机器学习在苹果智慧生产中的应用

苹果是我国重要的园艺作物,机器学习和计算机视觉融合促进了苹果检测与识别技术的发展,为苹果智慧生产提供了新的支撑.文章以苹果智慧生产中苹果果实识别、苹果品质和营养的无损检测、苹果品质分级技术为重点,介绍了机器学习在苹果智慧生产领域中的应用进展.包括基于支持向量机的苹果果实识别方法,基于深度学习的在树水果实时识别方法,光谱...     

机器视觉技术在农业生产中的应用研究

如今随着计算机硬件、图像采集处理装置、图像处理技术的迅猛发展,机器视觉在农业的应用领域不断扩展。机器视觉技术在农业生产的应用可以节约劳动力、带动产业升级、推动农业现代化的发展进程,对未来农业的智能化发展具有重要意义。介绍了机器视觉技术在种子和果实分级检测、杂草和虫害监测、重型农机设备自动化、植保无人机等方面的研究和应用情况,并分析了其在农业生产中的不足和面临的挑战,以供相关研究人员参考。     

机器视觉技术在农业工程中的应用

综述了机器视觉技术在农业工程中的应用.     

机器学习算法在森林生长收获预估中的应用

森林生长收获预估是森林经理学的一个重要方向,采用模型技术进行森林生长收获估计是森林经营决策的重要前提。传统的统计模型如线性及非线性回归模型、混合效应模型、分位数回归、度量误差模型等统计方法已被广泛应用于研究林木生长,但这些统计方法在应用时常常需满足一定的统计假设前提,诸如数据独立、正态分布和等方差等。由于森林生长数据的连续观测和层次性,上述假设通常难以满足。近年来随着人工智能技术的发展,机器学习算法为森林生长收获预估提供了一种新的手段,它具有对输入数据的分布形式没有假设前提、能够揭示数据中的隐含结构、预测结果好等优点,但在森林生长收获预估中的应用仍十分有限。文章对分类和回归树、多元自适应样条、bagging回归、增强回归树、随机森林、人工神经网络、支持向量机、K最近邻等方法在森林生长收获预估中的应用、软件及调参等进行了综述,讨论了机器学习方法的优势和挑战,认为机器学习方法在森林生长收获预估方面有很大的潜力,必将得到广泛应用,并和传统统计模型相结合成为生长收获模型发展的一种趋势。      

视觉技术在农业采摘机器人中的应用及发展

介绍了农业采摘机器人的视觉技术及其工作原理,并进一步探讨了农业采摘机器人视觉技术的应用及其发展前景。     

农业生产中机器视觉技术的应用研究

机器视觉是一种快速,一致且客观的检查技术,已扩展到许多不同的行业。它的速度和准确性为自动化,无损且具有低成本效益的技术一种技术,为生产领域提供了另一种选择,可满足日益增长的生产和质量要求。这种检查方法已发现在农业中的应用,包括蔬菜、玉米、农产品等农产品的检查和分级。外皮缺陷的存在是农作物价格中最有影响力的因素之一,因为大多数消费者都将品质与良好的外观联系在一起,并且完全没有外部缺陷。但是,缺陷要比颜色,形状和尺寸要检查和分级困难得多。本文介绍了一些检测技术。这些技术包括基于二维和三维(3D)信息的图像处理方法,以及高光谱和多光谱成像。多摄像机组合成像系统的开发将确保计算机视觉技术继续满足这个竞争激烈且充满挑战的农贸行业所需的准确性和质量要求。本文通过对机器视觉技术进行分析,总结出该技术的一些运用现状以及还存在的问题,并提供解决方案,以期对我国农业生产具有促进作用。     

改进LeNet-5模型在大米分选算法上的应用

针对大米特征提取与分类的算法难以确定的问题,改进LeNet-5卷积神经网络模型并研究其在大米分选问题上的表现。首先对大米原始图像进行预处理、提取单粒大米的图像建立大米图像样本库,然后对原始的LeNet-5模型提出改进方案并进行实验,最后将改进模型与若干传统分类方法、3个轻量化卷积神经网络模型进行对比。改进LeNet-5模型大米形选准确率为97.2%,色选准确率90.6%,处理速度约5 300粒·s^-1,分类效果与分类速度显著优于其他对比方法。实验结果证明,改进的LeNet-5模型可以高效分选碎米与垩白米,且能有效减少实际分选前准备工作的工作量。     

机器视觉技术在金莲花灌溉中的应用研究

应用机器视觉技术研究了判断作物缺水状态的方法。在日光条件下采集了金莲花叶片图像,然后分别提取了红绿蓝（RGB）三色分量和它们的相对系数rgb及色度H。在RGB和HSI颜色模型下分析了各分量与作物缺水时间之间的相关特性．分析结果表明红色分量R、绿色分量G、蓝色分量B、以及r分量、b分量都与缺水时间之间有相当高的相关性,可以用作利用机器视觉快速判断金莲花缺水状况的指标,而其他分量与缺水时间之间没有明显的相关性。     

机器学习及其在农业中应用研究的展望

机器学习是一种面向机器的数据分析方法,自动化机器学习的研究促进了人工智能的发展。大数据的快速积累,促进了机器学习算法的井喷式发展。如何选择合适的机器学习算法解决行业问题,成为了当前应用的难点。笔者整理了机器学习新材料,对各种机器算法的特点和算法之间的差异,进行了仔细的梳理,总结了各种算法的需求背景和优缺点,以及主要的应用场合。在此基础上,分析了机器学习在农业应用的案例,综述了机器学习在农业应用,指出了目前存在的发展瓶颈,并提出了进一步研究应用的建议。     

机器视觉技术在农业生产自动化领域中应用研究

分析机器视觉技术在农业生产自动化中的应用现状,提出应用中存在的问题,并分析研究此项技术的开发方向。     

机器视觉在植物叶片叶面积测算中的应用

利用机器视觉系统代替人工对叶片叶面积进行测算。运用Halcon图形开发工具,以VB 2008为基础开发平台,采用通过阈值分割与区域特征提取的方法来计算叶面积,并将结果显示到屏幕并保存到文件中。将具体图像采集设备与机器视觉系统连接,完成叶片图像采集、图像处理和结果显示的一体自动化。与手工测算的费时费力和使用专业设备的高昂费用相比,此系统能在保证测算结果精确度的基础上,对多种植株叶片进行快速准确、简单易行、经济实用的测算。     

机器视觉技术在现代农业中的应用

介绍了机器视觉技术的基本概念、原理以及系统组成,讨论了机器视觉技术在现代农业生产前、生产中和生产后的应用状况,并且在分析国内外研究现状的基础上,针对机器视觉在现代农业中的应用提出了目前存在的问题和未来发展的方向。     

机器视觉在食用菌生产中应用现状研究

“一带一路”国家倡仪的提出,对食用菌出口带来前所未有的发展机遇,同时面临食用菌产业转型升级的挑战。如何有效保质增产是目前食用菌生产中亟待解决的重要问题。机器视觉作为智慧农业的重要组成部分,其在食用菌生产中的应用研究对实现食用菌智能化生产及保质增产有重要的意义。介绍了国内外机器视觉在食用菌生产中应用的研究现状,分析了目前机器视觉在食用菌生产中应用存在的问题,提出了促进机器视觉在食用菌生产中应用的三项对策建议,即使用特殊光源采集食用菌二维图像、保持食用菌栽培环境光线均匀、使用三维机器视觉采集食用菌三维空间信息。     

机器视觉技术在金莲花灌溉中的应用研究

应用机器视觉技术研究了判断作物缺水状态的方法.在日光条件下采集了金莲花叶片图像,然后分别提取了红绿蓝(RGB)三色分量和它们的相对系数rgb及色度H.在RGB和HSI颜色模型下分析了各分量与作物缺水时间之间的相关特性.分析结果表明红色分量R、绿色分量G、蓝色分量B、以及r分量、b分量都与缺水时间之间有相当高的相关性,可以用作利用机器视觉快速判断金莲花缺水状况的指标,而其他分量与缺水时间之间没有明显的相关性.     

机器视觉技术在农产品检测中的应用研究

机器视觉技术在农产品检测领域得到了广泛的应用,并随着相关技术的不断成熟和发展,机器视觉在农产品检测领域中的应用必将对传统检测模式产生巨大影响。本文分析了机器视觉技术在农产品检测中的应用现状,提出了应用中出现的问题,并为未来的研究方向进行了初步的探讨。     

机器视觉技术在农业中的应用

随着我国科技的进步,机器视觉技术发展的越来越成熟,其非破坏性、准确性、快速性以及灵活性的特点在农业方面都得到了很好的体现.该文在查阅相关文献的基础上,对机器视觉技术的研究成果进行了总结,综述了机器视觉技术在农产品品质分级、自动摘取、检测植物生长进程以及监测病虫害等方面的应用,分析了近年来机器视觉在农业发展应用中存在的问题,并对未来发展方向进行了展望.     

基于机器学习的智能检测在农业信息化中的应用

分析了基于web的农业信息化建设,提出了在防火墙中实现一个学习模块,并对攻击以及正常网络数据进行收集分析,然后选择属性良好的网络数据作为训练样本,使得防火墙可以对新的流入的数据进行判断和学习,使防火墙向智能化方向发展,有效保障农业信息网络安全。     

机器视觉在农产品检测与分级中的应用与展望

计算机技术的发展与计算机速度的提高和硬件成本的下降,使得机器视觉技术在农产品检测领域中的应用越来越广泛,论述了国内外机器视觉技术在农产品检测中的应用研究和发展情况,同时指出了进一步研究的方向。     

机器视觉技术在大米品质检测中的应用进展

综述了应用机器视觉技术在大米粒形、加工精度、垩白、整精米率等方面进行检测的研究动态,并指出了机器视觉技术在大米品质检测中的不足,为进一步应用机器视觉技术提供参考。     

机器视觉技术在初烤烟质量预测中的应用

为探究机器视觉技术在初烤烟质量预测中的应用效果,以红花大金元品种的中、上部烟叶为供试材料,通过分析不同成熟度烟叶色度学指标值、SPAD值和感官质量得分可知:中、上部鲜烟叶3个色度学指标值和SPAD值均呈下降趋势,烤后烟叶色度学指标中,中部叶的L值和a*值,上部叶的L值、a*值和b*值在不同处理间达到显著水平,其中L值和b*值达到极显著水平。机器视觉能够分辨不同成熟度的鲜烟叶颜色和烤后烟叶颜色差别,所测值能够用于烟叶质量的预测。