基于物联网的温室智能监控系统设计

根据现代温室监控与管理需求,基于物联网技术框架,设计并实现了一种基于物联网的温室智能监控系统。系统由现场监控子系统、远程监控子系统和数据库3部分组成。采用基于分布式CAN总线的硬件系统实现环境数据的实时采集与设备控制,将分布图法应用于采集系统离异数据的在线检测。为了提高远程监控子系统的响应速度与交互性,采用了基于异步Java Script和XML技术(Ajax)的Web数据交互方式。结合温室环境调控的特点,将基于混杂自动机模型的温室温度系统智能控制算法应用于实际系统,实现了温室环境的自动调控。为保证设备控制的安全性,采用轮询法实现了现场监控子系统和远程监控子系统中设备状态的同步,并将基于Zernike矩的图像识别技术应用于双向型设备的状态检测,实现设备的自动校准。试验表明系统数据传输稳定,环境调控可靠,满足现代温室智能监控的需求。     

基于图像自动标注与改进YOLO v5的番茄病害识别系统

针对作物病害识别系统功能单一，缺乏系统升级机制，人工升级系统成本较大的问题，以番茄病害为例，提出了基于OpenCV的番茄叶片图像自动标注算法和改进YOLO v5的番茄病害识别模型；结合数据集自动划分、模型自动训练与评估、手机APP自动创建与更新理念，设计了一种可以自动升级的番茄病害识别系统；引入专家审查校正机制，提高了系统识别结果的可靠性。实验结果表明，该系统实现了对番茄的健康叶片与9类病害叶片进行识别，可以在实际应用中通过手机APP识别番茄病害的同时自动扩充番茄病害图像数据集，并根据数据扩充量自动启动系统的升级优化流程，由此不断提升该系统的番茄病害识别性能。该系统为番茄生产提供了一个便捷、可靠的番茄病害识别工具。     

基于RF-GSO的温室番茄自适应调光系统设计与试验

为满足温室番茄光环境的自适应调控,设计了基于RF-GSO(随机森林-萤火虫)模型的温室番茄自适应调光系统,实现温室中温度、CO_2浓度、光照强度的实时采集,同时通过无线传感网络将信息传输到温室番茄自适应调光系统软件平台上,该平台可动态显示实时环境参数,并能实现补光灯远程调控。采用RF-GSO算法对温室内番茄理想光照强度进行动态计算,并将其与传感器实测光照强度间的差值作为调控参数,实现温室内番茄光环境的自适应调控。试验结果表明,系统检测的光照强度与温室调光目标值的决定系数R~2为0. 955,均方根误差为2. 168μmol/(m~2·s),系统丢包率为0. 417%,说明基于RF-GSO的温室番茄自适应调光系统运行稳定、可靠。     

基于Swin Transformer与GRU的低温贮藏番茄成熟度识别与时序预测研究

面向绿熟番茄采后持续转熟特征,适时调温是满足不同成熟度番茄适宜贮运温度需求的关键,而果实成熟度自动识别与动态预测则是实现温度适时调控的基础条件。本文基于Swin Transformer与改进GRU提出了一种番茄成熟度识别与时序动态预测模型,首先通过融合番茄两侧图像获取番茄表观全局红色总占比,构建不同成熟番茄图像数据集,并基于迁移学习优化Swin Transformer模型初始权重配置,实现番茄成熟度分类识别;其次,周期性采集不同储藏温度（4、9、14℃）下番茄图像数据,结合番茄初始颜色特征与贮藏环境信息,构建基于Swin Transformer与GRU的番茄成熟度时序预测模型,并融合时间注意力模块优化模型预测精度;最后,对比分析不同模型预测结果,验证本研究所提模型的准确性与优越性。结果表明,番茄成熟度正确识别率为95.783%,相比VGG16、AlexNet、ResNet50模型,模型正确识别率分别提升2.83%、3.35%、12.34%。番茄成熟度时序预测均方误差（MSE）为0.225,相比原始GRU、LSTM、BiGRU模型MSE最高降低29.46%。本研究为兼顾番茄成熟度实现贮藏温度柔性适时调控提供了关键理论基础。     

基于复杂环境的番茄叶部图像病虫害识别

针对复杂环境下番茄叶部图像因其背景复杂导致病害识别较为困难,以温室大棚内采集的番茄叶部图像作为研究对象,对番茄白粉病、早疫病和斑潜蝇三种常见病虫害,提出一种结合颜色纹理特征的基于支持向量机(SVM)的CCL-SVM的复杂环境番茄叶部图像病害识别方法。CCL-SVM方法为实现小样本及复杂背景环境下的快速识别,首先采用滑动窗口将原始番茄叶部病害图像切割成小区域图像,选取不包含背景的小区域图像样本作为试验样本,从而实现样本数量和样本多样性的增加,并降低样本复杂背景的影响。通过对样本数据抽取颜色纹理特征(CCL),采用SVM模型对番茄早疫病、白粉病、斑潜蝇和健康叶片分类识别。试验结果表明,提出的CCL-SVM方法比Gray-SVM对番茄叶片病害种类的识别性能得到大幅提升,识别率从60.63%提升到97.5%;CCL-SVM方法识别精度高于对比的深度学习网络VGG16和Alexnet方法,且每个小区域图像的平均测试时间远低于深度学习网络。本文设计的CCL-SVM方法具有减小复杂背景影响,计算量小及系统要求低的优点,为复杂环境下番茄病害快速识别提供一种新的思路。     

基于Zigbee的温室远程监控系统

设计开发了一套基于Zigbee无线网络的温室远程监控系统,通过无线网络实现了对温室内温湿度、土壤含水量和CO2浓度的监测与调控,以及温室顶模的开模闭膜远程控制。温室远程监控系统由温室数据采集控制器和温室远程监控软件组成。温室数据采集控制器可以实现本地手动、遥控器遥控和控制室远程无线控制一体化集成控制。温室远程监控软件将采集到的数据进行汇总、显示和记录,实现了温室设备的自动控制和远程遥控。整个系统操作简单,经济适用,并且布线方便。     

基于LabVIEW的温室番茄雾培控制系统设计

针对雾培对智能控制的技术需求,以LabVIEW为开发平台,采用功能模块化与虚拟仪器结合的设计思想,以雾培根域环境与温室环境多因子协调控制为核心,研发了基于LabVIEW的温室番茄雾培自动控制系统。系统由远程计算机、控制现场计算机、数据采集卡、传感器和执行机构等部分组成,使用LabVIEW工具包和MySQL实现关联数据库管理,并通过WEB服务器实现远程监控。该系统具有人机界面友好、功能全面、操作简便的特点,可广泛用于温室番茄雾培的自动化管理。     

基于物联网木耳栽培控制系统

针对当前木耳栽培温室控制系统远程监控功能响应慢、稳定性差问题,利用台达DX2100L1网络模块基于DIAView工业物联网平台构建木耳温室远程控制系统,实现温室环境信息远程集中管理。传感网络感知室内环境,PLC作为核心控制器根据木耳最佳环境参数按照逻辑程序发出相应调温、调湿、光照行为指令,HMI现场人机交互,DX2100L1负责现场与远程端信息交互,完成本地设备与远程PC通信,基于台达DIAView开发环境,设计温室远程监控界面,实现温室环境远程监控、信息报警、农艺配方远程下载、木耳生长过程溯源等;经试验,数据实时高效传输,各项功能良好,系统稳定运行,以期为食用菌环境调控系统网络化、智能化提供理论支撑与技术支持。     

基于物联网的远程温室视觉监控系统设计与实现

在当前智慧农业的大环境下,农作物生长过程的识别与监控问题一直是一项具有挑战性的任务,基于此提出一种基于物联网的远程温室视觉监控系统,系统通过LoRa无线通信技术监测温室内的温湿度、光照强度等环境参数,能够及时监测到农作物的生长状况,并实现自动通风、自动补光等功能。在PC端的Qt上位机实时监测温室内的环境信息并控制环境参数,通过OV9726摄像头对农作物进行监测,所获得的生长状态信息传输到S3C6410集中控制模块进行处理,结合克隆选择算法和朴素贝叶斯分类器对叶片进行识别处理。本系统采用LoRa模块进行自组网来实现环境监测,将Linux操作系统移植到集中控制模块,为视觉系统软硬件平台的搭建做准备工作,所使用的组合算法能够使得农作物叶片识别率达到95.3%,识别时间达到8.4 ms,对于叶片识别精度等方面有着明显的提升,经过实验充分验证本系统所使用的设备与算法的有效性。     

基于机智云平台的温室番茄远程监控系统

设计了基于机智云平台的温室番茄远程监控系统，上位机由手机APP终端和机智云平台组成，下位机部分采用STM32F103单片机作为控制器将传感器获取的环境参数上传至上位机，ESP8266 Wi-Fi模块实现了上位机与下位机之间的数据交互。用户可使用上位机对温室番茄环境生长参数进行远程监测和实时调控，经测试该设计数据获取准确、系统运行稳定，实现了预期的功能。      

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...     

基于改进轻量级卷积神经网络MobileNetV3的番茄叶片病害识别

番茄病害的及时检测可有效提升番茄的质量和产量.为实现番茄病害的实时无损伤检测,本研究提出了一种基于改进MobileNetV3的番茄叶片病害分类识别方法.首先选择轻量级卷积神经网络Mobile?NetV3,在Image Net数据集上进行预训练,将预训练得到的共享参数迁移到对番茄叶片病害识别的模型上并做微调处理.采用相同...     

基于深度残差网络的番茄叶片病害识别方法

传统深度学习模型在用于蔬菜病害图像识别时,存在由于网络梯度退化导致的识别性能下降问题。为此,本文研究了一种基于深度残差网络模型的番茄叶片病害识别方法。该方法首先利用贝叶斯优化算法自主学习网络中难以确定的超参数,降低了深度学习网络的训练难度。在此基础上,通过在传统深度神经网络中添加残差单元,解决了由于梯度爆炸/消失造成的过深层次病害识别网络模型性能下降的问题,能够实现番茄叶片图像的高维特征提取,根据该特征可进行有效病害鉴定。试验结果表明,本研究中基于超参数自学习构建的深度残差网络模型在番茄病害公开数据集上取得了良好的识别性能,对白粉病、早疫病、晚疫病和叶霉病等4种番茄叶片常见病害的识别准确率达到95%以上。本研究可为快速准确识别番茄叶片病害提供参考。     

基于改进YOLOV4网络模型的番茄果实检测

果实识别是视觉检测技术重要的环节,其识别精度易受复杂的生长环境及果实状态的影响。以大棚环境下单个、一簇、光照、阴影、遮挡、重叠6种复杂生长状态下的番茄果实为对象,提出一种基于改进YOLOv4网络模型与迁移学习相结合的番茄果实识别方法。首先利用ImageNet数据集与VGG网络模型前端16卷积层进行模型参数预训练,将训练的模型参数初始化改进模型的权值以代替原始的初始化操作,然后使用番茄数据集在VGG19的卷积层与YOLOV4的主干网络相结合的新模型中进行训练,获得最优权重实现对复杂环境下的番茄果实进行检测。最后,将改进模型与Faster RCNN、YOLOv4-Tiny、YOLOv4网络模型进行比较。研究结果表明,改进模型在6种复杂环境下番茄果实平均检测精度值mAP达到89.07%、92.82%、92.48%、93.39%、93.20%、93.11%,在成熟、半成熟、未成熟3种不同成熟度下的F1分数值为84%、77%、85%,其识别精度优于比较模型。本文方法实现了在6种复杂环境下有效地番茄果实检测识别,为番茄果实的智能采摘提供理论基础。     

基于核相互子空间法的番茄叶部病害快速识别模型

近年来,基于叶片图像的番茄病害识别研究受到广泛关注。本研究利用番茄叶部病害图像中病斑的颜色和纹理的差异,通过提取番茄病害叶片图像的颜色矩（CM）、颜色聚合向量（CCV）和方向梯度直方图（HOG）等颜色纹理特征,引入核相互子空间法（KMSM）,建立了番茄叶部病害快速识别模型（CCHKMSM）。该模型首先通过高斯核函数,将从不同类别叶部病害图像数据中抽取的颜色及纹理特征映射到高维空间;然后对映射的高维空间进行主成分分析,建立非线性病害特征空间;最后基于非线性特征空间最小正则角对病害进行识别。本研究分别以公共农业病虫害数据集PlantVillage中的9种番茄病害类和1类健康番茄叶片图像,以及实际场景下采集的3种叶部病虫害图像数据集开展算法验证试验。基于PlantVillage的试验结果表明,当每类样本集数量为350张时,本研究所提出的CCHKMSM模型识别率达到100%,模型训练时间为0.1540 s,平均识别时间为0.013 s;同时,在样本数量150张到1000张的测试区间内,模型平均识别率为99.14%。该识别率高于其他典型的机器学习模型,与基于深度学习的识别方法相当。基于实际复杂场景下采集病害图像集的实验中,通过对原始图像切割分块后,对各病害的平均识别率为96.21%。试验结果表明,本研究提出的CCHKMSM模型识别准确率高且计算量小,其训练时间和测试时间都远低于深度学习等方法。该方法对系统要求低,具有在手持设备、边缘计算终端等低配置感知系统中的应用潜力。     

基于迁移学习的温室番茄叶片水分胁迫诊断方法

为实时诊断番茄叶片水分胁迫程度,提出一种叶片水分胁迫程度的诊断方法,该诊断方法包括2部分：叶片分割和水分胁迫程度分类。采用以ResNet101为特征提取卷积网络的Mask R-CNN网络对背景遮挡的番茄叶片进行实例分割,通过迁移学习将Mask R-CNN在COCO数据集上预训练得到的权重用于番茄叶片的实例分割,保留原卷积网络的训练参数,只调整全连接层。利用卷积网络提取的特征,可将番茄叶片分割视为区分叶片与背景的一个二分类问题,以此来分割受到不同水分胁迫的番茄叶片图像。利用微调后的DenseNet169图像分类模型进行叶片水分胁迫程度分类,通过迁移学习将DenseNet169在ImageNet数据集上预训练得到的权重用于番茄叶片水分胁迫程度的分类,保持DenseNet169卷积层的参数不变,只训练全连接层,并对原DenseNet169全连接层进行了修改,将分类数量从1.000修改为3。试验共采集特征明显的无水分胁迫、中度胁迫和重度胁迫3类温室番茄叶片图像,共2000幅图像,建立数据集,并进行模型训练与测试。试验结果表明,训练后的Mask R-CNN叶片实例分割模型在测试集上对于单叶片和多叶片的马修斯相关系数平均为0.798,分割准确度平均可达到94.37%。经过DenseNet169网络训练的叶片水分胁迫程度分类模型在测试集上的分类准确率为94.68%,与 VGG-19、AlexNet这2种常用的深度学习分类模型进行对比,分类准确率分别提高了5.59、14.68个百分点,表明本文方法对温室番茄叶片水分胁迫程度实时诊断有较好的效果,可为构建智能化的水胁迫分析技术提供参考。     

设施温室影像采集与环境监测机器人系统设计及应用

中国设施园艺近30年来发展迅速，面积目前居世界首位，但由于务农人数呈下降趋势，如何用“机器代替人力”成为当前研究热点。为实现设施温室生产的数据感知环节作物影像和环境监测数据精细化采集，本研究设计了一套多自由度设施温室影像采集与环境监测机器人系统。机器人由感知中枢、决策中枢和执行中枢三部分构成，分别进行机器视角环境感知、数据分析与决策指令生成和动作执行。在感知层实现多角度图像、实时视频和监测数据网格化精确采集，为作物多源异构数据精细化汇聚奠定基础；传输层通过无线网桥将监测数据与控制指令汇聚至本地数据中心；数据处理层通过作物基础模型分析进行控制指令反馈信息，同时对上传图像进行预处理；最终在应用层提供web端和手机端智能服务。系统可广泛地应用在设施温室生产与研究中，用于黄瓜、番茄、大棚桃等作物的全生育期图像、实时视频和监测数据收集与分析处理，已在北京小汤山国家精准农业基地7号日光温室、石家庄市农林科学研究院5号日光温室进行示范应用，取得了较好的效果。     

基于多核主动学习和多源数据融合的农田塑料覆被分类

通过引入多源多时相卫星遥感数据,提出了一种基于多核主动学习的农田塑料覆被分类算法,实现农业塑料大棚和地膜的精准分类.首先基于多时相Sentinel-1雷达和Sentinel-2光学遥感影像,提取其光谱特征、纹理特征等,以构建多维特征空间.然后构建多核学习模型,实现多源、多时相特征的自适应融合.最后构建基于池的主动学习策...     

基于改进YOLO v4的自然环境苹果轻量级检测方法

针对苹果采摘机器人识别算法包含复杂的网络结构和庞大的参数体量,严重限制检测模型的响应速度问题,本文基于嵌入式平台,以YOLO v4作为基础框架提出一种轻量化苹果实时检测方法(YOLO v4-CA)。该方法使用MobileNet v3作为特征提取网络,并在特征融合网络中引入深度可分离卷积,降低网络计算复杂度;同时,为弥补模型简化带来的精度损失,在网络关键位置引入坐标注意力机制,强化目标关注以提高密集目标检测以及抗背景干扰能力。在此基础上,针对苹果数据集样本量小的问题,提出一种跨域迁移与域内迁移相结合的学习策略,提高模型泛化能力。试验结果表明,改进后模型的平均检测精度为92.23%,在嵌入式平台上的检测速度为15.11f/s,约为改进前模型的3倍。相较于SSD300与Faster R-CNN,平均检测精度分别提高0.91、2.02个百分点,在嵌入式平台上的检测速度分别约为SSD300和Faster R-CNN的1.75倍和12倍;相较于两种轻量级目标检测算法DY3TNet与YOLO v5s,平均检测精度分别提高7.33、7.73个百分点。因此,改进后的模型能够高效实时地对复杂果园环境中的苹果进行检测,适宜在嵌入式系统上部署,可以为苹果采摘机器人的识别系统提供解决思路。     

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。