进行了优化。将Shnet-1的分类性能与各种深度学习模型如AlexNet、Mnet-1、ResNet18进行了比较分析。浅层卷积神经网络Shnet-1网络模型应用于板栗分级的准确率达到98.90%，坏的板栗被分为好板栗的比例小于0.5%。Shnet-1的计算量小，板栗图像分类时间为26 ms，其权重仅占488KB的物理存储容量。改进ShuffleNet的卷积神经网络模型Sh...     

基于机器视觉的槟榔分级方法研究

针对槟榔人工分级劳动生产率低、准确率低的问题，开展基于遗传神经网络的机器视觉槟榔分级研究。以4种类别的槟榔图像为研究对象，首先设计一个6层结构的遗传神经网络对槟榔进行分级，虽然分级准确率较高但是网络结构复杂。然后对运用主成分分析法降低图像特征的维数并将遗传神经网络简化为3层结构的方法进行研究。最后用400幅和100幅槟榔图像对这个3层神经网络进行训练和验证，经过调整网络的学习率等参数，训练和验证的准确率达到95%以上。通过神经网络模型测试试验，槟榔正确分级的准确率为90%。数据降维后的三层遗传神经网络能够实现对槟榔的实时分级，为机器分级提供了技术支持。