基于卷积神经网络的马铃薯芽眼检测识别研究

为快速、准确识别马铃薯芽眼,提高种薯发芽率,提出一种基于卷积神经网络的马铃薯芽眼识别方法。针对多视角和不同程度重叠的马铃薯芽眼图像,通过数据增广及图像预处理建立数据库。在此基础上,利用YOLOv3网络的高性能特征提取特性,实现马铃薯芽眼的快速准确识别。结果表明：YOLOv3网络对含有单个无遮挡芽眼的样本、含有多个有遮挡芽眼的样本及含有机械损伤、虫眼及杂质的样本均能够实现良好稳定的识别,最终检测精确度P为97.97%,召回率R为96.61%,调和平均值F1为97%,识别平均精度mAP为98.44%,单张检测时间为0.018 s。对比分析YOLOv4-tiny及SSD等网络后可知,YOLOv3模型可同时满足马铃薯芽眼识别的精度与速度要求。因此,YOLOv3网络对马铃薯芽眼识别具有良好的鲁棒性,为马铃薯切种机实现自动化切种奠定基础。     

基于改进Faster R-CNN的马铃薯芽眼识别方法

为提高对马铃薯芽眼的识别效果,提出一种基于改进Faster R-CNN的马铃薯芽眼识别方法。对Faster R-CNN中的非极大值抑制(Non maximum suppression, NMS)算法进行优化,对与M交并比(Intersection over union, IOU) 大于等于Nt的相邻检测框,利用高斯降权函数对其置信度进行衰减,通过判别参数对衰减后的置信度作进一步判断;在训练过程中加入采用优化NMS算法的在线难例挖掘 (Online hard example mining, OHEM) 技术,对马铃薯芽眼进行识别试验。试验结果表明：改进的模型识别精度为96.32%,召回率为90.85%,F1为93.51%,平均单幅图像的识别时间为0.183s。与原始的Faster R-CNN模型相比,改进的模型在不增加运行时间的前提下,精度、召回率、F1分别提升了4.65、6.76、5.79个百分点。改进Faster R-CNN模型能够实现马铃薯芽眼的有效识别,满足实时处理的要求,可为种薯自动切块中的芽眼识别提供参考。     

基于改进YOLO v5s的马铃薯种薯芽眼检测方法

芽眼检测是马铃薯种薯智能切块首先要解决的问题,为实现种薯芽眼精准高效检测,提出了一种基于改进YOLO v5s的马铃薯种薯芽眼检测方法。首先通过加入CBAM注意力机制,加强对马铃薯种薯芽眼图像的特征学习和特征提取,同时弱化与芽眼相似的马铃薯种薯表面背景对检测结果的影响。其次引入加权双向特征金字塔BiFPN增加经骨干网络提取的种薯芽眼原始信息,为不同尺度特征图赋予不同权重,使得多尺度特征融合更加合理。最后替换为改进的高效解耦头Decoupled Head区分回归和分类,加快模型收敛速度,进一步提升马铃薯种薯芽眼检测性能。试验结果表明,改进YOLO v5s模型准确率、召回率和平均精度均值分别为93.3%、93.4%和95.2%;相比原始YOLO v5s模型,平均精度均值提高3.2个百分点,准确率、召回率分别提高0.9、1.7个百分点;不同模型对比分析表明,改进YOLO v5s模型与Faster R-CNN、YOLO v3、YOLO v6、YOLOX和YOLO v7等模型相比有着较大优势,平均精度均值分别提高8.4、3.1、9.0、12.9、4.4个百分点。在种薯自动切块芽眼检测试验中,改进Y...     

基于激光三维重建的种薯芽眼识别方法研究

种薯芽眼的准确识别是实现智能切块的重要前提。为解决种薯芽眼机器视觉识别易出现误判和不易获取芽眼三维位置信息而导致切块不均匀的问题,提出一种基于激光三维重建的种薯芽眼识别方法。确定点云获取过程中ROI区域消除采集过程中背景的影响,通过工业相机与线激光器相配合连续采集移动种薯的激光光条图像获取其点云数据;根据点云密度去除随机噪声和裙边噪声,提高点云质量,降低芽眼误判率。采用体素滤波算法稀疏点云,提高识别效率;通过对种薯表面任意点的局部邻域进行平面拟合后获取点云法向量,构建加权协方差矩阵参数化种薯表面点云,根据矩阵特征值大小设定的动态阈值对种薯表面点云进行初步筛选,得到种薯芽眼判别的候选点,采用欧式聚类算法获取候选点的点云簇,选取每个点云簇中最大特征值点为关键点,利用计算关键点和邻域内其他点构成的中心线连线向量与法向量夹角余弦值对关键点再次筛选,最终确定种薯各个芽眼位置。试验结果表明,芽眼识别率为95.13%,芽眼误识别率为4.87%,可为马铃薯种薯智能化切块时芽眼识别提供参考。     

基于位置特征的穴间杂草快速识别算法

研究了利用穴播作物的位置特征进行穴间区块杂草识别的算法.针对穴播作物按规律分布生长的特点和田间场景中植物叶片交叠等问题,以穴播玉米为研究对象提出了一种基于作物位置特征的过分割区块投影定位作物株心的方法,据此确定出穴间喷雾操作区块并进行各区块像素统计、判别,实现穴间杂草的识别.试验表明:穴间区块杂草实时识别的正确率在87.7%以上, 在MATLAB6.5环境下处理一幅640×512图像,从读入图像至给出杂草控制指令耗时在500ms以内,具有较好的实时性,且可适用于作物苗期各阶段的杂草识别.     

小波域马铃薯典型虫害图像特征选择与识别

为准确、快速地识别马铃薯典型虫害,提出了一种基于小波域的马铃薯典型虫害特征提取与识别方法。该方法以自然环境下的马铃薯虫害分割图像为对象,提取小波域高斯空间模型的高频协方差阵特征值与低频低阶矩(HELM)的12个不变纹理特征、空间域Hu不变矩的4个形状特征,进行支持向量机(SVM)的虫害分类识别。通过对8类典型虫害的识别,试验结果表明:在SVM识别方法下,本文HELM特征提取方法,相比传统纹理特征提取方法,在特征计算量不增加的同时,平均识别率至少提高了17个百分点;在HELM特征与Hu矩特征下,本文SVM的运行时间为0.481 s,比人工神经网络快了近2 s,平均识别率为97.5%,比人工神经网络、贝叶斯分类器识别率提高了至少6个百分点,有明显的识别优势。     

基于几何和色度学特征识别的花生视觉选种方法

花生选种要求花生粒完好、个大、颗粒饱满.为减少花生选种的工作量,该研究以花生粒为研究对象,建立花生选种的视觉识别方法.该方法首先采集图像并对图像进行视觉处理,根据训练样本图像建立基于几何和色度学的项目特征库;再根据采集的待选种子花生图像,对比特征库测试待选种子花生的2个重要几何特征参数面积和圆度,来识别粒大饱满种子花生...     

基于声谱图纹理特征的蛋鸡发声分类识别

为有效地辨别蛋鸡不同类型声音,了解蛋鸡的健康状况以及个体需求,提高生产效率的同时改善蛋鸡福利化养殖,提出一种基于声谱图纹理特征的蛋鸡发声分类识别方法。以海兰褐蛋鸡的声音为研究对象,将图像处理和声音处理技术相结合,由一维声音信号转换为二维图像信号,二维声谱图中的纹理特征呈现了蛋鸡声音的更多细节信息。最后,利用2D-Gabor滤波器提取蛋鸡发声声谱图中的声纹信息,并采用人工神经网络模型进行训练和分类识别。试验结果表明,本文方法平均灵敏度和平均精确度不低于92. 0%,风机噪声识别灵敏度达99. 3%,鸣叫声识别灵敏度最低,为76. 0%。     

马铃薯叶片早疫病的高光谱识别研究

为实现马铃薯叶片早疫病的快速识别,达到尽早防治的目的,利用高光谱成像系统连续4天采集375~1018nm波段内的健康和染病马铃薯叶片的高光谱数据信息,并用ENVI软件提取感兴趣区域的光谱反射率平均值。分别建立基于全光谱(full spectrum,FS)、连续投影算法(SPA)和载荷系数法(x-LW)提取的特征波长的BP网络和LS-SVM识别模型,其中FS-BP、SPA-BP、x-LW-BP模型中预测集识别率分别为100%、100%、98.33%,LS-SVM模型的预测集识别率均为100%;SPA和x-LW提取的特征波长个数均仅占全波长的1.47%,大大简化了模型,提高了运算速率。实验表明:应用高光谱成像技术可以快速、准确地识别出马铃薯叶片早疫病,且SPA和x-LW可以作为特征波长提取的有效方法,为田间马铃薯早疫病的在线实时检测仪器的开发提供理论依据。     

基于Compact-YOLO v4的茶叶嫩芽移动端识别方法

茶叶嫩芽精准识别是实现嫩芽智能化采摘的前提与基础,采用视觉和深度学习的嫩芽识别方法逐渐成熟,但该方法过度依赖于高性能硬件,不利于采茶机器人移动端的部署,针对这一问题,本文提出一种基于Compact-YOLO v4算法的茶叶嫩芽移动端识别方法。首先对YOLO v4算法的Backbone网络和Neck网络进行改进,将Backbone网络替换为GhostNet,将Neck网络中传统卷积替换为Ghost卷积,改进后的模型内存占用量仅为原来的1/5。接着运用迁移学习的训练方法提升模型精度,试验表明,Compact-YOLO v4算法模型的精度、召回率、平均精度均值、F1值分别为51.07%、78.67%、72.93%和61.45%。最后将本文算法模型移植到PRO-RK3568-B移动端开发板,通过转换模型、量化处理、改进部署环境3种方式,降低模型推理计算对硬件性能的需求,最终在保证嫩芽识别准确率的前提下,实现了优化模型推理过程、减轻移动端边缘计算压力的目的,为茶叶嫩芽采摘机器人的实际应用提供了技术支撑。     

并行识别种勺和种薯的缺种判别方法

为解决马铃薯机械化播种作业易出现漏播现象的问题,采用机器视觉技术对排种链上的种勺和种薯进行并行识别,根据识别结果提出了一种种薯排种器种勺缺种的判别方法.首先,使用高速相机根据种薯排种链的工作环境要求采集图像,将视频帧图像划分20个区域;然后,对视频帧图像进行处理,在获取种勺的识别信息的同时获取种薯识别信息;最后,依据在...     

基于注意力机制和特征融合的葡萄病害识别模型

植物病害是造成农作物减产的主要原因之一。针对传统的人工诊断方法存在成本高、效率低等问题,构建了一个自然复杂环境下的葡萄病害数据集,该数据集中的图像由农民在实际农业生产中拍摄,同时提出了一个新的网络模型MANet,该模型可以准确地识别复杂环境下的葡萄病害。在MANet中嵌入倒残差模块来构建网络,这极大降低了模型参数量和计算成本。同时,将注意力机制SENet模块添加到MANet中,提高了模型对病害特征的表示能力,使模型更加注意关键特征,抑制不必要的特征,从而减少图像中复杂背景的影响。此外,设计了一个多尺度特征融合模块(Multi-scale convolution)用来提取和融合病害图像的多尺度特征,这进一步提高了模型对不同病害的识别精度。实验结果表明,与其他先进模型相比,本文模型表现出了优越的性能,该模型在自建复杂背景病害数据集上的平均识别准确率为87.93%,优于其他模型,模型参数量为2.20×10⁶。同时,为了进一步验证该模型的鲁棒性,还在公开农作物病害数据集上进行了测试,该模型依然表现出较好的识别效果,平均识别准确率为99.65%,高于其他模型。因此,本文模型...     

基于Laws与Gabor滤波的田间西兰花花球识别技术

正确识别西兰花田间位置是实现西兰花自动化采收的基础,西兰花花球颜色与植株的叶片、茎秆相似,仅通过颜色特征无法对西兰花进行识别,本文以成熟期的田间西兰花为研究对象,提出了一种基于纹理特征与颜色特征的西兰花识别算法。首先通过预处理以及Laws滤波对图像进行边界纹理强化,再通过Gabor滤波对图像进行纹理特征向量提取,并对提取后的纹理特征向量进行z-score标准化,随后对标准化后的纹理特征向量进行K-means聚类与开运算,获取花球潜在存在区域。同时对RGB图像进行HSV转换,通过对图像的H分量进行阈值分割达到滤除地面像素的效果。最终对纹理特征识别与颜色特征识别的结果进行融合,实现对田间西兰花的识别。算法通过结合纹理与颜色特征,对田间西兰花进行了识别,解决了西兰花的花球与茎叶等背景颜色相近难以识别的问题。本文共使用792幅图像进行试验,试验结果表明,本方法可以准确地对西兰花田间图像进行识别,其精确率为96.96%,召回率为94.41%,F1值为95.67%。通过对3组不同拍摄环境的数据集进行算法识别,3组数据集的F1值始终保持在94%以上,具有良好的拍摄环境适应性,为农业机器人进行西兰花自...     

小麦病害图像识别处理及形状特征提取研究

以小麦条锈病为例,研究小麦病害部位的图像获取、处理和特征提取。通过图像灰度映射和反映射变换、非线性直方图均衡处理等方法进行病害图像噪声去除和图像优化;采用迭代阀值分割和微分边缘检测提取小麦病斑部位的形状特征,为农业作物病害诊断信息特征数据库的建立提供基础数据。     

基于轻量卷积结合特征信息融合的玉米幼苗与杂草识别

针对自然环境下作物与杂草识别精度低、实时性和鲁棒性差等问题,以幼苗期玉米及其伴生杂草为研究对象,提出一种基于轻量卷积神经网络结合特征层信息融合机制的改进单步多框检测器（Single shot multibox detector,SSD）模型。首先,采用深度可分离卷积结合压缩与激励网络（Squeeze and excitation networks,SENet）模块构建轻量特征提取单元,在此基础上通过密集化连接构成轻量化前置基础网络,替代标准SSD模型中的VGG16网络,以提高图像特征提取速度;然后,基于不同分类特征层融合机制,将扩展网络中深层语义信息与浅层细节信息进行融合,融合后的特征图具有足够的分辨率和更强的语义信息,可以提高对小尺寸作物与杂草的检测准确率。试验结果表明,本文提出的深度学习检测模型对自然环境下玉米及其伴生杂草的平均精度均值为88.27%、检测速度为32.26f/s、参数量为8.82×10.6,与标准SSD模型相比,精度提高了2.66个百分点,检测速度提高了33.86%,参数量降低了66.21%,同时对小尺寸目标以及作物与杂草叶片交叠情况的识别具有良好的鲁棒性与泛化能力。本文方法可为农业自动化精准除草提供技术支持。     

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。     

基于多器官特征融合的枣品种识别方法

针对自然场景下的枣品种识别问题,以枣果为研究对象的机器视觉技术已成为枣品种精准识别的主流方法之一。针对枣品种存在类间差异小、类内差异大的问题,提出了一种基于多器官特征融合的枣品种识别方法。首先利用YOLO v3检测算法将采集的自然场景图像中的枣果和叶片器官分割提取,提出了基于笛卡尔乘积构建两器官组合对的枣品种多样本数据集,然后基于EfficientNetV2网络模型,设计了能够充分学习两器官特征相关性的融合策略来提升模型性能,引入了逐步迁移训练方式以提升枣品种识别效率。最后,在构建的包含20个枣品种数据集上进行了大量实验,得到97.04%的识别准确率,明显优于现有研究结果,并且在训练时间和收敛速度上,本方法也有一定提升。结果表明该方法能够有效融合枣品种枣果和叶片器官的特征信息,可为其他品种识别研究提供参考。