基于改进Mask R-CNN的番茄侧枝修剪点识别方法

为解决番茄枝叶修剪机器人无法准确识别番茄侧枝修剪点的问题,提出基于改进Mask R-CNN模型的番茄侧枝修剪点的识别方法。将Mask R-CNN的主干网络ResNet50替换为MobileNetv3-Large来降低模型复杂度和提升运行速度,并对部分特征图添加ECA(Efficient Channel Attention)注意力机制,以提升模型精度;通过改进的Mask R-CNN模型预测番茄侧枝与主枝的分割掩膜和边框位置;针对部分单根枝条被分割成多段掩膜的问题,通过掩膜边界框宽高比区分侧枝和主枝,分析同一枝条相邻掩膜约束条件,然后将符合约束条件的掩膜进行合并连接;根据修剪点在主枝附近的特点确定修剪点所在端,然后确定靠近修剪端端点的中心点作为侧枝的修剪点。试验结果表明,改进的Mask R-CNN模型平均分割图片时间为0.319s,召回率和精确率分别为91.2%和88.6%,掩膜平均合并成功率为86.2%,修剪点识别平均准确率为82.9%。该研究为番茄枝叶修剪机器人的研发提供参考。     

基于电子鼻信号判别番茄苗机械损伤程度

番茄苗产生的挥发物易受到病害、虫害、损伤等多种因素影响。该文利用电子鼻系统测试机械损伤番茄苗挥发性物质的变化,通过主成分分析、线性判别分析对4种不同处理机械损伤的番茄苗进行分析,结果表明主成分分析各处理样本间均有重叠,区分效果不理想,线性判别分析各处理样本基本可以分开;用逐步判别分析和BP神经网络对各处理样本进行判别,测试集的准确率分别达到84.4%和93.8%以上,神经网络模型的预测结果更好。该研究可为番茄苗机械损伤快速在线监测提供参考。     

番茄收获机械手奇异性分析与处理

为解决番茄收获机械手的奇异性问题,分析了该机械手雅可比矩阵的奇异值和可操作度,利用阻尼最小二乘法对其奇异性进行处理与仿真试验。结果表明,番茄收获机械手经奇异性处理后,阻尼伪逆矩阵的最小奇异值远离零位置,各关节运动速度和位移变化平缓,奇异位形消失,系统工作平稳,满足番茄收获机械手作业要求。     

基于改进的Deep Lab V3+网络模型的杂交水稻育种父母本语义分割研究

为解决杂交水稻育种授粉过程中父母本区分的精确性和实时性问题，本研究提出一种基于全卷积神经网络的、改进的DeepLabV3+杂交水稻育种父母本区分的语义分割模型。采用轻量化的主干网络Mobile Net V2结构替换原Deep Lab V3+的主干网络Xception结构，使之更适用于移动设备，并提出一种联系较为紧密的低层特征信息提取方法，将较低层次信息和较高层次信息初步融合作为原低层次信息的输入，使网络获得更加密集的信息，从而增强网络对于细节的提取能力。结果表明，改进的Deep Lab V3+网络模型较原Deep Lab V3+网络模型具有更高的杂交水稻制种父母本分割精度，并能够减少模型训练和图片预测时间。将改进后的Deep Lab V3+网络模型与其他主流网络和先进网络模型对比发现，各项参数精度均有所提高。本研究为深度学习在农业视觉机器人领域中的发展提供了参考。