基于纹理和位置特征的麦田杂草识别方法

以化学防除适期麦田杂草为研究对象,对利用条播作物的位置和纹理特征识别田间杂草的方法进行了研究。根据条播作物小麦作物行的间距相对固定等位置特征,利用植物像素直方图法确定作物行的中心线和行宽,并识别行间杂草。然后,以作物行中心为基准来选取纹理块,计算量化级数为8级的H颜色空间的共生矩阵,提取5个纹理特征参数,利用K均值聚类法判别分析各块的类别来识别行内杂草。研究结果表明,杂草的正确识别率约为93％,作物的错误识别率约为7％。     

基于简化脉冲耦合神经网络的蝗虫图像二值分割

采用参数简化的脉冲耦合神经网络（PCNN）分割图像,进行了蝗虫图像分割实验,区域正确识别率达94％,为蝗虫自动侦测系统中的数据处理提供了技术支持。计算机仿真表明,采用PCNN图像分割算法,图像中的目标（蝗虫）易于发现,分割效果明显好于采用开操作处理的图像。     

基于脉冲耦合神经网络的蝗虫图像分割

由于脉冲耦合神经网络(PCNN)特有的脉冲传播特性,PCNN在图像处理与模式识别领域得到了广泛应用.为此,提出了如何用脉冲耦合神经网络(PCNN)进行蝗虫图像分割.计算机仿真表明,采用PCNN图像预处理算法,可使图像中的目标(蝗虫)易于被发现;经PCNN预处理后,相同的后续处理效果明显好于未经PCNN预处理的图像.此方法验证了PCNN在图像处理方面的功能,同时也拓展了蝗虫侦测的方法.     

基于多特征的田间杂草识别方法

该文阐述了通过利用植物的多种特征实现田间杂草的精准自动识别的方法。该方法先利用颜色特征分割土壤背景,然后利用位置和纹理特征识别行间和行内杂草,最后利用形态特征后处理误识别的作物和杂草。在实验室内利用实地采集的3～5叶期、不同作物行数的麦田图像对该方法进行了测试。作物和杂草的正确识别率最低为89%,最高为98%;处理时间最低为157 ms,最高为252 ms。试验结果表明：基于多特征的田间杂草识别方法具有较高的识别率和较快的识别速度。     

超低空无人飞行器虚拟现实技术实现与仿真

为了远程控制超低空无人飞行器起降和监视其飞行状况,设计了基于虚拟现实技术的导航与控制方法.借助Multigen Creator软件,建立了飞行器的三维仿真模型,由DEM数据生成了地形场景,研究了三维模型的驱动方法.根据飞行器上装载的GPS接收机和其他传感检测设备实时传递的参数对虚拟环境下的飞行器模型及飞行场景进行驱动.同时给出反馈信号,控制飞行器按预定路线和姿态飞行,利用GIS技术,在数字地图上显示飞行轨迹.对飞行器的飞行轨迹和飞行姿态进行实时控制,仿真试验表明,对飞行器的远程导航控制是可行的.     

农业车辆杂草环境下视觉导航路径识别方法

在普通环境导航路径识别方法的基础上,分析了株间杂草和垄间杂草对农业车辆导航路径的影响.针对影响较大的垄间杂草环境,提出一种基于BP神经网络的杂草环境下导航路径识别方法.田间实验证明,该方法对杂草的影响具有较好的适应性,能够快速、可靠、准确地提取导航路径特征,识别率为97%,单幅图像平均耗时560ms.     

精准农业的信息获取技术

介绍了田间信息采集技术的研究概况以及在精准农业生产和农机工程中的应用。对全球定位系统GPS，遥感系统RS、联合收割机测产系统、土壤养分测量和杂草自动识别技术在精准农业体系中作为信息获取手段的研究，开发与应用情况进行了综述，并指出应用近、中红外分析技术进行土壤养分快速测量的方法将是我国土壤数字化研究的新的途径之一。     

基于机器视觉的草地蝗虫识别方法

为了准确、自动地提取蝗虫信息进行蝗灾测报,提出了一种基于机器视觉的草地蝗虫识别方法,用于超低空蝗灾预警系统所自动采集的视频中草地蝗虫头数信息的提取。该方法先根据跃起草地蝗虫的背景构成,把原始图像分为天空子图像和草地子图像;然后,采用帧间差分法检测两子图像中的运动区域;最后,运用蝗虫的形态特征因子对检测的运动区域进行再分类,识别跃起蝗虫。把自动识别的跃起蝗虫头数,带入建立的跃起蝗虫头数与和地面蝗虫头数之间的数学模型中,从而得到地面蝗虫的数量,进行地面上草地蝗虫的间接计数。试验结果表明:跃起草地蝗虫的识别率为80%～100%,由建立跃起蝗虫和地面蝗虫的之间模型计算的地面草地蝗虫的精度大于80%。因此,基于机器视觉的草地蝗虫识别方法能满足蝗虫精准测报的要求。     

基于机器视觉的苗期杂草实时分割算法

对利用植物的位置来识别作物苗期田间杂草的方法进行了研究。根据苗期田间植物的位置特征 ,建立了基于机器视觉的分割苗期田间杂草的算法 DBW。通过比较分析各种算法的分割效果图和所耗费的时间 ,运用超绿色法灰度化原始图像 ,然后应用最大方差自动取阈法二值化图像 ,最后运用种子填充算法分割作物和杂草。研究表明 ,算法 DBW在实时性方面表现出一定的优越性 ,处理一幅 5 4 4× 117像素的图像只需大约 6 0 ms     

NF-752型履带式拖拉机自动驾驶系统

为了提高自动驾驶系统对车身纵向速度和滑移工况等影响因素的自适应能力,提出了一种基于航向预估模型的路径跟踪控制算法。首先对NF-752型履带式拖拉机进行适应性改造,将其手动转向机构和无级变速机构改造为大扭矩舵机控制,通过绝对值编码器测量两侧履带转速,利用RTK-GNSS定位系统测量车辆地理位置和车身速度,结合车载计算机和底层控制器搭建了自动驾驶系统试验平台。然后以车身速度和两侧履带速度为状态变量,考虑履带滑移率建立了航向预估控制模型,进而提出了一种基于航向预估模型的路径跟踪控制方法。最后在沥青路面分别以低速（1 km/h）、中速（5 km/h）和高速（9 km/h）进行了直线路径跟踪试验,结果显示,在不同作业速度条件下,路径跟踪误差无明显差异,最大跟踪误差为-2.00 cm,标准差为0.93 cm。进行了田间曲线路径跟踪试验,结果显示,当拖拉机以6 km/h速度跟踪曲线路径时,跟踪误差优于10 cm,在滑移区域无明显误差增大现象。试验表明,提出的航向预估控制方法对作业速度有较好的适应性,一定程度上克服了滑移现象对控制精度的影响,可满足履带拖拉机耕整地作业精度要求。