温室设备故障检测系统的研究与设计

设计一种温室设备故障检测系统,包括PLC系统控制器,环控设备,系统检测装置,故障分析模块,报警器,设备实时状态显示器,现场监控设备,现场服务器,远程控制设备和安全保护装置。并通过具体实例,描述了其结构和故障检测实现方案。     

基于图像处理的田间水稻叶瘟病斑检测方法

针对病斑在叶片上易形成封闭边缘的特性,采用色度学模型、边缘提取和形态学等方法对田间稻叶瘟病斑进行检测。利用2R-G色差分量提取图像上的图斑;采用Canny算法对2R-G色差分量图斑进行边缘检测,通过自定义边缘封闭修复模版对边缘进行修复;利用HIS模型的H分量提取的叶片正常部位信息与修复后图像做掩膜运算,获得叶片范围内的病斑边界,然后,运用形态学运算剔除图斑中未闭合的边缘线;最后,采用归一化绿蓝差值指数(Normalized Difference Green and Blue Index,DNGBI)对封闭的非病斑区域进行阈值过滤,提取出稻瘟病病斑。试验结果表明:对叶瘟病斑的正确识别率可达到90.26%。     

基于改进Sobel算法的叶片图像边缘检测

采用数字图像处理技术对叶片图像进行边缘检测,主要研究了基于Sobel算子的叶片边缘的检测方法。在对图像进行灰度化和滤波去噪等预处理的基础上,增加了6个方向模板对Sobel算子进行改进。试验证明,该方法有效解决了Sobel算子边缘检测时边缘过粗的问题,得到的边缘较细,精确度提高了13.6%。     

基于边缘检测的图像分割技术的研究

本文主要介绍了基于边缘检测的图像分割的相关技术,首先分析了研究目的和研究意义,然后综合国内外的研究近况,分析了当前对于图像分割技术的前景和不足。     

谈我国田间灌溉设备的发展概况

田间灌溉从古至今,国内外都很重视它的发展;灌溉设备从无到有,越是干旱地区发展越快。我国的田间灌溉设备在二十世纪五十年代和六十年代初仅是修建明渠,利用江、河、湖及其水库等地表水源自流灌溉为主。当时提水工具比较少,利用水车、水泵提水灌溉地势比较高的地块,使局部地区旱情暂时得到缓解。     

基于Laplace边缘检测算法虚拟植物系统的研究与实现

将计算机信息技术引入农业生产研究是目前农业生产研究的新发展方向,并伴随产生了农业信息化这样的新领域。植物叶片几何形状的识别是农业信息化结合数字图像处理技术的一个方面。为此,通过理论分析和仿真计算对研究植物叶片形状的传统图像边缘检测技术进行了分析比较,并创造性地提出了利用Laplace边缘检测算子来改进植物叶片几何形状的识别与检测系统。Laplace边缘检测算子的二维几何形态的建模具有数据的表达与复制的功能,通过生成的图像处理数据更加准确地识别与检测不同种类植物叶片的形态,为农业生产研究者提供更加有效、更加准确的研究数据。     

自然环境下杏树的边缘信息检测及轮廓提取

针对自然环境下采集的树木图像,容易受到环境、光照条件、自身结构形态等的影响,产生图像弱边界、连通性差、纹理边缘干扰多、感兴趣很难确定等情况,造成树木边缘信息检测及轮廓提取困难的问题。本文提出一种基于Open CV框架实现的树木边缘信息检测及轮廓提取方法,能够准确的提取到树木图像中单棵树木的边缘信息及轮廓特征,为树木的三维重建、测量等提供依据,从而为深入研究杏树生长发育、品质鉴定、培育新品种等提供重要的参考意义。     

农业田间害虫实时检测系统的硬件设计

介绍了农业田间害虫实时检测系统的硬件组成,即诱集致昏缓冲机构、分散传送机构、均匀光照系统和图像采集系统。诱集致昏缓冲机构可自动诱集和致昏田间害虫,并以合适的速度落入指定的位置;分散传送机构能自动调整害虫姿态,并使害虫平稳送入CCD视区;光照系统可为CCD摄像机的视区提供均匀和恒定的无影光照;图像采集系统可实时采集害虫的序列图像信息并送至计算机内存进行处理。通过现场试验,验证了该系统是可行性的。     

基于边缘检测的数字图像拼接实现研究

图像拼接在天文图像处理、日常照片扩展、大型图像的获得等方面应用极其广泛,是地理、人文、科技发展的重要标志.本文采用基于特征的图像拼接算法,利用Canny算子进行边缘检测提取数字图像特征,通过图像预处理(去噪,边缘提取,直方图处理等)、图像配准、图像重构融合等操作,在Matlab平台下实现两幅大小一样、光照条件一致的灰度...     

基于模糊逻辑的植物叶片边缘检测方法

针对温室环境植物叶片边缘检测中,植物图像通常含有噪声、背景复杂且图像数据存在模糊性和不完整性问题,提出了基于模糊逻辑的植物叶片边缘检测方法.首先,根据邻域像素的统计特性及绿色植物和土壤背景的颜色差异性,利用线性函数定义噪声和边缘的隶属度函数;其次,采用Sugeno模糊模型进行模糊推理,以减少模糊规则数量;最后,利用模糊推理结果先进行模糊滤波后再进行模糊边缘检测.实验证明,提出的方法克服了常规算法未考虑叶片像素和背景像素的颜色差异而导致产生大量伪边缘的问题,在噪声环境中能有效提取自然背景下植物叶片边缘信息,可有效用于温室环境的植物叶片图像边缘检测.     

基于轻量级无锚点深度卷积神经网络的树上苹果检测模型

为提高现有苹果目标检测模型在硬件资源受限制条件下的性能和适应性,实现在保持较高检测精度的同时,减轻模型计算量,降低检测耗时,减少模型计算和存储资源占用的目的,本研究通过改进轻量级的MobileNetV3网络,结合关键点预测的目标检测网络（CenterNet）,构建了用于苹果检测的轻量级无锚点深度学习网络模型（M-CenterNet）,并通过与CenterNet和单次多重检测器（Single Shot Multibox Detector,SSD）网络比较了模型的检测精度、模型容量和运行速度等方面的综合性能。对模型的测试结果表明,本研究模型的平均精度、误检率和漏检率分别为88.9%、10.9%和5.8%;模型体积和帧率分别为14.2MB和8.1fps;在不同光照方向、不同远近距离、不同受遮挡程度和不同果实数量等条件下有较好的果实检测效果和适应能力。在检测精度相当的情况下,所提网络模型体积仅为CenterNet网络的1/4;相比于SSD网络,所提网络模型的AP提升了3.9%,模型体积降低了84.3%;本网络模型在CPU环境中的运行速度比CenterNet和SSD网络提高了近1倍。研究结果可为非结构环境下果园作业平台的轻量化果实目标检测模型研究提供新的思路。     

基于轻量化YOLOv5s的花椒簇检测研究

针对现有花椒簇检测算法模型参数量多、计算量大、检测速度低、很难部署到嵌入式设备的问题,提出一种基于轻量化YOLOv5s的花椒簇检测算法模型。首先将ShuffleNet v2主干网络替代原YOLOv5s中的主干网络进行重构;同时将SPPF嵌入至ShuffleNet v2骨干中;其次引入轻量级注意力机制CBAM;最后使用SIoU＿Loss代替CIoU＿Loss作为回归损失函数。试验结果表明：改进后的轻量化YOLOv5s网络参数降低85.6%,计算量降低87.7%,对花椒簇的检测精度mAP@0.5达到92.6%,较原YOLOv5s模型提高3.4%,mAP@0.5:0.95达到61.4%,检测时间为11 ms,相比原模型16 ms缩短31.3%,可以满足在现场环境下对花椒簇的检测。     

基于Mask-RCNN的自然场景下油茶果目标识别与检测

针对我国油茶果采摘过程中存在的自动化水平落后、采摘效率低、适采周期短的现状,应用于机器人收获技术的机器视觉技术受限于真实场景中复杂背景干扰从而导致识别精度较低的问题。以自然场景下的油茶果为研究对象,提出一种基于Mask-RCNN的自然场景下油茶果目标识别与检测算法,首先获取油茶果图像并建立数据集,利用ResNet卷积神经网络提取油茶果果实图片的特征,获得果实目标分割结果,再采用RPN对所得到的特征图进行操作,并增加全连接层,提取每个样本mask像素面积,并对目标类别进行预测。利用测试集分别测试油茶果的分割网络模型及目标识别算法,结果表明,网络模型的分割准确率为89.85%,油茶果目标识别的平均检测精度为89.42%,召回率为92.86%。本算法能够自动检测油茶果目标,并有效降低不同光照情况下叶片与花苞遮挡、果实重叠、果实色泽等因素干扰,为自然场景中果实自动化采摘提供可靠的视觉支持。     

基于改进YOLOv5的割草机器人工作环境障碍物检测方法研究

为实现割草机器人在计算资源有限的情况下快速、准确地定位并识别工作环境中的障碍物,提出一种基于滤波器剪枝的改进YOLOv5s深度学习模型的割草机器人工作环境下障碍物的检测方法。首先,将YOLOv5模型中的Bottleneck残差块改为分层残差结构,以更细粒度地表示多尺度特征,同时增加网络感受野;另外,在残差块尾部加入SE模块,用来对特征图重新标定;其次,对改进后的算法进行滤波器剪枝;最后,针对割草机器人工作环境中的常见障碍物建立相关数据集,并使用剪枝后改进YOLOv5s作为深度学习模型进行检测。试验结果表明：改进后的YOLOv5模型大小减少188%,mAP增加0.1%。对改进YOLOv5模型进行剪枝后,比原YOLOv5模型计算量降低36.6%,模型大小降低333%,推理速度减少1.9 ms。剪枝后本文模型的mAP值分别比YOLOv4,YOLOv4-tiny,YOLOv3,YOLOv3-tiny高1.3%,9.5%,5.8%,22.1%。     

基于机器视觉边缘检测的园林喷药机器人导航线提取

导航路径的精确拟合是园林机器人自动化导航的关键,针对现有园林喷洒机器人仍是人工操作为主的现象,提出一种基于视觉边缘检测的导航路径拟合算法,用于指导园林喷药机器人的自动化导航.首先利用“化曲为直”的思想,截取拍摄图像的最后200像素行作为感兴趣区域;其次提出一种针对园林道路的灰度化因子,对图像进行灰度化处理;然后对图像进...     

基于深层卷积神经网络的初生仔猪目标实时检测方法

针对初生仔猪目标较小、分娩栏内光线变化复杂、仔猪粘连和硬性遮挡现象较为严重等问题,提出一种基于深层卷积神经网络的初生仔猪目标识别方法。将分类和定位合并为一个任务,以整幅图像为兴趣域,利用特征金字塔网络(Feature pyramid network,FPN)算法定位识别仔猪目标;对比了不同通道数数据集以及不同迭代次数对模型效果的影响;该方法支持图像批量处理、视频与监控录像的实时检测和检测结果多样化储存。实验结果表明:在数据集总量相同时,同时包含夜间单通道和白天3通道的数据集,在迭代20 000次时接近模型最优值。模型在验证集和测试集上的精确率分别为95. 76%和93. 84%,召回率分别为95. 47%和94. 88%,对分辨率为500像素×375像素的图像检测速度为53. 19 f/s,对清晰度为720 P的视频检测速度为22 f/s,可满足实时检测的要求,对全天候多干扰场景表现出良好的泛化能力。     

基于改进Yolov5植物病害检测算法研究

苹果和番茄是日常生活非常常见的果蔬,准确地识别病害能够提升作物产量,减少经济损失。针对现有的植物病害检测方法不能准确且快速地检测植物叶片中病害区域的问题,设计一种基于改进Yolov5的深度学习方法,用于检测苹果、番茄叶片常见病害。通过数据增强和图像标注技术构建苹果、番茄叶片病害数据集,利用K-means算法对初始锚框进行调整,在此基础上使用复合主干网增强Yolov5主干网对病害特征的提取能力,使用Varifocal Loss函数提高对密集感染区域的识别精度。试验结果表明：改进后的Yolov5病害检测算法mAP达到95.7%,在原来Yolov5模型基础上mAP提升1.7%,平均检测一张图像耗时0.033 s,为苹果、番茄叶片病害检测提供一种高性能的解决方案,能够以较高的准确率对植物叶片病害进行分类与定位。     

基于分水岭算法结合卷积神经网络的玉米种子质量检测

为实现玉米种子快速、准确地优选,以不同质量的玉米种子为研究对象,提出一种分水岭算法结合卷积神经网络对玉米种子进行质量检测的方法.首先利用分水岭算法分割出单粒玉米种子,然后通过卷积神经网络模型对每粒种子进行质量分类,根据分水岭算法得到的单粒种子的位置,将结果在图像中进行标注,实现种子质量检测.使用改进型的Inceptio...