自然环境下茶树嫩梢识别方法研究

嫩梢识别是实现名优茶智能采摘的前提。本文以茶树嫩梢为研究对象,基于色彩因子开展了自然环境下嫩梢识别研究,提出了采用RGB空间的R-B、YIQ空间的I、Lab空间的b、HSI空间的S,以及YCrCb空间的Cb 5种色彩因子进行图像灰度化,并选择合适的方法进行图像阈值分割,最后采用中值滤波的方法消除噪声。试验结果表明,这些方法都能够在自然环境下有效地区分嫩梢和背景,为后续名优茶智能化采茶机的研究打下理论基础。     

基于Bayes与SVM的玉米彩色图像分割新算法

提出了基于Bayes(贝叶斯)与SVM(支持向量机)的玉米彩色图像分割新算法.统计原始RGB图像中的玉米和土壤背景的均值向量和协方差矩阵,利用正态分布的Bayes分类器计算每个像素的目标和背景的判别函数值,用训练好的SVM对判别函数值进行分类,实现彩色图像分割.Matlab试验结果表明,该方法能够实现高光强下彩色图像分割,平均错分率为9.1％,平均漏分率为12.0％,平均相似度为80.8％.     

基于深度学习的草坪杂草识别与除草剂喷施区域检测方法

本文以狗牙根草坪及其伴生杂草毛花雀稗、白三叶以及莎草为研究对象,提出了一种基于深度学习的草坪杂草识别及除草剂喷施区域检测方法。通过将原图划分为若干格子区域,利用神经网络模型对格子图片进行杂草识别,实现杂草定位并进而确定除草剂喷施区域。为探究不同神经网络模型对杂草识别的效果,选取VGGNet模型、GoogLeNet模型和ShuffleNet模型,分别以F₁值、准确率和识别速度进行对比分析。验证集下所有模型的F₁值都高于0.97,表明本研究中的三个模型对于杂草都有较好的识别效果。其中,GoogLeNet模型为杂草识别最优模型,拥有最为均衡的识别率和识别速度。其在测试集的平均准确率和识别速度分别为98.75%和36.9 fps,能够用于草坪实时杂草识别应用。结果表明,本研究提出的草坪杂草识别与除草剂喷施区域检测方法具有高度的可行性和较优的应用效果,可用于基于除草剂精准喷施的草坪杂草防控。     

农田杂草识别方法研究进展

杂草识别是实现精确除草的前提。为此,阐述了利用形态特征、颜色特征、光谱特征、纹理特征以及多特征融合方法识别杂草的原理、研究现状和难点。同时,介绍了模式识别等方法在杂草识别中的应用;分析并比较了行间、行内杂草识别方法的特点,指出行内杂草的识别远复杂于行间杂草识别,是精确除草的难点,对农田杂草识别和精确除草有较好的参考价值。     

除草机器人减震悬架越障性能分析

为能够同时进行苗间和行间除草的高效除草机器人配置了悬架机构,使机器人具有减震性能,提高了机器人农田适应性。设计并制作了机器人物理样机。越障过程分析表明,该机器人悬架具有较强的调节性能。运用ADAMS软件建立了机器人虚拟样机,分析了机器人在凸起、斜坡和凹坑地面的越障能力。仿真结果表明机器人在这3种地形上均有良好的适应性。