基于循环残差注意力的群养生猪实例分割

目的 在群养环境下,实现生猪粘连、杂物遮挡等不同条件下生猪个体的高精度分割。方法 对真实养殖场景下的8栏日龄20~105 d共45头群养生猪进行研究,以移动相机拍摄图像为数据源,并执行改变亮度、加入高斯噪声等数据增强操作获取标注图片3 834张。探究基于2个骨干网络ResNet50、ResNet101与2个任务网络Mask R-CNN、Cascade mask R-CNN交叉结合的多种模型,并将循环残差注意力(RRA)思想引入2个任务网络模型中,在不显著增加计算量的前提下提升模型特征提取能力、提高分割精度。结果 选用Mask R-CNN-ResNet50比Cascade mask R-CNN-ResNet50在AP_0.5、AP_0.75、AP_0.5-0.95和AP_{0.5-0.95-large}指标上分别提升4.3%、3.5%、2.2%和2.2%;加入不同数量的RRA模块以探究其对各个任务模型预测性能影响,试验表明加入2个RRA模块后对各个任务模型的提升效果最为明显。结论 加入2个RRA模块的Mask R-CNN-ResNet50模型可以更精确、有效地对不同场景群养生猪进行分割,为后续生猪身份识别与行为分析提供模型支撑。     

基于改进区域卷积神经网络的田间玉米叶部病害识别

目的 引入区域卷积神经网络Faster R-CNN算法并对其改进,以实现在田间真实环境下背景复杂且具有相似病斑特征的玉米病害的智能诊断。方法 在玉米田间和公开数据集网站获取具有复杂背景的9种常见病害图像1 150幅,人工标注后对原始图像进行离线数据增强扩充;对Faster R-CNN算法进行适应性改进,在卷积层加入批标准化处理层,引入中心代价函数构建混合代价函数,提高相似病斑的识别精度;采用随机梯度下降算法优化训练模型,分别选取4种预训练的卷积结构作为Faster R-CNN的特征提取网络进行训练,并测试得到最优特征提取网络,利用训练好的模型选取不同天气条件下的测试集进行对比,并将改进Faster R-CNN与未改进的Faster R-CNN和SSD算法进行对比试验。结果 在改进Faster R-CNN病害识别框架中,以VGG16卷积层结构作为特征提取网络具有更出色的性能,利用测试集图像检验模型,识别结果的平均精度为 0.971 8,平均召回率为0.971 9,F1为0.971 8,总体平均准确率可达97.23%;晴天的图像识别效果优于阴天的。改进Faster R-CNN算法与未改进的Faster R-CNN算法相比,平均精度高0.088 6,单张图像检测耗时减少0.139 s;与SSD算法相比,平均精度高0.0425,单张图像检测耗时减少0.018 s,表明在大田环境中具有复杂背景的玉米病害智能检测领域,改进Faster R-CNN算法综合性能优于未改进的Faster R-CNN算法和SSD算法。结论 将改进后的Faster R-CNN算法引入田间复杂条件下的玉米病害智能诊断是可行的,具有较高的准确率和较快的检测速度,能够避免传统人工识别的主观性,该方法为田间玉米病害的及时精准防控提供了依据。     

基于深度学习的香蕉病害远程诊断系统

目的 实现香蕉病害的远程诊断。方法 基于深度学习方法对香蕉作物的7种常见病害进行诊断。收集了5944幅健康及染病香蕉植株图像,按7：1：2分为训练集、验证集和测试集。利用迁移学习对GoogLeNet深度卷积神经网络训练获取诊断模型。进一步开发了包含手机移动应用程序(APP)和远程服务器的软件系统。结果 通过对比不同迭代次数及不同优化器,最终采用了MomentumOptimizer迭代10000次的模型,平均测试精度达到了98%。设计的APP能够就地获取香蕉图像,并通过网络与集成了诊断模型的远程服务器通信,实时获取诊断结果。结论 该病害诊断模型识别主要病害的精度高,在线诊断系统简单易操作,可快速有效地在线诊断香蕉常见病害,具有良好的应用前景。     

基于Mask R-CNN的玉米苗与株芯检测方法

【目的】研究基于改进Mask R-CNN的玉米苗冠层分割算法,满足精准作业中对靶施肥的识别要求,提高化肥的使用效率,减少环境污染。【方法】采集田间玉米苗图片并增强数据,生成田间数据集;使用ResNeXt50/101-FPN作为特征提取网络对分割算法进行训练,并与原始ResNet50/101-FPN的训练精度结果作对比;采用不同光照强度及有伴生杂草的玉米苗图片对比验证冠层识别算法效果。【结果】在不同光照强度下,无伴生杂草的目标平均识别精度高于95.5%,分割精度达98.1%;在有伴生杂草与玉米苗有交叉重合情况下,目标平均识别精度高于94.7%,分割精度达97.9%。检测一帧图像的平均时间为0.11 s。【结论】Mask R-CNN的玉米苗及株芯检测算法有更高的准确率和分割精度,更能适应不同光照强度及有伴生杂草的苗草交叉重合情况的目标检测。     

基于图像处理和深度迁移学习的芒果果实病状识别

目的 基于计算机层析成像(Computed tomography, CT)设备所得芒果CT序列图像,实现芒果内部品质的无损检测和病状识别分类。方法 利用分段函数法、中值滤波结合双边滤波,实现芒果图像增强;采用局部自适应阈值法,实现二值化处理;采用种子填充法进行区域填充;最后通过差影法准确提取芒果果实内部组织的坏损区域。基于深度迁移学习模型,对未处理和已处理的芒果图像数据开展训练和测试,通过AlexNet和GoogLeNet深度学习网络开展迁移学习,调整超参数完成训练过程的网络微调,在不同模型中对比未处理和已处理的芒果测试集在模型上的分类结果。结果 基于未处理数据集,GoogLeNet模型在学习率为0.0002下训练,Accuracy和Macro-average指标分别为98.79%和98.41%。基于已处理数据集,GoogLeNet模型在学习率为0.0002下训练,Accuracy和Macro-average指标分别为100%和100%。深度迁移学习模型在已处理数据集下的模型分类指标较未处理的数据集下有较大的提升。基于同一数据集且超参数一致时,GoogLeNet网络的分类效果明显优于AlexNet网络。结论 设定学习率为0.0002、迭代轮数为3、最小批值为64,基于GoogLeNet网络开展深度迁移学习训练,将所得模型作为最终的分类模型。     

基于星基增强精密单点定位的农机自动导航系统开发与测试

目的 开发基于星基增强精密单点定位的农机自动导航系统。方法 以国产雷沃TX1204拖拉机为平台,采用国产星基增强定位板卡的输出数据作为农机位置反馈量,设计位速卡尔曼滤波器对定位数据进行滤波处理,开发预瞄跟随PID路径跟踪控制算法进行导航控制,整定不同行驶速度条件下的模型控制参数,采用地基增强RTK高精度定位接收机输出数据作为参考量,搭建农机自动导航测试系统并开展系统性能测试。结果 在直线跟踪误差方面,所开发的农机自动导航系统平均误差为?0.0009436 m,标准差为0.02452 m,最大误差绝对值为0.08472 m;在邻接行误差方面,平均误差为0.0007128 m,标准差为0.02986 m,最大误差绝对值为0.15444 m。这一精度可满足大部分农机自动导航作业需求。结论 将国产星基增强精密单点定位技术用于农机自动导航是可行的;本文设计的预瞄跟随PID路径跟踪控制模型和提出的不同速度条件下PID参数与前视距离的整定方法,提高了系统对不同速度的自适应能力。     

基于低空遥感的果树冠层信息提取方法研究

【目的】 果树冠层信息是反映果树生长状况的重要参数,准确提取果树的冠层信息对于果园的精细管理十分必要。【方法】 文章以苹果树和桃树为研究对象,利用无人机遥感获取果园影像数据,首先通过Mask R-CNN实例分割算法对果园果树冠层进行逐一分割,同时提取果树冠幅和冠层面积信息。然后利用果园正射影像结合QGIS软件,对果树冠层位置信息进行提取和可视化并通过目视解译对果树冠层参数信息提取结果进行评估。【结果】 当交并比为0.5时,模型检测分割结果最优,测试集语义分割精确度为66.3%,目标检测精确度达到63.9%。总体冠层面积实测值与模型预测面积之间的平均相对误差为12.44%,均方根误差为0.5 m²。冠幅实测值与模型预测的面积之间的平均相对误差为16.39%,均方根误差为0.39 m,在一定范围内验证了模型对冠层面积和冠幅信息提取的可靠性。【结论】 结合无人机遥感数据和Mask R-CNN实例分割算法可有效地将果树冠层分割出来,并且能够较为准确地提取果树冠层的相关参数信息,可为果园的精细管理提供一定的技术支撑。     

基于实例分割的柚子姿态识别与定位研究

采用Mask R-CNN和YOLOv3算法对复杂背景场景下的柚子进行目标识别和分割,通过微调方法训练了2个实例分割模型,并应用于柚子相关目标的识别和分割.结果表明,YOLOv3模型的帧速率为18～20 FPS,Mask R-CNN模型的帧速率为0.5～2 FPS,YOLOv3模型的目标检出率比Mask R-CNN模型少...     

基于双卷积链Fast R-CNN的番茄关键器官识别方法

为提高番茄器官目标识别的准确率,提出一种基于RGB和灰度图像输入的双卷积链Fast R-CNN番茄器官识别网络。该方法通过番茄器官图像数据集训练基于VGGNet基本结构的特征提取网络,并用其参数初始化Fast R-CNN,通过再训练,用以识别植株图像中的番茄花、果、茎器官。首先分析了网络深度和宽度、图像输入类型、激活单元对特征提取及网络分类性能的影响。详细阐述了基于Fast R-CNN的番茄器官识别网络的设计及训练方法,基于试验观察,提出了基于双卷积链的Fast R-CNN,融合自动提取的RGB和灰度图像特征,由全连接层对Selective Search算法生成的候选区域进行分类识别。结果表明:针对番茄器官图像数据集,5个卷积层的网络即可具有较高的特征提取和分类性能,增加或降低卷积层数都会使网络性能下降;与ReLU激活单元相比,PReLU和ELU能够显著提高番茄特征提取网络的性能,而提高效果和具体的网络结构有关;基于Fast R-CNN的识别方法能够对番茄的花、果、茎器官进行识别,且能够识别不同成熟度的果和不同形态的花;单卷积链Fast R-CNN网络对花、果、茎的识别平均精度(AP)最高分别为64.79%、66.76%和42.58%,双卷积链Fast R-CNN识别网络对三种器官的识别AP最高分别为70.33%、63.99%和44.95%,相较于单链网络,双卷积链Fast R-CNN的mAP提高2.56%,说明该方法对提高番茄器官识别性能是有效的。     

基于YOLOv5改进模型的杂交稻芽种快速分级检测

目的 提高杂交稻种子活力分级检测精度和速度。方法 提出了一种基于YOLOv5改进模型(YOLOv5-I)的杂交稻芽种快速分级检测方法,该方法引入SE (Squeeze-and-excitation)注意力机制模块以提高目标通道的特征提取能力,并采用CIoU损失函数策略以提高模型的收敛速度。结果 YOLOv5-I算法能有效实现杂交稻芽种快速分级检测,检测精度和准确率高,检测速度快。在测试集上,YOLOv5-I算法目标检测的平均精度为97.52%,平均检测时间为3.745 ms,模型占用内存空间小,仅为13.7 MB;YOLOv5-I算法的检测精度和速度均优于YOLOv5s、Faster-RCNN、YOLOv4和SSD模型。结论 YOLOv5-I算法优于现有的算法,提升了检测精度和速度,能够满足杂交稻芽种分级检测的实用要求。     

RS-Net: robust segmentation of green overlapped apples

Fruit detection and segmentation will be essential for future agronomic management, with applications in yield estimation, growth monitoring, intelligent picking, disease detection and etc. In order to more accurately and efficiently realize the recognition and segmentation of apples in natural orchards, a robust segmentation net framework specially developed for fruit production is proposed. This model was improved for the more challenging problem which segments the overlapped apples from the monochromatic background regardless of various corruptions. The method extends Mask R-CNN by embedding an attention mechanism for focusing more on the informative pixels but also suppressing the noise caused by adverse factors (occlusions, overlaps, etc.), which could be more suitable and robust for operating in complex natural environment. Specifically, the Gaussian non-local attention mechanism is transplanted into Mask R-CNN for refining the semantic features generated continuously by residual network and feature pyramid network, then the model forward processing based on the balanced feature levels and finally segments the regions where the apples are located. Experimental results verify the hypothesis of current work and show that the proposed method outperforms other start-of-the-art detection and segmentation models, the AP box and AP mask metric values have reached 85.6% and 86.2% in a reasonable run time, respectively, which can meet the precision and robustness of vision system in agronomic management.

     

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。     

基于改进Mask R–CNN的多片烟叶部位的同步识别

为解决烟叶智能分级识别中需对多片散放烟叶同步进行部位识别的问题,提出一种基于改进Mask R–CNN的多片烟叶的部位同步识别方法：在Mask R–CNN区域建议网络中引入K–means聚类算法,对已标注目标检测框进行聚类,实现对预设的5种尺度的锚点尺寸和3种比例的锚点长宽比的优化,使其更加符合烟叶图像数据的分布特性,达到提高生成建议框的精确性、缩短识别时间的目的。基于采集的烟叶图像数据集,验证改进Mask R–CNN方法的有效性。结果表明,当IoU为0.5时,改进MaskR–CNN单样本耗时313ms,比MaskR–CNN的326ms快,在测试集上的均值平均精度(mAP)提高了3.56%。与FasterR–CNN和SSD目标检测算法相比,在准确率和召回率上也表现出优势。     

复杂背景下多种树形果树树冠的检测与识别方法研究

针对多种树形果园环境下,由于树冠背景复杂导致的树冠分割、检测及树形识别困难的问题,本研究提出了1种改进Mask R-CNN的B-Mask R-CNN检测模型,实现自然复杂环境下的果树树冠检测与树形识别。该模型引入了IoU(Intersection over Union)平衡采样,提高了模型的训练效果;其次,在边界框损失中引入平衡L1损失,使得多分类损失与边界框损失更快地收敛;另外,在区域推荐网络中调整锚框比例适应数据集中的目标,提升了模型准确率。该研究搜集矮化密植形、小冠疏层形、自然开心形、自然圆头形以及Y形5种常见修剪树形制作数据集,应用5个检测模型进行对比试验。试验结果表明,B-Mask R-CNN检测模型平均检测精度达到98.7%,与Mask R-CNN、Faster R-CNN、U-Net以及K-means模型相比检测精度更高,对复杂背景下的树形识别具有更好的鲁棒性,能够为后续精准喷施中喷施模式和控制参数的分析及应用奠定基础。     

基于小波变换与Otsu阈值去噪的脐橙识别方法

【目的】解决在农业环境中识别脐橙的目标区域存在的噪声干扰、检测效果不理想等问题。【方法】提出一种基于小波变换与Otsu阈值去噪的脐橙识别方法。首先选择较好的对比度,建立有利于图像分割的YCbCr颜色模型;然后设计一种基于Otsu阈值去噪的脐橙检测算法,进而减少脐橙分割区域的噪声干扰;最后提出质心补圆法确定脐橙在图像中的位置,并在原始图像中显示检测结果。【结果】泛青色和橙色脐橙识别率分别为87.10%和94.18%,顺光和逆光情况下脐橙识别率分别为92.96%和90.15%,遮挡和未遮挡情况下脐橙识别率分别为90.82%和93.18%,总识别率为92.07%。【结论】该方法环境适应性强,适用于农业环境下不同遮挡、光照和表皮颜色情况的脐橙图像识别处理。     

基于语义分割的芒果表皮缺陷识别

【目的】运用语义分割技术自动识别芒果及其表皮缺陷,实现芒果的质量评估及分选,为芒果质量快速无损检测提供参考。【方法】采集自然环境下的多场景芒果表皮缺陷图像用于模型的训练与测试,将联合上采样金字塔(Joint pyramid upsampling,JPU)结构替换DeepLabV3+中空洞空间卷积池化金字塔(Atrous spatial pyramid pooling,ASPP),将Atrous-ResNet模型替换DeepLabV3+中Xception模型,采用类别像素准确率(Class pixel accuracy,CPA)、平均像素准确率(Mean pixel accuracy,MPA)、平均交并比(Mean intersection over union,MIoU)作为模型的精度评价指标。【结果】采用JPU模块替换ASPP模块,在ResNet网络中运用扩张卷积有利于增大模型的感受野,总体上预测的边界更加平滑,且对细小缺陷的识别更精确;与SegNet、LinkNet算法的对比验证表明,Atrous-ResNet模型具备更高的精度,CPA小幅提升,MPA提升3.79个百分点,MIoU...