基于彩色分量的骏枣病虫害检测方法

病虫害是骏枣缺陷检测的一项重要内容,易受表面皱褶影响而不易识别,为此提出了一种基于彩色分量和图像形态学的骏枣病虫害检测方法。首先获取病虫害枣各彩色空间图像,在各彩色空间截取正常区域图像1幅、病虫害区域图像4幅,统计图像各彩色分量的灰度均值、灰度变换范围及标准差,计算骏枣正常区域与病虫害区域的灰度均值之差,进行彩色分量筛选,结果为RGB的R分量、CMY的C分量、I1I2I3的I2分量、HSV的S分量和V分量。采用自适应阈值法和图像形态学方法,分割出完整的病虫害。取84粒骏枣样本试验,其中病虫害枣61粒,无病虫害枣23粒,检测结果为:CMY的C分量最优,病虫害识别准确率98%,误判率0。试验证明,该方法基本满足骏枣分级精度的要求。     

基于机器视觉的鲜骏枣大小分级研究

为改善鲜枣人工分选速度慢、效率低的现状,结合图像处理技术对鲜骏枣的质量和大小预测分级。将原图像经过去噪、形态学处理后,得到仅含目标的二值图,提取几何特征,与实际质量拟合建立回归模型,预测鲜骏枣的质量,最后采用判别分析法对大小进行分选。结果表明:使用平均面积、周长、长轴、短轴对鲜骏枣质量进行预测的相关系数达到95.45%,机器视觉技术能够较为准确地实现对质量的预测和分选。     

基于近红外光谱技术的南疆骏枣动态水分模型研究

本文通过建立南疆骏枣在加工过程中的快速、无损动态水分检测模型.从可预测骏枣动态水分的PLS模型中,遴选出的最佳组合为原始光谱+MSC+PLS,其中相关系数由0.6845增加到0.8778,预测残差平方和由0.0285减少到0.0178,预测标准偏差从0.0387减少到0.0298.NIR技术的使用,对于南疆骏枣在加工过...     

基于光纤光谱仪对骏枣浸泡梯度的水分定量检测研究

利用光纤光谱技术对50个骏枣进行浸泡梯度的水分分析,通过选用偏最小二乘法(PLS)建立骏枣浸泡梯度水分定量模型.光谱数据预处理方法分别为光程恒定(Con)、多元散射校正(MSC)、标准正态变换(SNV)、S-G平滑.在骏枣浸泡20～60 min内,含水率检测精度较低,无法精准预测骏枣的品质信息;在骏枣浸泡120 min...     

滴灌对塔里木灌区骏枣根系分布的影响研究

以期为确定塔里木灌区骏枣灌水量、施肥方式、越冬防寒、采样区域等提供科学依据,采用整树挖根和环状壕沟分层相结合方法观察滴灌条件下骏枣根系的分布规律。结果表明,垂直方向上根系全部分布在地表以下50cm土层中,90%以上根系主要分布在0～40cm土层中,其中10～40cm土层根系约占总量的80%以上;水平方向根系全部分布在距植株80cm土层中,80%的根系主要分布距植株60cm以内的土层中,其中距植株40cm以内土层中根系占全部根系数量60%以上。因此得出,滴灌条件下骏枣根系分布较集中,但不呈对称性,有明显的向水、向肥生长特性,根系分布较浅,应注意防冻减灾。     

土壤含水量对骏枣裂果和品质的影响研究

裂果是造成枣树产业损失的主要灾害性生理病害,而枣裂果主要是由于降雨导致的,目前从水分生理的角度阐明裂果的机制尚不明确.选择我国栽培面积最大品种之一骏枣为试材,采用了滴灌控水的方法,从白熟期到全红期分别将田间土壤含水量控制在45％±5％、60％±5％、80％±5％3个水平.结果表明:各时期土壤含水量80％均发生裂果现象....     

偏振光谱在枣叶无损检测中的应用

红枣通过光谱无损检测技术可以快速预测红枣水分、糖分等参量,而将偏振光谱技术应用于红枣叶片的无损检测可以快速对枣叶的水分、叶绿素进行预测,进而预测枣树的生长状态.利用近红外偏振光谱技术对南疆红枣叶片含水量和叶绿素含量进行无损检测,分别选用偏最小二乘法(PLS)和主成分回归分析法(PCR)的化学计量学方法建立红枣叶片校正模...     

林下养殖对阿拉尔骏枣产量、品质及效益的影响

随着近些年土地快速开发,红枣产业的快速发展,阿拉尔垦区红枣种植面临巨大挑战,矮化密集种植模式追求高产丰收已经不能满足市场要求,提高红枣品质平衡红枣产量才能在市场上立于不败之地。本研究经过对比,传统的以化肥为主的种植方式会产生土壤次生盐渍化,制约红枣产业发展。林下养殖种植方式可以减少表层土壤盐渍化,改良表层土壤,提高红枣品质和产量,提高枣园效益。本研究为阿拉尔红枣骏枣种植和红枣产业健康发展提供参考。     

基于编码点阵结构光的苹果果梗/花萼在线识别

为解决苹果机器视觉自动分级时果梗/花萼识别的难题,提出一种基于位置变化的点阵结构光编码方法,并用于苹果果梗/花萼的在线检测。通过分析投射在物体和参考平面上光斑的成像规律,提出将光斑的位置变化作为编码基元;在二元域中,利用编码基元生成M阵列,将其作为近红外点阵结构光的编码模式;通过分析匹配后的差值矩阵,识别果梗/花萼的位置。在线实验结果表明:该方法可以有效地实现果梗/花萼的在线识别,在满足实时性要求前提下,平均识别正确率可达到93.17%。     

南疆骏枣滴灌灌水量对不同生育期生长及土壤水分的影响

研究南疆和田地区滴灌条件下不同灌水量对骏枣萌芽期、新梢期和花期生长的影响及土壤水分动态变化情况.通过设置5个水分梯度,研究其对南疆骏枣树新稍、叶片、枣吊生长特征及土壤含水量动态变化的影响.灌水量处理为6300 m3/hm2时新稍增长速度最快,枣树叶片长、枣吊长、开花数生长量均较其他处理明显提高.此时萌芽期平均耗水强度最...     

基于双切圆寻线模型的农机导航控制方法

针对油菜直播机组导航作业中田头换行、转弯等直线跟踪之间的衔接控制问题,设计了一种适用于2BFQ-6型油菜精量联合直播机导航的双切圆寻线模型控制方法。对初始偏差较大时拖拉机的寻线路径进行了定量分析,获得最优寻线路径的几何关系,依据该关系构建控制决策方法。所建决策方法根据拖拉机位姿状态选择相匹配的控制方程组,计算获得前轮转角以实现导航控制。进行了双切圆寻线模型参数仿真优化和性能与适应性仿真试验。使用该模型控制器进行拖拉机路面导航试验,结果表明:当行驶速度为0.7 m/s,拖拉机与目标直线初始横向偏差为7 m,初始航向偏角为90°时,控制器横向偏差响应的超调量不超过3%,上升时间小于14 s,调节时间不大于19 s,较纯追踪模型方法的超调量和调节时间更小;田间和路面试验结果表明:该模型控制方法对2BFQ-6型油菜精量联合直播机导航作业过程中的对行播种起始位姿调整和套行作业自动转弯操作具有指导价值。     

基于IM-SSD+ACO算法的整株大豆表型信息提取

为了减少检测整株大豆豆荚及茎秆时相互遮挡对精度造成的影响,提出了一种基于卷积神经网络的大豆豆荚及茎秆表型信息检测方法,根据大豆植株的生长特征和卷积网络的特点,对单次多框检测器(Single shot multibox detector, SSD）进行了改进。与传统SSD相比,改进SSD（IM-SSD）具有更好的抗干扰能力和自学习能力。首先,通过大豆植株图像采集平台获取收获期的大豆植株图像,建立大豆植株RGB空间图像数据集,将数据集分为训练集、测试集和验证集,对训练集进行颜色变换、图像平移、旋转和缩放等方式实现数据的扩增,提高网络的泛化能力。其次,提出一种针对大豆植株图像中豆荚和茎秆的标注方法,仅对未被遮挡的部分进行标注,目的是降低遮挡产生的误判。IM-SSD是在传统SSD结构的基础上增加2个残差层,使用低层特征图融合到高层特征图来增强对小目标的检测能力,提高网络的识别率,输入图像尺寸为600像素×300像素,降低压缩变形带来的影响。对比试验结果表明,IM-SSD的平均精度比SSD300高7.79个百分点,比SSD512高3.83个百分点。由于卷积神经网络获得的大豆植株茎秆定位是分段的,不能体现茎秆的真实特征,提出了一种基于蚁群优化（Ant colony optimization, ACO）算法的大豆植株茎秆提取方法,利用ACO结合IM-SSD的结果提取完整的大豆植株茎秆。最后,通过豆荚定位和大豆植株茎秆提取获得了大豆植株的部分表型信息,包括全株荚数、株高、有效分枝数、主茎与株型。     

瞬时功率理论谐波检测方法的仿真模型研究

介绍瞬时功率理论以及基于其理论的两种谐波检测方法.利用MATLAB仿真软件中的SimPower工具箱对谐波电流检测方法进行建模和仿真,详细介绍仿真模型的建立方法及各个模块的仿真模型,通过仿真研究验证两种谐波检测方法的正确性和措施的有效性.     

电极法检测土壤硝态氮的干扰因素与测量模型研究

基于电极法的土壤硝态氮检测中,共存氯离子、温度变化、土壤水分是影响检测精度的重要因素。为消除干扰因素影响,进行测量模型的研究,基于电极检测原理与最小二乘法多元线性回归进行建模的理论分析,并研究考虑土壤水分影响后湿土直测的校正方法;开展建模集溶液检测实验,探讨各干扰因素对检测结果的影响,并根据建模集64个观测值分别建立25℃的一元线性回归模型(基础模型)、25℃的多元线性回归模型(硝酸根与氯离子浓度同时测量)和5~30℃的多元温度校正模型(温度变化较大时硝酸根与氯离子浓度同时测量);开展验证集溶液检测实验,验证并比较3种模型的可适用性;并开展不同含水率的湿土直测实验,验证湿土直测校正公式的准确性。结果表明,在温度变化、氯离子共存的条件下,25℃的多元线性回归模型效果最佳(硝酸根离子与氯离子浓度的测量误差分别在-8.37%和-12.03%内),满足多组分现场速测的精度要求;用湿土直测校正公式代替繁琐费时的土壤前处理,可有效减小土壤水分引起的误差。因此,利用多元线性回归模型结合湿土直测校正公式进行电极法土壤硝态氮的检测,可减小干扰因素影响、有效提高现场检测的时效性与准确性。     

基于YOLO v5-MDC的重度粘连小麦籽粒检测方法

小麦籽粒检测在千粒质量计算及作物育种方面有着重要应用,重度粘连籽粒的有效检测是其关键。本研究设计了一种YOLO v5-MDC的轻量型网络用于重度粘连小麦籽粒检测。该网络在YOLO v5s检测网络的基础上,用混合深度可分离卷积(Mixed depthwise convolutional, MDC)模块进行改进,同时将MDC模块与压缩激励(Squeeze and excitation, SE)模块相结合,以达到在基本不损失模型精度的前提下减少模型参数的目的。YOLO v5-MDC网络将YOLO v5s特征提取网络骨干部分的卷积、归一化、激活函数(Convolution, Batch normal, Hardswish, CBH)模块替换为MDC模块,减少了模型的参数,经过500次迭代训练,模型的精确率P为93.15%,召回率R为99.96%,平均精度均值(mAP)为99.46%。根据模型在测试集上的检测效果,本研究探究了训练次数、不同光源与不同拍摄距离对模型检测结果的影响,统计结果表明,在绿色光源下模型检测精确率最高,为98.00%,在5 cm拍摄高度下图像的检测精确率最高,为98.60%...     

基于改进CenterNet的小麦条锈病菌夏孢子自动检测方法

针对孢子捕捉设备采集的显微图像中真菌夏孢子自动检测存在严重的误检和漏检问题,提出一种基于改进CenterNet的小麦条锈病菌夏孢子自动检测方法。首先,针对夏孢子显微图像孢子目标微小、种类少等特点,通过减半Basic Block层数,优化CenterNet网络中的特征提取网络,提高了检测和训练速度,降低了误检率;其次,根据孢子形态为近椭圆或圆形的特点,将原始用于CenterNet训练的目标长宽,改进为目标的椭圆框长短轴长度和角度,提高了孢子分割重合率;最后,提出使用椭圆的长短轴映射矩形来计算椭圆框热图的高斯核半径,以减少孢子的漏检率。实验结果表明,改进的CenterNet夏孢子检测方法对小麦条锈病菌夏孢子检测的识别精确率达到了98.77%,重叠度为83.63%,检测速度为41f/s,达到了实时检测的应用需求,比原始的CenterNet模型重叠度提高了7.53个百分点,检测速度快11f/s,模型占用内存降低了68.5%。本文方法能够精准检测并分割出显微图像中的夏孢子,可为农田空气中小麦条锈病菌夏孢子的自动检测及条锈病的早期预防控制提供技术支持。     

基于YOLO v5s的作物叶片病害检测模型轻量化方法

为在保证识别性能前提下,对叶片病害检测模型进行有效轻量化,基于主干替换、模型剪枝以及知识蒸馏技术构建了一种模型轻量化方法,对以YOLO v5s为基础的叶片黄化曲叶病检测模型开展轻量化试验。首先,通过常见的性能优异的轻量级主干特征提取神经网络结构（Lightweight convolutional neural networks,LCNN）替换YOLO v5s主干对模型主体进行缩减;然后利用模型稀疏化训练和批归一化层（Batch normalization layer）的缩放因子分布状况,筛选并删减不重要的通道;最后,通过微调重新训练以及知识蒸馏,将模型精度调整到接近剪枝前的水平。试验结果表明,经轻量化处理的模型精确率、召回率和平均精度分别为91.3%、87.4%和92.7%,模型内存占用量为1.4 MB,台式机检测帧率81.0f/s,移动端检测帧率1.2f/s,相比原始YOLO v5s叶片病害检测模型,精确率、召回率和平均精度下降3.7、4.6、2.7个百分点,内存占用量仅为处理前的10%,台式机和移动端检测的帧率分别提升近27%和33%。本文所提出的方法在保持模型性能的前提下对模型有效轻量化,为移动端叶片病害检测部署提供了理论基础。     

基于改进U-Net模型的小麦收获含杂率在线检测方法

含杂率是小麦机械化收获重要指标之一,但现阶段我国小麦收获过程含杂率在线检测难以实现。为了实现小麦机械化收获过程含杂率在线检测,本文提出基于结合注意力的改进U-Net模型的小麦机收含杂率在线检测方法。以机收小麦样本图像为基础,采用Labelme手工标注图像,并通过随机旋转、缩放、剪切、水平镜像对图像进行增强,构建基础图像数据集;设计了结合注意力的改进U-Net模型分类识别模型,并在torch 1.2.0深度学习框架下实现模型的离线训练;将最优的离线模型移植到Nvidia jetson tx2开发套件上,设计了基于图像信息的含杂率量化模型,从而实现小麦机械化收获含杂率在线检测。试验结果表明：针对不同模型的训练结果,结合注意力的改进U-Net模型籽粒和杂质分割识别F1值分别为76.64%和85.70%,比标准U-Net高10.33个百分点和2.86个百分点,比DeepLabV3提高10.22个百分点和11.62个百分点,比PSPNet提高18.40个百分点和14.67个百分点,结合注意力的改进U-Net模型对小麦籽粒和杂质的识别效果最好;在台架试验和田间试验中,装置在线检测含杂率均值分别为1...     

基于IFSSD卷积神经网络的柚子采摘目标检测模型

为了解决柚子采摘时传统水果检测模型对于小目标柚子漏检和将叶子误检为膨大期柚子的问题,设计了一种改进的特征融合单镜头检测器(Inception V3-feature fusion single shot-multibox detector,IFSSD)。该检测器以特征融合单发多盒探测器(Feature fusion single shot-multibox detector,FSSD)为基础检测器,以改进的Inception V3网络作为骨干网络代替超深度卷积神经网络(Very deep convolutional networks 16,VGG16),从而提高了计算效率,同时使用Focal Loss损失函数代替Multibox Loss损失函数,进而改善了由于正负样本不平衡导致的检测器误检情况。对测试数据集进行检测,结果表明,该模型的检测准确率为93. 7%(IoU大于0. 5),在单个NVIDIA RTX 2060 GPU上每幅图像检测时间为29 s。本文模型可以实现树上柚子的自动检测。     

基于最小外接圆法的苹果直径检测技术

水果大小是水果机器视觉自动分选的重要依据。以苹果为研究对象,提出了一种利用最小外接圆检测苹果直径的方法。苹果样本为12枚,共计144幅苹果图像,经过图像处理后,获取每个苹果的12个近似圆度,选取最小近似圆度对应的外接圆像素直径作为该苹果的像素直径。通过对8组苹果像素直径和近似圆度与实测直径进行二元拟合,得到拟合方程,其相关系数为0.988。利用此方法估测苹果直径的绝对误差在±1.8 mm以内,同时能够确定果梗-花萼轴线与摄像机的光轴接近重合的那幅图像。该方法为利用图像中的水果姿态进行检测直径提供了新的思路。