基于MobileNetV3Small-ECA的水稻病害轻量级识别研究

为实现水稻病害的轻量化识别与检测,使用ECA注意力机制改进MobileNetV3Small模型,并使用共享参数迁移学习对水稻病害进行智能化轻量级识别和检测。在PlantVillage数据集上进行预训练,将预训练得到的共享参数迁移到对水稻病害识别模型上微调优化。在开源水稻病害数据集上进行试验测试,试验结果表明,在非迁移学习下,识别准确率达到97.47%,在迁移学习下识别准确率达到99.92%,同时参数量减少26.69%。其次,通过Grad-CAM进行可视化,本文方法与其他注意力机制CBAM和SENET相比,ECA模块生成的结果与图像中病斑的位置和颜色更加一致,表明网络可以更好地聚焦水稻病害的特征,并且通过可视化和各水稻病害分析了误分类原因。本文方法实现了水稻病害识别模型的轻量化,使其能够在移动设备等资源受限的场景中部署,达到快速、高效、便携的目的。同时开发了基于Android的水稻病害识别系统,方便于在边缘端进行水稻病害识别分析。     

基于改进轻量级卷积神经网络MobileNetV3的番茄叶片病害识别

番茄病害的及时检测可有效提升番茄的质量和产量.为实现番茄病害的实时无损伤检测,本研究提出了一种基于改进MobileNetV3的番茄叶片病害分类识别方法.首先选择轻量级卷积神经网络Mobile?NetV3,在Image Net数据集上进行预训练,将预训练得到的共享参数迁移到对番茄叶片病害识别的模型上并做微调处理.采用相同...     

基于特征选择的小麦籽粒品种识别研究

为有效地对小麦籽粒品种进行分类,判别影响小麦籽粒品种识别的特征,进行基于特征选择的小麦籽粒品种识别研究。首先采集农大3416-18、内乐288、衡水6632、百农419、洛麦28和新麦26六个品种的小麦籽粒图像18 000张,对采集的图像进行预处理,提取小麦籽粒的颜色特征、形态特征和纹理特征三大类共28个特征值,并对特征进行相关性分析。然后分别构建不同特征融合模型以及数据降维和数据增强模型。最后进行试验分析,基于纹理+形态+颜色三个特征融合模型平均识别准确率为91.02%,其中基于纹理+形态+颜色特征模型的洛麦28识别率最高,达97.0%;经过线性判别分析,降维处理的小麦特征数据识别准确率达86.19%,模型训练时间仅0.87 s;基于数据增强后的平均识别准确率达94.26%。试验表明基于特征选择的小麦籽粒识别是可行的,有助于育种工作者对小麦籽粒识别做出更准确判断,具有一定的实际意义。     

作物籽粒图象识别的光照条件研究

在模式识别理论分析基础上，依据光源光谱、ＣＣＤ摄象元件光谱响应以及作物籽粒表面反射率光谱特性，得出籽粒黑白图象识别系统最佳光源为单色光，其波长为使两待识籽粒反射率光谱差值与ＣＣＤ光谱响应二者的串联响应最大的波长。根据测得的正常和带紫斑病大豆的反射率光谱，计算出了用于识别这两类大豆的光源波长     

基于圆心定位的籽粒计数方法研究

作物籽粒数常用于评价农作物的产量和品质。为此,利用机器视觉技术,提出了一种基于圆心定位的籽粒计数方法。针对不粘连、简单粘连和复杂粘连3种情况,各拍摄15张大豆照片,利用Mat Lab进行图像预处理、粒径统计、Freeman链码提取、圆心定位、圆心筛选和聚类等处理后,计算大豆的籽粒数。实验表明:不粘连和简单粘连准确率均为100%,复杂粘连的平均准确率为97.8%;此方法对于圆形籽粒的计数具有很好的效果。     

大豆脱粒过程籽粒力学特性试验研究

为了更准确地研究机械收获中大豆籽粒与机器脱粒分离部件之间的作用力、揭示大豆籽粒力学性能变化规律,采用万能材料试验机对5个大豆品种进行了压破、剪切和顶破试验。选取含水率作为试验因素,针对不同的受力方向、加载速度、刀片角度、钢针锥度、压入深度等试验方式,获得了不同试验条件下籽粒压破力、极限剪切力及硬度的变化规律,并对其函数关系进行了拟合。结果表明:大豆籽粒压破力与受力方向有很大关系,压破力随加载速度的增加而降低,随含水率的升高呈现先升高后降低的趋势;极限剪切力随刀片角度的增加而增大,随加载速度的增加而降低,随含水率的升高而降低;压入深度在0.2～1mm范围内,硬度与压入深度无明显关系,硬度随钢针锥度的增加而增大,随含水率的升高而降低。研究结果可为改进大豆脱粒和输送装置、确定大豆最佳机械收获时间和其它工艺参数提供理论依据和参考。     

基于DeepLabV3+网络的机收大豆破碎率在线检测方法

针对传统大豆联合收获机破碎率在线检测方法以人工检测耗时耗力且受人为主观因素影响的问题,提出基于DeepLabV3+网络的机收大豆破碎率在线检测方法。利用大豆图像在线采集装置获取联合收获机实时收获的大豆图像,使用标注软件对图像进行标注,构建数据集。为进一步提高网络训练速度,在DeepLabV3+网络中主干特征提取网络选用轻量级卷积网络MobileNetV2替代网络Xception;在预测部分,采用加黑边裁剪拼接的方式,提高图像分割精度。试验结果表明：基于DeepLabV3+网络模型对测试集大豆样本图像中破碎籽粒识别的综合评价指标F₁值为89.49%,完整籽粒识别的综合评价指标F₁值为93.93%;建立破碎率量化模型,进行台架试验,采用本文提出大豆破碎率在线检测方法检测结果平均值与人工检测结果平均值相对误差0.36%;为大豆联合收获机作业质量在线检测提供参考。     

室内大豆单株种子脱粒机设计

依据人工脱粒原理,通过模拟仿形设计了一种室内大豆单株种子脱粒机。介绍该机的整体结构及工作原理,分析室内大豆单株种子脱粒机的关键部件设计思路。结果表明,该机设计合理,操作简单,脱净率高,子粒内部损伤较小,工作连续效率高,无扬尘,能满足长周期室内科研试验要求和种子生产。      

室内大豆单株种子脱粒机设计

依据人工脱粒原理,通过模拟仿形设计了一种室内大豆单株种子脱粒机。介绍该机的整体结构及工作原理,分析室内大豆单株种子脱粒机的关键部件设计思路。结果表明,该机设计合理,操作简单,脱净率高,子粒内部损伤较小,工作连续效率高,无扬尘,能满足长周期室内科研试验要求和种子生产。     

基于离散元法的种子玉米剥皮过程籽粒损失分析与试验

种子玉米在剥皮过程中存在大量的籽粒破碎、脱落等损失问题,严重影响种子玉米的单产与经济效益。因此,本研究采用理论分析、离散元仿真与正交试验相结合的方法,探究种子玉米果穗与剥皮机构的互作机理,确定剥皮机构的最优工作参数组合以优化种子玉米剥皮过程。首先,对种子玉米果穗在剥皮机构中的受力及运动进行了理论分析,探究了在剥皮过程中剥皮机构-种子玉米的相互作用关系,并确定了影响剥皮性能的主要因素。其次,基于DEM建立种子玉米果穗-剥皮机构相互作用仿真模型,通过对玉米果穗籽粒损伤及脱落分析,确定了剥皮辊转速、剥皮辊倾角和摆杆摆幅的较优工作范围。最后,根据Box-Behnken设计方法,设计了三因素三水平的正交试验,通过方差分析和响应面分析,筛选出种子玉米剥皮机构的最佳工作参数组合：剥皮辊转速为300r/min,剥皮辊倾角为10°,摆杆摆动幅度为5°,此时苞叶剥离率为94.13%,籽粒脱落率为1.564%,籽粒破碎率为1.292%。试验获得的剥皮装置的最优工作参数组合,明显提高了种子玉米的剥皮效果。     

基于短时处理的异常声音辨识系统研制

在对声信号处理研究的基础上,提出使用DSP Builder进行声音辨识系统进行开发,利用现场可编程门阵列器件实现异常声音辨识系统.通过对采集的现场声音信号进行时域和频域分析并提取异常声音的特征,将异常声音从正常声音中分离出来进行识别,当发生异常声音后能发出控制指令进行报警保护和输出控制指令,进行生产设备的保护.使机器在工农业的安全防护、故障诊断等领域实现对预定声音事件的自动辨识.     

大豆田间杂草的光谱识别研究

精确施药的关键是快速正确识别杂草。为此,利用ASD野外便携式光谱仪,在田间测量了大豆、马唐和稗草植株冠层在350～2 500nm波长内的光谱数据,经过数据预处理,数据分析波长选为350～1 300nm和1 400～1 800 nm。数据处理采用支持向量机(SVM)模式识别方法 ,用线性、多项式、径向基和多层感知核函数对大豆和杂草建立二分类模型。结果表明:三阶多项式核函数SVM分类模型的正确识别率最高,达到85%以上,且支持向量比例较小;以二分类模型为基础,利用投票机制建立了大豆、马唐和稗草的一对一多分类SVM模型,正确识别率达83%;田间光谱测量受光照、背景和仪器测量精度等条件的影响较大,但结果仍表明SVM结合光谱技术在田间杂草识别中的应用潜力很大。此研究为田间杂草识别及传感器的建立提供了研究思路和应用基础。     

基于激光扫描三维图像的树上苹果识别算法

为消除不同光线和复杂背景的影响,提出了一种自动识别树上苹果的算法.使用激光视觉系统获取果树局部的三维图像,参考设定的场景知识对图像背景进行简化;采用基于平滑频率曲线的自动阈值检测方法实现图像的二值化;通过轮廓跟踪技术记录目标边界的走向,据此计算链码和与链码差,并根据两者在果树各部分的变化规律确立相应的准则,以提取苹果的轮廓像素点;利用随机圆环法获得果实的形状特征完成对苹果的识别.实验结果表明,该算法具有较好的实时性,当枝叶遮挡面积小于40％时,果实的正确识别率高于93.75％,且识别效果不受光照条件与果实表面颜色的影响.     

基于L系统的大豆根系模拟研究

随着虚拟植物研究的不断深入,对于虚拟植物研究的重点也从地上部分转入地下部分.根系是植物最重要的器官之一,在植物整个生长发育、生理功能和物质代谢中发挥着重要作用,因此对植物根系进行虚拟研究具有重要意义.为此,以大豆为例,通过对大豆根系形态及生长特点的分析,探讨了使用L系统进行大豆根系虚拟建模的方法,并在Visual C 环境下进行了算法实现.     

基于RGB-D相机的油菜分枝三维重构与角果识别定位

为实现高效低成本的油菜植株三维建模和表型参数在线测量,提出一种基于RGB-D相机的油菜分枝三维重建和角果识别定位方法。使用Kinect传感器拍摄角果期油菜分枝在4个视角下的彩色图像和深度图像,进而获取油菜植株的三维点云并滤波。对配准的点云进行旋转变换,计算点云的曲面法矢量和曲率,并由曲率相近的点构成配对点对,再使用基于KD-tree搜索的最近点迭代(ICP)算法实现点云的初配准。将初配准误差作为参考值,调整ICP算法的对应点距离阈值,使用初配准的操作流程对初配准得到的新点云进行再次配准,完成精配准。结合该三维重建方法和针对性的彩色图像处理方法,得到去除主茎的单分枝油菜角果的完整点云,再进行欧氏聚类实现单个角果的空间定位。实验结果表明,提出的三维重建方法具有较强的实时性和鲁棒性,单个角果的三维形态清晰可见,点云平均距离误差小于0. 48 mm,角果总体识别正确率不小于96. 76%。     

基于改进YOLO v3模型的奶牛发情行为识别研究

为提高复杂环境下奶牛发情行为识别精度和速度,提出了一种基于改进YOLO v3模型的奶牛发情行为识别方法.针对YOLO v3模型原锚点框尺寸不适用于奶牛数据集的问题,对奶牛数据集进行聚类,并对获得的新锚点框尺寸进行优化;针对因数据集中奶牛个体偏大等原因而导致模型识别准确率低的问题,引入DenseBlock结构对YOLO ...     

基于支持向量机的玉米品种识别

选取郑单958、辽单565、京科25玉米品种作为研究对象,从玉米籽粒的数字图像中提取与玉米籽粒的颜色、形状、尺寸等有关的6个形态结构参数,利用支持向量机(SVM)算法进行训练识别,同时与BP人工神经网络(NN)方法进行比较,结果表明,SVM算法识别效率较高,达到92.3%.     

基于傅里叶描述子的稻飞虱形状识别

分析了具有旋转、平移和尺度变换不变性,并且与边界的起点位置无关的归一化傅里叶描述子,并把傅里叶描述子及欧氏距离应用于稻飞虱的形状识别中,通过计算同一形状和不同形状的平均离散度检验了归一化傅里叶描述子系数的稳定性,从而确定形状系数基准值.对191张样本图像进行了测试,当相似度差异小于0.0123时,稻飞虱误判率为7.85%.结果表明,归一化傅里叶描述子具有高效的识别性能.     

基于分水岭算法的道路识别

实时、可靠的道路识别是智能车辆研究中一个重要的方向.介绍了一种基于特征的道路识别方法.该方法以分水岭算法为基础,根据图像的区域特征,首先定义道路和背景的极小值点,然后逐步扩展两者的集水盆,最后寻找道路和背景之间的分水岭,实现道路识别.通过对单幅图像和视频的实验,测试了算法的性能.结果显示,在一定的条件下,该算法的速度和效果都能满足道路识别要求.     

基于改进YOLO v3的自然场景下冬枣果实识别方法

为实现自然场景下冬枣果实的快速、精准识别,考虑到光线变化、枝叶遮挡、果实密集重叠等复杂因素,基于YOLO v3深度卷积神经网络提出了一种基于改进YOLO v3(YOLO v3-SE)的冬枣果实识别方法.YOLO v3-SE模型利用SE Net的SE Block结构将特征层的特征权重校准为特征权值,强化了有效特征,弱化了...