基于改进Yolov5s的水稻叶病检测方法

水稻叶病防治在提高水稻产量中具有重要作用,针对水稻叶病人工检查速度慢、主观性高的问题,提出一种基于改进Yolov5s的水稻叶病目标检测方法。采用K-means聚类算法得到先验框尺寸,增强检测模型对水稻叶病的适应性;将轻量级空间注意力与通道注意力融合,对高层语义特征信息增强,增强模型对病害信息的感知度;并结合特征金字塔网络,融合多尺度感受野获取目标上下文信息,有效地增强模型对目标周围特征的提取,提高目标检测的准确度。试验结果表明：改进后的Yolov5s算法平均检测精度(IOU=0.5)提高4.3%,F1值提高5.3%,帧率FPS为58.7 f/s。有效提升Yolov5s算法对水稻叶病的检测精度,达到实时检测的需求。     

基于GC-Cascade R-CNN的梨叶病斑计数方法

为提高梨叶片病害发生程度诊断的效率和准确性,本文提出基于全局上下文级联R-CNN网络（Global context Cascade R-CNN,GC-Cascade R-CNN）的梨叶病斑计数方法。模型的主干特征提取网络嵌入全局上下文模块（Global context feature model, GC-Model）,建立有效的长距离和通道依赖,增强目标特征信息。引入特征金字塔网络（Feature pyramid network, FPN）融合浅层细节特征和深层丰富语义特征。使用ROI Align替换ROI Pooling进行区域特征聚集,增强目标特征表达。最后利用多层级联网络对目标区域进行边框回归和分类,完成病斑计数任务。在梨叶病斑图像测试中,模型的各类病斑平均精确率均值（Mean average precision, mAP）达89.4%,检测单幅图像平均耗时为0.347 s。结果表明,模型能够有效地从梨叶片病害图像中检测出多类病斑目标,尤其对叶片炭疽病斑检测效果提升显著;不同种类梨叶片病害病斑计数值与真实值回归实验决定系数R²均大于0.92,表明模型病斑计数...     

基于流形学习算法的玉米叶部病斑图像降维与聚类分析

流形学习算法是当今广泛使用的降维算法,但在玉米病害识别方面应用较少。本文通过利用Isomap、LLE和LE三种流形学习算法对玉米病斑图像进行降维对比研究,并运用K-means和K-medoids两种聚类算法对降维后的数据进行聚类分析,其中LLE算法在玉米叶部病斑图像的降维效果更好,能够为病害识别提供保障。     

基于PSA-YOLO网络的苹果叶片病斑检测

为提高YOLOv4目标检测算法对苹果叶片小型病斑的检测性能,提出了一种PSA（金字塔压缩注意力）-YOLO算法。在CSPDarknet53的基础上融合了Focus结构和PSA机制,并采用网络深度减小策略,构建了参数量小、精确度高的PSA-CSPDarknet-1轻量化主干网络。其次在网络颈部,搭建了空间金字塔卷积池化模块,用极小的计算代价增强了对深层特征图的空间信息提取能力,并采用α-CIoU损失函数作为边界框损失函数,提高网络对高IoU阈值下目标的检测精度。根据实验结果,PSA-YOLO网络在苹果叶片病斑识别任务中的AP50达到88.2%。COCO AP@[0.5∶0.05∶0.95]达到49.8%,比YOLOv4提升3.5个百分点。网络对于小型病斑的特征提取能力提升幅度更大,小型病斑检测AP比YOLOv4提升3.9个百分点。在单张NVIDIA GTX TITAN V显卡上的实时检测速度达到69帧/s,相较于YOLOv4网络提升13帧/s。     

基于叶片形态的田间植物检测方法

利用图像处理技术方法,以田间拍摄的水稻图像为研究对象,对田间植物进行检测研究。通过改进归一化绿蓝差值指数IDNBG 与色度模型,经过分类识别、图像阈值分割等步骤,对植物叶片进行提取。利用形态学正反向组合运算实现叶片内部完整性修复;利用边界4连通链码边缘检测实现叶片边缘平滑性修复。通过对可见光条件下田间拍摄的40幅图像进行植物提取实验,植物叶片提取正确率平均可达83.07%,误分率为3.57%。对其中90条边缘线进行边界平滑修复,部分叶片边缘被平滑但使叶片提取正确率降低0.63%。对植物检测主要影响因子进行分析得出,成像条件差异易影响亮度因子;通过形态学膨胀与正反向过滤运算,露珠与病斑得到一定程度的保留,提取叶片内部形状完整;链码运算可使叶片边缘得到平滑,同时也会去除部分正确的叶片,其运算量较大。     

基于改进YOLACT的果树叶墙区域实时检测方法

为了解决果园因农药过量使用导致的环境污染与农药浪费问题,提出了一种基于改进YOLACT的果树叶墙区域(Leaf wall area, LWA)实时检测方法,用于计算深度-彩色双目相机采集视频中的叶墙区域距离及密度,为果园农药智慧喷施作业中农药喷洒剂量与喷洒距离的实时调整提供依据。首先,使用ConvNeXt主干网络改进了YOLACT模型,并引入NAM通道注意力机制对模型进行了优化;其次,提出了基于深度学习的果树叶墙密度检测方法;最后,通过阈值法排除深度图像中的干扰信息,简化了果树叶墙平均距离计算方法的处理流程。实验结果表明,改进YOLACT模型分割的AP_all为91.6%,相较于原始模型上升3.0个百分点,与YOLACT++、Mask R-CNN和QueryInst模型相比分别高2.9、1.2、4.1个百分点;叶墙密度估计算法在叶墙顶部、中部和底部的均方根误差(Root mean square error, RMSE)分别为1.49%、0.82%、2.20%;叶墙区域实时检测方法的处理速度可达29.96 f/s。     

色差边缘检测方法在杂草识别中的研究

田间作物与杂草的识别是实现变量喷洒除草药剂的关键.为此,提出了田间作物和杂草的叶子颜色信息以及HSI颜色模型研究的基础上,提出了一种与HSI空间3分量相互分离的特点相结合的色差边缘检测方法,并将实验结果同传统的Sobel方法进行了比较.结果表明,该方法充分利用了田间作物与杂草的彩色信息,能够快速准确地检测到图像的边缘,边缘连续性好,能很好地与背景分离,而且能够满足实时检测的要求.     

基于图像处理的大米粒形检测技术研究

传统的大米颗粒检测的方法存在一定的局限性,尝试应用计算机图像处理技术来直接获得大米颗粒的信息.首先对获取的大米图像进行增强处理,在此基础上,研究几种不同的边缘检测算子来实现对大米粒形的检测并比较其结果.实验结果表明,Canny算子对大米粒形检测效果良好,该方法用于大米粒形的识别时对大米的判定正确率较高.     

边缘设备上的葡萄园田间场景障碍检测

为在无人驾驶农机上实现快速、准确的葡萄园田间障碍目标检测,将EfficientDet-D0、YOLOV4-TINY、YOLOV3-TINY、YOLO-FASTEST四种轻量级目标检测神经网络在自建的葡萄园田间场景数据集进行训练,将训练模型移植到边缘设备NVIDIA JETSON TX2(以下简称TX2)上,对这4种模型...     

水稻病毒病田间防控方法的研究进展

水稻病毒病防控方法的研究是我国一项重要课题,关系着我国粮食生产,目前没有很好的药剂去防控水稻病毒病,但田间防控方法上取得了一定的进展。     

水稻病毒病田间防控方法的研究进展

水稻病毒病防控方法的研究是我国一项重要课题,关系着我国粮食生产,目前没有很好的药剂去防控水稻病毒病,但田间防控方法上取得了一定的进展。     

基于图像处理的黄瓜叶片含水量无损检测研究

以黄瓜为例,进行基于图象处理技术的叶片含水量无损检测研究.建立含水量图像采集及检测系统,并通过试验确定光源条件及最适背景光下叶片含水量与图像特征参数关系曲线.采用非线性最小二乘拟合方法,建立Log-Modified回归模型.本研究实现了通过黄瓜叶片图像特征判断缺水状态的无损检测目的,为指导温室合理灌溉提供了理论基础.     

基于图像分析的风力发电叶桨故障检测

由于风力发电所处环境比较恶劣,风速在风轮扫掠面上的不均匀,风速的瞬时变化,造成风机叶桨振动、偏移、弯曲等不正常运行的状态,容易造成叶桨损害。该文介绍了通过图像分析的方法来有效的检测风车叶桨状态,以使其在多种恶劣环境下稳定可靠运行,对电网的稳定性、电能的质量等具有重要的意义。     

基于可见光图像的水稻植株含水率检测技术

含水率是重要的作物生长信息,利用水稻植株可见光图像颜色的差异检测水稻植株含水率。在大棚环境下,对盆栽的水稻进行定量有差别的供水,使植株的含水率形成差异。对水稻植株RGB彩色图像进行预处理后,提取了Re、Ge、Be、GR、GB、RB共6项颜色特征量,分析其与水稻含水率心之间的关系,并用SPSS进行曲线拟合。研究表明,6项颜色特征量与Rg的相关性均显著,其中,GR与Rg心的相关性最好。     

基于YOLOX的复杂背景下木薯叶病害检测方法

为解决田间环境下由于叶片间遮盖和堆叠等因素引起的木薯叶病害识别困难的问题,本文提出一种基于改进YOLOX网络的木薯叶病害检测(Cassava leaf disease detection, CDD)模型。首先,对复杂背景下木薯叶病害图像数据集进行数据增强,以减少环境影响造成的识别困难。其次,在YOLOX网络的基础上,使用多尺度特征提取模块加强细粒度特征提取并降低模型计算量,同时嵌入通道注意力机制,提高网络的表征能力。最后,结合质量焦点损失函数作为分类损失函数辅助网络收敛,提高目标分类的准确性。实验结果表明,提出的CDD模型对复杂背景下木薯叶病害进行检测,网络参数量为5.04×10⁶,平均精度均值达93.53%,比基础模型高6.02个百分点,综合检测能力优于多种主流模型。因此,本文提出的CDD模型对田间木薯叶病害具有更快更准确的检测能力,为实现农作物病害检测提供了可借鉴的方法。     

基于图像处理的植物叶特征提取研究现状

通过对植物叶特征的分析,可以确定植物的种类和生长状态,对于植物研究、指导生产等具有重要意义.传统的叶特征提取方法都是通过人的手工操作完成的,效率较低,而当前可以借助于图像处理技术对叶特征进行自动提取.为此,对基于图像处理的叶特征提取研究现状进行了综述,并对其做了展望.     

基于图像处理的打叶参数研究

目前在打叶效果与各打叶主要参数之间没有一个准确的数学模型,打叶过程主要依靠经验对各参数进行调节。针对上述问题,提出了一种基于图像处理的利用线性回归方程在两者之间建立数学模型的方法。对于烟片面积特征值的提取统计问题,以烟片图像二值化后像素值为0的所有像素点个数之和来表示。通过分析,烟叶片型的大小主要与打辊转速相关。成功建立了打叶后烟片片型与各主要参数之间的联系。     

水稻病害图像预处理及其特征提取方法研究

采用计算机数字图像处理技术对水稻病害进行智能识别,并以叶鞘腐败病为例,研究了水稻病害智能识别图像预处理和特征提取的方法。试验中,利用灰度变换和中值滤波法有效去除了噪声,增强了图像;利用不同算子对病害进行边缘检测,准确地提取了病斑的几何特征,实现了病害图像目标分割。这一研究成果为特征参数的提取及最终病害确定打下基础。     

基于GPS技术的水稻土壤养分检测系统设计

传统农业作业模式无法对农作物的土壤环境进行必要的检测,导致农作物生产存在质量不高、产能不足、效率低下等问题。为此,设计了基于GPS技术的土壤养分检测系统,综合分析了GPS技术的工作原理,完成了土壤养分检测系统总体方案、采集模块硬件及各类测量模块的电路设计,最后完成了软件功能和系统检测流程设计。实际应用表明:检测系统能够完成水稻土壤的各类养分数据的检测,并且能联网访问检测数据,可操作性强,可靠性高,具有一定的推广价值。     

基于小波模极大值的水果大小检测方法

提出了一种基于小波模极大值的水果检测方法,对采集到的图像进行滤波处理,利用自适应阈值法进行二值化处理,通过小波模极大值法提取水果的边缘图像,得到水果的边界信息,最终确定水果的横径值。试验中将测试结果与实际的果径值相比较发现,该方法具有较高的准确性,从而可以用以区分水果的等级。