温室下无线传感器网络双簇头异构成簇算法的研究

在温室下无线传感器网络中,采用基于低功耗自适应集簇分层型算法进行分簇时,存在簇分布不均匀及路由能量消耗过快的问题。因此,本研究基于双簇头异构成簇算法,优化了簇头选择算法。在分好的簇中布署1个异构节点做为第一簇头,根据能量因素选择另1个簇头,2个簇头履行不同的职责,达到均摊能量消耗、延长网络生命周期的目的。其中,采用单跳与多跳结合方法将第一簇头节点信息传送到汇聚节点以达到提高传输效率的目的。仿真结果表明,该算法平衡了静态节点能耗,延长了网络存活时间。     

基于PSO-LM-RBF温室温湿度预测

为了提高对北方温室温湿度预测的精度,采用温室内外的气象数据作为输入,以温室的温湿度分别作为输出,提出了基于PSO-LM-RBF的温室温度和湿度预测模型,并且通过仿真实验对该模型的性能进行评估,其中实验的输入数据为天津某温室3月份的连续实测数据。通过仿真实验得到更高的预测精度,证明了该方案的可行性。此模型可以用于温室温湿度的预测控制。     

基于改进Mask RCNN的复杂环境下苹果检测研究

苹果检测是苹果采摘系统中的关键环节,为实现复杂环境下苹果采摘机器人视觉系统对苹果的识别和定位,提出一种基于深度学习的方法,通过改进的Mask RCNN网络对苹果进行检测研究。该方法在原始Mask RCNN网络的基础上,增加边界加权损失函数,能够使边界检测结果更为精确。训练后的模型在验证集下的AP值为92.62%。通过比较Mask RCNN与Faster RCNN、YOLO v3和传统分割算法K-means算法在不同数目,不同光照和绿色苹果情况下的检测效果,试验结果表明:Mask-RCNN的F1值和分割效果均高于其他算法,证明本文方法对复杂环境下的苹果有很好的检测效果,可为苹果产业中采摘机器人的视觉系统提供技术支持。     

作物病害诊断专家系统编码知识表达方式研究

病害诊断专家系统是实现植物病害防治的有效工具,传统农业专家系统基于特定植物品种研发,当专家系统需要应用在作物新品种时,系统软件的界面及推理机需要进行重新设计编程,加长了软件的更新和开发时间,软件通用性差.研究一种合理的病症知识表达编码方式和其相应的推理机制,使病害诊断专家系统能够适应不同作物知识库的更换及病症诊断需要,达到使用灵活方便,不需重复开发的要求.     

复杂背景下植物叶片的彩色图像分割

研究彩色图像自动分割问题。根据分水岭与自动种子区域生长相结合的算法,在复杂背景的处理上依然存在过分割的问题。本文提出:首先在其预处理上应用各项异性扩散Perona&Malik算法进行处理,Perona&Malik算法在抑制噪声的同时能够保持图像的边缘信息;其次在预处理基础上应用分水岭分割出区域;最后进行自动种子区域生长和合并小区域。通过在Matlab上仿真,结果表明此算法能够减少区域分割,并且在复杂背景下更完整地分割出目标区域。     

日光温室无线传感节点的设计

针对日光温室的特点,研究设计了一个能够实时监控温室环境多种参数的节能型传感器节点.首先介绍了传感器节点的整体设计框架;然后对基于LPC1114芯片和DRF1601数传模块的智能节点模块及数据采集电路、电源部分等的硬件电路进行设计;最后给出了节点运行程序及实际运行效果.该节点实现了对温室环境因子的实时监测,为温室智能监控系统的实现提供了精确的数据.     

基于改进DenseNet的田间杂草识别

精确、快速地获取作物和杂草的类别信息是实现自动化除草作业的重要前提。为解决复杂环境下农作物田间杂草种类的高效准确识别问题，该研究提出一种基于改进DenseNet的杂草识别模型。首先，在DenseNet-121网络的基础上，通过在每个卷积层后引入ECA（Efficient Channel Attention）注意力机制，增加重要特征的权重，强化杂草特征并抑制背景特征；其次，通过DropBlock正则化随机隐藏杂草图像部分特征块，以提升模型的泛化能力，增强模型识别不同类型杂草的适应性；最后，以自然环境下玉米幼苗和6类伴生杂草作为样本，在相同试验条件下与VGG-16、ResNet-50和未改进的DenseNet-121模型进行对比试验。结果表明，改进的DenseNet模型性能最优，模型大小为26.55 MB，单张图像耗时0.23 s，平均识别准确率达到98.63%，较改进前模型的平均识别准确率提高了2.09%，且综合性能显著高于VGG-16、ResNet-50模型；同时，通过采用CAM（Class Activation Mapping）可视化热度图方法分析，得出改进前后模型的类别判断概率分别为0.68和0.98，本文模型明显高于未改进模型，进一步验证了改进模型的有效性。该模型能够很好地解决复杂环境下农作物和杂草的种类精准识别问题，为智能除草机器人开发奠定了坚实的技术基础。     

基于NARX 神经网络的日光温室湿度预测模型研究

在日光温室湿度预测模型建模中,由于输入因子间存在复杂耦合关系以及冗余的条件属性,导致网络训练难以收敛且精度不高.选用影响日光温室湿度的环境因子组成数据样本,采用主成分分析方法对样本集进行解耦降维处理,以采用主成分分析后的数据样本作为输入,以日光温室内湿度作为输出,采用贝叶斯正则化算法构建NARX神经网络模型,对日光温室湿度进行预测.仿真结果表明,基于NARX神经网络建立的预测模型具有很强的非线性动态描述能力,能够对室内湿度值做出准确的预测.     

基于改进YOLO v7的农田复杂环境下害虫识别算法研究

为使巡检机器人能够对体积小且密集、形态多变、数量多且分布不均的害虫进行高效精准识别,提出了一种基于改进YOLO v7的害虫识别方法。该方法将CSP Bottleneck与基于移位窗口Transformer(Swin Transformer)自注意力机制相结合,提高了模型获取密集害虫目标位置信息的能力;在路径聚合部分增加第4检测支路,提高模型对小目标的检测性能;将卷积注意力模块(CBAM)集成到YOLO v7模型中,使模型更加关注害虫区域,抑制背景等一般特征信息,提高被遮挡害虫的识别精确率;使用Focal EIoU Loss损失函数减少正负样本不平衡对检测结果的影响,提高识别精度。采用基于实际农田环境建立的数据集的实验结果表明,改进后算法的精确率、召回率及平均精度均值分别为91.6%、82.9%和88.2%,较原模型提升2.5、1.2、3个百分点。与其它主流模型的对比实验结果表明,本文方法对害虫的实际检测效果更优,对解决农田复杂环境下害虫的精准识别问题具有参考价值。