杂草识别中背景分割方法的比较研究

应用杂草识别中常用的灰度化方法(非规范化超绿法,归一化超绿法和色差法)针对棉田杂草识别进行了实验.根据灰度图像直方图特点并考虑实时性,采用适当的求阈值法(包括定阈值法和动态阈值法)进行分割,得到5种背景分割方法.通过分割误差对比、各种因素对分割效果的影响对比以及分割的实时性对比,对这5种背景分割方法进行评估,从而为棉田杂草识别中背景分割方法的选取和改进提供依据.     

杂草信息实时获取技术与设备研究进展

杂草信息的实时获取技术是田间杂草精准控制研究的首要问题,杂草实时获取设备是制约精准除草作业实现的瓶颈.综述了基于光谱、图像和光谱成像技术的杂草实时获取技术与设备的国内外研究现状,以促进精准杂草管理技术在我国的应用和发展.基于光谱的杂草信息获取方法较适用于实时防除作物出苗前的杂草,国外已有WeedSeeker、Weed-IT等杂草传感器.基于图像的杂草信息获取方法较适用于识别行间杂草,国外已有Autopilot、Cam Pilot、Robocrop等视觉导航产品和Robocrop InRow机械除草机防除行内杂草.基于光谱成像的杂草信息获取方法较适用于识别行内杂草,中、澳正联合研发微光子植物判别和杂草控制传感器.需要继续深入研究在复杂的开放式非结构的农田环境中,快速、准确地实时获取农田杂草信息技术.     

基于颜色分量运算与色域压缩的杂草实时检测方法

提出了一种基于RGB分量运算和色域位屏蔽压缩的杂草实时检测方法。对杂草和作物的大量实验显示:颜色分量运算可增强目标的显示特性,而对色域的屏蔽压缩可在保证实时性的同时减弱图像噪声污染,减小干扰引起的纹理分割误差。该方法的处理时间几乎不受目标复杂度影响,可在30ms内有效分割出320×240分辨率图像中有颜色差异的不同杂草或农作物,对颜色分布波动具有较强的鲁棒性。颜色分量运算的线性组合系数可通过有监督的学习自动确定。     

麦田杂草的图像识别技术的研究

主要研究了麦田杂草的图像识别技术,设计了麦田杂草识别系统.该系统包括使用数码相机进行麦田图像数据的采集,实现对图像的预处理;绿色植物与土壤背景的分割包括图像的灰度化与格式转换和图像的二值化;作物与杂草的分割包括作物中心行的识别和作物行的滤除,最后获取杂草图像.在滤除作物行的过程中确定边界阈值时采用通过先计算手工标定的作物行宽度与计算机自动检测的作物行宽度之间的相对误差,然后选定合适的对应最小误差的作物行边界阈值的方法.该系统全程使用MATLAB语言编程,系统最终目的是根据杂草和作物分布的位置特征滤除作物行,识别出杂草.     

基于机器视觉的苗期杂草实时分割算法

对利用植物的位置来识别作物苗期田间杂草的方法进行了研究。根据苗期田间植物的位置特征 ,建立了基于机器视觉的分割苗期田间杂草的算法 DBW。通过比较分析各种算法的分割效果图和所耗费的时间 ,运用超绿色法灰度化原始图像 ,然后应用最大方差自动取阈法二值化图像 ,最后运用种子填充算法分割作物和杂草。研究表明 ,算法 DBW在实时性方面表现出一定的优越性 ,处理一幅 5 4 4× 117像素的图像只需大约 6 0 ms     

基于改进算法的小麦收获机作物密度检测研究

针对谷物联合收获机喂入量实时调整的需求,研究成熟期作物密度与收获机喂入量间的函数关系。首先对图像进行灰度化与中值滤波处理,然后以改进的图像分割算法获得了更为准确的图像分割阈值,从而将作物的谷、叶从背景中分割出来。在此基础上,以数据拟合的方式得到小麦收获机喂入量随图像像素的变化模型,为谷物收获机实时、精准地控制喂入量提供可行的方案。     

基于机器视觉的玉米苗期多条作物行线检测算法

为满足玉米苗期中耕、追肥等田间管理环节的自主导航行走需求,研究了基于机器视觉的多条作物行线实时检测技术.首先,基于绿色分量增强法、分割阈值优化法和形态特征分析法,对图像分别进行灰度化、二值化和去噪等预处理,该预处理结果不受自然光照变化、阴影、降水/积水、播种模式等影响,对细密状杂草干扰或植株冠层交叠条件下作物行间分界间...     

在线自动对靶喷雾控制系统研究

为了提高喷雾装置的自动对靶精度,实现流量控制的实时自动化调节过程,提出了一种基于二值化图像分割和微波测距的自动对靶喷雾控制系统。该系统利用植物叶间灰度的动态阈值来调控电磁阀,实现了实时变流量喷雾过程。为了提高微波测距的精度和图像二值化过程的效率及鲁棒性,使用了神经网络算法对测距误差进行修正,采用了动态阈值方法对图像的二值化进行迭代计算。最后,对实时自动对靶喷雾控制系统进行了测试,由测试结果可以看出:采用神经网络和动态阈值二值化方法可以大大提升控制系统的精度,提高了喷雾的效率和准确性,为现代化农药喷雾技术的研究提供了理论参考。     

基于DeepLabV3+的稻田苗期杂草语义分割方法研究

稻田杂草位置获取是靶向喷施除草剂和机械智能除草的基础,为实现自然光照环境和水田复杂背景下稻田苗期杂草的信息获取。以稻田恶性杂草野慈姑为研究对象,提出一种基于全卷积神经网络的稻田苗期杂草语义分割方法,利用DeepLabV3+对秧苗和杂草进行语义分割进而获取的杂草位置信息。首先人工田间采集稻田苗期杂草野慈姑的RGB图像,通过图像标注工具LabelMe人工标注图像中秧苗、杂草和背景的各个像素点,70%数据集用于DeepLabV3+网络模型参数的训练,30%数据集用于测试DeepLabV3+性能。然后与FCN和U-Net两种语义分割方法进行比较,所提出的DeepLabV3+语义分割方法准确率、均正比、频权交并比和F值等性能指标都最优,试验得出：DeepLabV3+模型像素准确率最高达到92.2%,高于U-Net和FCN方法的准确率92.1%和84.7%。所提出的方法能对稻田苗期杂草、秧苗和背景像素进行准确分割,满足智能除草和除草剂靶向喷施的实际应用需求。     

基于图像处理的田间杂草识别研究进展与展望

杂草是导致农作物减产的一个重要因素,准确的识别是杂草治理的前提和基础,随着计算机和信息技术的进步,机器视觉和图像处理相结合成为了当前杂草检测和识别的主流方法。本文从图像的预处理、分割、特征提取和分类4个角度,详细介绍了当前国内外田间杂草识别的研究进展以及各种分割、提取、识别方法的优缺点。另外,针对目前田间杂草检测中存在的光照环境影响、叶片的遮挡和重叠以及分类器的优化等问题进行了分析和讨论,最后根据目前杂草识别的研究趋势提出了建议与展望。     

基于机器视觉的杂草实时采集与处理算法的研究

随着计算机技术的不断进步,机器视觉技术在包括农业工程的各个领域的应用与研究中得到了广泛的发展,机器视觉在杂草实时采集与识别的技术研究中已成为科学工作者们的主要研究方向。为此,研究了杂草图像的实时采集、处理算法以及软件系统的开发,并利用现有的实验平台作为模拟试验系统。     

基于MSRCR-YOLOv4-tiny的田间玉米杂草检测模型

为实现田间环境下对玉米苗和杂草的高精度实时检测,本文提出一种融合带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration, MSRCR)增强算法的改进YOLOv4-tiny模型。首先,针对田间环境的图像特点采用MSRCR算法进行图像特征增强预处理,提高图像的对比度和细节质量;然后使用Mosaic在线数据增强方式,丰富目标检测背景,提高训练效率和小目标的检测精度;最后对YOLOv4-tiny模型使用K-means++聚类算法进行先验框聚类分析和通道剪枝处理。改进和简化后的模型总参数量降低了45.3%,模型占用内存减少了45.8%,平均精度均值(Mean average precision, mAP)提高了2.5个百分点,在Jetson Nano嵌入式平台上平均检测帧耗时减少了22.4%。本文提出的Prune-YOLOv4-tiny模型与Faster RCNN、YOLOv3-tiny、YOLOv4 3种常用的目标检测模型进行比较,结果表明：Prune-YOLOv4-tiny的mAP为96.6%,分别比Faster RCNN和YOLOv3...     

基于YOLO v5的农田杂草识别轻量化方法研究

针对已有杂草识别模型对复杂农田环境下多种目标杂草的识别率低、模型内存占用量大、参数多、识别速度慢等问题,提出了基于YOLO v5的轻量化杂草识别方法。利用带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration,MSRCR)增强算法对部分图像数据进行预处理,提高边缘细节模糊的图像清晰度,降低图像中的阴影干扰。使用轻量级网络PP-LCNet重置了识别模型中的特征提取网络,减少模型参数量。采用Ghost卷积模块轻量化特征融合网络,进一步降低计算量。为了弥补轻量化造成的模型性能损耗,在特征融合网络末端添加基于标准化的注意力模块(Normalization-based attention module,NAM),增强模型对杂草和玉米幼苗的特征提取能力。此外,通过优化主干网络注意力机制的激活函数来提高模型的非线性拟合能力。在自建数据集上进行实验,实验结果显示,与当前主流目标检测算法YOLO v5s以及成熟的轻量化目标检测算法MobileNet v3-YOLO v5s、ShuffleNet v2-YOLO v5s比较,轻量化后杂草识别模型内存占用量为6.23MB,分别缩小54.5%、12%和18%;平均精度均值(Mean average precision,mAP)为97.8%,分别提高1.3、5.1、4.4个百分点。单幅图像检测时间为118.1ms,达到了轻量化要求。在保持较高模型识别精度的同时大幅降低了模型复杂度,可为采用资源有限的移动端设备进行农田杂草识别提供技术支持。     

GWM: General weed management model

GWM is a decision support system designed for evaluating soil-applied and post-emergence weed management options in row crops. It has a general structure to allow use with different crops. The system consists of a simulation model, databases, and a database management module. The simulation model has a set structure for linking processes of weed population dynamics during a single season, but allows flexibility in how each process is modeled. Databases store model prameters, information about management options, and field-specific simulation inputs. The database management module allows a user to specify entirely the simulation model or modify existing versions without programming. GWM has been parameterized to evaluate weed management as in two existing models (WEEDSIM and WEEDCAM) and for dry bean production. The structure of GWM and associated databases appears to capture essential aspects of weed biology influencing management decisions. GWN can be enhanced as knowledge of weed biology and ecology is refined.     

农产品品质检测系统的高光谱成像控制软件设计

利用VS2010与Matlab混合编程方法设计了用于农产品品质指标检测的高光谱成像在线检测系统的控制分析软件,包括仪器参数设置模块、信号检测与控制模块和数据采集与分析模块,完成了图像采集、图像合成、运动控制、数据提取分析及存储、显示功能。该控制分析软件设计提高了高光谱成像技术应用的实用化,实现了对农产品品质指标的无损、实时、快速检测分析。     

面向设计的产品模块划分方

提出了面向产品设计的模块划分方法.首先对产品子结构间的功能和结构相关性进行了分析,应用模糊树图聚类算法,探讨了模块的聚类形成过程,得到多种模块划分方案.然后,基于信息熵理论,以模块化产品设计中的横系列设计复杂度、纵系列设计复杂度和更新换代设计复杂度为优化目标,建立了面向设计的模块划分方案数学评价模型,对模糊树图法聚类得到的多个方案进行评价,从而得到最合理的模块划分方案.最后,以石材花线制品加工设备为例,验证了该方法的有效性和合理性.     

温室通风设备状态监测系统设计与试验

根据现代温室监控和管理的需求,基于Android系统开发了温室设备的状态监控模块,采用CAN总线测控系统对温室内外环境数据进行实时采集并对温室环境设备进行控制.基于Android开发的系统软件具有远程监控的功能.根据摄像头提供的实时视频数据,对图帧间差分法和自相关函数法应用于温室风机停转状态的监测以及背景差分法和Can...     

基于图像处理的杂草叶片识别参数研究

杂草种类繁多、危害严重,对杂草种类进行精确识别,可以提高除草效率,减少除草剂使用量,降低其对环境的污染.为此,应用图像处理的有关技术,以杂草叶片为研究对象,以形态、纹理和颜色特征相结合的方法来描述杂草叶片信息,提出了共16个特征参数可对杂草叶片信息进行精确描述,该特征参数可区别不同种类的杂草,为农药的精确投放和现代施药装备的开发奠定基础.