排序方式: 共有63条查询结果,搜索用时 15 毫秒
1.
苹果目标的准确识别是苹果机械化采摘需要解决的关键问题之一。为此,基于YUV颜色空间模型,提出了一种结合色差分量与高斯自适应拟合算法的苹果目标分割方法。该方法采用首先将苹果目标由RGB颜色空间转换至YUV颜色空间,并利用色差分量V建立果实与背景分割的高斯分布拟合模型,根据拟合结果自动获取分割阈值,以实现自然场景下苹果目标的准确分割。为了验证文中算法的有效性,利用多幅图像进行了试验并与Otsu自适应阈值分割算法进行了比较。试验结果表明,采用文中算法得到的苹果果实的平均检出率达87.08%,识别率领先Otsu算法9.91%。因此,对于着色度较为均匀的苹果目标,采用高斯自适应拟合方法可以有效提高其识别率。 相似文献
2.
偏心切割式苹果采摘装置设计与试验 总被引:1,自引:0,他引:1
苹果采摘是苹果生产作业中最耗时费力的环节,实现苹果快速采摘是现代化采摘作业的重要途径。本研究设计的偏心切割式苹果采摘装置主要由偏心式采摘头、可拆卸伸缩杆和缓冲下落通道3部分构成:偏心式采摘头采用刀片偏心旋转实现果柄的切割;伸缩杆采用可拆卸设计,实现不同高度苹果的采摘;缓冲下落通道采用内置缓冲布条的布制通道构成,以防止苹果在跌落过程中的损伤。在西北农林科技大学北校区园艺场随机选择5棵苹果树进行了采摘性能田间采摘试验,共采摘苹果150个。试验结果表明:该装置的采摘成功率为92.00%,苹果采摘受损率平均为4.70%。该苹果采摘装置的设计与试验为其它同类型的水果采摘装置的设计与改进提供了参考,有利于提升辅助人工的水果采摘装备研发水平。 相似文献
3.
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。 相似文献
4.
为了更好地实现不同光照条件下的农作物图像融合,在Contourlet变换(contourlet transform,CT)的基础上采用了适合农作物图像的融合规则进行了融合处理。首先,采用Contourlet变换对源图像进行多尺度、多方向分解,得到低频子带系数和带通方向子带系数。然后,针对低频子带系数的选择,采用了一种改进的线性加权融合方法,以期减小噪声对融合结果的影响;针对带通方向子带系数的选择,结合人眼视觉特性,采用了一种基于梯度最大化规则的系数选择方案,得到待融合图像的系数。最后,经过Contourlet逆变换得到融合图像。与小波变换方法(wavelet transform,WT)进行了融合结果的比较,结果表明,与WT方法相比,该文方法在互信息量(mutual information,MI)、空间频率(spatial frequency,SF)、均方差(mean square error,MSE)、信息熵(entropy,Ent)、相关系数(correlation coefficient,CC)、平均梯度(average gradient,G’)和峰值信噪比(peak signal to noise ratio,PSNR)指标上均有了较大提升,表明利用该方法可以取得优于WT的融合效果;在此基础上,利用CT常见融合规则与文中融合规则进行了比较,同样表明CT方法可以有效提高图像融合的效果。研究表明,将文中所采用的融合规则应用于不同光照条件下的农作物图像融合是有效的、可行的。该研究可为变光照条件下的作物图像融合技术提供参考。 相似文献
5.
基于部分亲和场的行走奶牛骨架提取模型 总被引:3,自引:0,他引:3
在奶牛关键点预测的基础上,通过点、线重构奶牛骨架结构,可为奶牛跛行检测、发情行为分析、运动量估测等提供重要参考。本研究基于部分亲和场,以养殖场监控摄像头拍摄的视频为原始数据,使用1 600幅图像训练了奶牛骨架提取模型,实现了奶牛站立、行走状态下关键点信息和部分亲和场信息的预测,并通过最优匹配连接对奶牛骨架结构进行准确提取。为了验证该模型的性能,采用包含干扰因素的100幅单目标奶牛和100幅双目标奶牛图像进行了测试。结果表明,该模型对单目标行走奶牛骨架提取的置信度为78.90%,双目标行走奶牛骨架提取的置信度较单目标下降了10.96个百分点。计算了不同关键点相似性(Object keypoint similarity,OKS)下的模型准确率,当OKS为0.75时,骨架提取准确率为93.40%,召回率为94.20%,说明该模型具有较高的准确率。该方法可以提取视频中奶牛骨架,在无遮挡时具有高置信度和低漏检率,当遮挡严重时置信度有所下降。该模型的单目标和双目标图像帧处理速度分别为3.30、3.20 f/s,基本相同。本研究可为多目标奶牛骨架提取提供参考。 相似文献
6.
基于SVM的小麦叶部病害识别方法研究 总被引:2,自引:0,他引:2
为了准确识别小麦叶部常见病害,为小麦病情诊断和发展状况判断提供科学依据,设计并实现了一种基于SVM(Support Vector Machine)的小麦叶部常见病害识别方法。该方法可以实现对小麦白粉病、条锈病和叶锈病的准确识别。首先,基于中值滤波法和K均值聚类算法,实现了图像的去噪及病斑分割;然后,提取了病斑区域形状特征和纹理特征;最后,利用SVM算法对小麦叶部病害进行了分类识别。随机试验结果表明,利用所提取的特征可以有效地实现小麦叶部常见病害的识别,基于形状特征的综合识别率可达99.33%;利用SVM算法进行小麦病害叶片识别是有效的、可行的。该方法对于农作物病害智能识别的推广具有较好的借鉴意义。 相似文献
7.
8.
三维重建技术在智慧农业研究领域有着广阔的应用前景。本研究以抽穗期小麦和树木枝干为研究对象,在搭建了植株序列图像获取平台的基础上,探究了3DSOM软件在不同数量序列图像下的植株三维重建效率和精度。对于小麦植株,分别对比了32、48、64幅序列图像下重建模型的效果和精度;试验表明:3DSOM对于小麦的重建效果一般。对于树木枝干,分别对比了40、60、80幅序列图像下的重建模型,试验表明重建效果较好。为了验证3DSOM软件对植株的重建精度,对小麦3个截段的测量进行了对比。对比结果表明:其重建误差不高于3.18%,最低为0.39%,平均精度为2.16%。对枝干的8个截段的测量对比结果表明:其重建误差不高于2.66%,最低为0.4 3%,平均精度为1.4 0%。因此,将3DSOM应用于植株的三维重建可以取得高精度的效果。 相似文献
9.
果实表型数据高通量、自动获取是果树新品种育种研究的基础,实现幼果精准检测是获取生长数据的关键。幼果期果实微小且与叶片颜色相近,检测难度大。为了实现自然环境下苹果幼果的高效检测,采用融合挤压激发块(Squeeze-and-Excitation block, SE block)和非局部块(Non-Local block, NL block)两种视觉注意机制,提出了一种改进的YOLOv4网络模型(YOLOv4-SENL)。YOLOv4模型的骨干网络提取高级视觉特征后,利用SE block在通道维度整合高级特征,实现通道信息的加强。在模型改进路径聚合网络(Path Aggregation Network, PAN)的3个路径中加入NL block,结合非局部信息与局部信息增强特征。SE block和NL block两种视觉注意机制从通道和非局部两个方面重新整合高级特征,强调特征中的通道信息和长程依赖,提高网络对背景与果实的特征捕捉能力。最后由不同尺寸的特征图实现不同大小幼果的坐标和类别计算。经过1 920幅训练集图像训练,网络在600幅测试集上的平均精度为96.9%,分别比SSD、Faster R-CNN和YOLOv4模型的平均精度提高了6.9百分点、1.5百分点和0.2百分点,表明该算法可准确地实现幼果期苹果目标检测。模型在480幅验证集的消融试验结果表明,仅保留YOLOv4-SENL中的SE block比YOLOv4模型精度提高了3.8百分点;仅保留YOLOv4-SENL中3个NL block视觉注意模块比YOLOv4模型的精度提高了2.7百分点;将YOLOv4-SENL中SE block与NL blocks相换,比YOLOv4模型的精度提高了4.1百分点,表明两种视觉注意机制可在增加少量参数的基础上显著提升网络对苹果幼果的感知能力。该研究结果可为果树育种研究获取果实信息提供参考。 相似文献
10.
呼吸及反刍是奶山羊最基本的生理活动,及时准确地同步获取奶山羊的呼吸及反刍信息可以为评估奶山羊健康状况提供数据支撑。针对现有方法呼吸及反刍同步监测能力的不足,提出了一种基于声学冲激响应的单只静卧奶山羊呼吸及反刍同步监测方法。该方法首先利用声学在室内空间中的多径效应,实现奶山羊呼吸过程中胸脯起伏及反刍过程中嘴部咀嚼动作全向采集;其次计算收发信号的冲激响应,捕捉由呼吸及反刍运动造成多径信号周期性变化的特征;然后利用呼吸及反刍运动频率差实现呼吸和反刍信号的分离;最后经过幅度归一化、相位同步后实现呼吸及反刍波形的可视化。为了验证该方法的有效性,选用了不同朝向的静卧奶山羊进行呼吸及反刍监测试验,并分析了环境噪声对试验的影响,结果表明:对于不同朝向的奶山羊,该方法呼吸平均相对误差为2.60%,反刍平均相对误差为3.51%,平均漏帧率为2.49%,并对环境噪声有较强的抗干扰能力。 相似文献