基于无锚框YOLO检测网络的麦穗检测方法

小麦产量可由单位面积的小麦麦穗总数估算得出。基于采集小麦图像序列特征并进行检测的方法受光照等因素影响大,检测精度不高。为准确定位麦穗位置,估计麦穗数量,引入深度卷积神经网络进行麦穗检测工作。针对麦穗比例多样,先验锚框设定无法完美契合的弊端,舍弃了目标检测网络中常用的矩形先验锚定框（anchor）,提出了一种基于YOLO框架的无锚框（anchor-free）麦穗目标检测方法。采用CSPDarkNet53作为特征提取网络,中间层采用特征图金字塔网络结构FPN(Feature Pyramid Networks)设计特征处理模块,增大感受野并提取图像的多尺度信息,获得融合高低层语义信息的特征图,后端采用FoveaBox式无锚框检测器完成目标检测。在WEDD与GWHD两个不同分辨率的公开麦穗数据集上测试表明,该网络的检测平均精度AP值相较于YOLOv4网络分别提升了8.81%和1.69%,并在GWHD数据集上帧率达到36FPS。本算法能够实时有效地进行麦穗精确检测,为后续小麦估产、育种等创造了条件。     

一种基于DSP 的桂圆破损检测方法

针对基于DSP的小型农产品机器视觉分选机,设计了一种基于图像识别的桂圆破损检测方法。该方法首先提取桂圆的彩色分量R和G,通过R-G特征值分割提取桂圆外壳区域,并求出桂圆观测面积;然后通过外壳边缘求出其近似最小外接圆的面积;最后根据观测面积和最小外接圆面积的比值来判断桂圆的破损情况。采用桂圆外壳破损和完好的共792个样本进行分选测试,结果表明,分选的准确率达到86.24%。该检测方法简单快速,有一定的准确性,适用于大多数小型球状果实的分选。     

基于改进Camshift的竹材加工目标检测跟踪算法研究

将计算机视觉技术应用到数控剖竹机运动加工目标的检测和跟踪中,提出一种基于改进Camshift算法的适合竹材加工运动目标检测和跟踪算法.针对竹材检测、跟踪过程中的干扰因素,通过图像的色度值来代替背景图像的亮度值,来减少阴影干扰,采用背景差分法与帧间差分法相结合的目标检测方法,改进Camshift算法,利用HSV图的H分量均值和每一帧H分量均值的差值结果来进行H分量均值更新,以克服光照影响,并利用Kalman滤波实现对下一帧竹材所在位置进行预测,预测结果用于修正Camshift算法的跟踪结果.结果表明,改进的算法能够对运动竹材目标进行实时跟踪,算法高效、准确.     

基于图像特征的猪肉新鲜度无损检测方法

以计算机视觉为基础,研究使用图像特征检测猪肉新鲜度的方法,通过对采集到的猪肉图像进行消噪和图像分割处理,从背景中分离出猪肉样本图像用于进一步处理;提出颜色区域比作为检测猪肉新鲜度的图像特征,使用聚类算法检验图像特征与新鲜度的相关性,并计算出分类阈值用于新鲜度检测.经试验验证颜色区域比与猪肉新鲜度间有较高的相关性,且本方法能够实现对猪肉新鲜度的检测和分类.     

基于改进YOLOv5＿OBB的中华绒螯蟹旋转目标检测

【目的】提出一种基于改进YOLOv5＿OBB的旋转目标检测方法,快速、准确地检测和定位中华绒螯蟹。【方法】首先,在YOLOv5＿OBB的主干网络中引入高效通道注意模块;其次,采用BiFPN网络结构进行特征融合模块设计,实现高效的双向跨尺度连接和加权特征融合;最后,采用变焦损失(varifocal loss)解决正负样本不均衡问题。【结果】改进后YOLOv5＿OBB模型的P(precision)、R(recall)和mAP(mean average precision)分别达到95.4%、95.2%和90.1%,比原模型分别提高了1.0%、1.9%和1.3%。【结论】该模型能够实时、准确地检测和定位中华绒螯蟹,实现自动化养殖。     

一种用于水果碰压伤面积检测的数学模型

依据所研究的梨、苹果等品种水果的外形以及碰压伤特征,提出了一个简单的计算碰压伤面积的数学模型。实验结果表明与统计像素的方法相比,用模型可大大提高测量精度。     

一种基于YOLO v5的草莓多阶段目标检测方法

草莓是一种流行性较广的高价值水果,在我国种植面积较广。草莓采摘期较长,同一时间可能存在多种形态的果实,针对这一特殊生长习性,提出一种基于YOLO v5的目标检测算法,在准确识别成熟果实的同时,完成多阶段草莓的检测,用于机器人采摘、成熟期预估和生产管理。使用草莓生产环境下图像建立数据集,利用深度学习网络提取草莓生长期各阶段特征。将YOLO v5n、YOLO v5s、YOLO v5m 3种YOLO v5系列的模型和CIoU、EIoU、SIoU、AlphaIoU 4种损失函数计算方法组合,形成了12种算法,在数据集上进行对比试验,结果表明SIoU更适合本研究。将优化后的模型在Jetson Xavier NX和Jetson Nano 2款嵌入式开发板上进行推理效率验证,明确了不同开发板使用的最优模型,Jetson Xavier NX更适合YOLO v5m+SIoU的模型、Jetson Nano更适合YOLO v5s+SIoU的模型,为草莓智能化生产奠定基础。     

一种利用水提物快速检测水稻矮缩病毒的方法

由水稻矮缩病毒（Rice Dwarf Virus,RDV）侵染所致的水稻普通矮缩病是我国水稻上主要的病毒病之一,广泛分布于我国水稻种植区。研究了一种快速简捷的检测水稻和传播介体中RDV的方法,整个检测过程仅需20min。利用无菌水（100μl）研磨RDV侵染后的水稻病叶（10mg）和带毒传播介体黑尾叶蝉（Nephotettix cincticeps）（10mg）,取上清液进行1%琼脂糖凝胶电泳检测,可稳定地检测到5条特异性电泳条带,大小在1000～5000bp,而在健康水稻叶片和无毒叶蝉水提物中检测不到任何电泳条带的存在。该方法可方便快速地检测到水稻和叶蝉中RDV的存在,避免了常规血清学检测和分子检测（RT-PCR和Western-blot）等方法的昂贵试剂和繁琐的操作步骤。     

基于Zernike矩和神经网络的角点筛选方法

在计算机视觉领域中角点特征的提取具有相当重要的地位，因为角点包含了丰富的信息。本文的目的在于提取某类图像上的重要特征角点。其主要思路是首先利用角点检测方法提取图像中的角点之后，然后再通过Zernike矩和神经网络对它们进行筛选，从而达到自提取特征角点的目的。最后通过实验验证了本算法的有效性。尽管本文是针对某类图像进行了特征点提取的，但相信对于一般情况下的目标特征检测也具有一定的借鉴意义。     

基于视频流的马铃薯排种器性能检测方法

为实现马铃薯排种器的排种性能指标和播种精确性指标检测,设计一种由铺砂、排种、输送、控制以及图像处理等工作部分组成的马铃薯排种器性能检测系统,并提出相应的检测方法,即排种器固定于试验台上方正常工作,种薯掉落在移动的输送带上,使用工业相机拍摄输送带上种薯的视频。依据输送带运动参数和相机帧率,确定和提取视频的关键帧。通过识别和定位输送带上粘贴的二维码,实现对关键帧的拼接,得到1次测试中全部的、无重复的一幅种薯图像。对种薯图像进行处理和分析,得到每个种薯的中心坐标,继而计算种薯的相对位置信息,以评估排种器性能。试验结果表明,该检测系统测量精度高,大幅降低了人工劳动强度,具有很好的应用价值。     

基于计算机视觉的大米外观品质检测

提出了利用计算机视觉系统代替人眼对黄粒米、粒型等大米外观品质参数进行自动检测的方法，以适应农业工程中的自动化的要求。为了验证检测方法的可行性，采用了MATLAB软件开发平台来构造基于计算机视觉的大米外观品质检测算法。在对不同的大米图像处理的基础上，完成了对大米的黄粒米、粒型等的测定。实验结果表明，本算法及程序设计是有效可靠的。     

基于深度学习的高分辨率麦穗图像检测方法

小麦是重要的粮食作物之一,针对人工田间麦穗计数及产量预测效率低的问题,基于深度学习提出了一种高分辨率的小密集麦穗实时检测方法。对麦穗图像数据集进行图像分割、标注、增强预处理,基于Tensorflow搭建YOLOv4网络模型,调整改进后对其进行迁移学习;与YOLOv3、YOLOv4-tiny、Faster R-CNN训练模型进行对比,对改进模型的实用性与局限性进行分析;重点分析影响麦穗检测模型性能的关键因素。通过图像分割的方式,证明了通过改变图像分辨率确定麦穗所占图像最优像素比,可以提高前景与背景差异,对小密集麦穗有显著效果。通过对改进模型的测试,表明该模型检测精度高,鲁棒性强。不同分辨率、不同品种、不同时期的麦穗图像均类平均精度（mAP）为93.7%,单张图片的检测速度为52帧·s^-1,满足了麦穗的高精度实时检测。该研究结果为田间麦穗计数以及产量预测提供技术支持。     

基于 YOLOv7 的无人机影像稻穗计数方法研究

【目的】利用深度学习技术开展基于无人机采集的水稻稻穗 RGB 图像进行稻穗快速计数技术研究,利于建立省工、省时、高效的产量评估预测,为后续收获、烘干、仓储工作以及品种试验评估等提供依据。【方法】在水稻齐穗 - 灌浆期,使用无人机采集水稻稻穗图片,通过对图片中稻穗的标注、分类以及训练,获得基于 YOLOv7 的网络结构模型,与田间实际调查结果进行对比和验证,针对该方法对不同亚种水稻稻穗的数穗计数精度作出评价。【结果】将得到的模型的预测结果与真实结果进行比较,对于相同的训练集,YOLOv7模型的重叠率（Intersecion of union,IoU）值的中位数普遍高于 YOLOv5 模型。仅使用粳稻数据训练得到的模型对粳稻有较好的识别精度,YOLOv7 模型的 mAP@0.5 为 80.75%、mAP@0.25 为 93.01%,优于 YOLOv5l 模型的 mAP@0.5 值 73.36%、mAP@0.25 值 91.16%;两种模型对籼稻识别精度不高。对籼稻识别最佳的模型为使用籼稻数据训练得到的模型,YOLOv7 模型的 mAP@0.5 为 73.19%、mAP@0.25 为 83.71%,优于 YOLOv5l 模型的mAP@0.5 值 72.77%、mAP@0.25 值 81.66%;但两种模型均对粳稻识别精度不高。对预测结果与实际调查结果进一步比较验证表明,仅使用粳稻数据训练得到的模型对粳稻有较好的识别精度,模型预测值与观察值显著相关。其中 YOLOv7 模型对粳稻预测精度最高,R2 为 0.9585、RMSE 为 9.17;其次为 YOLOv5 模型,R2 为 0.9522、RMSE为 11.91。对籼稻识别最佳的模型为使用籼稻数据训练得到的模型。其中 YOLOv7 模型对籼稻预测精度最高,R2 为 0.8595、RMSE 为 24.22。其次为 YOLOv5 模型,R2 为 0.7737、RMSE 为 32.56。【结论】本研究初步建立的基于无人机的田间水稻单位面积穗数快速调查方法,具有较高精度,可应用于实际田间测产工作,有利于克服人工田间估产工作量大、效率低、人为误差等问题,未来可进一步应用于可移动水稻估产装置的开发。     

谷物检测中机器视觉技术的应用进展

谷物自动检测的基本思路是利用数字图像处理技术和模式识别技术,首先对获取的谷物子粒图像进行预处理,其次提取谷物子粒图像的特征,然后对提取的特征进行分析和处理之后送入分类器中识别.以图像处理、图像分析、图像识别这3个步骤为主线综述在谷物自动检测中机器视觉相关技术的应用进展,并说明了各种方法的适用范围.     

基于X-ray透射成像的稻穗米粒粒型及谷粒饱满度测量

稻穗是水稻产量、干物质积累的最终表现,稻穗米粒粒型和谷粒饱满度对水稻遗传育种及功能基因解析具有重要意义。传统稻穗米粒粒型测量需要经过脱粒、脱壳步骤,不仅过程繁琐而且可能有损伤、可靠性差,而谷粒饱满度测量主要通过水沉法或风选法,无法实现定量测量。为了实现在不脱粒、不脱壳情况下无损观测稻穗内部米粒,提出一种测量稻穗米粒粒型和谷粒饱满度的新方法。采用X-ray透射成像方式获取稻穗射线吸收图,然后采用自动阈值分割、分水岭、图像标记等算法得到单颗米粒标记图像;再采用椭圆检测、边缘提取计算得到米粒的粒长、粒宽、粒面积。对100株稻穗图像做测试,结果表明粒长、粒宽平均测量误差MAPE分别为2.14%、3.45%。同时采用K-means和高斯混合模型聚类（GMM）算法识别出米粒对应的谷粒区域,基于二者面积的比值得到稻穗谷粒饱满度的定量测量结果,基于该结果可以准确识别稻穗中的实粒和瘪粒,为稻穗复杂性状测量研究提供了一种新的有效途径。     

环境条件对水稻籼型软米品种粒形的影响*

 将毫木西等15个软米品种和11个对照品种分别种植于德宏和水富两地，研究软米的粒形在不同的环境条件下的变化。结果表明，软米粒形受环境的影响与粘米和糯米不同。软米的粒长在不同的环境下的变化未达显著水平；粒宽和长宽比都达到了极显著水平。不同的软米品种粒形受环境影响的程度不一，从而可选出粒形变化较小的品种。本试验选出了粒形在不同环境条件下变化较小的毫木占、毫磨牙、八宝米3个软米品种，可作为软米杂交稻品质育种的亲本材料。     

水稻粒形遗传及QTLs定位研究进展

粒形性状是水稻产量的重要构成因子,不仅影响水稻产量的高低,还影响着稻米品质的优劣,因此有关水稻粒形的遗传、粒形与稻米品质的相关性、粒形性状的QTLs定位等研究一直受到人们广泛的关注,至今已有许多研究报道,取得了可喜的研究进展。但至今所报道的研究中大多数采用籼稻与籼稻或籼稻与粳稻的杂交后代为材料,而利用粳稻与粳稻杂交后代为材料开展粳稻粒形性状遗传研究报道较少,且研究主要集中于粒长、粒宽、长宽比和粒重,而对粒厚的研究报道甚少。今后应加强对粳稻粒形的遗传及分子机理、水稻粒厚的遗传、粒形性状与稻米功能性成分的相关性等研究。     

基于双通道目标运动检测的乒乓球运动决策系统*

动作是体育运动的关键技术，要规范运动员动作，不但使他们的运动成绩能够达到或接近最高水平，同时也可以避免运动员积累型运动损伤，达到这样的训练目的就需要科学的方法。目前，我国已经建立了标准动作多媒体视频数据库，利用了一种双通道目标运动检测算法，结合了运动检测技术和人的行为理解方法，实现了感知技术对体育动作量化分析和体育动作模式识别。针对乒乓球快速多变特点，以及手腕动作的精细变化与球拍的较高关联度，对乒乓球和乒乓球拍建立了离散小波变换的空时模型，剔除运动模式识别中的噪声孔洞有助于提高检测的正确性。通过定性分析和实验结果，这种基于双通道混合算法的乒乓球运动决策系统能够较为准确的识别乒乓球运动中的有误动作，为及时更正动作提供了科学和有效的依据。     

水果检测中的边界追踪法

应用计算机视觉进行水果检测时 ,采用边界追踪技术能有效分割背景与样品 .文章根据梨、苹果等水果的外形特征 ,提出了一种改进的边界追踪方法 .该方法的操作图像可以是二值图像或灰度图像 ,图像中的样品被分割成 4个区域 ,为加快处理速度 ,根据水果外形来确定每个区域边界追踪方向的优先权 .对苹果、梨、芒果等水果图像进行了测试 ,结果表明 ,该方法追踪一幅大小为 15 0× 15 0像素的水果图像 ,所需时间不足 1s .     

基于高密度遗传图谱定位水稻籽粒大小相关性状QTL

【目的】通过对水稻籽粒大小相关性状进行QTL定位及候选基因的筛选,为水稻籽粒大小相关基因的精细定位、克隆及基因功能等研究奠定基础。【方法】以籼稻品种特华占搭载高空气球空间诱变后产生的特异矮秆突变体CHA-1为母本,以籼稻品种航恢7号搭载"神州八号"飞船经空间诱变后筛选出的突变体H335为父本杂交衍生出的275个RIL群体作为供试材料,利用GBS测序技术构建高密度遗传图谱,RIL群体及亲本分别于2017年早季和2017年晚季在华南农业大学实验教学基地种植。成熟收获后通过扫描仪获取水稻籽粒图像,利用SmartGrain软件获取籽粒大小相关性状表型数据。采用QTL IciMapping v 4.0软件基于完备复合区间作图法,对水稻籽粒大小相关性状进行QTL定位。【结果】构建的高密度遗传图谱包含2 498个Bin标记,总图距2 371.84cM,标记间平均遗传图距为0.95 cM。两季共检测到26个籽粒大小相关QTL,分布于第1、2、3、4、7和9染色体上,单一QTL贡献率为0.16%—14.41%。在第1、2、3、7染色体上检测到5个QTL簇(qGS1、qGS2、qGS3-1、qGS3-2和...