基于卡尔曼滤波的橘小实蝇成虫运动轨迹优化跟踪

为了实现橘小实蝇虫口密度的精准监测,该文将机器视觉技术作为田间橘小实蝇成虫入侵自动化监测的感知方法。通过对监测区域内运动目标和背景的颜色分析,提出了基于卡尔曼(Kalman)滤波的运动目标颜色均值漂移跟踪算法,优化了多目标运动轨迹跟踪效果。该算法通过图像处理和匹配技术提取了橘小实蝇成虫在虫口监测区域二维平面X轴和Y轴方向上的位置坐标和速度分量,推算了橘小实蝇成虫运动轨迹递推关系。基于动态系统的状态序列线性最小方差估计理论和成虫运动轨迹关系分析,构建了卡尔曼滤波状态估计模型,并建立其预测和修正方程实现了橘小实蝇成虫运动目标位置估计。通过在虫口监测区域开展单目标和多目标分散及粘连条件下的成虫跟踪试验,试验结果表明颜色均值漂移跟踪算法对橘小实蝇成虫单目标跟踪具有较好的适应性,成虫监测计数准确率达100%,对于多目标分散和粘连情况跟踪处理效果较差,计数准确率分别下降至86%和76%;通过在颜色空间均值漂移跟踪算法的基础上引入Kalman滤波器估算目标运动的近似位置,实现了对橘小实蝇成虫分散和粘连多目标运动的持续跟踪优化,监测计数准确率分别提升至96%和93%。机器视觉技术实时跟踪橘小实蝇成虫在虫口监测区域运动轨迹试验进一步验证了橘小实蝇成虫虫口密度监测的可行性,为田间橘小实蝇成虫发生自动化监测技术研究提供了参考。     

一种非刚性运动目标图像跟踪的改进算法

针对玉米秸秆粉碎后抛撒运动的特点，提出一种改进的变形模板跟踪算法实现非刚性目标的运动跟踪，在两个方面对原有的算法进行了改进：1)选择适当的预测方法，减少遮挡物体对研究目标的影响。2)通过选择适当的特征区域把运动目标限制在局部区域，而不是对整帧图像进行处理。试验证明了该算法在目标跟踪的实现效率、精确性方面有一定的优势。     

利用Kalman滤波和Hungarian算法的多目标奶牛嘴部跟踪及反刍监测

针对奶牛养殖场复杂环境下多目标奶牛嘴部自动跟踪及反刍监测的困难,该研究提出了一种基于嘴部区域跟踪的多目标奶牛反刍行为智能监测方法。在YOLOv4模型识别奶牛嘴部上下颚区域的基础上,以Kalman滤波和Hungarian算法跟踪上颚区域,并对同一奶牛目标的上颚和下颚区域进行关联匹配获取嘴部咀嚼曲线,以此获取反刍相关信息,从而实现多目标奶牛个体的嘴部跟踪和反刍行为监测;为解决奶牛快速摆头运动和棚舍栏杆遮挡引发奶牛标号变化的问题,提出未匹配跟踪框保持及扩大的方法。采集并选择实际养殖场环境下的反刍奶牛视频66段,对其中58段视频采取分帧操作得到图像,制作YOLOv4模型数据集,以其余8段视频验证跟踪方法和反刍行为判定方法的有效性。试验结果表明,YOLOv4模型对奶牛嘴部上颚、下颚区域的识别准确率分别为93.92%和92.46%;改进的跟踪算法可实现复杂环境下多目标奶牛嘴部区域的稳定跟踪,且有效解决了栏杆遮挡、快速摆头运动造成的奶牛标号变化现象,上下颚匹配率平均为99.89%,跟踪速度平均为31.85帧/s;由反刍行为判定方法获取的咀嚼次数正确率的平均值为96.93%,反刍时长误差的平均值为1.48 s。该研究可为实际养殖中多目标奶牛反刍行为的智能监测和分析提供参考,也可供其他群体动物运动部位的跟踪和行为监测借鉴。     

基于凸壳理论的遮挡苹果目标识别与定位方法

为实现受果树枝叶遮挡、果实间相互遮挡的果实目标识别,该文提出了一种基于凸壳理论的遮挡苹果目标识别方法。该方法首先将图像由RGB颜色空间转换至L*a*b*颜色空间,并利用K-means聚类算法将图像分为树叶、枝条和果实3个类别,然后利用形态学方法对果实目标进行处理,得到目标边缘并进行轮廓跟踪,接着利用目标边缘的凸壳提取连续光滑的轮廓曲线,最后估计该光滑曲线段的圆心及半径参数,实现遮挡果实的定位。为了验证该算法的有效性,利用Hough圆拟合算法进行了对比试验,试验结果表明,该方法的平均定位误差为4.28%,低于Hough圆拟合方法的平均定位误差16.3%,该方法显著提高了目标定位的精度,能够有效识别遮挡苹果。     

融合K-means与Ncut算法的无遮挡双重叠苹果目标分割与重建

重叠苹果目标的准确分割是采摘机器人必须解决的关键问题之一。针对现有重叠苹果目标分割方法不能保留重叠部分轮廓信息的问题,提出了一种无枝叶遮挡的双果重叠苹果目标分割方法。该方法首先利用K-means聚类算法进行图像分割以提取苹果目标区域,然后利用Normalized Cut(Ncut)算法提取苹果目标轮廓,以实现未被遮挡苹果目标完整轮廓的准确提取,最后利用Spline插值算法对遮挡的苹果目标进行轮廓重建。为了验证算法的有效性,对20幅无枝叶遮挡双果重叠的苹果图像进行试验,并将该算法与寻找2个有效凹点用其连线分割重叠苹果目标,把分离的2个轮廓分别用Hough变换重建轮廓的方法进行对比。试验结果表明,对于图像中未被遮挡的苹果目标,利用该研究算法的平均分割误差为3.15%,提取的苹果目标与原始图像中苹果目标的平均重合度为96.08%,平均误差比Hough变换重建算法低7.73%,平均重合度高9.71%,并且该研究算法能够很好地保留未被遮挡苹果目标的完整轮廓信息,提高了分割精度。对于重叠被遮挡的苹果目标,平均分割误差和平均重合度分别为5.24%和93.81%,比Hough变换重建算法的平均分割误差低11.35%,平均重合度高12.74%,表明该算法可以较好地实现重叠被遮挡苹果目标的轮廓重建,研究结果可为实现枝叶遮挡影响下的多果重叠目标分割与重建提供参考。     

基于时序图像跟踪的葡萄叶片病害动态监测

为提高自然成像条件下的酿酒葡萄图像中病害识别的可靠性,对时序叶片图像作连续病害检测并监测病斑变化情况。首先,在每一天利用Faster R-CNN算法对摄像机视场中葡萄叶片进行检测,对检测到的叶片采用改进卡尔曼滤波法进行跟踪,以获得叶片正面图像。为了实现多叶片跟踪和解决由遮挡而造成的跟踪失败问题,该文在卡尔曼滤波和匈牙利算法基础上,结合运动测度和深度外观信息对跟踪目标进行匹配,运动匹配时采用马氏距离,外观匹配方面采用最小余弦距离。其次,将不同日期的叶片正面图像做SIFT(scale-invariant feature transform)匹配,找到同一叶片按日期排列的一组序列图像,并在序列图像中通过深度学习技术进行病害识别。最后,通过监测叶片序列图像上病斑相对面积变化或病斑数量是否增加来确认病害的存在。该文对提出的跟踪算法、叶片匹配算法和序列图像上病害识别的精度进行了测试,试验表明:跟踪算法平均多目标跟踪准确度为73.6%,多目标跟踪精度为74.6%,基于判别模型颜色特征的传统跟踪算法两指标分别为14.3%和61.3%;基于SIFT特征的叶片匹配在识别同一叶片时的精度达到了90.9%;病害监测方面,虚警综合排除率(马修斯相关系数)达到了84.3%。该文的方法可以排除一些虚假病害,病害监测的可靠性有所提高,可适用于自然条件下葡萄病害的连续在线监测。     

果园行间3D LiDAR导航方法

为克服二维激光扫描仪在果园导航中感知信息少、无法有效应对树冠茂密、树干被遮挡等复杂三维果园场景,该研究提出一种基于3D LiDAR的果园行间导航方法。以3D LiDAR为检测设备实时采集果园信息,使用挖空打断后的树墙体心等效树干位置,根据左右树行的最佳平行度对随机采样一致性算法与最小二乘法拟合的树行进行互补融合并求其中心线得到导航线;对纯跟踪算法进行改进,实现差速运动机器人对树行的跟踪。结果表明:系统在篱壁式仿真果园环境下以0.33 m/s的速度沿中心线行走时,绝对航向定位偏差在1.65°以内,绝对横向定位偏差在6.1 cm以内;以0.43 m/s的速度跟踪树行的绝对横向偏差在15 cm以内。在真实梨园下,系统分别以0.68与1.35 m/s的速度跟踪树行,绝对横向偏差分别不超过21.3与22.1 cm。本系统可广泛用于标准果园与复杂三维果园机械的自主导航,具有可靠的稳定性。     

基于多尺度融合注意力机制的群猪检测方法

群猪检测是现代化猪场智慧管理的关键环节。针对群猪计数过程中,小目标或被遮挡的猪只个体易漏检的问题,该研究提出了基于多尺度融合注意力机制的群猪检测方法。首先基于YOLOv7模型构建了群猪目标检测网络YOLOpig,该网络设计了融合注意力机制的小目标尺度检测网络结构,并基于残差思想优化了最大池化卷积模块,实现了对被遮挡与小目标猪只个体的准确检测;其次结合GradCAM算法进行猪只检测信息的特征可视化,验证群猪检测试验特征提取的有效性。最后使用目标跟踪算法StrongSORT实现猪只个体的准确跟踪,为猪只的检测任务提供身份信息。研究以育肥阶段的长白猪为测试对象,基于不同视角采集的视频数据集进行测试,验证了YOLOpig网络结合StongSORT算法的准确性和实时性。试验结果表明,该研究提出的YOLOpig模型精确率、召回率及平均精度分别为90.4%、85.5%和92.4%,相较于基础YOLOv7模型平均精度提高了5.1个百分点,检测速度提升7.14%,比YOLOv5、YOLOv7tiny和YOLOv8n 3种模型的平均精度分别提高了12.1、16.8和5.7个百分点,该文模型可以实现群猪的有...     

基于PigsTrack跟踪器的群养生猪多目标跟踪

基于视频的生猪行为跟踪和识别对于实现精细化养殖具有重要价值。为了应对群养生猪多目标跟踪任务中由猪只外观相似、遮挡交互等因素带来的挑战,研究提出了基于PigsTrack跟踪器的群养生猪多目标跟踪方法。PigsTrack跟踪器利用高性能YOLOX网络降低目标误检与漏检率,采用Transformer模型获取具有良好区分特性的目标外观特征;基于OC-SORT(observation-centric sort)的思想,通过集成特征匹配、IoU匹配和遮挡恢复匹配策略实现群养生猪的准确跟踪。基于PBVD(pigs behaviours video dataset)数据集的试验结果表明,PigsTrack跟踪器的HOTA(higher order tracking accuracy),MOTA(multiple object tracking accuracy)和IDF1得分(identification F1 score)分别为85.66%、98.59%和99.57%,相较于现有算法的最高精度,分别提高了3.71、0.03和2.05个百分点,证明了PigsTrack跟踪器在解决外观相似和遮挡交互引起...     

基于改进可变形部件模型与判别模型的葡萄叶片检测与跟踪

为解决酿酒葡萄生长状态自动监测问题,该文提出基于机器视觉和视频处理技术的自动监测系统,开发了多角度可变形部件模型的葡萄叶片检测算法和基于颜色特征的判别模型跟踪算法。在叶片检测方面,该算法对颜色特征图像采用可变形部件模型训练出多角度叶片检测器,通过多模型匹配后产生叶片检测候选集合,选择集合中得分最高的检测结果作为最后的定位信息;在跟踪方面,结合图像中目标的颜色直方图,建立具有区分背景和目标的组合判别模型,并将位置函数的最大值作为相邻帧的目标位置,从而实现对叶片目标的实时跟踪。试验结果表明,该文检测算法对自然条件下的葡萄叶片平均检测率为88.31%,误检率为8.73%;叶片跟踪的准确性也相对较高,其重叠率高达0.83,平均中心误差为17.33像素,其证明了该算法的有效性,研究结果为葡萄生长状态的自动分析提供参考。     

基于多特征融合的粒子滤波生猪采食行为跟踪

针对中国养猪业规模化、集约化迅猛发展过程中,人工观察监测记录生猪生长情况需损耗大量人力和物力,得到数据误差大的问题,该文提出将颜色特征与目标轮廓形心特征融合,基于粒子滤波算法实现生猪采食行为跟踪,当目标跟踪矩形框中心坐标和跟踪目标轮廓形心坐标之间的横坐标偏差大于跟踪目标轮廓横坐标方向的最大值与最小值的差的一半时,或其之间的纵坐标偏差大于跟踪目标轮廓纵坐标方向的最大值与最小值的差一半时,对基于颜色特征粒子滤波算法得到的跟踪矩形框的中心坐标进行二次修正,提高了目标生猪跟踪的可靠性和鲁棒性;通过对比试验,结果表明:该方法能够对目标生猪的采食行为进行自动跟踪、记录和分析,记录的目标生猪一天内的采食次数和采食时间与人工记录结果基本相同,有效跟踪平均精度为93.4%。     

基于视频分析的多目标奶牛反刍行为监测

奶牛反刍行为与其生产、繁殖和应激行为等存在较强的相关性,现有方法多采用人工观察或可穿戴式装置进行奶牛反刍行为的监测,存在误差大、容易引起奶牛应激反应、成本高等问题。为了实现多目标奶牛反刍行为的实时监测,该研究基于视频分析与目标跟踪技术,在获取奶牛嘴部区域的基础上,分析对比了压缩跟踪算法(compressive tracking,CT)和核相关滤波算法(kernelized correlation filters,KCF)在多目标奶牛反刍监测中的性能。为了验证不同算法对奶牛反刍行为监测的效果,分别用9段视频进行了试验,针对误检问题提出了有效的咀嚼次数判定模型,最后与实际的奶牛反刍数据进行了对比。试验结果表明:对多目标监测,KCF算法平均帧处理速度为7.37帧/s,是CT算法平均帧处理速度0.51帧/s的14.45倍;KCF算法平均误差为13.27像素,是CT算法平均误差38.28像素的34.67%。对双目标监测,KCF算法的平均误检率为7.72%,比CT算法的平均误检率18.56%低10.84个百分点;2种算法的帧处理速度分别为10.11帧/s和0.87帧/s;平均跟踪误差分别为22.19像素和28.51像素,KCF算法的平均跟踪误差仅为CT算法的77.83%。试验结果表明,KCF算法具有较低的误检率及较高的帧处理速度,更适合奶牛反刍行为的监测。在此基础上,验证了2种算法在不同光照、不同姿态和不同程度遮挡等影响因素下的监测效果,结果表明,CT算法会出现不同程度的偏离,甚至丢失目标,而KCF算法仍然具有良好的效果和较好的适应性,表明将KCF算法应用于全天候多目标奶牛反刍行为的分析是可行的、有效的。     

水果轮廓特征提取的Zernike矩分水岭分割方法

果实轮廓特征的测量提取是了解水果等农作物发育过程中内部生理生态变化的重要手段。该文提出了一种基于Zernike矩边缘检测的分水岭算法,并将该算法应用于葡萄果粒的轮廓特征提取。与传统的标记驱动分水岭算法相比,该算法利用Zernike矩边缘检测避免了标记对于轮廓的破坏,较好的保护了目标轮廓,从而减少了后续处理,提高了检测效率。最后,将用该算法所得到的轮廓和用传统的标记驱动分水岭算法所得到的轮廓进行比较,验证了该算法的可行性。该算法具有较高的检测效率,相较传统算法提高约6.9%左右,能够满足连续提取葡萄果粒的轮廓特征的要求。该方法可用于实时检测葡萄果粒的几何特征的变化。     

基于改进均值漂移算法的绿色作物图像分割方法

针对绿色农作物图像背景复杂且分割难的问题,提出一种基于改进均值漂移算法的分割方法。采用均值漂移算法对图像进行平滑和分割时,带宽的选择直接影响平滑和分割的结果。传统的均值漂移分割方法需要人为地设定空域带宽和值域带宽这2个参数。该文首先根据绿色作物图像的颜色特点,提取图像的颜色指数;然后采用均值漂移算法,将图像的颜色信息与空间信息结合起来,根据作物图像颜色分布的丰富程度定义自适应空域带宽,采用渐近积分均方差来获得自适应值域带宽,对图像进行平滑滤波;最后采用 Otsu 方法将平滑后的图像分成两部分：绿色部分和背景部分。试验结果表明,该方法能够有效地分割出绿色作物,并在分割性能上明显优于常规的颜色指数方法,作物图像的错分率均小于6.5%。     

基于预瞄追踪模型的农机导航路径跟踪控制方法

农机导航系统的上线性能和复杂路面抗干扰能力影响着农田作业的质量和效率,为提高农机导航系统的上线速度、上线稳定性和对复杂路面的适应性,提出了一种预瞄追踪模型的农机导航路径跟踪控制方法。该方法实质是对农机运动学模型方法的改进,针对农机运动学模型小角度线性化算法中近似条件的缺点,采用预瞄追踪辅助直线引导农机快速稳定跟踪规划路径。该文参考农机运动学模型极点最优配置算法证明过程,分3步证明了该控制方法的可行性,并通过仿真和试验验证了该方法的有效性。仿真结果显示在不同的初始位置偏差和航向偏差条件下该方法都可以迅速消除偏差以稳定跟踪规划路径,位置偏差校正曲线平滑且超调量微小,说明预瞄追踪模型方法对提高农机导航系统的上线性能和抗干扰能力是有效的。田间试验结果:在初始航向偏差为0,初始位置偏差分别为0.5、1、1.5 m条件下,上线时间分别为6.8、8.2、9.4 s,上线距离分别为6.73、8.11、9.33 m,超调量分别为5.2、7.0、8.5 cm;颠簸不平旱地路面直线路径跟踪的最大误差不超过4.23 cm,误差绝对值的平均值为1 cm,标准差为1.25 cm。数据表明采用该文提出的控制方法具有良好的上线和直线路径跟踪效果,满足农业机械的导航作业要求。     

基于纹理颜色模型的高原鼠兔突变运动跟踪

针对自然生境环境下高原鼠兔跟踪中,鼠兔毛色呈保护色与背景颜色相近以及运动随机的问题,构造了一种局部纹理差异性算子LTDC(local ternary difference count),来表征目标和背景之间的细微差异性,弥补了采用单一LTC(local ternary count)算子的不足。通过运动信息来判断鼠兔的运动模式,不同的模式采用不同的采样跟踪策略。把所构造的LTDC算子与R(red)G(green)B(blue)颜色信息相结合来表示目标,并把该目标表示模型引入到运动信息引导的高原鼠兔跟踪方法中。通过对采集的秋冬季节高原鼠兔视频图像进行测试,分析跟踪的成功率和误差,得到的LTDC纹理颜色模型的目标表示方法在鼠兔发生突变运动时,由于采用了运动信息引导的采样跟踪方式,能够有效地捕获突变目标,跟踪成功率达到97.93%。在鼠兔发生平滑运动时,尽管目标与背景颜色相近,依然能够稳定地跟踪目标,跟踪误差较小,误差波动范围也较小,误差均值为19.56,误差方差为74.24。试验结果表明:所提出的跟踪方法具有较强的目标与背景区分能力,在目标和背景颜色相近、运动复杂的场景中,能够较为准确地实现高原鼠兔目标的定位。     

东方红拖拉机自动转向控制器设计及试验

以东方红-X804拖拉机为试验平台,设计了基于双闭环控制方法的转向控制器,以提高农业机械导航的精度。首先阐述了系统整体结构及工作原理,使用角度传感器KMA199和角速率传感器ADIS16300分别测量转向角度、转向角速率,电控液压阀、换挡电磁阀和溢流阀作为执行单元实现自动转向。建立了数学模型,介绍了转向控制器的硬件电路实现,设计了CAN总线网络功能节点。结合拖拉机田间作业过程中系统非线性特性,提出了以角速度控制为内环、转向角度控制为外环的双闭环控制方法,给出了控制算法的推导过程,并使用Matlab工具箱进行系统辨识得到传递函数的参数。试验结果表明:ADIS16300角速度积分的角度值有较高准确度,平均误差为0.53°。方波信号的角度跟踪稳态时平均误差为0.40°,平均跟踪时间为1.3 s,角速率跟踪稳态时平均误差为1.25(°)/s,延时时间平均值为0.2 s;双闭环控制方法较好抑制了稳态时的震荡现象。     

采用双目视觉和自适应Kalman滤波的作物行识别与跟踪

针对传统作物行识别方法在相邻图像间的识别结果偏差较大,作物行的定位精度和稳定性低等问题,该研究提出一种基于双目视觉和自适应Kalman滤波技术的作物行识别与跟踪方法。对于作物行识别,首先建立图像预处理算法,基于改进的超绿-超红模型和最大类间方差法分割植被灰度特征;建立作物行特征提取算法,基于特征点检测技术和双目视差测距方法计算植被角点特征的三维坐标,根据三维阈值提取作物行特征点,进而建立作物行中心线检测算法,建立基于主成分分析的直线拟合模型,根据作物行特征点的频数统计规律检测作物行冠层中心线。对于作物行跟踪,建立跟踪目标规划模型,提取位于图像中央区域的作物行作为跟踪目标;建立目标状态方程,基于自适应Kalman滤波技术构建作物行中心线跟踪模型。以棉花图像开展试验研究,图像数据包括阴影、杂草、地头等田间场景。试验结果表明,该研究方法的作物行识别准确度、精度和速度均较高,识别正确率约为92.36%,平均航向偏差为0.31°、标准差为2.55°,平均识别速度约80.25 ms/帧;经目标跟踪后,航向角和横向位置估计的标准差分别为2.62°和0.043 m、较无跟踪状态分别减小22.94%和10.42%,作物行中心线的方位估计精度进一步提高。研究成果可为导航系统提供连续、稳定的作物行导引参数。