基于机器视觉的青贮饲料质量监测系统设计与应用

设计了一套基于机器视觉的青贮饲料质量监测系统。系统在研究辨别青贮饲料质量关键因素的基础上,利用颜色明暗差别和纹理结构特征训练分类样本,采用聚类算法对传送带上饲料进行分类检测,实现了对青贮饲料质量的自动精准监测。该系统在剔除变质饲料的同时建立数据库统计优劣比率和饲料加工信息,为构建饲料质量可追溯体系奠定基础。     

旱涝引发粮价大幅上涨的可能性很小

记者从国家发改委获悉,发改委价格司负责人针对近期长江中下游地区遭遇严重旱涝灾情对粮价的影响表示,灾害对我国农业生产的影响有限,引发粮食价格大幅上涨的可能性很小。首先,旱涝灾害发生时间对农时影响不大。长江中下游地区的严重旱情虽然推迟了少数水稻种植,但6月份以来的几次强降     

滴灌轮灌分组优化模型与算法

传统的轮灌组划分计算方式效率较低且难以获得较好方案。该研究首次采用智能算法来求解轮灌组划分问题,依据《微灌工程技术标准》及轮灌组划分原则,提出了基于流量均衡的数学模型及其约束条件。通过分析支管空间分布,确定了滴灌问题的邻域特征,在半径阈值范围内给出了最大限度查找关键路径的邻域搜索策略和不可行解修复算法,并采用传统遗传算法(Genetic Algorithm,GA)、贪心遗传算法(Greedy-GA)、泰森多边形遗传算法(Voronoi-GA)和网格遗传算法(Grid-GA)算法分别求解模型,探索适应轮灌分组问题的初始化方法。对标准差、组内路程、连通性和运行时间4项指标对比分析,结果表明:Grid-GA算法表现优异,采用的邻域策略可有效避免支管分布过于分散,有利于日常管理与维护。取半径阈值280 m条件下,算法在300代左右达到收敛,最小标准差10.9 m3/h,组内路程8 105.2 m,连通性指标25,与一种冒泡+贪心的近似算法相比最小标准差小59.1%。该研究对提高滴灌工程设计效率和促进轮灌工作制度有效运行有着重要研究意义。     

基于TMU-Net网络的苹果果心分割方法

针对苹果内在品质检测过程中传统测量果心大小方法效率低、准确性差等问题,该研究提出一种基于TMU-Net网络自动分割果心的方法,将Transformer编码器融入U-Net网络结构中,构建改进U型卷积网络TMU-Net模型。模型由特征提取模块、特征处理模块、解码器、特征拼接模块组成,以VGG-16前13层作为主干特征提取网络,在跳跃连接中叠加多重残差空洞卷积（Multiple Residual Dilated Convolution,MRDC）模块,增大感受野的同时增强了模型对底层特征提取能力。采用数据增强技术对果心数据集扩充后,利用迁移学习方法冻结特定的网络层,对TMU-Net模型进行训练。试验结果表明：引入迁移学习并使用最佳训练方式使模型分割精确率提高了22.48个百分点;TMU-Net网络模型在果心分割任务中实现了96.72%的精确率,与U-Net、PSPNet、DeeplabV3+网络对比,精确率分别提升了14.28、9.98、7.15个百分点。该方法能够精准、有效地实现果心分割,可为实现苹果内在品质智能检测提供参考。     

基于形态参数的棉株可视化系统建模研究

通过对棉株形态拓扑结构特征及空间分布规律的分析,提出一种利用三次样条插值曲线对植物参数进行控制的虚拟植株形态可视化方法,基于此方法生成棉桃、叶片、分枝等器官几何模型,并按照器官位置参数以逐级寻迹的方式构建棉株群体,以MATLAB为开发工具,开发了基于形态参数的棉花可视化系统,进行动态碰撞检测与参数优化,实现了棉株群体可视化展示和三维位置点坐标数据的输出。     

基于改进YOLOv7的果园行间导航线检测

在复杂果园环境中，传统机器视觉算法难以处理光影变化、遮挡、杂草等因素的干扰，导致导航道路分割不准确。针对此问题，该研究提出了一种改进YOLOv7的果园内导航线检测方法。将注意力机制模块(convolutional block attention module，CBAM)引入到原始YOLOv7模型的检测头网络中，增强果树目标特征，削弱背景干扰；在ELAN-H(efficient layer aggregation networks-head，ELAN-H)模块和Repconv(re-parameterization convolution，Repconv)模块之间引入SPD-Conv(space-to-depth，non-strided convolution，SPD-Conv)模块，提高模型对低分辨率图像或小尺寸目标的检测能力。以树干根部中点作为导航定位基点，利用改进YOLOv7模型得到两侧果树行线的定位参照点，然后利用最小二乘法拟合两侧果树行线和导航线。试验结果表明，改进YOLOv7模型检测精度为95.21%，检测速度为42.07帧/s，相比于原始YOLOv7模型分别提升了2.31个百分点和4.85帧/s，能够较为准确地识别出树干，且对树干较密的枣园图像也能达到较好的检测效果；提取到的定位参照点与人工标记树干中点的平均误差为8.85 cm，拟合导航线与人工观测导航线的平均偏差为4.90 cm，处理1帧图像平均耗时为0.044 s，能够满足果园内导航需求。     

基于混合变邻域的自动化滴灌轮灌分组算法

为了解决自动化滴灌轮灌分组手工计算效率低的问题。该研究分析比较自动化滴灌与手工控制滴灌问题特征和划分原则,构建以轮灌组流量均衡为目标的数学模型,模型以流量标准差最小为目标函数,以流量差、压力差和离散度指标等为约束条件,以支管数量、流量大小和轮灌组数为决策变量,并提出一种基于混合变邻域的GSRV-GA算法进行模型求解。算法通过设计罚函数以及子代修复算法来解决工程约束以及交叉变异产生的非法解问题,然后将选择算子结合模拟退火机制以避免优化解陷入局部最优。为了提高算法搜索精度,设计基于流量和位置调整的2种邻域结构,通过变邻域搜索来强化遗传算法的搜索能力。对新疆某团场灌区工程进行实例优化分析,求解的最小标准差为10.03 m3/h,算法在350代左右实现收敛,求解时间为2 504.53 s。在3组不同规模的案例中求解最小标准差分别为15.18、13.93和7.52 m3/h,在1～5个支管堵塞抖动试验中离散度指标均达到1。该模型和算法可为后续挖掘自动化滴灌节水技术提供研究基础。     

基于姿态估计和关键点特征向量的奶牛跛行识别方法

针对目前养殖场中自动检测奶牛跛行效率低、准确率不高等问题，设计了一种基于姿态估计和膝关节角度特征向量的奶牛跛行识别方法。鉴于奶牛行为具有随机停留的特点，制作奶牛在不同远近视场尺度和观测角度等条件下奶牛姿态估计数据集。将Faster RCNN卷积神经网络模型引入到奶牛关键点检测中提高跛行识别的可靠性；以ResNet101网络作为特征提取网络，构建奶牛姿态估计网络，并采用超参数微调训练方法，对网络模型进行迁移训练。通过视频中的奶牛姿态信息和关键点坐标信息，计算出奶牛行走时膝关节的角度特征，并利用1-D Convolution分类模型实现奶牛的跛行识别。实验结果显示：以ResNet101网络模型为基础的奶牛姿态估计网络的PCK@0.1值可以达到0.925 0；使用1-D Convolution模型对奶牛行为分类识别的准确率为97.22%，与LSTM、Bi-LSTM、GRU模型相比，分别提高5.55、2.78、11.11百分点。以上结果表明，所提方法对自然环境下奶牛跛行有较好的检测效果，可用于奶牛智能化养殖并为养殖管理提供技术参考。