苹果采摘机器人中的图像配准技术

为了减少自然环境下的光线干扰,采用一个彩色相机和一个深度相机获取目标物的图像,利用多源传感器信息融合与互补方法,实现多目标图像的精确配准。基于TOF（time of flight）技术的PMD（polarization mode dispersion）相机,能实时获得强度图像和深度信息。以苹果树为研究对象,采用Harris检测提取特征点,在归一化互相关系数法的基础上运用邻域的支持强度实现了PMD图像与彩色图像的同名点配准。对自然场景中共50组图片进行试验验证,该方法顺光条件下正确匹配率达到85.75%,逆光条件下的匹配率是79.57%,能满足光线变化的图像精确配准的要求。     

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。     

NOAA与TM图像配准方法的研究

详细论述了ＮＯＡＡ图像ＧＫ、ＵＴＭ投影及与ＴＭ图像配准的方法,通过ＮＯＡＡ图像与ＴＭ的复合,充分发挥了ＮＯＡＡ监测面积大、实效快及ＴＭ分辨率高等各自的优势,取得了良好效果。     

基于图像配准分析物种进化关系的新方法

图像配准是图像处理的一个重要技术,可用于分析两幅图像之间的相似度.本文提出了一种基于图像配准分析物种进化关系的新方法：首先利用一阶马尔可夫链方法计算不同基因组序列的寡聚核苷酸转移概率矩阵;然后将转移概率矩阵转换为彩色图像矩阵,并绘制物种两两之间彩色图像矩阵的联合直方图;最后分析联合直方图点集的分布情况,引入直方图点集的散度公式,将其作为相似性测度的标准,从而鉴定物种亲缘关系的远近.100种细菌全基因组的计算结果表明,相较于单基因法或基于基因组寡聚核苷酸频率组分差异信息的方法,本文提出的新方法具有更高的准确度和分辨力,它不仅能够很好地分辨科以下的分类单元,而且对科以上的分类单元同样具有较好的区分效果.该方法有望发展成为物种鉴定及系统发育推断的有效手段.     

遥感影像图的配准、校正方法

地理信息系统与遥感技术在应用中多少要涉及到栅格数字图像的校正配准处理。例如TM影像图与数字高程模型DEM图的配准，配准后的TM图再用于地面上各类资源的空间分析研究与实际的生产应用。再如，经扫描入微机的Tiff栅格图，由于存在人工操作及仪器误差，其图像总会有变形，在必要时就得经过几何校正才能投入到应用中去。因此，数字图像的配准与校正技术在GIS及RS的应用研究中就显得必要。     

基于可视化类库的植株三维形态配准方法及点云可视化

精确的植物三维静态形态结构模型有助于植物空间结构相关的各种研究,是虚拟植物、植物建模等问题研究的一个重要方面。研究植物生长过程中的三维信息的获取可以获得作物生长过程中各参数的动态数据,可为精细农业植物生长模型建立等提供依据。该文以植物为研究对象,介绍了虚拟植物及植物三维可视化的研究现状,讨论了植物叶片三维可视化的可行性及必要性。针对植物三维点云的采集与处理上,讨论了三维扫描仪的精度测定方法,并针对基于基准体的植株点云配准问题,提出采用基准体点云平均法向量计算的方法,去除了部分基准体表面的噪声点,提高了植株体的配准精度;采用迭代最近点（iterative closest point,ICP）算法,对植株叶片进行进一步的高精度配准。最后采用基于可视化类库VTK(visualization toolkit)实现了植物点云配准与三维可视化。     

基于改进YOLOv3的果园复杂环境下苹果果实识别

为使采摘机器人能够全天候在不同光照、重叠遮挡、大视场等果园复杂环境下对不同成熟度的果实进行快速、准确识别,该研究提出了一种基于改进YOLOv3的果实识别方法。首先,将DarkNet53网络中的残差模块与CSPNet（Cross Stage Paritial Network）结合,在保持检测精度的同时降低网络的计算量;其次,在原始YOLOv3模型的检测网络中加入SPP（Spatial Pyramid Pooling）模块,将果实的全局和局部特征进行融合,提高对极小果实目标的召回率;同时,采用Soft NMS（Soft Non-Maximum Suppression）算法代替传统NMS（Non-Maximum Suppression）算法,增强对重叠遮挡果实的识别能力;最后,采用基于Focal Loss和CIoU Loss的联合损失函数对模型进行优化,提高识别精度。以苹果为例进行的试验结果表明：经过数据集训练之后的改进模型,在测试集下的MAP（Mean Average Precision）值达到96.3%,较原模型提高了3.8个百分点;F1值达到91.8%,较原模型提高了3.8个百分点;在GPU下的平均检测速度达到27.8帧/s,较原模型提高了5.6帧/s。与Faster RCNN、RetinaNet等几种目前先进的检测方法进行比较并在不同数目、不同光照情况下的对比试验结果表明,该方法具有优异的检测精度及良好的鲁棒性和实时性,对解决复杂环境下果实的精准识别问题具有重要参考价值。     

Harris角点自适应检测的水稻低空遥感图像配准与拼接算法

图像配准和拼接的自动化是微小型无人机能否被广泛应用于水稻长势低空遥感监测的关键技术之一。为了改进Harris角点检测算法中阈值需要人为设定的局限,文章提出了基于Harris角点自适应检测的水稻低空遥感图像配准与拼接算法。该算法在Harris角点检测算法的基础上进行改进,采用基于图像像素灰度值标准差标准化的方法进行角点的自适应确定,并对角点进行特征描述,利用角点特征描述算子之间的欧式距离进行配准。为了验证算法的有效性并进行相关参数的优化,采用多旋翼无人直升机获取了水稻长势的低空遥感图像,并设计了重复率(衡量角点检测的稳定性)、辨识率(衡量角点描述算子的辨识度)、配准率(衡量图像的拼接精度)以及运行时间(衡量算法的运算速度)4个评价指标对配准与拼接的结果进行评判。随机选取获得的低空遥感图像分成3组进行测试,试验结果表明,平均配准率达到了98.95%,且各组图像之间的重复率与配准率差异不显著(显著性水平为0.05),说明改进后的算法稳定。设计了角点自适应检测算法阈值参数的优选试验,阈值参数为标准化处理后的图像像素灰度值标准差,方差分析结果表明,图像像素灰度标准差为1和2时配准率的差异不显著(显著性水平为0.05),但当图像像素灰度标准差为1时,图像配准与拼接平均运行时间是其为2时的2.5倍,因此,可设定图像像素灰度标准差为2作为本算法的较优参数。     

北方典型区域果园表层土壤农药类POPs残留特征分析

在我国典型果业生产区域的黄土高原、胶东半岛和北京郊区选择11个采样区的99个果园,利用GPS定位仪共采集0~20cm表土样品99份,测定了DDT、六氯苯、七氯、氯丹、狄氏剂、异狄氏剂、灭蚁灵和艾氏剂等8种主要POPs残留量,对土壤POPs残留的环境安全性、土壤残留差异性以及区域分布特点进行了分析研究。结果表明：（1）果园表层土壤8种POPs残留浓度符合国家土壤环境质量标准,属于环境安全残留;（2）滴滴涕是果园土壤残留分布最广泛和残留量较高的POPs,其次是六氯苯、氯丹和七氯,再其次是狄氏剂、异狄氏剂、灭蚁灵和艾氏剂;（3）果园土壤POPs残留种类多、广泛残留与高残留量地区的共同特征是建园早、园龄长、自然条件好和农业经济较发达。     

多尺度分解双寻优策略SPCNN的果园苹果异源图像融合模型

针对单一的自然场景图像信息不能满足准确识别果实和精准定位目标的要求,提出一种多尺度分解双寻优策略简化脉冲耦合神经网络（Simplified Pulse Coupled Neural Network, SPCNN）的飞行时间（Time of Flight,ToF）与可见光果园苹果图像融合模型。对SPCNN模型引入带参数优化的双寻优策略,对非下采样轮廓波变换（Nonsubsampled Contourlet Transform, NSCT）融合规则进行改进。模型包括配准模块、编码区、多尺度分解模块、单目标SPCNN融合模型、多目标SPCNN融合模型、解码区。模型改进了SPCNN模型的参数优化方式以及迭代次数,模型自适应点火次数较低,在3～7次左右,具有点火次数低、自适应分割、效率高的优点。中光15:00时段点火识别成功率达到了100.00%,点火分割时间达到最低91.91s。与其他融合模型比较,模型在强光12:00、中光15:00、弱光18:20、19:00时段融合图像识别成功率达到100.00%;融合时间低于SPCNN模型,达到最低92.68 s。模型识别精度最优达到了100.00%,融合耗时最低达到了92.68 s,模型大小较SPCNN低一个数量级,可补充和完善图像层次融合理论和方法。     

基于改进YOLOv7的果园行间导航线检测

在复杂果园环境中,传统机器视觉算法难以处理光影变化、遮挡、杂草等因素的干扰,导致导航道路分割不准确。针对此问题,该研究提出了一种改进YOLOv7的果园内导航线检测方法。将注意力机制模块(convolutional block attention module,CBAM)引入到原始YOLOv7模型的检测头网络中,增强果树目标特征,削弱背景干扰;在ELAN-H(efficient layer aggregation networks-head,ELAN-H)模块和Repconv(re-parameterization convolution,Repconv)模块之间引入SPD-Conv(space-to-depth,non-strided convolution,SPD-Conv)模块,提高模型对低分辨率图像或小尺寸目标的检测能力。以树干根部中点作为导航定位基点,利用改进YOLOv7模型得到两侧果树行线的定位参照点,然后利用最小二乘法拟合两侧果树行线和导航线。试验结果表明,改进YOLOv7模型检测精度为95.21%,检测速度为42.07帧/s,相比于原始YOLOv7模型分别提升了2.31个百分点和4.85帧/s,能够较为准确地识别出树干,且对树干较密的枣园图像也能达到较好的检测效果;提取到的定位参照点与人工标记树干中点的平均误差为8.85 cm,拟合导航线与人工观测导航线的平均偏差为4.90 cm,处理1帧图像平均耗时为0.044 s,能够满足果园内导航需求。     

基于冠层叶气温差的苹果园土壤水分预报模型

该研究于2003～2004年采用便携式红外测温仪观测得到苹果主要生长季节晴天14∶00时冠层叶温数据,结合同步观测得到的空气温度数据及0～80 cm土壤相对有效含水率, 分析、建立以苹果树冠层叶气温差为指标的果园水分预报模型。该模型中,土壤相对有效含水率和冠层叶气温差的相关系数为－0.819(n=50),通过0.01水平显著性检验。并利用2002年及2005年的实测土壤水分数据对所建模型进行验证,结果表明：土壤相对有效含水率的观测值与计算值吻合较好,二者线性相关系数可达0.9137(n     

基于改进YOLOv5s的果园环境葡萄检测

为了快速精准地识别复杂果园环境下的葡萄目标,该研究基于YOLOv5s提出一种改进的葡萄检测模型（MRWYOLOv5s）。首先,为了减少模型参数量,采用轻量型网络MobileNetv3作为特征提取网络,并在MobileNetv3的bneck结构中嵌入坐标注意力模块（coordinate attention,CA）以加强网络的特征提取能力;其次,在颈部网络中引入RepVGG Block,融合多分支特征提升模型的检测精度,并利用RepVGG Block的结构重参数化进一步加快模型的推理速度;最后,采用基于动态非单调聚焦机制的损失（wise intersection over union loss,WIoU Loss）作为边界框回归损失函数,加速网络收敛并提高模型的检测准确率。结果表明,改进的MRW-YOLOv5s模型参数量仅为7.56 M,在测试集上的平均精度均值（mean average precision,mAP）达到97.74%,相较于原YOLOv5s模型提升了2.32个百分点,平均每幅图片的检测时间为10.03 ms,比原YOLOv5s模型减少了6.13 ms。与主流的目标检测模型S...     

牵引式山地果园运输机驱动绳轮摩擦磨损

为探究牵引式山地果园运输机驱动绳轮系统的摩擦磨损机理,该研究首先利用Adams软件建立绳轮系统模型,在各因素水平允许范围内进行单因素试验,再进行台架试验分析不同因素对绳轮接触处摩擦磨损的影响。仿真模型计算结果表明,从连接负载端开始,各完整缠绕圈所在槽道受到的摩擦力沿钢丝绳方向呈现逐渐减小趋势,与多槽轮的磨损形貌分析结果一致,且槽道上容易发生的失效形式为塑性变形和微动磨损。单因素试验结果显示,圈数从2/3增加到4/5,受力最大处摩擦力减小48.66 %,各槽道受力标准差由102.97 N减小到46.53 N,受力更加均衡;多槽轮中心距越小或轮径越大,各完整缠绕圈的槽道受力越均衡;同一多槽轮上的槽距和槽壁角度对摩擦的影响很小。台架正交试验的多槽轮磨损率分析结果表明,较大的中心距,较小的预紧力,较多的圈数可以缓解磨损。研究结果可为后续对驱动绳轮系统的优化提供参考。     

基于改进YOLOv4模型的全景图像苹果识别

苹果果园由于密植栽培模式,果树之间相互遮挡,导致苹果果实识别效果差,并且普通的图像采集方式存在图像中果实重复采集的问题,使得果实计数不准确。针对此类问题,该研究采用全景拍摄的方式采集苹果果树图像,并提出了一种基于改进YOLOv4和基于阈值的边界框匹配合并算法的全景图像苹果识别方法。首先在YOLOv4主干特征提取网络的Resblock模块中加入scSE注意力机制,将PANet模块中的部分卷积替换为深度可分离卷积,且增加深度可分离卷积的输出通道数,以增强特征提取能力,降低模型参数量与计算量。将全景图像分割为子图像,采用改进的YOLOv4模型进行识别,通过对比Faster R-CNN、CenterNet、YOLOv4系列算法和YOLOv5系列算法等不同网络模型对全景图像的苹果识别效果,改进后的YOLOv4网络模型精确率达到96.19%,召回率达到了95.47%,平均精度达到97.27%,比原YOLOv4模型分别提高了1.07、2.59、2.02个百分点。采用基于阈值的边界框匹配合并算法,将识别后子图像的边界框进行匹配与合并,实现全景图像的识别,合并后的结果其精确率达到96.17%,召回率达到95.63%,F1分数达到0.96,平均精度达到95.06%,高于直接对全景图像苹果进行识别的各评价指标。该方法对自然条件下全景图像的苹果识别具有较好的识别效果。     

退耕还果对黄土高原沟壑区坡地土壤和植被碳、氮储量的影响

土地利用方式变化是影响陆地生态系统碳储量的重要因素。试验以黄土高原沟壑区王东沟小流域杜家坪坡地果园和邻近农田为对象,分析了坡地退耕还果20年后,地上植被生物量、地下根系生物量以及0100 cm土层有机碳氮储量的变化及其影响因素。结果表明,坡地果园0100 cm土层有机碳（SOC）储量为C 50.7 Mg/hm2 低于农田（C 57.3 Mg/hm2）,但020cm土层,果园SOC储量为C 16.7 Mg/hm2高于农田（C 15.3 Mg/hm2）,增幅为9.2%;而在20100cm土层,SOC含量基本呈现出农田果园的趋势。果园土壤1m剖面各层次全氮（TN）含量都低于农田,但未达到显著水平。农田退耕为果园20年后,坡地果园植株和根系碳储量（C 19.7Mg/hm2）、氮储量（N 165.9 kg/hm2）约为农田作物（C 3.4 Mg/hm2、N96.8kg/hm2）的5.8和1.7倍。果树主干、枝条和根部的新增生物量是导致果园生态系统碳、氮储量积累的主要因素。     

融合轻量化网络与注意力机制的果园环境下苹果检测方法

为提高复杂果园环境下苹果检测的综合性能,降低检测模型大小,通过对单阶段检测网络YOLOX-Tiny的拓扑结构进行了优化与改进,提出了一种适用于复杂果园环境下轻量化苹果检测模型（Lightweight Apple Detection YOLOX-Tiny Network,Lad-YXNet）。该模型引入高效通道注意力（Efficient Channel Attention,ECA）和混洗注意力（Shuffle Attention,SA）两种轻量化视觉注意力模块,构建了混洗注意力与双卷积层（Shuffle Attention and Double Convolution Layer,SDCLayer）模块,提高了检测模型对背景与果实特征的提取能力,并通过测试确定Swish与带泄露修正线性单元（Leaky Rectified Linear Unit,Leaky-ReLU）作为主干与特征融合网络的激活函数。通过消融试验探究了Mosaic增强方法对模型训练的有效性,结果表明图像长宽随机扭曲对提高模型综合检测性能贡献较高,但图像随机色域变换由于改变训练集中苹果的颜色,使模型检测综合性能下降。为提高模型检测苹果的可解释性,采用特征可视化技术提取了Lad-YXNet模型的主干、特征融合网络和检测网络的主要特征图,探究了Lad-YXNet模型在复杂自然环境下检测苹果的过程。Lad-YXNet经过训练在测试集下的平均精度为94.88%,分别比SSD、YOLOV4-Tiny、YOLOV5-Lite和YOLOX-Tiny模型提高了3.10个百分点、2.02个百分点、2.00个百分点和0.51个百分点。Lad-YXNet检测一幅图像的时间为10.06 ms,模型大小为16.6 MB,分别比YOLOX-Tiny减少了20.03%与18.23%。该研究为苹果收获机器人在复杂果园环境下准确、快速地检测苹果提供了理论基础。