农业机械视觉导航基准线识别算法研究

随着计算机技术和图像处理技术的发展,机器视觉导航技术的研究与应用已扩展到农业工程领域,与GPS技术一起成为农业机械导航领域中最有发展前景的导航技术。该文介绍了农业机械视觉导航技术中可用于导航基准线的几种识别方法的原理和特点并对各种方法的应用研究进行了综述。     

基于果园土壤肥力评价和测土施肥的土样采集适宜深度的研究

按0~20cm、0~30cm、0~40cm、0~50cm、0~60cm深度采集果园土壤,分析其有机质、碱解氮、速效磷、速效钾的含量和pH值等理化性状,认为比照大田土壤,最能反映果园土壤肥力状况的采样深度为0~30cm或0~40cm,为果园土壤合理施肥提供理论依据。     

基于深度学习的蔬菜田精准除草作业区域检测方法

【目的】蔬菜生长随机,杂草种类众多。传统杂草识别算法复杂,且仅识别出杂草,未能精准确定除草作业区域。本研究以蔬菜及其伴生杂草为研究对象,拟探索一种基于深度学习的杂草识别与精准除草作业区域检测方法。【方法】通过将原图切分网格图像,利用深度学习模型识别蔬菜、杂草及土壤,将包含杂草的网格图像标记为除草作业区域。选取ShuffleNet、DenseNet和ResNet模型开展识别试验,并采用精度、召回率、F₁值和总体准确率、平均准确率分别对验证集和测试集进行评价分析。【结果】所选的3种网络模型均能较好地识别杂草和蔬菜,其中ShuffleNet为杂草识别最优模型,其对杂草的识别具有较为均衡的精度和召回率,分别为95.5%、97%,且其识别速度也达最优,为68.37 fps,能够应用于实时杂草识别。【结论】本研究提出的除草作业区域检测方法具有高度的可行性和极佳的识别效果,可用于蔬菜田间杂草的精准防除。     

果园作业机器人的自主行间导航系统研究

【目的】挂载多种农机具的果园作业机器人能减少果园劳动力投入、降低水果生产成本并提高果园生产效率,其中自主导航系统是果园作业机器人应用研究的重点和难点。【方法】文章针对果园作业机器人GPS导航过程中定位信号易受树叶遮挡及多路径效应干扰等问题,以果园作业机器人初始位置为原点建立世界坐标系,采用拓展卡尔曼滤波算法对通过三维激光雷达结合RANSAC算法获取的果园行直线进行优化,设计结合差速模型和纯跟踪算法的果园自主行间导航算法,并以该算法为基础开发果园作业机器人自主行间导航系统,驱动果园作业机器人沿树行中心行驶并完成自主调头进入下一行的工作。【结果】(1)根据现代化矮化密植果园的环境,果园自主行间导航算法能根据两侧果树行的三维点云,自主生成稳定的导航位置;(2)果园作业机器人能够沿果园行中心位置匀速行驶,并能够实时根据果园行的变化来修正自身的位姿。当速度在0.4 m/s时候,机器人运动的横向平均偏差为0.1 m,航向平均偏差为1.04°;(3)基于果园行宽相等的条件,果园作业机器人能够在行尾自主调头进入下一行,之后沿行内中心位置继续行驶。【结论】该文果园自主行间导航系统设计合理,算法稳定性高,导航精度高,不受驾驶路况的影响,能够满足现代化矮化密植果园作业的自主行驶需求。     

基于深度学习的植物图像识别方法研究

传统植物图像识别研究主要集中在植物叶片图像。研究将深度神经网络学习运用于植物识别领域,突破局部叶片图像的限制,对常规植物图片进行识别。该方法运用google Net的深度卷积神经网络结构,通过图像旋转、镜像、随机裁剪等数据预处理方法扩充训练集,再利用SGD(随机梯度下降法)进行模型算法优化,生成对50种常规植物图像的识别模型。结果表明,该模型在测试集上能够达到平均90%的准确率。     

光照强度对农用AGV导航线提取影响的研究

[目的]改善农用AGV导航线提取的精度。[方法]对同一对象在41 000-90 000 lx下采集的19幅图像进行图像分割试验。[结果]在1 080×1920的图像中,每幅图像与其他图像提取导航线的最大误差为50个像素点左右。[结论]光照强度误差是现有大多数算法可以接受的,光照强度带来的导航线提取差异将促进农用AGV视觉导航技术的发展。     

基于深度学习技术的在线教学效果评价研究

目的 针对在线教学模式的特点,重点探讨面部表情与教学效果之间的联系,利用深度学习技术,提出一种面部表情自动识别模型,实时掌握在线课堂学习状态.方法 在对在线教学效果和面部表情关联关系分析的基础上,构建基于深度学习方法的面部表情识别模型,利用TensorFlow,在Jaffe数据集中进行模型验证和测试.结果 实验结果表明...     

基于深度学习的玉米叶片病害识别方法研究

玉米叶片病害是造成的玉米质量差、产量低主要原因之一。为了对玉米叶片病害进行快速准确识别,提出了基于ResNet（Residual Neural Network）深度学习网络对玉米病害识别的方法,采用ResNet 作为玉米病害识别的主体模型,利用数据增强技术来扩充数据集,扩充后的数据集图片包括训6000 张练集和1645 张测试集,并使用预训练网络AlexNet、GooLeNet 和ResNet 进行识别玉米叶片病害的性能对比实验,研究发现在批量尺寸为32 个和epoch 次数为16时ResNet50 获得最高的分类准确率为92.82%,优于传统机器学习算法。     

基于改进YOLOv5深度学习的海上船舶识别算法

为提高多目标和雾天环境下的海上船舶识别准确率,提出一种基于改进YOLOv5深度学习的海上船舶识别模型(SE-NMS-YOLOv5),该模型结合暗通道去雾算法(Dark channel),并融合了SE(squeeze-and-excitation)注意力机制模块和改进非极大值抑制模型,对船舶数据集进行训练和测试。结果表明：在船舶识别任务上,SE-NMS-YOLOv5模型的准确率、召回率和F1值分别为90.6%、89.9%、90.5%,检测效果比YOLOv5模型分别提升了6.3%、4.8%、5.8%,比YOLOv4模型分别提升了19.1%、19.0%、19.3%;在雾天船舶识别任务上,SE-NMS-YOLOv5-Dark channel模型的准确率、召回率和F1值分别为88.1%、87.2%、87.6%,比SE-NMS-YOLOv5模型的检测结果分别提升了13.8%、13.3%、13.5%。研究表明,SE-NMS-YOLOv5海上船舶识别模型有效地解决了多目标和雾天条件下,海上船舶检测准确率低的问题,提升了船舶检测和识别的整体效果。     

基于深度可分离卷积神经网络的农作物病害识别方法

为了满足现代化、机械化农业生产的目标,降低模型的计算量,使农作物病害分类模型更适用于资源受限制的设备,提出了一种以深度可分离卷积为主的神经网络模型。利用深度可分离卷积和卷积相结合的方法取代标准卷积,计算量可降低至标准卷积的12%左右,并且大大减少网络模型的参数量。通过进一步减少通道数、改变网络输入图片大小的等方式,获得12种参数量和计算量不同的模型。结果显示,对含有复杂背景和光照不均匀的10类农作物的27种病害样本图片进行分类,该研究提出的模型准确率为98.26%,且参数量仅904 K。     

基于深度学习的病害识别方法研究

当前在大面积生产中,主要病害的发生严重威胁农作物健康持续发展,亟须高效的病害识别方法来解决人工识别耗时、误判及效率低等问题。通过SONY@6300数码相机和开源数据库获取3种病害图像各150张,利用Labelme标注图片病斑,经过图像增强得到2 250张图片并构成数据集,按照8∶1∶1的比例划分为训练集、验证集和测试集。训练Deeplabv3+、 U-Net、 U-Net++等3种神经网络模型,对3种病害的图片进行预测并评价,比较在相同迭代次数下的损失曲线;根据对测试集进行预测的混淆矩阵,计算其精准度、召回率和F1得分。综合对比这3种模型的性能,结果表明U-Net++效果最好,3个评价指标均在97%以上,对病害的分割性能也优于Deeplabv3+和U-Net模型。研究结果可为生产上病害防治提供科学指导,也可为其他作物的病害识别提供技术参考。     

基于双目视觉的机器人定位与导航算法

自动化运输机械在丘陵山区的应用可以节省大量农业生产所需劳动力,多种因素的影响使得精确引导路径比较困难,很大程度上制约了自动化运输机械的推广使用.对基于双目视觉的机器人定位与导航算法进行研究,建立丘陵山区道路图像处理模型,强化对阴影的识别与信息的融合,有效将道路和周边环境区分开来.考虑到道路图像形状特征不明显且灰度值差异...     

基于深度学习的水稻稻瘟病识别研究

本文以水稻稻瘟病图像为研究对象,提出一种基于深度学习的水稻稻瘟病识别方法。基于Tensor Flow开源框架,使用TensorFlow-Keras建立起深度学习模型,通过对水稻的常见健康状态、稻瘟病的图片集学习获取模型特征,最终获得的模型可以用于检测判断。深度学习模型采用ReLU作为激活函数,并对模型中的超参数学习率进行网格搜索,获取更合适的模型超参数。对改进后的模型进行测试,测试验证率达78%。本研究提出的方法可有效识别水稻稻瘟病,为水稻病害防治提供了有效的技术支持。     

基于深度学习的高鲁棒性恶意软件识别研究

提出了一种基于深度学习的高鲁棒性恶意软件识别算法,该算法利用软件的操作码序列来检测恶意软件。首先采用类信息增益进行特征选择,然后提出了基于启发式规则的图生成算法,并将图转换为矢量空间,最后应用基于堆叠自编码器的深度学习框架对恶意和正常软件进行分类。实验评估结果说明了与现有的算法相比,恶意软件识别算法具有较高的鲁棒性。     

基于边缘计算与深度学习的禽舍监测系统设计

恶臭气体是影响禽舍内禽类个体健康和产蛋效率的重要因素。由于传统的监测设备具有较长的气体浓度响应时间,导致无法及时对污染物的排放做出检测,设计并实现可以预测氨气浓度变化的禽舍监测系统,选用低成本的电化学传感器和低功耗Wi-Fi微控制器设计终端监测器。为了克服电化学传感器易受其他环境因素影响的缺点,监测器还集成硫化氢浓度、二氧化碳浓度以及温湿度等传感器。由于禽舍生产经营属性对成本较敏感,选用性价比较高的边缘计算硬件作为服务器。在该服务器对监测器上传的采集数据进行预处理,最终通过提出的Bi-LSTM模型使用多传感器参数预测未来一段时间内氨气的浓度值。经过参数调优和对比训练,该系统对禽舍内氨气浓度的预测值与采集值均方误差仅为3.29%,以期为接下来的减排措施提供有效的数据支撑。     

基于深度学习的植物病虫害智能检测系统研究

由于当今全球气候变化异常,农作物病虫害频发,而且农作物病种类多,成因复杂,其预防和识别难度较大,且传统病虫害识别方法大多靠人目视手查,需要一定的专家经验,具有主观性强、识别准确率低等缺点。而信息技术作为解决农作物病虫害智能、快速识别的新技术、新方法,我们计划利用农业信息大数据智能决策分析系统,建立完善一体化的智能农业信息监测系统等。本文便是基于深度学习将计算机视觉、图像识别等技术运用于农作物病虫害检测中,开发智能病虫害检测系统,以提高病虫害检测准确率,减少病虫害对农业生产的危害。     

基于深度动态学习神经网络和辐射传输模型地表温度反演算法研究

【目的】地表温度反演是一个典型的病态反演问题,深度动态学习神经网络的出现提供了一条新的地表温度反演途径。文章以MODIS中红外和热红外波段作为参照模拟研究对象,利用深度动态学习神经网络和辐射传输模型(MODTRAN)进行地表温度反演研究,选择最适合于MODIS地表温度反演的波段组合,从而为国产卫星风云系列和高分数据红外波段反演地表温度提供参考算法。【方法】根据中红外波段受太阳的影响以及水汽波段的特征,将反演组合波段分成3组。第1组适合白天和晚上同时反演地表温度的组合(MODIS波段29、31、32和33);第2组适合白天的热红外波段和水汽波段组合(MODIS波段29、31、32、33和水汽波段);第3组是只适合晚上的中外波段(MODIS 20、22、23)与热红外波段(MODIS 29、31、32和33)的组合。【结果】利用辐射传输模型(MODTRAN)和深度动态神经网络(NN)反演分析表明,深度动态学习神经网络能够被用来精确地从单景MODIS数据中反演地表温度,克服了传统MODIS白天/黑夜产品算法的缺陷。3种类型的组合地表温度的平均反演误差都在1 K以下,最高精度为热红外波段与水汽波段的组合,平均最高精度为0.251 K,标准差是0.255 K,相关系数是1。【结论】利用深度动态学习神经网络和辐射传输模型彻底解决了地表温度和发射率病态反演难题,为风云系列卫星和高分数据地表温度反演算法提供参考算法模式,深度动态学习神经网络与辐射传输模型相结合反演地表温度和发射率在地表温度反演史上具有里程牌意义。     

基于深度学习的水稻表型特征提取和穗质量预测研究

水稻产量与水稻穗数和穗质量密切相关,精确预测水稻产量可以加快育种速度。以盆栽水稻为研究对象,首先利用可见光图像结合图像处理技术进行特征提取,获取整株水稻的51个表型特征。结合深度学习,运用Faster R-CNN卷积神经网络训练模型对水稻穗数进行检测,同时使用SegNet网络框架训练得到的模型对水稻稻穗进行分割,得到水稻穗部的二值图像,结合图像处理技术提取穗部的33个表型特征数据。提取了颜色、形态、纹理共85个表型参数,对所有85个数据进行归一化处理,将归一化的85个表型数据与稻穗鲜质量、干质量进行逐步线性回归,挑选相关性高的特征数据。分别使用穗数和33个特征穗部、51个特征整株、所有85个特征中相关性高的特征数据构建盆栽水稻稻穗鲜质量、干质量的预测模型,最后根据模型的决定系数R²、平均相对误差(MAPE)和相对误差绝对值的标准差(SAPE)挑选最优预测模型。预测结果表明穗部特征预测效果最好,其中效果最好的模型鲜质量、干质量预测值与真实值的决定系数R²分别达到0.787±0.051和0.840±0.054。     

基于深度学习和超分辨率重构技术的图像缺陷诊断算法

虽然深度学习在图像检测领域取得了长足进步,但是由于变电站设备巡检图像背景复杂,导致了缺陷诊断面临一定的困难。本文提出了一种基于深度学习和超分辨技术的缺陷检测算法,一方面是锁定目标区域,聚焦检测设备,去除不相关的图像信息,大幅降低了图像有效信息的损失;另一方面是对检测设备进行超分辨率重建,提升分辨率,保证用于渗漏油缺陷检测的图像质量、像素信息的完整性。通过实验数据证明,该算法识别结果较其他算法有很大的提升,从而验证了该算法的优越性。