基于计算机视觉的储粮活虫检测系统软件设计

介绍了基于计算机视觉的储粮活虫检测系统软件部分各环节的具体实现。系统运用基于标记点透视变换的图像配准方法,对近红外图像进行倾斜、变形等校正;采用基于双区域连通阈值面积比的区域生长法判别出近红外图像中的活虫;融合多源图像的信息,准确定位出可见光图像中的活虫。提取出活虫的21个整体形态学特征和7个局部形态学特征,把特征空间优化为7维,运用SAA-SVM分类器进行识别分类。结果表明,检测系统对15类活虫的正确识别率达到94.8%。     

基于计算机视觉的储粮活虫检测系统硬件设计

设计了基于可见光-近红外计算机视觉的储粮活虫检测系统,该系统主要由粮虫自动分离子系统、粮虫传输子系统、光照箱、图像采集子系统4部分组成。粮虫自动分离子系统可从粮食样本中快速、有效地分离出粮虫,并进行自动除尘;粮虫传输子系统可准确接收筛下物,并输送采集盒到图像视觉采集部分的正下方以供图像采集;光照箱可为采集盒中的筛下物提供均匀的可见光-近红外波段的漫反射光;图像采集子系统可同时采集筛下物的近红外图像和可见光图像。系统对危害严重的9类储粮活虫的筛分率达到96.06%。实验验证了该系统的可行性。     

基于近红外高光谱成像的粮虫生命体征检测研究

快速、准确地检测出粮虫的生命体征是粮虫有效综合防治的关键。用液氮低温猝死法杀死粮虫谷蠹,利用构建的近红外高光谱成像系统采集谷蠹的高光谱图像。随着粮虫死亡时间的延长,粮虫相对光谱反射率逐渐增大。提出了基于最大离差法的最优特征波长提取方法,提取出可区分活虫和死虫的最优波长为1 417.2nm。应用区域生长法分割粮虫的图像,并由固定阈值法进行粮虫的自动判别。自粮虫死亡后的第2.5天开始,活虫的识别率达到100%。粮虫图像平均灰度值和其体内的ATP合成酶活性、蛋白质含量之间具有很强的负指数相关关系,与水分含量之间具有很强的负线性相关关系。由此表明,利用近红外高光谱成像系统鉴别粮虫的生命体征是可行的。     

牛肉味觉品质快速检测的传感器阵列优化方法

为了快速辨识不同味觉品质的牛肉汁,对牛肉味觉品质等级进行划分,构建了由12个离子电极与1个参比电极组成的味觉传感器阵列,将该阵列应用于牛肉汁的等级辨识中,评价30组牛肉汁样品味觉品质等级。采用基于欧氏距离的聚类分析方法划分牛肉味觉品质等级。针对牛肉汁味觉品质评价自动化关键技术问题,对用于牛肉汁等级评价的传感器阵列进行了筛选优化。采用单因素方差分析对各离子电极响应信号之间的内在关联进行了研究,根据优化结果选择S1、S2、S5、S7、P2、P3离子电极构建新的传感器阵列,并对30组牛肉汁进行评价。试验结果表明:优化后的传感器阵列对牛肉汁的等级评定正确率为93.33%,高于未经优化的传感器阵列的等级评定正确率(80.00%)。     

基于近红外光谱的面粉灰分含量快速检测方法

针对目前面粉灰分含量的检测方法存在操作繁琐、耗时长、费时费力和检测效率低等问题,运用近红外光谱分析技术检测面粉的灰分含量,选择最优的光谱预处理方法和光谱范围,采用偏最小二乘法(PLS)及BP神经网络算法进行定量分析研究。结果表明:采用偏最小二乘法(PLS)所建的定量分析模型的决定系数R2为90.66,预测均方根误差RMSEP为0.055 3,总偏差为0.0279 3;用BP神经网络预测总偏差为0.036 7。研究发现,近红外光谱技术用于快速无损检测面粉灰分含量是可行的,且PLS、BP神经网络算法可进行面粉灰分含量预测。     

基于嗅觉和光谱技术融合的面粉脂肪酸值定量检测

提出了一种基于比色传感器数据和近红外光谱特征融合的储藏期面粉脂肪酸值的定量检测方法.开发比色传感器阵列、搭建便携式近红外光谱测量系统,分别采集不同储藏期面粉样本的比色传感器数据和近红外光谱.利用主成分分析分别对预处理后的比色传感器数据和近红外光谱数据进行特征降维,采用五折交互验证法在反向传播神经网络(BPNN)模型校正...     

基于多传感器人工嗅觉系统的土壤有机质含量检测方法

为了实现对土壤有机质含量的快速、方便、准确测量,本文提出了一种基于多传感器人工嗅觉系统的土壤有机质含量检测方法。选取10个不同型号的氧化物半导体式气体传感器组成传感器阵列,并采用不同浓度的硫化氢、氨气和甲烷等标准气体对传感器阵列进行了响应测试,从响应曲线可以看出,传感器阵列对不同浓度、种类的标准气体皆有响应且响应结果不同,随着标准气体浓度的增大传感器阵列的响应曲线也随之上升,表明传感器阵列具有较高的特异性和一定的交叉敏感性。提取每个传感器土壤气体响应曲线上的响应面积、最大值、平均微分系数、方差、平均值和最大梯度6个特征构建人工嗅觉特征空间。采用偏最小二乘法回归(PLSR)、支持向量机回归(SVR)和BP神经网络(BPNN)算法建立人工嗅觉特征空间与土壤有机质含量关系的预测模型,使用决定系数(R²)、均方根误差(RMSE)和绝对平均误差(MAE)评估预测模型的性能。试验结果表明,PLSR、BPNN、SVR测试集的R²分别为0.808 78、0.871 79和0.919 57,RMSE分别为3.678 4、3.161 4、2.425 4 g/kg...     

基于密度估计和VGG-Two的大豆籽粒快速计数方法

为快速准确计数大豆籽粒,提高大豆考种速度和育种水平,本研究提出了一种基于密度估计和VGG-Two（VGG-T）的大豆籽粒计数方法。首先针对大豆籽粒计数领域可用图像数据集缺乏的问题,提出了基于数字图像处理技术的预标注和人工修正标注相结合的快速目标点标注方法,加快建立带标注的公开可用大豆籽粒图像数据集。其次构建了适用于籽粒图像数据集的VGG-T网络计数模型,该模型基于VGG16,结合密度估计方法,实现从单一视角大豆籽粒图像中准确计数籽粒。最后采用自制的大豆籽粒数据集对VGG-T模型进行测试,分别对有无数据增强的计数准确性、不同网络的计数性能以及不同测试集的计数准确性进行了对比试验。试验结果表明,快速目标点标注方法标注37,563个大豆籽粒只需花费197 min,比普通人工标注节约了1592 min,减少约\mathrm{96}\%的人工工作量,大幅降低时间成本和人工成本;采用VGG-T模型计数,其评估指标在原图和补丁（patch）情况下的平均绝对误差分别为\mathrm{0.6}和\mathrm{0.2},均方误差为0.6和0.3,准确性高于传统图像形态学操作以及ResNet18、ResNet18-T和VGG16网络。在包含不同密度大豆籽粒的测试集中,误差波动较小,仍具有优良的计数性能,同时与人工计数和数粒仪相比,计数11,350个大豆籽粒分别节省大约\mathrm{2.493}\text{?}\mathrm{h}和\mathrm{0.203}\text{?}\mathrm{h},实现大豆籽粒的快速计数任务。     

基于拉曼光谱和自荧光光谱的柑橘黄龙病快速检测方法

为了快速检测黄龙病这一柑橘毁灭性病害,分析了柑橘黄龙病样本和健康样本的自荧光和拉曼光谱差异,建立了基于自荧光光谱、拉曼光谱和混合光谱的PLS-DA模型,进行了模型的结果比较,最后绘制了三种模型的分类器特征曲线ROC,通过曲线下面积AUC参数进一步评价了模型的性能。试验结果表明,柑橘黄龙病叶片样本和健康叶片样本的自荧光光谱和拉曼光谱存在差异信息。在785nm波长激光诱导下,柑橘叶片样本都产生了比较强的自荧光。黄龙病叶片的自荧光相对于健康样本的自荧光在小于1203cm ^-1范围更弱,而在大于1206cm ^-1范围更强,其下降的斜率（绝对值）相对健康样本更小。在典型的黄龙病样本和健康样本的拉曼光谱数据中,均可发现具有以下拉曼峰且具有一致性：920cm ^-1,1160cm ^-1,1289cm ^-1,1331cm ^-1和1529cm ^-1。黄龙病样本和健康样本相比在1257cm ^-1、1396cm ^-1、1446cm ^-1、1601 cm ^-1和1622cm ^-1具有更大的拉曼峰值强度和光谱带宽,在1006cm ^-1、1160cm ^-1、1191cm ^-1和1529cm ^-1位置谱峰强度较弱,提示黄龙病样本的类胡萝卜素含量较低。基于自荧光光谱、拉曼光谱和混合光谱三种光谱的PLS-DA模型鉴别的准确率分别为86.08%、98.17%和94.75%。进一步计算三种模型的ROC曲线下面积AUC参数分别为0.9313、0.9991和0.9875,拉曼光谱模型的AUC值最大,也表明拉曼光谱模型的鉴别效果最优。拉曼光谱分析技术可以成为探索柑橘黄龙病快速诊断鉴别的新途径。     

基于机器视觉的储粮害虫智能检测系统硬件设计

介绍了基于机器视觉的储粮害虫智能检测系统的硬件组成，该系统主要取样传送机构，均匀光照室和视觉系统3部分组成，取样传送机构可吸取任意检测点的粮食样本，并自动单层呈现给视觉检测系统，光照室可为CCD摄像机的视区提供均匀，恒定的无影光照；视觉系统可实时采集粮食样本的序列图像信息，并由计算机进行处理与识别，现场试验验证了该系统的可行性。     

基于改进YOLO v4的荔枝病虫害检测模型

为实时准确地检测到自然环境下背景复杂的荔枝病虫害,本研究构建荔枝病虫害图像数据集并提出荔枝病虫害检测模型以提供诊断防治。以YOLO v4为基础,使用更轻、更快的轻量化网络GhostNet作为主干网络提取特征,并结合GhostNet中的核心设计引入更低成本的卷积Ghost Module代替颈部结构中的传统卷积,得到轻量化后的YOLO v4-G模型。在此基础上使用新特征融合方法和注意力机制CBAM对YOLO v4-G进行改进,在不失检测速度和模型轻量化程度的情况下提高检测精度,提出YOLO v4-GCF荔枝病虫害检测模型。构建的数据集包含荔枝病虫害图像3725幅,其中病害种类包括煤烟病、炭疽病和藻斑病3种,虫害种类包括毛毡病和叶瘿蚊2种。试验结果表明,基于YOLO v4-GCF的荔枝病虫害检测模型,对于5种病虫害目标在训练集、验证集和测试集上的平均精度分别为95.31%、90.42%和89.76%,单幅图像检测用时0.1671s,模型内存占用量为39.574MB,相比改进前的YOLO v4模型缩小84%,检测速度提升38%,在测试集中检测平均精度提升4.13个百分点,同时平均精度比常用模型YOLO v4-tiny、EfficientDet-d2和Faster R-CNN分别高17.67、12.78、25.94个百分点。所提出的YOLO v4-GCF荔枝病虫害检测模型能够有效抑制复杂背景的干扰,准确且快速检测图像中荔枝病虫害目标,可为自然环境下复杂、非结构背景的农作物病虫害实时检测研究提供参考。     

基于机器视觉的储粮害虫智能检测系统软件设计

介绍了基于机器视觉的储粮害虫智能检测系统软件部分各主要环节的具体实现。该系统运用图像差分法及自适应图像增强法提高粮虫样本图像的质量，利用改进的直方图阈值将粮虫从背景中分割开来，并运用数学形态学处理法进行了滤波。以提取出的粮虫面积、周长、复杂度为特征，运用基于模糊决策的分类器对粮仓中常见的9种、7类害虫进行分类，识别正确率达到95.2%。     

基于粮温时空相关性的储粮数量监管方法研究

针对我国储备粮人工稽核费时、费工等问题,提出了基于粮温时空相关性的储粮数量监管方法。首先,分析粮堆测温平面的自相关性与互相关性,检测粮堆异常发生的日期与平面;然后,分析粮堆异常日期内异常平面上测温线的自相关性,检测发生异常的测温线;接着分析异常测温线上测温点的自相关性,检测并统计异常点的个数;最后,根据异常点个数判定异常种类,进而实现储粮数量监管。在3个储粮区(低温区、中温区、高温区)中分别选取粮仓粮温进行相关性分析,根据分析结果设定测温平面自相关系数阈值为0. 8,互相关系数变化率阈值区间为[-0. 15 d~(-1),0. 15 d~(-1)];测温线的自相关系数阈值为0. 8;测温点的自相关系数阈值为0. 8;同时分析结果显示,短周期内测温线与点的互相关性无法作为异常判定依据。进行了储量监管试验,试验结果表明,基于粮温时空相关性的储粮数量监管方法不仅能够实现储粮数量监管,同时能够检测出粮堆发热等异常变化。     

基于Android的玉米病虫害机器视觉诊断系统研究

为了使农业智能诊断系统更加廉价、便捷,有效地为普通农户服务,提出了一种基于Android手机的农业病虫害智能诊断系统。该系统使用Android智能手机对玉米病虫害部分进行图片拍摄,并将图像利用无线网上传至Web服务器,利用分割和匹配算法对病虫害部分进行智能化分析,最终将结果传输到手机用户端。为实现图像匹配的特征点提取,采用高斯差分的方法对图像进行分割和精确定位,使用聚类算法对匹配效果进行优化,并利用特征点的无限逼近,完成病虫害图像的匹配,从而诊断病虫害的类型。上传后的图像和Web服务器的规则库的图像进行匹配后可以生成病虫害的匹配结果信息,该信息可以通过Android智能系统接收,最终反馈给农户的手机客户端。通过测试发现:玉米病虫害诊断系统可从多幅图像里有效地对病虫害类型进行匹配,匹配成功率较高,系统的稳定性较好,具有很好的推广前景。     

基于深度学习与高光谱成像的蓝莓果蝇虫害无损检测

针对蓝莓果蝇虫害分类识别存在效率低、准确度差等问题,采用深度学习方法对采集的蓝莓高光谱图像进行数据处理与分析,以实现蓝莓果蝇虫害的无损检测。首先蓝莓高光谱图像采用PCA进行降维,优选数据集PC2与PC3并进行拼接得到最佳数据集PC23,对数据集中图像进行旋转90°、旋转180°、模糊、高亮、低亮、镜像和高斯噪声共7种增强操作,使各数据集容量扩增为原始容量的18倍。然后采用VGG16、InceptionV3与ResNet50深度学习模型对蓝莓果蝇虫害图像进行检测,均取得了较高的识别准确率。其中ResNet50模型效率最高,且ResNet50模型的准确率最高,达到92.92%,损失率最低,仅有3.08%,因此ResNet50模型在蓝莓果蝇虫害无损检测方面整体识别效果最佳。为了进一步提高蓝莓果蝇虫害无损检测性能,从ECA注意力模块、Focal Loss损失函数与Mish激活函数3方面对ResNet50模型进行了改进,构建了改进的im-ResNet50模型。得出im-ResNet50模型识别准确率达95.69%,损失率为1.52%。试验结果表明, im-ResNet50模型有效提升了蓝莓果蝇虫害识别能力。采用Grad-CAM分析了im-ResNet50模型可解释性,能够快速、准确地无损检测蓝莓果蝇虫害。     

数字化粮情检测智能温湿度传感器

为满足粮情测控系统实现全数字化的要求，研制出一种基于一线总线的粮情检测智能温湿度传感器。提出了以简单硬件电路结构为基础，通过软件补偿与校正技术提高传感器测量精度的方法。测试结果表明，该传感器具有较高的测量精度。     

基于CBAM-YOLO v7的自然环境下棉叶病虫害识别方法

针对自然环境下棉花叶片病害检测难度大和人工设计特征提取器难以获取与棉叶病虫害相近特征表达的问题,提出一种改进的注意力机制YOLO v7算法（CBAM-YOLO v7）。该模型在YOLO v7模型基础上,在Backbone与Head中间增加注意力机制CBAM,并在Head部进行4倍下采样,然后将CBAM-YOLO v7模型用于棉叶病虫害识别,并与YOLO v5和YOLO v7进行对比试验。试验结果表明：蚜虫和正常叶片检测方面,YOLO v7可取得好的检测结果;CBAM-YOLO v7对黄萎病、棉盲蝽、红蜘蛛棉叶病虫害图像检测的准确率高于其他模型。CBAM-YOLO v7的mAP为85.5%,相较于YOLO v5提高21个百分点,相较于YOLO v7提高4.9个百分点;单幅图检测耗时为29.26ms,可为棉叶病害在线监测提供理论基础。     

基于ESDA与GIS的粮食综合生产能力空间分布研究——以河北省为例

粮食安全是关系到国民经济发展的重大战略性问题,粮食综合生产能力是解决粮食安全问题的核心.为此,运用空间自相关方法与空间回归模型,对研究区内粮食综合生产能力的空间分布格局及其成因分析,为河北省粮食安全和土地利用管理的决策提供支持.