香蕉掉蕾原因调查与分析

研究香蕉田间掉蕾规律及发生影响因素,为合理降低香蕉掉蕾率提供科学依据.以威廉斯B6为试材,采用田间调查和室内解剖分析的方法,对香蕉掉蕾规律和果轴形态进行分析.结果表明香蕉掉蕾与母株前期自身长势及生长特性无关,而与抽蕾期果轴发育过程中的变形密切相关.未掉蕾植株的果轴呈自然下垂状,掉蕾植株果轴多数呈异常弯曲状.果穗第1张苞叶展开处出现的弯曲会增加果穗对果轴基部支撑点的力矩,进而诱发掉蕾.抽蕾期作为预防掉蕾的关键时期,应注意采取措施减少果轴弯曲而导致掉蕾.     

香蕉假茎象甲虫情调查与预测预报技术

香蕉假茎象甲Odoiporus longicollisOliver,亦称香蕉扁黑象甲、香蕉双带象甲,是我国香蕉种植区香蕉主要害虫之一[1-4]。该虫主要分布于东南亚的泰国、菲律宾、印度尼西亚、马来西亚及中国广东、广西、福建、海南、云南和台湾等地。以幼虫蛀食香蕉假茎乃至叶柄、果轴为害,在假茎     

采用改进YOLOv5的蕉穗识别及其底部果轴定位

为提高香蕉采摘机器人的作业效率和质量,实现机器人末端承接机构的精确定位,该研究提出一种基于YOLOv5算法的蕉穗识别,并对蕉穗底部果轴进行定位的方法。将CA（Coordinate Attention）注意力机制融合到主干网络中,同时将C3（Concentrated-Comprehensive Convolution Block）特征提取模块与CA注意力机制模块融合构成C3CA模块,以此增强蕉穗特征信息的提取。用 EIoU（Efficient Intersection over Union）损失对原损失函数CIoU（Complete Intersection over Union）进行替换,加快模型收敛并降低损失值。通过改进预测目标框回归公式获取试验所需定位点,并对该点的相机坐标系进行转换求解出三维坐标。采用D435i深度相机对蕉穗底部果轴进行定位试验。识别试验表明,与YOLOv5、Faster R-CNN等模型相比,改进YOLOv5模型的平均精度值（mean Average Precision, mAP）分别提升了0.17和21.26个百分点;定位试验表明,采用改进YOLOv5模型对蕉穗底部果轴定位误差均值和误差比均值分别为0.063 m和2.992%,与YOLOv5和Faster R-CNN模型相比,定位误差均值和误差比均值分别降低了0.022 m和1.173%,0.105 m和5.054%。试验实时可视化结果表明,改进模型能对果园环境下蕉穗进行快速识别和定位,保证作业质量,为后续水果采摘机器人的研究奠定了基础。     

复杂环境下香蕉多目标特征快速识别研究

【目的】针对野外环境下断蕾机器人对多特征的变量目标快速识别难题,以及目标受到树叶、遮挡及光照影响精度的问题,提出多特征目标的快速识别方法。【方法】提出对香蕉果实、果轴和花蕾这3个目标进行多尺度特征提取及模型分类,融合聚类算法设计新的目标候选框参数,提出改进YOLOv3模型及网络结构参数的YOLO-Banana模型;为了平衡速度和准确度,用YOLO-Banana和Faster R-CNN分别对变化尺寸的香蕉多目标进行试验,研究算法对识别精度与速度的影响。【结果】YOLO-Banana和Faster R-CNN这2种算法识别香蕉、花蕾和果轴的总平均精度分别为91.03%和95.16%,平均每张图像识别所需时间分别为0.237和0.434 s。2种算法精度均高于90%,YOLO-Banana的速度相对快1.83倍,更符合实时作业的需求。【结论】野外蕉园环境下,采用YOLO-Banana模型进行香蕉多目标识别,可满足断蕾机器人视觉识别的速度及精度要求。     

基于惯性主轴的水果姿态检测

介绍了一种基于惯性主轴的水果分级目标姿态检测方法.采用计算惯性主轴的方法求取水果的果轴信息,在测试台上通过增加一个反光镜面的方法获取同一水果两个视角的图像,分别求出各图像的惯性主轴,据此获取空间水果目标的姿态.结果表明,正投影果轴倾角实测值与计算值的平均误差为4.4°,果轴检测正确率为86％,果轴与测试台夹角实测值与计算值的平均误差为5.9°,该方法可有效检测分级生产中水果的姿态.