基于Faster R-CNN网络的茶叶嫩芽检测

为有效识别茶叶嫩芽提高机械采摘精度、规划采摘路线以避免伤害茶树,针对传统目标检测算法在复杂背景下检测精度低、鲁棒性差、速度慢等问题,探索了基于Faster R-CNN目标检测算法在复杂背景下茶叶嫩芽检测方面的应用。首先对采集图像分别进行等分裁切、标签制作、数据增强等处理,制作VOC2007数据集;其次在计算机上搭建深度学习环境,调整参数进行网络模型训练;最后对已训练模型进行测试,评价已训练模型的性能,并同时考虑了Faster R-CNN模型对于嫩芽类型(单芽和一芽一叶/二叶)的检测精度。结果表明,当不区分茶叶嫩芽类型时,平均准确度(AP)为54%,均方根误差(RMSE)为3.32;当区分茶叶嫩芽类型时,单芽和一芽一叶/二叶的AP为22%和75%,RMSE为2.84;另外剔除单芽后,一芽一叶/二叶的AP为76%,RMSE为2.19。通过对比基于颜色特征和阈值分割的茶叶嫩芽识别算法(传统目标检测算法),表明深度学习目标检测算法在检测精度和速度上明显优于传统目标检测算法(RMSE为5.47),可以较好地识别复杂背景下的茶叶嫩芽。     

基于卷积神经网络的鲜茶叶智能分选系统研究

机采鲜茶叶中混有各种等级的茶叶,针对风选、筛选等分选方法难以做到精确细分的问题,结合计算机视觉技术和深度学习方法,设计了一套鲜茶叶智能分选系统,搭建了基于7层结构的卷积神经网络识别模型,通过共享权值和逐渐下降的学习速率,提高了卷积神经网络的训练性能。经过实验验证,该分选系统可以实现鲜茶叶的自动识别和分选,识别正确率不低于90%,可对鲜茶叶中的单芽、一芽一叶、一芽二叶、一芽三叶、单片叶、叶梗进行有效的类别分选。     

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。     

基于深度学习的茶嫩芽分割与采摘点定位方法研究

为实现茶嫩芽快速识别与采摘点定位,研究一种轻量级深度学习网络实现茶嫩芽分割与采摘点定位。采用MobileNetV2主干网络与空洞卷积相结合,较好地平衡茶嫩芽图像分割速度与精度的矛盾,实现较高分割精度的同时,满足茶嫩芽快速识别的要求,并设计外轮廓扫描与面积阈值过滤相结合的采摘点定位方法。试验表明：所提出的茶嫩芽分割算法在单芽尖及一芽一叶数据集中精度优异,平均交并比mIoU分别达到91.65%和91.36%;在保持高精度的同时,模型复杂度低,参数量仅5.81 M、计算量仅39.78 GFOLPs;在单芽尖、一芽一叶及一芽两叶数据集中各随机抽取200张图片进行采摘点定位验证,定位准确率分别达到90.38%、95.26%和96.60%。     

基于视觉测量的茶叶嫩芽定位方法研究

针对目前名优茶采摘效率低以及名优茶的采摘具有较强的时效性等问题,提出用双目摄像头定位茶叶嫩芽,以此推动自动化采茶设备的研发。采用双目立体视觉技术获取茶叶嫩芽的三维坐标信息,用于引导采摘机械臂进行自动化采摘作业。试验以茶园中的茶树为研究对象,根据SGBM算法获得一幅视差图像。然后通过OpenCV中reprojectImageTo3D函数得到深度图像,最后对照左摄像机中嫩芽形心在深度图像中的位置,获取茶叶嫩芽的三维坐标信息。实验结果表明,所采用的方案能够较为精确地定位出茶叶三维立体坐标,为后续自主采茶机器人的研发提供了技术支持。     

基于多尺度注意力机制和知识蒸馏的茶叶嫩芽分级方法

相较于人工感官评审法,基于深度学习和计算机技术进行茶叶嫩芽分级可以降低时间成本并大幅提高精度,但常用的识别模型存在着冗余计算量多和模型规格大的问题。为此以采摘自贵州红枫山韵茶场的茶叶嫩芽为研究对象,根据人工经验将茶样划分为3个等级;在ShuffleNet-V2 0.5x基本单元中嵌入多尺度卷积块注意力模块(MCBAM)与多尺度深度捷径(MDS),提出一种茶叶嫩芽分级模型(ShuffleNet-V2 0.5x-SMAU),聚焦茶样中有利于分级的特征信息;以在两个不同源域上预训练后的模型作为教师和学生模型,提出一种结合双迁移和知识蒸馏的茶叶嫩芽分级方法,借助暗知识的传授进一步增强分级模型分类性能与抵抗过拟合的能力。结果表明,本文方法能在保证模型轻量性的条件下,对测试集各级样本的分级准确率达到100%、92.70%、89.89%,表现出优于采用复杂网络模型的综合性能,在储存资源有限和硬件水平低的生产场景中应用具有优越性。     

茶叶嫩芽机器视觉识别算法研究

针对自主采茶机器人,研究了在茶园自然光环境下如何高效识别茶叶嫩芽。针对自然光条件下采集的茶叶图像含有大量噪声的情况,为了避免一些像素值变化剧烈的像素点,根据分析,最终选用双边滤波去噪算法,对茶叶原始图像进行平滑滤波的同时,还能有效保留图形的边缘等有用信息。采用一种新的基于颜色通道调换的算法来增大茶叶嫩芽和老叶以及环境的对比度,然后提取茶叶的颜色特征,进而分割提取出茶叶嫩芽。实验结果表明:基于颜色通道变换的算法具有高效稳定等优点,能够很好地识别茶叶嫩芽,可以满足自主采茶机器人对茶叶嫩芽识别的要求。该算法为后续自主采茶机器人的研发提供了技术支持。     

基于阈值分割法的茶叶嫩芽识别研究

嫩芽识别是实现名优茶智能采摘的前提,因此,利用数码相机采集了清明时期贵州大学和贵州农科院茶园茶叶图像,并以茶叶图像为对象,研究了茶叶嫩芽的识别方法。首先对1KGB颜色模型的色差法（R—B）进行分析,然后以该算子为分割分量,对比研究了多种阈值分割法的优缺点和分割效果。试验结果表明,所研究的分割方法都能有效区分嫩芽和背景,其中ostu法和迭代阈值法的识别效果较好,嫩芽识别准确率为90％左右。     

基于边缘智能的茶叶病害识别

为实现在资源有限的边缘设备上自动识别茶叶病害,提出基于边缘智能的深度学习模型部署方法。首先使用自动化模型剪枝(AMC)算法在PlantVillage数据集上对MobileNetV2进行模型剪枝,然后使用剪枝率为90%时生成的模型AMC-MobileNetV2在自建茶叶病害数据集上进行迁移学习训练,最后将获得的茶叶病害识别模型部署在边缘设备上。试验结果表明,AMC-MobileNetV2与MobileNetV2相比,在模型参数量减少94.5%、存储体积减小93.4%的情况下,提高模型在资源有限边缘设备上的识别速度,对8种茶叶病害识别平均准确率高达97.42%。研究结果可应用于茶园病害防治机器人。     

基于改进版Faster-RCNN的复杂背景下桃树黄叶病识别研究

由于桃树黄叶病(以下简称PTYLD)初期症状不明显,现有的基于深度学习的桃树病害识别技术,存在识别准确率不高、识别品种单一的问题,提出一种基于Faster-RCNN的PTYLD识别模型。为提高模型对PTYLD识别准确率和识别多样性,提出使用RS-Loss函数代替RPN中的交叉熵函数、使用Soft-NMS算法代替原来的NMS算法,来改进Faster-RCNN。通过试验对比初始版和改进版Faster-RCNN对PTYLD的识别效果。试验结果显示,改进后的Faster-RCNN对黄叶病识别的各类别平均准确率mAP达90.56%、召回率达94.16%、准确率达92.53%,能识别常见的五种PTYLD。     

基于深度学习的复杂自然环境下桑树枝干识别方法

在复杂自然环境下完成桑树枝干识别是实现桑叶采摘机智能化的关键部分，针对实际应用中光照条件变化多、桑叶遮挡和桑树分枝多等问题，提出一种基于深度学习的复杂自然环境下桑树枝干识别方法。首先，采用旋转、镜像翻转、色彩增强和同态滤波的图像处理方法扩展数据集，以提高模型的鲁棒性，通过Resnet50目标检测网络模型以及相机标定获得照片中所需的桑树枝干坐标，通过试验发现当学习率设置为0.001，迭代次数设置为600时模型的识别效果最优。该方法对于复杂自然环境中的不同光照条件具有良好的适应性，能够对存在多条分支以及被桑叶遮挡的桑树枝干进行识别并获取坐标信息，识别准确率达到87.42%，可以满足实际工作需求。     

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。     

基于图像处理的茶叶智能识别与检测技术研究进展分析

作为茶叶智能化生产的关键难题之一,基于图像处理的茶叶智能识别与检测技术受到广泛关注。通过综述图像处理技术在茶叶嫩芽识别定位、茶叶病虫害检测、茶叶品种识别与品质检测等方面的研究应用,分析比较各方法的优缺点,总结现有研究存在的主要问题有嫩芽分割受光照影响较大、难以分割含与嫩芽颜色相近背景的图像、枝叶遮挡情况识别效果不理想、缺乏真实背景下茶叶病斑识别算法等。指出基于图像处理的茶叶智能识别与检测技术未来的研究重点:增加不同地域茶叶及品种的样本数据以提高算法普适性;采取多信息融合的方法以求获得更全面的茶叶嫩芽信息;枝叶遮挡严重情况下的识别策略可考虑借助机械装置或风机拨开枝叶,从而避免因枝叶遮挡而导致识别率低的现象发生。     

基于颜色因子与图像融合的茶叶嫩芽检测方法

针对采茶机器人的茶叶嫩芽识别问题,提出一种基于颜色因子与图像融合的茶叶嫩芽图像检测算法。首先对RGB彩图进行ExG、ExG-ExR,MExG,COM2灰度化处理,并进行灰度图归一化处理;然后选择合适的通道,利用Haar和DB2小波进行多通道图像分解、滤波、融合。获得融合后的灰度图像直方图,对直方图形状进行分析,根据嫩芽老叶的面积比与像素数目比确定图像分割阈值。试验结果表明,此算法能充分利用嫩芽与老叶的颜色差异,很好地检测出茶叶嫩芽,SD,Dice,ER,NR分别为63.005%,60.09%,101.235%,6.515%,性能优于Otsu。     

基于深度学习的杂草识别方法研究进展

伴生杂草不仅与作物争夺养分和水分,而且还是多种病虫害的中间寄主,成为困扰作物高效生产的难题。随着深度学习技术的发展,杂草的自动检测和分类识别在清除杂草过程中得到重要应用。首先阐述应用于杂草识别过程中深度学习的硬件需求以及软件实现过程,分析用于深度学习不同硬件的优缺点,阐述深度学习模型建立、训练、模型评估以及模型部署等基本步骤;并重点论述深度学习方法在杂草和作物识别以及杂草分类识别的研究进展。然后指出深度学习数据需求量大,目前无通用数据集,杂草、作物相互遮挡,光照环境复杂,机器作业条件恶劣等情况下识别准确率低的问题。最后提出图像与光谱数据融合、杂草识别模型模块化、杂草长势预测、模型嵌入式部署研究将成为基于深度学习的杂草识别方法未来的研究方向。     

采摘机器人目标识别技术研究——基于机器视觉及深度学习

为了解决采摘机器人识别目标果实难的问题，提出了一种基于机器视觉及深度学习的采摘机器人目标识别技术，可结合图像采集、图像处理、SSD深度学习算法，实现对橘柑的精准识别。试验结果表明：采摘机器人目标识别技术对橘柑具有较高的识别率，证实了该方法的可行性，对采摘机器人研究具有一定的参考价值。     

基于多源图像融合的自然环境下番茄果实识别

蔬果采摘机器人面对的自然场景复杂多变,为准确识别和分割目标果实,实现高成功率采收,提出基于多源图像融合的识别方法。首先,针对在不同自然场景下单图像通道信息不充分问题,提出融合RGB图像、深度图像和红外图像的多源信息融合方法,实现了机器人能够适应自然环境中不同光线条件的番茄果实。其次,针对传统机器学习训练样本标注低效问题,提出聚类方法对样本进行辅助快速标注,完成模型训练;最终,建立扩展Mask R-CNN深度学习算法模型,进行采摘机器人在线果实识别。实验结果表明,扩展Mask R-CNN算法模型在测试集中的检测准确率为98.3%、交并比为0.916,可以满足番茄果实识别要求;在不同光线条件下,与Otsu阈值分割算法相比,扩展Mask R-CNN算法模型能够区分粘连果实,分割结果清晰完整,具有更强的抗干扰能力。     

基于YOLO v5s和改进SORT算法的黑水虻幼虫计数方法

目前农业环境下的无序目标的精确计数有很高的应用需求,这种计数对其生物量、生物密度管理起到了重要的指导作用。如黑水虻幼虫目标追踪过程中,追踪对象具有高速和非线性的特征,常规算法存在追踪目标速度不足和丢失目标后的再识别困难等问题。针对以上问题,本文提出了一种改进SORT算法,通过改进卡尔曼滤波模型的方式提升目标追踪算法的快速性和准确性,提升了计数的精度。另外,针对黑水虻幼虫目标识别过程中幼虫性状的多样性和混料导致的复杂背景问题,本文通过实验对比多种深度学习网络性能选定YOLO v5s算法提取图像多维度特征,提升了目标识别精度。实验结果表明：在划线计数方面,本文提出的改进SORT算法与原模型相比,平均精度从91.36%提升到95.55%,提升4.19个百分点,通过仿真和实际应用,证明了本文模型的有效性;在目标识别方面,使用YOLO v5s模型在训练集上帧率为156f/s,mAP@0.5为99.10%,精度为90.11%,召回率为99.22%,综合性能优于其他网络。     

数据集对基于深度学习的作物病害识别有效性影响

基于深度学习的作物病害自动识别已成为农业信息化领域新的研究热点,为探究数据集的大小和质量对基于深度学习的作物病害识别有效性的影响,研究不同数据集训练得到的模型识别效果并进行了分析.以338张玉米病害数据集为例,对其进行数据增强、移除背景和细分割划分等处理,设计5个AlexNet框架的CNN网络模型并利用不同类型的数据集...     

果实目标深度学习识别技术研究进展

机器视觉技术是果实目标识别与定位研究的关键。传统的目标识别算法准确率较低、检测速度较慢,难以满足实际生产的需求。近年来,深度学习方法在果实目标识别与定位任务中表现出了优良的性能。本文从数据集制备与果实目标识别模型两方面进行综述,总结了数据集制备相关的有监督、半监督和无监督3种方法的特点,按照深度学习算法的发展历程,归纳了基于深度学习的果实目标检测和分割技术的常用方法及其实际应用,轻量化模型的研究进展及其应用情况,基于深度学习的果实目标识别技术面临的问题和挑战。最后指出基于深度学习的果实目标识别方法未来发展趋势为：通过弱监督学习来降低模型对数据标签的依赖性,提高轻量化模型的检测速度以实现果实目标的实时准确检测。