基于改进YOLOv7-tiny的茶叶嫩芽分级识别方法

实现自然生长环境的茶叶嫩芽分级识别是名优茶智能化采摘的基础,针对光照、遮挡、密集等复杂环境造成的茶叶嫩芽识别精度较低、鲁棒性较差等问题,提出了一种基于YOLOv7-tiny的改进模型。首先在YOLOv7-tiny模型的小目标检测层添加卷积注意力模块,提高模型对小目标特征的关注能力,减少复杂环境对茶叶嫩芽识别的干扰;调整空间金字塔池化结构,降低模型运算成本,提高检测速度;使用交并比（Intersection over Union,IoU）和归一化Wasserstein距离（Normalized gaussian wasserstein distance,NWD）结合的损失函数,改善IoU机制对位置偏差敏感的问题,进一步提高模型对小目标检测的鲁棒性。结果表明,该模型的检测准确率为91.15%,召回率为88.54%,均值平均精度为92.66%,模型大小为12.4 MB,与原始模型相比,准确率、召回率、均值平均精度分别提高2.83、2.00、1.47个百分点,模型大小增加0.1 MB。与不同模型的对比试验表明,该模型在多个场景下的嫩芽分级检测中漏检和误检较少,置信度分数较高。改进后的模型可应用...     

基于卷积神经网络的田间麦穗检测方法研究

为提高卷积神经网络对麦穗的识别检测精度,在YOLOv5检测模型基础上提出改进的识别检测模型YOLOv5-αTB,在特征提取网络末端部分加入Transformer模块,强化特征提取网络对小麦麦穗图像的颜色、纹理、几何等特征的提取,在特征融合部分将路径聚合网络（path aggregation network,PANet）替换成加权双向特征金字塔（bidirectional feature pyramid network,BiFPN）,进一步优化多尺度特征的融合。针对边界框回归损失函数的计算方式IoU的局限性,引入了α-CIoU加强了边界框回归的效果。利用YOLOv5-αTB检测模型在测试集上得到的精确度（precision）、召回率（recall）和平均精度(average precision,AP)分别是99.95%、81.86%和88.64%,在平均精度上相比于传统的YOLOv5模型提升2.92个百分点。该模型检测统计麦穗数量对比人工计数结果,识别检测精度约为97.00%。     

基于图像颜色信息的茶叶嫩叶识别方法研究

采集清明时期茶叶图像,获取茶叶的图像信息。论文首先分析了嫩芽与老叶的G和G-B分量的颜色信息,该颜色信息差异能够有效区分嫩芽和背景;然后根据分析结果设定初始阈值,利用改进的最大方差自动取阈法计算G和G-B分量的分割阈值;最后提出了茶叶嫩芽的识别算法。实验结果表明该算法能有效消除光线的影响,快速识别嫩芽;相机与茶树间的距离为10 cm左右时,识别准确率为92%。本研究的方法和结果可为茶叶智能采摘机器的研发提供技术支持。     

基于改进YOLOv5的茶芽检测

茶芽检测识别是实现茶芽采摘自动化和智能化的基础。针对复杂背景中传统茶芽检测方法准确率低、稳定性差等问题,提出一种基于深度学习的茶芽检测方法。以YOLOv5(You Only Look Once)算法为框架,通过引入坐标注意力机制和使用RepVGG重构卷积块的方式改进算法,提升茶芽检测性能。结果表明,使用改进后的模型的茶芽检测准确率为86.48%,精确率为85.1%,召回率为78.41%,参数量为5500541,模型大小为11.3MB。相比于改进前的算法,该方法不仅具有更高的检测精度,还有效降低了模型的大小,可以很好地应用于复杂背景茶芽检测中,并为嵌入式设备研究提供支持和参考。     

基于机器视觉的茶叶品种识别研究

在人们的日常生活中,茶叶扮演着不可或缺的角色,在出口商品中,茶叶也是一种不可或缺的存在。随着社会经济的发展,人们越来越重视茶叶的健康性以及功能性等特点,从而促进了我国茶叶产业的不断发展壮大,尤其是茶叶产业的深加工产品更是成为市场上炙手可热的话题。名优茶因其精湛的工艺和卓越的品质而备受推崇,深受人们的青睐。因此,名优茶采摘技术的发展一直备受关注。然而,尽管名优茶的采摘仍处于手工采摘的阶段,但由于低效率的采摘工作无法扩大生产,因此需要研究一套全自动设备和理论,以解决茶叶嫩芽的识别和定位这一最为关键和困难的问题。因此如何准确地进行茶树芽叶识辨与精确定位,已成为当前亟待解决的难题之一。在考虑综合名优茶采摘的具体环境和近年来目标识别的相关进展的基础上,我们运用机器视觉相关理论,着重研究了芽叶的识别和定位问题。通过一系列图像预处理和颜色空间变换处理,我们成功建立了茶叶嫩芽的外形特征子集;利用mask矩阵的应用特征,实现了对嫩芽和老叶的鉴别,并自动完成了分割过程;基于张正友相机标定方法,运用改进的RANSAC算法进行特征匹配,最终实现了嫩芽的三维坐标提取和精确定位。实验表明,该方法能够准确地将茶叶嫩...     

非线性流形降维方法结合近红外光谱技术快速鉴别不同海拔的茶叶

为提高不同海拔茶叶品质近红外光谱技术鉴别方法的精度,提出采用局部线性嵌入法（LLE）和拉普拉斯特征映射法（LE）非线性流形学习方法对近红外光谱数据进行降维处理,并与基于核函数的非线性（KPCA）及线性（PCA）降维方法比较,建立不同海拔茶叶品质的近红外光谱LSSVM鉴别模型。不同降维方法可视化结果表明,KPCA和PCA方法的数据点离散性较大,400~800 m和800~1 200 m的样本点重叠较多,而非线性流形学习方法能将同一类样本点在三维空间很好地聚集在一起,不同海拔的茶叶能较好地区分开,且聚集效果方面LE方法好于LLE方法。模型性能表明,LE_LSSVM模型性能最佳,预测集总体判别率、Kappa系数分别为100%和1.00;相比于PCA_LSSVM、KPCA_LSSVM和LLE_LSSVM,模型预测集总体判别率分别提高1.7%、1.7%、3.3%;Kappa系数分别提高0.025、0.03、0.05。研究表明,LE等非线性流形学习降维方法在近红外光谱数据降维、简化模型复杂度、提高模型精度方面效果很好,为茶叶品质快速检测方法研究提供了一种新思路。     

基于IRMAnet的全生育期小麦品种识别研究

为了解决小麦种植中品系混乱、劣种降效、假种坑农以及模型参数过多不利于部署到移动端等问题，提出了IRMAnet模型。通过拍摄29种不同小麦的种子期、幼苗期、开花期图片，构建了一个拥有87个类别46 420张照片的小麦多生育时期数据集。基于该数据集，首先将原始ResNet34模型的基本残差块中的第二个卷积块替换为inverted residual block，以降低网络的参数量；其次在网络的Layer1层后加入一层RFB层，增大感受野的同时提高特征提取能力；最后在网络的Layer2、Layer3层后分别加入一层MAPOOL层，以增强泛化能力和准确性。在训练集上进行训练后，IRMAnet的准确率为95.0%，相较于ResNet34提高了1.9个百分点。将在训练集上训练得到的权重加载到验证集上后，除个别品种外，绝大多数品种的精确率、召回率、特异度均达到了90%以上。实验结果表明，IRMAnet能够对多个生育时期的小麦品种进行准确识别，模型性能更加优越，所使用参数量更低。该研究为全生育期小麦品种识别提供了依据，为小麦产业提质增效提供了新的技术选项。     

名优茶采摘机器人收获试验

研制新一代履带式名优茶采摘机器人并以其为试验对象,在田间进行龙井茶采摘试验,对其检测、定位、末端采摘的精度以及各环节耗时进行试验评估。结果表明,所研制的名优茶采摘机器人检测成功率为88.54%,定位成功率为84.07%,末端采摘成功率为87.22%,整机采摘成功率为61.30%,所采茶叶可满足中端龙井茶要求。单芽采摘时间约1.51 s,1 h可采摘2 000多个,基本实现一台机器替代一个工人的采摘效率。     

便携式名优茶采摘机采摘效果初步研究

名优茶“采摘难”已经成为我国主要产茶省茶叶生产中的普遍问题,亟待机械装备及工艺技术的创新性研究。以新型便携式名优茶采摘机为机械化采摘的主要设备,分别就不同采茶机采摘效果,机采叶成品茶品质,机采工效和成本等进行了初步研究。试验结果表明,新型便携式名优茶采摘机可以有效提升机采叶的完整率和优质鲜叶比例,鲜叶整体完整率可以达到70%左右;与手工采摘相比,采用该设备可以有效提高工效,节约成本。     

基于多结构神经网络的大米外观品质评判方法

 应用多结构神经网络建立了大米外观品质评判模型,可实现5类大米的识别。模型采用5个并行工作的多层前向神经网络。每个多层前向神经网络包含两个隐含层,以大米图像的形状特征和颜色特征作为网络输入。网络训练和仿真结果显示模型识别的平均准确率为92.66%,比相同网络复杂度下的多层前向神经网络模型提高5.04个百分点,并且网络学习速率快。     

茶叶嫩梢采摘末端执行器的设计研究

为了解决茶叶嫩梢的选择性采摘问题,以茶叶嫩梢的物理学特性为设计依据,设计了一种可夹提式采摘茶叶嫩梢的末端执行器,运用MATLAB软件的GUI模块及SolidWorks软件对采摘末端执行器的结构参数进行优选分析,并获得最佳组合参数,通过运动学仿真分析可行且满足夹持力要求;采摘末端执行器模型在茶园进行采摘试验,结果表明,一...     

分布控制的乘坐式仿形采茶原型机研制与试验

为提高茶鲜叶采摘机械的自动化水平以及采摘完整率,降低采茶机系统开发成本,缩短开发周期,本研究提出了机采茶蓬面割刀自动仿形方法和分布式快速控制原型机低成本开发方法,研制了仿形采茶样机,并开展室内和田间试验.仿形采茶机采用超声波传感器,感知往复式割刀与茶树蓬面间的距离信息,通过丝杆实现仿形传动;利用Hampel滤波和低通滤...     

基于图像处理技术和神经网络实现机采茶分级

为解决名优绿茶采摘环节的瓶颈问题,提出对机采大宗绿茶进行分级的思路。现有绿茶机采设备采摘的鲜叶一般只能制作普通的大宗绿茶,鲜叶存在混杂、破碎率高和老梗叶等问题,本文基于Labview vision、图像处理技术和神经网络算法分析机采绿茶成品的凸包面积、凸包周长、长轴长度、短轴长度等形态特征并对样本进行分类,实现从机采大宗绿茶中分选出名优绿茶。其中样本的形态特征采用工业CCD摄像头获取;用户界面用Labview自定义开发设计,数据交互方便,开发周期短。茶叶样本试验结果表明:该方案机采绿茶成品的分级正确率可以稳定在90%以上。本研究为进一步研究机采茶分级设备提供了良好的理论基础。     

适宜机械采摘的茶树品种筛选

为筛选适宜机采的茶树品种,2012～2014年对14个茶树品种机械采摘和手工采摘芽梢中标准芽叶比重和破碎芽叶比重进行调查。结果表明：丹桂、黄观音、白芽奇兰、茗科1号（金观音）、悦茗香、黄棪、福建水仙、金牡丹等8个品种机械采摘与手工采摘的完整芽叶比重（符合乌龙茶采摘标准）和新梢破碎芽叶比重接近。而肉桂、毛蟹、本山、梅占、铁观音、黄玫瑰等6个品种机械采摘的完整芽叶比重比手工采摘低,新梢破碎芽叶比重均比手工采摘高;初步得出丹桂、黄观音、白芽奇兰、金观音、悦茗香、黄棪、福建水仙、金牡丹等8个品种机采效果较好,且这些品种生长速度较快,产量较高,较适宜机械采摘。     

红绿兼制型早生优质茶树新品种——中茶603

中茶603是从四川中小叶种群体后代中经单株选拔—扦插扩繁—品比试验系统选育而成的红绿兼制型茶树新品种.试验结果表明,中茶603属早生种,产量较高;适制绿茶、红茶,春季制烘青绿茶,外形肥嫩披毫嫩绿鲜润,汤色嫩绿明亮,香气清高鲜爽有花香,滋味醇和甘鲜,叶底嫩、匀齐、多芽、嫩绿明亮.夏秋季制工夫红茶,外形较紧结、显金毫、乌褐...     

机采与手采鲜叶加工平水日铸茶工艺、品质及成本比较研究

在相同生产时间,对机采与手采鲜叶按连续化颗粒型加工工艺技术生产平水日铸茶,对生产的茶叶品质进行感官审评、成本进行比较分析,比较两种采摘模式下的加工方法、茶叶品质和经济效益。结果表明,机采鲜叶在嫩度与匀整度上明显低于手采鲜叶;可采用相同的初加工工艺与技术参数进行加工;机采毛茶品质由于含梗量与嫩度的原因在外形与叶底上感官审评得分略低于手采毛茶,但在香气与滋味上接近、有的甚至还稍优于手采毛茶,综合品质两者接近;精加工后两者品质更趋一致。在生产成本与得率上,每公斤机采茶的成本比手采茶低36.22%,得率低25.48%,经济效益高约21.30%。     

结合改进胶囊网络与知识蒸馏的茶青分类方法研究

不同等级茶青的准确分类,对名优茶产业发展至关重要,采用传统感官审评方法进行分选会使结果存在一定的主观性。采集茶青图像建立数据集,结合幽灵注意力瓶颈层与胶囊网络提出一种新型网络模型：GA-CapsNet。通过基于线性衰减比例系数的成长知识蒸馏方法对该模型进行训练,在迁移教师模型参数矩阵的同时,使学生模型随着迭代自适应降低依赖程度。试验结果表明,对比其他同类算法,所提出的方法在小规模数据集上分类性能优异,精确率、召回率及F1-score分别为94.97%、95.51%、95.24%。本研究基于机器视觉与深度学习技术构建了一种GA-CapsNet模型,为解决茶青分类问题提供了一种新思路。     

基于机器视觉的小贯小绿叶蝉智能识别的研究与应用

深度学习已经在农作物害虫实时监测的智能识别过程中广泛应用。以小贯小绿叶蝉（Empoasca onukii）识别模型为基础,研究深度学习在诱虫板上叶蝉识别中的应用,旨在提高小贯小绿叶蝉田间种群调查的准确性。本研究设计了一种茶园小贯小绿叶蝉的识别、计数方法,首先采用黄色诱虫板诱集小贯小绿叶蝉,利用相机对诱虫板进行图像采集并上传至服务器,然后通过服务器部署的目标检测算法,对图像中叶蝉进行识别与计数。通过算法筛选,确定YOLOv3作为识别算法,用改进后的Soft-NMS代替原来的NMS,用K-means聚类方法计算新的先验框的尺寸,提升YOLOv3对目标识别的速度和准确率。通过田间试验对比诱虫板上叶蝉的真实数量,结果显示优化后识别算法的准确率可达到95.35%以上。本研究验证了诱虫板诱集、目标识别算法和物联网技术相结合,能够为小贯小绿叶蝉田间种群的实时监测提供技术支持,可为其他具有颜色偏爱性昆虫的实时监测和茶园害虫综合治理提供参考。     

多环芳烃在茶树鲜叶及绿茶加工过程中残留水平研究

利用气相色谱-串联质谱联用仪监测了茶树鲜叶及其绿茶加工中多环芳烃(PAHs)的残留水平。结果表明,不同地区茶树一芽二叶样品PAHs含量差异明显,产地环境PAHs污染程度对茶鲜叶PAHs含量影响较大。茶芽、嫩叶、老叶PAHs含量分别在40.5~52.8μg·kg~(-1)、50.0~67.4μg·kg~(-1)和91.5~97.6μg·kg~(-1)之间,PAHs含量大小顺序为老叶嫩叶芽。汽车尾气对交通公路旁茶树芽和嫩叶PAHs含量影响较大,且对50 m范围内茶树鲜叶影响更明显。电加热干燥模式下,水分散失和PAHs挥发是影响绿茶加工过程中PAHs含量的两个关键因子。加工环节过后,茶叶PAHs含量由61.0μg·kg~(-1)上升到166.1μg·kg~(-1)。摊放和干燥过程中PAHs大量挥发,造成茶叶干重中PAHs残留量由292.0μg·kg~(-1)降低到171.9μg·kg~(-1)。     

基于EDEM的茶鲜叶分级机的筛分率的研究

为了提高鲜叶分级机的筛分率,以柳叶种机采鲜叶为试验原料,对6CFJ-70型鲜叶分级机的关键技术参数进行了研究,利用Solidworks 2014对鲜叶分级机进行3D建模,基于离散元法建立鲜叶仿真颗粒模型和接触力学模型,设置关键仿真技术参数,运用EDEM 2018软件对鲜叶在锥形滚筒中的运动进行了数值模拟,得到影响筛分率的关键参数为锥形滚筒转速与倾角。为了对上述参数进行优化,以筛分率为目标函数,设计了2因素5水平的二次旋转正交组合试验,运用响应面法得到二次回归模型且通过了相关验证试验。结果表明,影响鲜叶分级效率的主要因素是锥形滚筒转速和锥形滚筒倾角。当锥形滚筒的转速为24 r·min-1,锥形滚筒倾角为6°时,鲜叶的筛分率为81.7%,具有较好的鲜叶分级效果,本文的研究内容可以为鲜叶分级机的设计与优化提供技术参考。