基于IM-SSD+ACO算法的整株大豆表型信息提取

为了减少检测整株大豆豆荚及茎秆时相互遮挡对精度造成的影响,提出了一种基于卷积神经网络的大豆豆荚及茎秆表型信息检测方法,根据大豆植株的生长特征和卷积网络的特点,对单次多框检测器(Single shot multibox detector, SSD）进行了改进。与传统SSD相比,改进SSD（IM-SSD）具有更好的抗干扰能力和自学习能力。首先,通过大豆植株图像采集平台获取收获期的大豆植株图像,建立大豆植株RGB空间图像数据集,将数据集分为训练集、测试集和验证集,对训练集进行颜色变换、图像平移、旋转和缩放等方式实现数据的扩增,提高网络的泛化能力。其次,提出一种针对大豆植株图像中豆荚和茎秆的标注方法,仅对未被遮挡的部分进行标注,目的是降低遮挡产生的误判。IM-SSD是在传统SSD结构的基础上增加2个残差层,使用低层特征图融合到高层特征图来增强对小目标的检测能力,提高网络的识别率,输入图像尺寸为600像素×300像素,降低压缩变形带来的影响。对比试验结果表明,IM-SSD的平均精度比SSD300高7.79个百分点,比SSD512高3.83个百分点。由于卷积神经网络获得的大豆植株茎秆定位是分段的,不能体现茎秆的真实特征,提出了一种基于蚁群优化（Ant colony optimization, ACO）算法的大豆植株茎秆提取方法,利用ACO结合IM-SSD的结果提取完整的大豆植株茎秆。最后,通过豆荚定位和大豆植株茎秆提取获得了大豆植株的部分表型信息,包括全株荚数、株高、有效分枝数、主茎与株型。     

基于视觉伺服的温室番茄植株主茎跟踪与测量方法

根据温室番茄智能管理作业视觉信息获取需求,研究了番茄植株主茎动态跟踪与立体测量方法,以提高对叶、果和花等目标的搜索效率。结合工厂化番茄种植特征,采用二自由度双目云台摄像机采集植株主茎图像;在对摄像机与旋转云台之间坐标关系进行标定的基础上,提出针对番茄植株主茎图像跟踪采集的云台伺服控制方法,对作业区域内植株进行自下而上多视角图像动态采集;对相邻视场主茎重叠区域的图像匹配方法进行研究,实现了植株离散图像的拼接和形态恢复;基于主茎跟踪参考点的空间坐标信息,研究了作业区域主茎长度、高度和生长倾角等立体形态参数的测量方法;最后,通过现场试验对主茎拼接与测量方法进行验证。结果表明,在距地面高度600~1500mm作业区域内,视觉系统跟踪采集的主茎3个区域图像的平均拼接偏差为3.77°;以人工测量结果为对照,采用视觉系统测量主茎长度、高度和生长倾角的决定系数分别为0.9933、0.8426、0.9793,平均测量偏差分别为46.20mm、18.60mm和4.33°。本研究可为番茄智能化整枝、采摘和授粉等作业视觉信息获取提供技术支撑。     

基于CNN和图像深度特征的雏鸡性别自动鉴别方法

为有效辨别雏鸡性别,提高养鸡效益,针对部分雏鸡的泄殖腔特征不明显、采集雏鸡泄殖腔图像易受光线影响的问题,提出了一种基于卷积神经网络和图像深度特征的雏鸡性别自动鉴别方法。以翻肛法采集的雏鸡泄殖腔图像为研究对象,利用卷积神经网络构建待识别雏鸡泄殖腔的深度特征和雏鸡泄殖腔的深度特征向量集合库;将待识别雏鸡泄殖腔的深度特征与雏鸡泄殖腔的深度特征集合库进行相似度比较,并对比较结果进行排序;将排序结果中排在前n个与待识别雏鸡泄殖腔图像最接近的深度特征,与待识别雏鸡泄殖腔的深度特征进行特征融合,再通过卷积神经网络进行识别。结果表明,本文方法在测试数据集的识别准确率达到了97. 04%,在生产环境下识别准确率达到了96. 82%,相比常规的卷积神经网络方法,本文方法提高了雏鸡性别的识别准确率。     

融合多光谱成像与深度学习的作物植株叶绿素检测系统研究

为了满足田间作物长势快速检测与指导变量管理的需求,以玉米为例设计了基于多光谱成像的田间作物植株叶绿素检测系统,包括可见光(RGB)和近红外(Near-infrared, NIR)图像采集模块、主控处理器模块、模型加速模块、显示及电源模块,用于实现玉米植株智能识别与叶绿素指标一体化检测。首先,采集玉米苗期和拔节期冠层图像数据集,比较了植株冠层实例分割与株心目标检测两种深度学习模型,构建了基于MobileDet+SSDLite(Single shot multibox detector lite)轻量化网络的玉米植株定位检测模型,实现玉米植株识别。其次,提取被识别的植株株心RGB-NIR图像,开展RGB和NIR图像匹配与分割,提取R、G、B和NIR灰度值计算植被指数,使用SPXY算法(Sample set portioning based on joint X-Y distances)和连续投影算法(Successive projections algorithm, SPA)分别对数据集进行样本划分及特征变量筛选,选择高斯过程回归(Gaussian process regression, ...     

基于DeepLabV3+网络的机收大豆破碎率在线检测方法

针对传统大豆联合收获机破碎率在线检测方法以人工检测耗时耗力且受人为主观因素影响的问题,提出基于DeepLabV3+网络的机收大豆破碎率在线检测方法。利用大豆图像在线采集装置获取联合收获机实时收获的大豆图像,使用标注软件对图像进行标注,构建数据集。为进一步提高网络训练速度,在DeepLabV3+网络中主干特征提取网络选用轻量级卷积网络MobileNetV2替代网络Xception;在预测部分,采用加黑边裁剪拼接的方式,提高图像分割精度。试验结果表明：基于DeepLabV3+网络模型对测试集大豆样本图像中破碎籽粒识别的综合评价指标F₁值为89.49%,完整籽粒识别的综合评价指标F₁值为93.93%;建立破碎率量化模型,进行台架试验,采用本文提出大豆破碎率在线检测方法检测结果平均值与人工检测结果平均值相对误差0.36%;为大豆联合收获机作业质量在线检测提供参考。     

复杂背景下苹果树花量模糊聚类准确估测模型

为得到苹果树估产中花朵数量和苹果产量之间的关系,解决花朵数目识别问题,提出复杂背景下苹果树花量模糊聚类准确估测模型。首先,分析自然环境下开花期苹果树图像中目标花朵与复杂背景之间色彩特征,建立最佳果树色彩模型;其次,研究图像中不同区域的不同色彩特征,选取不同分割阈值I/H1.8和H100,将复杂背景区域剔除,提取果树花朵簇轮廓面积特征;最后,建立花量FCM—模糊聚类快速准确估测模型,以花朵簇轮廓面积值作为聚类特征,分析花朵簇面积值样本聚类数目对花量估测的影响,建立最优模糊聚类估测模型。通过在国家苹果工程技术研究中心实验基地苹果园内采集花期苹果树图像,进行试验验证。结果表明,提出的复杂背景下花量FCM—模糊聚类快速准确估测方法具有较高的可靠性和适用性,可实现复杂背景下苹果树花量的快速准确估测,整体准确率可达92%。     

灌溉对不同耐旱型大豆生理特性及产量的影响

田间条件下,在半干旱地区,通过对不同耐旱型大豆品种进行灌溉,探讨品种和灌溉对大豆生理性状及产量的影响。结果表明:灌溉提高了同一品种的LAI、株高、地上部生物产量、叶绿素含量,但却降低了根冠比值。同一处理,各时期地上部生物量表现为:R6R4R2,根冠比值表现为:R2R4R6。灌溉与品种均显著影响大豆产量的形成,且灌溉效应大于品种效应。灌溉提高了同一大豆品种的产量,但辽豆21产量提高的更多。同一灌溉条件下,辽豆14产量优于辽豆21。灌溉提高了大豆植株的株高、主茎节数、节间长度。同一灌溉条件下,辽豆14的株高、主茎节数高于辽豆21,但节间长度却低于辽豆21。     

基于深度学习的大豆生长期叶片缺素症状检测方法

为了检测作物叶片缺素,提出了一种基于神经网络的大豆叶片缺素视觉检测方法。在对大豆缺素叶片进行特征分析后,采用深度学习技术,利用Mask R-CNN模型对固定摄像头采集的叶片图像进行分割,以去除背景特征,并利用VGG16模型进行缺素分类。首先通过摄像头采集水培大豆叶片图像,对大豆叶片图像进行人工标记,建立大豆叶片图像分割任务的训练集和测试集,通过预训练确定模型的初始参数,并使用较低的学习率训练Mask RCNN模型,训练后的模型在测试集上对背景遮挡的大豆单叶片和多叶片分割的马修斯相关系数分别达到了0.847和0.788。通过预训练确定模型的初始参数,使用训练全连接层的方法训练VGG16模型,训练的模型在测试集上的分类准确率为89.42%。通过将特征明显的叶片归类为两类缺氮特征和4类缺磷特征,分析讨论了模型的不足之处。本文算法检测一幅100万像素的图像平均运行时间为0.8 s,且对复杂背景下大豆叶片缺素分类有较好的检测效果,可为农业自动化生产中植株缺素情况估计提供技术支持。     

基于Mask R-CNN的猪只爬跨行为识别

针对目前猪只爬跨行为自动化检测程度较低的问题,提出了一种基于Mask R-CNN的猪只爬跨行为识别算法。首先获取猪只俯视图像,利用Labelme制作数据集标签,引入迁移学习方法训练Res Net-FPN网络,获取猪只分割结果,并提取每个样本中的mask像素面积。提取每个样本中的最小mask像素面积作为爬跨行为识别的经验样本集,确定爬跨行为界定阈值。利用测试集分别测试猪只分割网络模型及爬跨行为识别算法,结果表明,猪只分割网络模型的分割准确率为94%,爬跨行为识别算法准确率为94. 5%。本算法能够自动有效地检测猪只爬跨行为,可为牲畜养殖自动化提供支持。     

基于CycleGAN-IA方法和M-ConvNext网络的苹果叶片病害图像识别

针对苹果叶片病害图像识别存在数据集获取困难、样本不足、识别准确率低等问题,提出基于多尺度特征提取的病害识别网络(Multi-scale feature extraction ConvNext, M-ConvNext)模型。采用一种结合改进的循环一致性生成对抗网络与仿射变换的数据增强方法(Improved CycleGAN and affine transformation, CycleGAN-IA),首先,使用较小感受野的卷积核和残差注意力模块优化CycleGAN网络结构,使用二值交叉熵损失函数代替CycleGAN网络的均方差损失函数,以此生成高质量样本图像,提高样本特征复杂度;然后,对生成图像进行仿射变换,提高数据样本的空间复杂度,该方法解决了数据样本不足的问题,用于辅助后续的病害识别模型。其次,构建M-ConvNext网络,该网络设计G-RFB模块获取并融合各个尺度的特征信息,GELU激活函数增强网络的特征表达能力,提高苹果叶片病害图像识别准确率。最后,实验结果表明,CycleGAN-IA数据增强方法可以对数据集起到良好的扩充作用,在常用网络上验证,增强后的数据集可以有效提高苹果叶片病害图像识别准确率;通过消融实验可得,M-ConvNex识别准确率可达9918%,较原ConvNext网络准确率提高0.41个百分点,较ResNet50、MobileNetV3和EfficientNetV2网络分别提高3.78、7.35、4.07个百分点,为后续农作物病害识别提供了新思路。     

用于作物表型信息边缘计算采集的认知无线传感器网络分簇路由算法

随着无线终端数量的快速增长和多媒体图像等高带宽传输业务需求的增加，农业物联网相关领域可预见地会出现无线频谱资源紧缺问题。针对基于传统物联网的作物表型信息采集系统中存在由于节点密集部署导致数据传输过程容易出现频谱竞争、数据拥堵的现象以及固定电池的网络由于能耗不均衡引起监测周期缩减等诸多问题，本研究建立了一个认知无线传感器网络（CRSN）作物表型信息采集模型，并针对模型提出一种引入边缘计算机制的动态频谱和能耗均衡（DSEB）的事件驱动分簇路由算法。算法包括：（1）动态频谱感知分簇，采用层次聚类算法结合频谱感知获取的可用信道、节点间的距离、剩余能量和邻居节点度为相似度对被监控区域内的节点进行聚类分簇并选取簇头，构建分簇拓扑的过程对各分簇大小的均衡性引入奖励和惩罚因子，提升网络各分簇平均频谱利用率；（2）融入边缘计算的事件触发数据路由，根据构建的分簇拓扑结构，将待检测各区域变化异常表型信息触发事件以簇内汇聚和簇间中继交替迭代方式转发至汇聚节点，簇内汇聚包括直传和簇内中继，簇间中继包括主网关节点和次网关节点-主网关节点两种情况；（3）基于频谱变化和通信服务质量（QoS）的自适应重新分簇：基于主用户行为变化引起的可用信道改变，或分簇效果不佳对通信服务质量产生的干扰，触发CRSN进行自适应重新分簇。此外，本研究还提出了一种新的能耗均衡策略去能量消耗中心化（假设sink为中心），即在网关或簇头节点选取计算式中引入与节点到sink的距离成正比的权重系数。算法仿真结果表明，与采用K-medoid分簇和能量感知的事件驱动分簇(ERP)路由方案相比，在CRSN节点数为定值的前提下，基于DSEB的分簇路由算法在网络生存期与能效等方面均具有一定的改进；在主用户节点数为定值时，所提算法比其它两种算法具有更高频谱利用率。     

能量高效的农田无线传感器网络拓扑关联路由算法

针对农田无线传感器网络节点分布不均、能量约束严格等特点,提出了一种能量高效的簇头选择方法TBCS-EA,在以剩余能量进行簇头选择的基础上根据节点拓扑位置、拓扑密度等进行加权,使距离sink较近的节点与密集区节点大概率成为簇头,提高成簇能量使用效率。针对现有成簇算法频繁进行簇头选举,算法开销大等问题,提出了一种能量逼近式簇头轮换机制,节点连续担任簇头并以某一目标进行能量逼近,在达到逼近目标后进行根据簇内信息指定新簇头,减少簇头选择的次数与协议开销。仿真与实验结果表明,TBCS-EA算法的网络生命周期约为LEACH的2.2倍,CHCS的1.5倍,从节点能量曲线看能耗均衡效果与CHCS相当,明显优于LEACH。结果显示TBCS-EA综合性能较之于现有算法有明显提升。     

基于分簇数据融合的农产品冷链温度监控方法

针对现有基于无线传感网络的农产品冷链物流监测系统,传感器节点数据传输量大,带宽利用率低、能耗高,网络生命周期短的问题,提出了一种基于算术平均值与分批估计的簇内数据融合及自适应加权的簇间数据融合冷链温度监测方法。首先利用疏失误差对采集数据进行预处理,然后利用平均值与分批估计方法对簇成员节点发送的数据进行融合处理,最后簇头节点利用自适应加权算法对接收到的成员节点数据进行进一步的融合处理。实验证明,基于该数据融合方法的冷链监测系统网络生存周期相比传统方法提高了34.2%,稳定周期相比于传统低功耗自适应集簇分层型协议提高了11.4%,数据融合精度高于传统算术平均值法7.6%,系统能耗每轮降低约32.5%。能够有效降低冗余和可信度较差的数据对测量结果带来的影响,减少不必要数据传输损耗,降低了冷链物流成本,提高了农产品冷链物流信息化程度。     

黄淮海地区大豆品种生物及力学特性研究

为研究大豆品种收获时期生物学及力学特性,对黄淮海地区12个大豆品种收获期的植株高度、底荚高度、蓬面直径、豆荚长度、豆荚个数、草谷比、百粒质量、豆粒厚度方向直径、籽粒和茎秆含水率进行测量。结果表明:收获期黄淮海实际种植的主流品种平均植株高度78.3cm,平均低荚高度18.9cm,平均蓬面直径10.0cm,豆荚平均长度4.9cm,豆荚平均个数61个,平均草谷比1.40,平均百粒质量19.9g,籽粒厚度方向平均直径5.7mm,大豆平均含水率12%,茎秆平均含水率28.4%。在含水率为13.0%,加载速度10、30、50mm/min条件下,运用万能材料试验机对不同大豆品种进行植株力学特性试验,分析了植株豆荚脱离和炸荚所需破坏力、破坏能与加载速度的关系。试验结果表明:单个大豆植株豆荚脱离和炸荚所需的破坏力和破坏能比较小,且在不同的加载速度下区别不大;豆荚炸荚时所需破坏力小于豆荚脱离时所需破坏力,在大豆收获过程中,避免炸荚、减少炸荚损失应是重点。     

基于改进YOLO v4和ICNet的番茄串检测模型

针对深层神经网络模型部署到番茄串采摘机器人,存在运行速度慢,对目标识别率低,定位不准确等问题,本文提出并验证了一种高效的番茄串检测模型。模型由目标检测与语义分割两部分组成。目标检测负责提取番茄串所在的矩形区域,利用语义分割算法在感兴趣区域内获取番茄茎位置。在番茄检测模块,设计了一种基于深度卷积结构的主干网络,在实现模型参数稀疏性的同时提高目标的识别精度,采用K-means++聚类算法获得先验框,并改进了DIoU距离计算公式,进而获得更为紧凑的轻量级检测模型(DC-YOLO v4)。在番茄茎语义分割模块（ICNet）中以MobileNetv2为主干网络,减少参数计算量,提高模型运算速度。将采摘模型部署在番茄串采摘机器人上进行验证。采用自制番茄数据集进行测试,结果表明,DC-YOLO v4对番茄及番茄串的平均检测精度为99.31%,比YOLO v4提高2.04个百分点。语义分割模块的mIoU为81.63%,mPA为91.87%,比传统ICNet的mIoU提高2.19个百分点,mPA提高1.47个百分点。对番茄串的准确采摘率为84.8%,完成一次采摘作业耗时约6s。     

基于无线传感技术的稻田信息监测系统

针对稻田信息监测周期长、环境干扰大、采集速度慢、采集方式管理缺乏自动管理等特点,设计了一种基于无线传感技术的稻田信息监测系统。同时,采用Cluster Tree+AODVjr路由算法和分簇算法进行组合,设计了具有异构性能的节点,配置了不同的天线类型,提高数据传输距离和质量。实验数据表明:该系统可以采集稻田的温度、湿度和土壤含水量,运行稳定,数据正确传输率都在90%以上,空气温度、空气湿度和土壤含水量的相对误差分别为0.43%、0.34%和0.73%。     

基于粒子群与模拟退火协同优化的农田物联网混合多跳路由算法

农业无线传感器网络对农田土壤、环境和作物生长的多源异构信息的获取起关键作用。针对传感器在农田中非均匀分布且受到能量制约等问题,本研究提出了一种基于粒子群和模拟退火协同优化的农田物联网混合多跳路由算法（PSMR）。首先,通过节点剩余能量和节点度加权选择簇首,采用成簇结构实现异构网络高效动态组网。然后通过簇首间多跳数据结构解决簇首远距离传输能耗过高问题,利用粒子群与模拟退火协同优化方法提高算法收敛速度,实现sink节点加速采集簇首中的聚合数据。对算法的仿真试验结果表明,PSMR算法与基于能量有效负载均衡的多路径路由策略方法（EMR）相比,无线传感器网络生命周期提升了57%;与贪婪外围无状态路由算法（GPSR-A）相比,在相同的网络生命周期内,第1个死亡传感器节点推迟了两轮,剩余能量标准差减少了0.04 J,具有良好的网络能耗均衡性。本研究提出的PSMR算法通过簇首间多跳降低远端簇首额外能耗,提高了不同距离簇首的能耗均衡性能,为实现大规模农田复杂环境的长时间、高效、稳定地数据采集监测提供了技术基础,可提高农业物联网的资源利用效率。     

面向大规模农田生境监测的无线传感器网络节能优化策略

针对大规模农田生境监测场景中无线传感器网络节点在部分作物生长期内呈现节点空间冗余,以及传感器节点采集到的数据之间通常具有很强的时间关联性的特点,本研究提出一种基于矩阵补全的两步节能优化策略来同时降低传感器网络的数据采集和传输能耗,以实现延长网络寿命的目的。该算法首先通过对节点数据信息量的衡量来寻找出空间上的非冗余节点,剩余的冗余节点关闭其采集功能,只作为中继节点传输数据;其次,利用矩阵补全算法的部分采样原理在采样阶段进一步减少时间上的数据冗余量,达到同时降低采集和传输模块能耗的目的。试验结果表明,所提出的算法可减少网络中83%的工作节点数目,有效降低了网络能耗。