基于红外热成像的夜间农田实时语义分割

农田环境实时语义分割是构成智能农机的视觉环境感知的重要环节,夜间农田语义分割可以使智能农机在夜间通过视觉感知农田环境进行全天候作业,而夜间无光环境下,可见光摄像头成像效果较差,将造成语义分割精度的下降。为保证夜间农田环境下红外图像语义分割的精度与实时性,该研究提出了一种适用于红外图像的红外实时双边语义分割网络(Infrared Real-time Bilateral Semantic Segmentation Network,IR-BiSeNet),根据红外图像分辨率低,细节模糊的特点该网络在实时双边语义分割网络(Bilateral Semantic Segmentation Net,BiSeNet)结构基础上进行改进,在其空间路径上,进一步融合红外图像低层特征,在该网络构架中的注意力提升模块、特征融合模块上使用全局最大池化层替换全局平均池化层以保留红外图像纹理细节信息。为验证提出方法的有效性,通过在夜间使用红外热成像采集的农田数据集上进行试验,数据集分割目标包括田地、行人、植物、障碍物、背景。经试验验证,提出方法在夜间农田红外数据集上达到了85.1%的平均交并比(Mean Inter...     

采用改进CenterNet模型检测群养生猪目标

为实现对群养环境下生猪个体目标快速精准的检测,该研究提出了一种针对群养生猪的改进型目标检测网络MF-CenterNet（MobileNet-FPN-CenterNet）模型,为确保目标检测的精确度,该模型首先以无锚式的CenterNet为基础结构,通过引入轻量级的MobileNet网络作为模型特征提取网络,以降低模型大小和提高检测速度,同时加入特征金字塔结构FPN（Feature Pyramid Networks）以提高模型特征提取能力,在保证模型轻量化、实时性的同时,提高遮挡目标和小目标的检测精度。该研究以某商业猪场群养生猪录制视频作为数据源,采集视频帧1 683张,经图像增强后共得到6 732张图像。试验结果表明,MF-CenterNet模型大小仅为21 MB,满足边缘计算端的部署,同时对生猪目标检测平均精确度达到94.30%,检测速度达到69 帧/s,相较于Faster-RCNN、SSD、YOLOv3、YOLOv4目标检测网络模型,检测精度分别提高了6.39%、4.46%、6.01%、2.74%,检测速度分别提高了54、47、45、43 帧/s,相关结果表明了该研究所提出的改进型的轻量级MF-CenterNet模型,能够在满足目标检测实时性的同时提高了对群养生猪的检测精度,为生产现场端的群养生猪行为实时检测与分析提供了有效方法。     

基于改进YOLOv5s的黑皮鸡枞菌检测方法

为解决黑皮鸡枞菌种植环境下背景土壤与菌菇辨识度较低、样本分布密集、类间相互遮挡等问题,该研究提出一种基于改进YOLOv5s的目标检测方法。首先,在骨干网络中融入RFBSE模块,使网络关注重点区域,通过施加通道注意力机制,增强对黑皮鸡枞菌特征表达能力;其次,设计多分支采样DCSPP池化模块,加强局部信息与全局信息的融合;第三,在颈部网络采用RFP结构,通过添加额外反馈信息促进语义信息传递,增强鸡枞菌样本密集遮挡场景下的检测能力,对RFP结构级联方式及网络间融合结构做轻量化处理,降低参数计算量和内存使用。试验结果表明,通过添加RFBSE模块,多分支池化模块以及采用递归金字塔结构对模型检测能力均有不同提升效果,最终模型平均精度均值mAP、精确率、召回率分别达到90.8%、86.5%、84.8%。对比原YOLOv5s模型算法,mAP、精确率、召回率分别提高2.7、3.8、3.9个百分点,并通过生成热力图提高模型检测过程的可解释性。试验结果表明改进后的模型可在复杂环境下准确、快速地识别黑皮鸡枞菌,为黑皮鸡枞菌采摘机器人的开发提供技术支持。     

基于改进湍流模型和偏振成像技术的水下退化图像复原方法

为了满足工厂化水产养殖中过程控制的信息化要求,该文提出一种基于改进湍流模型结合偏振成像技术,具有较强鲁棒性的水下退化图像复原方法。考虑内外尺度对波结构函数影响,结合折射率谱,改进水下湍流退化模型以提高复原算法先验知识的完备性;基于改进的退化模型和水下前向散射光的偏振特性,利用偏振成像技术提取退化图像中的噪声特征;基于退化图像噪声特征,采用约束最小二乘滤波法进行退化图像复原;最后,对复原效果进行相应比较,结果表明在强湍流条件下本算法具有更为理想的复原效果。该研究可为复杂水流条件下水下退化图像复原方法研究提供参考。     

基于增强型Tiny-YOLOV3模型的野鸡识别方法

智慧农业病虫害检测技术发展迅猛,而对农作物具有危害的鸟类检测技术尚处于起步阶段,近年来由于生态改善,野鸡繁殖数量激增,其喜食小麦、玉米、红薯等农作物的种子与幼苗,对农业造成一定危害。该研究提出了一种适宜于嵌入式系统部署的人工智能野鸡识别方法。由于在野外环境下移动平台上部署,需采用轻量级网络,同时保证检测精度与实时性,因此,根据Tiny-YOLOV3轻量级目标检测网络基本结构,提出了一种针对野外复杂环境中出现野鸡的实时检测网络-增强型轻量级目标检测网络（Enhanced Tiny-YOLO,ET-YOLO）,该网络特征提取部分加深Tiny-YOLOV3特征提取网络深度,增加检测尺度以提高原网络目标检测精度,网络检测层使用基于CenterNet结构的检测方式以进一步提高检测精度与检测速度。使用野外实地采集各种环境下出现的野鸡图像作为数据集,包括不同距离、角度、环境出现的野鸡共计6 000幅高清图像制作数据集。试验结果表明,ET-YOLO在视频中复杂环境下出现的野鸡平均检测精度达86.5%,平均检测速度62帧/s,相对改进前Tiny-YOLOV3平均检测精度提高15个百分点,平均检测速度相对改进前Tiny-YOLOV3提高2帧/s,相对YOLOV3、Faster-RCNN与SSD_MobileNetV2主流代表性目标检测算法,平均检测精度分别提高1.5、1.1与18个百分点,平均检测速度分别提高38、47与1帧/s。可高效实时地对复杂环境下出现的野鸡进行识别,并且检测模型大小为56 MB,适宜于在农业机器人,智能农机所搭载的嵌入式系统上部署。     

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。     

基于改进YOLOv8n的香梨目标检测方法

针对非结构化环境下香梨识别准确率低,检测速度慢的问题,该研究提出了一种基于改进YOLOv8n的香梨目标检测方法。使用Min-Max归一化方法,对YOLOv3-tiny、YOLOv5n、YOLO6n、YOLOv7-tiny和YOLOv8n评估选优;以YOLOv8n为基线,进行以下改进：1）使用简化的残差与卷积模块优化部分C2f（CSP bottleneck with 2 convolutions）进行特征融合。2）利用simSPPF（simple spatial pyramid pooling fast）对SPPF（spatial pyramid pooling fast）进行优化。3)引入了PConv(partial convolution)卷积,并提出权重参数共享以实现检测头的轻量化。4）使用Inner-CIoU（inner complete intersection over union）优化预测框的损失计算。在自建的香梨数据集上,指标F_0.5分数（F_0.5-score）和平均精度均值(mean average precision, mAP)比原模型分别提升0.4和0.5个百分点,达到94.7%和88.3%。在GPU和CPU设备上,检测速度分别提升了34.0%和24.4%,达到了每秒99.4和15.3帧。该模型具有较高的识别准确率和检测速度,为香梨自动化采摘提供了一种精确的实时检测方法。     

采用改进YOLOv3算法检测青皮核桃

使用机器视觉对果实检测并进行估产是实现果园智能化管理的重要途径,针对自然环境下青皮核桃与叶片颜色差异小、核桃体积较小导致青皮核桃不易检出的问题,提出一种基于改进YOLOv3的青皮核桃视觉检测方法。依据数据集特征进行数据增强,引入Mixup数据增强方法,该研究使模型从更深的维度学习核桃特征;针对核桃单种类目标检测比较不同预训练模型,选择精度提升更明显的Microsoft Common Objects in Context（COCO）数据集预训练模型;依据标注框尺寸统计对锚框进行调整,避免锚框集中,提升模型多尺度优势。在消融试验中,前期改进将平均精度均值提升至93.30%,在此基础上,引入MobilNet-v3骨干网络替换YOLOv3算法中原始骨干网络,提升模型检测能力及轻量化。试验表明,基于改进YOLOv3的青皮核桃检测平均精度均值为94.52%,超越YOLOv3其他2个骨干网络和Faster RCNN-ResNet-50网络。本文改进模型大小为88.6 M,检测速度为31帧/s,检测速度是Faster RCNN-ResNet-50网络的3倍,可以满足青皮核桃实时准确检测需求。该方法可为核桃果园智能化管理中的估产、采收规划等提供技术支撑,也可为近背景颜色的小果实实时准确检测提供思路。     

基于近地成像光谱的小麦全蚀病等级监测

小麦全蚀病是检疫性的土传病害,对小麦生产危害极大,对其发生的监测是治理的根本。遥感技术可实时、宏观监测病害发生发展,尤其是成像光谱技术的图谱合一,可精准对病害识别和分类。该文首先通过主成分分析提取不同小麦白穗率的冠层光谱特征;再通过灰色聚类分析方法,研究白穗率等级的可分性;最后利用基于径向基(RBF,radial basis function)核函数的支持向量机对全蚀病害的近地成像高光谱图像进行分类,从而验证近地成像光谱在全蚀病监测上的可行性。研究结果显示:该方法对5种程度的小麦全蚀病白穗率的分类精度均达94%以上,Kappa值大于0.8。研究表明利用该方法,通过近地成像光谱图像可以准确监测小麦全蚀病的病情,对小麦全蚀病的治理有指导意义。     

基于改进YOLOv5s的自然环境下猕猴桃花朵检测方法

为实现对猕猴桃花朵的快速准确检测,该研究提出了一种基于改进YOLOv5s的猕猴桃花朵检测模型YOLOv5s＿S＿N＿CB＿CA,并通过对比试验进行了精度验证。在YOLOv5s基础上引入C3HB模块和交叉注意力(criss-cross atte ntion,CCA)模块增强特征提取能力,结合样本切分和加入负样本处理方法进一步提升模型精度。改进模型的检测精确率为85.21%,召回率为90%,模型大小为14.6 MB,交并比(intersection over union,IoU)为0.5下的均值平均精度(mAP_0.5)为92.45%,比仅进行样本缩放处理的原始YOLOv5s提高了31.91个百分点,检测速度为35.47帧/s,比原始YOLOv5s提高了34.15%。使用改进模型对自然环境下不同天气、晴天不同时段光照强度下的猕猴桃花朵进行检测,结果表明模型检测晴天、阴天下猕猴桃花朵的mAP_0.5分别为91.96%、91.15%,比原始YOLOv5s分别高出2.55、2.25个百分点;检测晴天9:00-11:00、15:00-17:00光强下猕猴桃花...     

基于热红外成像技术的小麦病害早期检测

实现对受到病原侵染的小麦植株进行早期检测,对于小麦病害的监测预警和及早防治具有重要意义。为研究热红外成像技术早期检测小麦病害的可行性,该研究以小麦条锈病为例,以健康小麦植株、条锈病潜育期和发病期小麦植株为试验材料,利用热红外成像技术采集他们的热红外图像和叶片温度,在潜育期内连续检测其热红外图像和叶片温度随接种天数的变化。通过图像对比发现,接种后第5天,肉眼观察热红外图像可将受到侵染但未显症的小麦植株与健康植株区分开来。进一步数据处理,表明接种后第3天处于条锈病潜育期的小麦植株叶片平均温度和不同部位最大温差分别比健康植株叶片的低0.08℃和高0.04℃(P0.05),可将处于条锈病潜育期的小麦植株与健康植株区分开来。随着接种后天数的增加,处于条锈病潜育期的小麦植株叶片的平均温度和最大温差与健康小麦植株叶片的差异逐渐增大。接种后第12天,接种小麦植株叶片平均温度比健康植株叶片低1.22℃,接种小麦植株叶片最大温差比健康植株叶片高1.58℃。可见,利用热红外成像技术可以早期检测到小麦受到病原侵染后的温度变化,热红外成像技术作为一种小麦病害早期检测的方法是可行的。     

基于热红外视频的奶牛跛行运动特征提取与检测

针对基于可见光视频的奶牛跛行检测系统易受光线、环境变化因素影响的问题,该研究提出了一种基于热红外视频的奶牛跛行运动特征获取与检测的方法.该研究利用深度学习与传统图像处理方法,分别对热红外相机与可见光相机所拍摄的奶牛行走视频进行了奶牛跛行运动特征的提取检测.通过检测结果分析可知,相较于可见光图像,算法对于热红外图像中的奶...     

基于热红外成像的坡面薄层水流流速测量方法

流速是表征水流水力学特性的重要物理量.为了准确获取薄层水流流速,基于热红外成像技术、计算机视觉识别技术,设计了一种薄层水流流速测量系统.该系统通过对热示踪剂的自动控制以及对其热成像图的瞬时采集、影像校正、噪点去除、质心确定等手段,获取薄层水流的流速等参数,从而实现对坡面薄层水流流速的动态观测.该系统精确度和准确度高,可...     

采用热红外和可见光图像无损测定棉花苗期叶面积

叶面积是影响植物光合作用、蒸腾作用、呼吸作用及产量形成的重要形态指标之一,为实现作物叶面积准确、稳定和无损化测量,该研究基于红外线成像设备,提供了一种利用热红外和可见光图像测定棉花叶片面积的方法。以苗期棉花作为研究对象,通过红外成像相机T660获取棉花的热红外和可见光波段的图像,分别使用GrabCut算法和Hough圆检测提取红外图像中叶片和可见光图像中已知实际面积的圆状参照物（五角硬币）的像素面积,进而根据叶片区域和圆状参照物区域的像素倍数关系计算棉花的真实叶面积,将通过该研究所提方法计算的叶面积结果与传统的剪纸称重法、Image Pro Plus软件图像法进行皮尔逊相关性分析,检验该方法的可行性。分析表明,基于所提方法的测量值与剪纸称重法、Image Pro Plus软件图像法的结果之间均存在显著的线性相关关系（P<0.01）（相关系数分别为0.992,0.996）。3种方法对5盆棉花进行8次测量,结果显示,该研究所提方法测量值的平均变异系数为0.78%,在测量工作中表现稳定,为快速获取棉花苗期叶面积提供了一种准确稳健的理论方法。     

基于多特征的田间杂草识别方法

该文阐述了通过利用植物的多种特征实现田间杂草的精准自动识别的方法。该方法先利用颜色特征分割土壤背景,然后利用位置和纹理特征识别行间和行内杂草,最后利用形态特征后处理误识别的作物和杂草。在实验室内利用实地采集的3～5叶期、不同作物行数的麦田图像对该方法进行了测试。作物和杂草的正确识别率最低为89%,最高为98%;处理时间最低为157 ms,最高为252 ms。试验结果表明：基于多特征的田间杂草识别方法具有较高的识别率和较快的识别速度。     

基于热红外图像的奶牛乳区温度分布与乳房炎识别方法

乳房炎是影响奶牛健康与牛奶品质的主要疾病之一,是健康养殖的监控重点,该研究提出了一种基于热红外图像的奶牛乳区温度分布测量与乳房炎识别方法。通过现场采集的健康与患病共189头荷斯坦奶牛挤奶前后的后乳区热红外图像样本,提出了左右后乳区自动识别方法,确定了后乳区的特征区域及识别乳房炎的数据最佳采集时间为挤奶前。通过线剖法获取奶牛特征区域内的温度值点,建立乳区温度分布拟合方程,经分析发现91.9%的健康奶牛乳区温度拟合线的斜率小于0,斜率范围为-0.083～-0.001;92.1%的患病奶牛乳区温度拟合线的斜率大于0,斜率范围为0.001～0.093,可根据温度拟合线斜率的正负实现奶牛乳房炎的自动识别。与加州乳房炎检测（California Mastitis Test,CMT）法对比试验,结果表明：健康奶牛左右后乳区的识别准确率均值为76%,患病奶牛的左右后乳区识别准确率均值为75%。该研究提出的方法可为牧场奶牛健康管理与乳房炎的快速在线识别提供参考。     

基于改进YOLOv3-Tiny的番茄苗分级检测

为了提高番茄苗分选移栽分级检测精度,该研究提出了YOLOv3-Tiny目标检测改进模型.首先建立了番茄穴盘苗数据集,使用K-means++算法重新生成数据集锚定框,提高网络收敛速度和特征提取能力;其次为目标检测模型添加SPP空间金字塔池化,将穴孔局部和整体特征融合,提高了对弱苗的召回率;同时加入路径聚合网络(PANet...     

基于改进YoloV4的轻量化菠萝苗心检测算法

当前菠萝催花作业以人工喷洒为主,生产效率低、劳动强度大。菠萝苗心位置的精准识别和定位是实现机械化、智能化菠萝催花的核心问题。该研究在YoloV4目标识别算法的基础上,选择GhostNet作为主干特征提取网络,构建了一种混合网络模型,并在颈部网络中融合深度可分离卷积与轻量级的注意力模块。改进后的模型相较于YoloV4模型的总参数量减少70%。与YoloV4、Faster R-CNN和CenterNet 3个模型进行检测对比试验,结果可得：改进模型在菠萝植株种植密集与稀疏的条件下识别精度分别为94.7%和95.5%,实时识别速度可达27帧/s,每张图像平均检测时间为72 ms,相比常规YoloV4模型用时缩短23%。总体性能表现均优于对比组的目标检测模型。总的来说,改进模型YoloV4-GHDW在一定程度上实现了检测速度、识别精度和模型体量三者之间平衡,能够在实际种植环境下对菠萝苗心有较好的识别效果。研究结果可为智能化菠萝精准催花设备研发提供视觉技术支持。