基于鱼体特征点检测的淡水鱼种类识别

针对传统机器视觉技术对淡水鱼种类进行检测时特征提取过程复杂的问题,该研究提出了基于特征点检测的淡水鱼种类识别方法。以鳊、鳙、草鱼、鲢、鲤5种大宗淡水鱼为对象,构建了淡水鱼特征点检测数据集;以AlexNet模型为基础,通过减小卷积核尺寸、去除局部响应归一化、引入批量归一化、更换损失函数,构建了改进AlexNet模型用于特征点检测;并以特征点为依据提取特征值、构造特征向量,使用Fisher判别分析方法实现了淡水鱼的种类识别。试验结果表明：改进AlexNet模型在测试集上的归一化平均误差的均值为0.0099,阈值δ为0.02和0.03时的失败率F_0.02、F_0.03分别为2.50%和0.83%,具有较好的精准度和误差分布情况;基于该模型和Fisher判别分析的淡水鱼种类识别方法对5种淡水鱼的识别准确率为98.0%,单幅图像的平均识别时间为0.368 s,保证了时效性。由此可知,提出的改进AlexNet模型能实现淡水鱼的特征点检测并具有较高的精度,可为淡水鱼种类识别、尺寸检测、鱼体分割等提供条件,该方法可为淡水鱼自动化分类装置的研发奠定基础。     

基于点特征检测的农业航空遥感图像配准算法

针对当前无人机遥感图像配准算法普遍存在匹配精度差与配准速度慢等问题,该文以点特征检测方法为基础,结合矩阵降维处理方法,提出一种适用于农业航空遥感图像配准的改进算法—SNS(scale-invariant feature transform and singular value decomposition)算法。SNS算法以高斯函数同步检测尺度空间极值点的坐标和特征尺度,利用海森矩阵消除伪特征点,获取特征点精准定位,在求取特征点的模值与方向基础上,采用奇异值分解方法进行矩阵优化,实现数据降维再重构。试验结果表明,SNS算法与经典算法相比,配准速度平均提高5.01%,配准精度均方根误差平均降低10.48%,说明SNS算法在压缩数据量的同时,提高了整体配准精度,具有配准速度较快和鲁棒性较好的特点。研究结果可为农业航空遥感图像快速配准提供参考。     

基于RGB-D信息融合和目标检测的番茄串采摘点识别定位方法

采摘点的识别与定位是智能采摘的关键技术,也是实现高效、适时、无损采摘的重要保证。针对复杂背景下番茄串采摘点识别定位问题,提出基于RGB-D信息融合和目标检测的番茄串采摘点识别定位方法。通过YOLOv4目标检测算法和番茄串与对应果梗的连通关系,快速识别番茄串和可采摘果梗的感兴趣区域（Region of Interest,ROI）;融合RGB-D图像中的深度信息和颜色特征识别采摘点,通过深度分割算法、形态学操作、K-means聚类算法和细化算法提取果梗图像,得到采摘点的图像坐标;匹配果梗深度图和彩色图信息,得到采摘点在相机坐标系下的精确坐标;引导机器人完成采摘任务。研究和大量现场试验结果表明,该方法可在复杂近色背景下,实现番茄串采摘点识别定位,单帧图像平均识别时间为54 ms,采摘点识别成功率为93.83%,采摘点深度误差±3 mm,满足自动采摘实时性要求。     

基于中值点Hough变换玉米行检测的导航线提取方法

为解决机器视觉对早期玉米苗带在多环境变量下导航线提取耗时长、准确率低的问题,该研究提出了一种基于中值点Hough变换作物行检测的导航线提取算法。首先,改进了传统的2G-R-B算法,再结合中值滤波、最大类间方差法和形态学操作实现土壤背景与玉米苗带的分割。其次,通过均值法提取玉米苗带特征点,然后采用中值点Hough变换拟合垄间两侧玉米苗列线,最后将检测出的双侧玉米苗列线为导航基准线,利用夹角正切公式提取导航线。试验结果表明：改进的灰度化算法能够正确分割玉米苗带与土壤,处理一幅640×480像素彩色图像平均耗时小于160 ms,基于中值点Hough变换检测玉米苗列再提取导航线的最大误差为0.53°,相比于传统Hough变换时间上平均快62.9 ms,比最小二乘法平均精确度提高了7.12°,在农田早期玉米苗带多环境变量影响因素下导航线提取准确率均达92%以上,具有较强的可靠性和准确性。     

面向复杂田间收获作业的轻量化三七目标检测方法

针对目前三七检测算法在复杂田间收获工况下检测精度低、模型复杂度大、移动端部署难等问题,该研究提出一种基于YOLOv5s的轻量化三七目标检测方法。首先,采用GSConv卷积方法替换原始颈部网络的传统卷积,引入Slim-neck轻量级颈部网络,降低了模型复杂度,同时提升了模型精度;其次,使用ShuffleNetv2轻量型特征提取网络对主干网络进行轻量化改进,提升了模型实时检测性能,并采用角度惩罚度量的损失（SIoU）优化边界框损失函数,提升了轻量化后的模型精度和泛化能力。试验结果表明,改进后的PN-YOLOv5s模型参数量、计算量、模型大小分别为原YOLOv5s模型的46.65%、34.18%和48.75%,检测速度提升了1.2倍,F₁值较原始模型提升了0.22个百分点,平均精度均值达到了94.20%,较原始模型低0.6个百分点,与SSD、Faster R-CNN、YOLOv4-tiny、YOLOv7-tiny和YOLOv8s模型相比能够更好地平衡检测精度与速度,检测效果更好。台架试验测试结果表明,4种输送分离作业工况下三七目标检测的准确率达90%以上,F₁值达86%以上,平均精度均值达87%以上,最低检测速度为105帧/s,实际收获工况下模型的检测性能良好,可为后续三七收获作业质量实时监测与精准分级输送提供技术支撑。     

基于YOLOv8-ABW的黄花成熟度检测方法

为实现黄花成熟度的快速、高精度识别,针对其相似特征识别精确度低以及相互遮挡检测困难的问题,提出一种基于YOLOv8-ABW的黄花成熟度检测方法。该研究在特征提取网络中加入结合注意力机制的尺度特征交互机制(attention based intra-scale feature interaction, AIFI),更好地提取黄花特征信息,提高检测的精确度。在特征融合网络中,进一步采用加权的双向特征金字塔特征融合网络(bidirectional feature pyramid network, Bi FPN),实现更高层次的跨通道特征融合,有效减少通道中的特征冗余。此外使用WIoUv3作为损失函数,聚焦普通质量的锚框,提高模型的定位性能。试验结果表明：YOLOv8-ABW模型检测精确度为82.32%,召回率为83.71%,平均精度均值mAP@0.5和mAP@0.5:0.95分别为88.44%和74.84%,调和均值提升至0.86,实时检测速度为214.5帧/s。与YOLOv8相比,YOLOv8-ABW的精确度提高1.41个百分点,召回率提高0.75个百分点,mAP@0.5和mAP@0.5:0.95分别提升1.54个百分点和1.42个百分点。对比RT-DETR、YOLOv3、YOLOv5、YOLOv7模型,YOLOv8-ABW参数量最少,仅为3.65×10⁶,且模型浮点运算量比YOLOv7少96.3 G。体现出YOLOv8-ABW 模型能够在黄花成熟度检测中平衡检测精确度和检测速度,综合性能最佳,为黄花智能化实时采摘研究提供技术支持。     

基于SUSAN角点的秧苗列中心线提取方法

中国南方水田环境复杂,不同生长阶段秧苗的形态各异,且田中常出现浮萍及蓝藻,其颜色与秧苗颜色极其相似,因此常用的作物特征提取算法难以应用在水田上。针对这些问题,该文提出一种基于SUSAN角点的秧苗列中心线方法。运用归一化的Ex G(excess green index)提取秧苗的灰度化特征,运用自适应的SUSAN(smallest univalue segment assimilating nucleus)算子提取秧苗特征角点;最后运用扫描窗口近邻法进行聚类,采用基于已知点的Hough变换(known point Hough transform)提取秧苗列中心线。经试验验证,此算法在图像中存在浮萍、蓝藻和秧苗倒影的情况下有较高的鲁棒性。在各种情况下均成功提取秧苗的列中心线,且每幅真彩色图像(分辨率:1280×960)处理时间不超过563 ms,满足视觉导航的实时性要求。     

模拟氮沉降对一年生香椿幼苗生长和光合特性的影响

为研究氮沉降对一年生香椿(Toonasinensis)幼苗夏季生长以及光合特性的影响,通过在夏季模拟氮沉降控制试验,以尿素为氮源供体,设置0kg(N)×hm~(-2)×a~(-1)(CK)、20kg(N)×hm~(-2)×a~(-1)、40kg(N)×hm~(-2)×a~(-1)、80kg(N)×hm~(-2)×a~(-1)、120 kg(N)×hm~(-2)×a~(-1)、180 kg(N)×hm~(-2)×a~(-1)不同氮添加水平以模拟氮沉降,对香椿幼苗地径、苗高、生物量及其分配和光合作用等进行研究。结果表明:1)不同氮添加量均促进了香椿幼苗地径、苗高和生物量的增加,地径、苗高和生物量均以氮添加水平180kg(N)×hm~(-2)×a~(-1)下最高,分别较CK高42.5%、64.4%和304.9%,且生物量向根、叶分配较多; 2)香椿幼苗叶片相对叶绿素含量(SPAD)随氮添加水平的增加而增加,在180 kg(N)×hm~(-2)×a~(-1)下最高,较CK增加73.9%;3)香椿幼苗表观量子效率(AQY)、最大净光合速率(Pnmax)、光饱和点(LSP)、光补偿点(LCP)以及暗呼吸速率(Rd)随氮添加水平的增加均呈现先升高后降低的趋势,其中LCP以80 kg(N)×hm~(-2)×a~(-1)下最高, AQY、Pnmax、LSP和Rd均以120kg(N)×hm~(-2)×a~(-1)下最高。结果表明,适量氮沉降能够促进香椿幼苗生长和光合能力的提高,但更高水平的氮沉降可能对香椿幼苗产生一定抑制作用。     

基于深度学习与融合地形特征的黄土陷穴面向对象提取方法

黄土陷穴作为黄土高原地区一种特殊的地貌类型及地质灾害,其研究对指导黄土地区水土保持与工程建设工作具有重要意义。现阶段对陷穴的研究多基于传统野外调查,该方式成本高、效率低。为此,该研究开展面向对象与卷积神经网络（Convolutional Neural Networks,CNN）相结合的黄土陷穴自动化提取方法研究,并讨论融合地形特征对CNN模型提取精度的影响。研究选取黄土陷穴发育的典型区域,基于WorldView3遥感数据与ALOS高程数据,通过莫兰指数与灰度共生矩阵熵值确定影像的分割尺度,以面向对象的方式提取黄土陷穴的光谱、形状、纹理以及地形特征,制作融合地形特征与未融合地形特征的两类训练样本,进而训练两种CNN模型对同一区域内黄土陷穴进行提取,根据精确率、召回率以及F1分数评价模型的提取精度、分析对比两种CNN模型的提取结果,并建立支持向量机（Support Vector Machine,SVM）模型与CNN模型进行比较。研究结果表明,融合地形特征进行训练的CNN模型精确率达94.62%,召回率达86.27%、F1分数达90.26%,综合提取性能最好,相较于未融合地形特征训练的CNN模型,黄土陷穴的错分量大大减少,精确率提升18.10个百分点,F1分数提升9.15个百分点;两种CNN模型F1分数均达80%以上,比SVM模型分别高出6.94个百分点,16.09个百分点,提取结果均优于SVM模型;综上,融合地形特征的CNN模型可快速、精确地提取黄土陷穴,从而为黄土地区陷穴防治工作提供支持。     

基于SOLOv2与点云空腔特征的奶牛瘤胃充盈度自动评分方法

瘤胃充盈度评分是反映奶牛个体采食量与能量摄入状态的直观指标,为实现奶牛瘤胃充盈度的自动评分,该研究提出了一种基于SOLOv2网络和空腔特征的瘤胃充盈度自动评分方法,首先对获取的奶牛背部深度图像进行预处理以提取目标奶牛;其次利用SOLOv2实例分割网络对奶牛瘤胃区域进行分割以获取瘤胃区域点云,将其投影至X-Z平面内采样得到二值图像,通过形态学处理得到空腔结构特征图;最后构建分类模型对特征图像进行分类以实现瘤胃充盈度的自动评分。试验结果表明,主干网络为ResNet-101-FPN时SOLOv2模型对测试集图像分割的平均精度达到86.29%,瘤胃充盈度自动评分的精准识别率为85.77%,评分误差在1以内的样本达到99.9%,平均识别速率为5.5 帧/s,并对肥瘦程度不同的奶牛具有较强的鲁棒性。该方法可实现规模化养殖中奶牛个体瘤胃充盈度的无接触评定。     

基于改进YOLOv7的毛虾捕捞渔船作业目标检测与计数方法

渔船捕捞信息量化是开展限额捕捞精细化管理的前提,为解决中国毛虾限额捕捞目标识别和信息统计量化问题,研究了在中国毛虾限额捕捞渔船上安装电子监控（electronic monitoring,EM）设备,并基于YOLOv7提出一种改进的目标检测算法（YOLOv7-MO）和目标计数算法（YOLOv7-MO-SORT）。YOLOv7-MO目标检测算法采用MobileOne作为主干网络,在输出端head部分加入C3模块,并完成剪枝操作;YOLOv7-MO-SORT目标计数算法将SORT（simple online and realtime tracking）算法中的Fast R-CNN替换为YOLOv7-MO,用于检测捕捞作业中抛出的锚和装有毛虾的筐。采用卡尔曼滤波和匈牙利匹配算法对检测到的目标进行跟踪预测,设置碰撞检测线、时间戳、阈值和计数器,实现对捕捞作业过程中渔获毛虾筐数和下网数量计数。结果表明：1）改进后的YOLOv7-MO在测试集上的平均检测精度、召回率、F1得分分别达到了97.3%,96.0%,96.6%,相比YOLOv7模型分别提升了2.0、1.1和1.5个百分点。2）改进后的YOLOv7-MO模型大小、参数量和浮点运算数分别为64.0 MB、32.6 M、39.7 G,相比YOLOv7模型分别缩小了10.2%、10.6%和61.6%。3）以YOLOv7-MO为检测器的SORT算法毛虾捕捞作业计数准确率在统计毛虾筐数和下网数量上分别达到80.0%和95.8%。YOLOv7-MO在提高检测精度的同时减轻了模型量级,提高了检测效率。结果表明,该研究能够为实现渔船捕捞作业信息记录自动化和智能化提供方法,为毛虾限额捕捞管理提供决策参考依据。     

水杨酸对菊芋耐高氯酸盐胁迫的影响

为探究ClO_4~-胁迫下外源水杨酸(salicylic acid, SA)对菊芋(Helianthus tuberosus L.)的生理调节作用,以徐州、潍坊和南京3个不同产地耐盐菊芋为试材,进行液培处理,研究NaClO_4胁迫条件下(50 mmol/L),SA不同时间间隔喷施处理对菊芋幼苗的形态学指标、根系活力和光合作用及抗氧化能力的影响。结果表明,ClO_4~-对菊芋幼苗的生长发育可产生不同程度的毒害作用,喷施SA可有效减轻其对植株的胁迫损伤,且不同产地菊芋的变化趋势相似,植物鲜重、叶面积、株高和根长明显改善,叶片中叶绿素含量及荧光参数显著升高,且每天喷施缓解效果最大;而根系活力在间隔1天喷施效果最佳。同时,H_2O_2含量呈现出随SA喷施频率的增加而上升趋势,当喷施间隔为2天时,平均增加47.69%,喷施间隔为1天时平均增量为50.93%,每天喷施时平均增幅达到最大值56.80%;且超氧化物岐化酶(SOD)、过氧化物酶(POD)和过氧化氢酶(CAT)的活力得到提高,丙二醛(MDA)及游离脯氨酸含量显著降低(P0.05)。表明SA可通过诱导H_2O_2作为信号分子增强植株耐受ClO_4~-的能力。通过灰色关联度分析可知,喷施SA对ClO_4~-胁迫下叶绿素荧光参数和根系活力影响最大。综上所述,叶面喷施50μmmol/L SA主要是通过影响菊芋叶片和根系,激发H_2O_2调控抗氧化酶活性的变化,参与体内渗透调节来保护植株光合系统和根系活力,降低ClO_4~-胁迫对菊芋的伤害,且每天喷施处理的缓解效果最佳,这为菊芋在ClO_4~-污染土壤中的栽培提供理论指导。     

The utility of process-based models for simulating N2O emissions from soils: A case study based on Costa Rican coffee plantations

Soil moisture and gaseous N-flux (N₂O, N₂) dynamics in Costa Rican coffee plantations were successively simulated using a mechanistic model (PASTIS) and two process-based models (NGAS and NOE). Two fertilized (250 kg N ha⁻¹ y⁻¹) coffee plantations were considered, namely a monoculture and a system shaded by the N₂ fixing legume species Inga densiflora. In situ N₂O fluxes were previously measured in these plantations. NGAS and NOE used specific microbial activities for the soils. To parameterize NGAS, we estimated N mineralization via in situ incubations and the contribution of heterotrophic soil respiration to total soil respiration. Potential denitrification rates and the proportion of denitrified N emitted as N₂O were measured in the laboratory to define the values of NOE parameters, as well as nitrification rates and related N₂O production rates for parameterizing both models. Soil moisture and both NGAS and NOE N₂O fluxes were best modelled on an hourly time step. Soil moisture dynamics were satisfactorily simulated by PASTIS. Simulated N₂O fluxes by both NGAS and NOE (3.2 and 2.1 kg N ha⁻¹ y⁻¹ for NGAS; 7.1 and 3.7 kg N ha⁻¹ y⁻¹ for NOE, for the monoculture and shaded plantations respectively) were within a factor of about 2 of the observed annual fluxes (4.3 and 5.8 kg N ha⁻¹ y⁻¹, for the monoculture and shaded plantations respectively). Statistical indicators of association and coincidence between simulated and measured values were satisfactory for both models. Nevertheless, the two models differed greatly in describing the nitrification and denitrification processes. Some of the algorithms in the model NGAS were apparently not applicable to these tropical acidic Andosols. Therefore, more detailed information about microbial processes in different agroecosystems would be needed, notably if process-oriented models were to be used for testing strategies for mitigating N₂O emissions.