基于R2U-Net和空洞卷积的羊后腿分割目标肌肉区识别

针对前处理工序造成的羊肉智能精细分割目标肌肉区图像识别准确度低的问题,以羊后腿自动去骨分割工序为研究对象,提出一种基于R2U-Net和紧凑空洞卷积的羊后腿分割目标肌肉区识别方法。对传统的U-Net语义分割网络进行改进,以U-Net为骨架网络,采用残差循环卷积块替换原始U-Net的特征编码模块和解码模块中的卷积块以避免U-Net的梯度消失,在特征编码模块和特征解码模块之间增加一个紧凑的四分支空洞卷积模块对语义特征进行多尺度编码,实现缝匠肌图像分割模型的构建。一方面,针对缝匠肌这一核心目标肌肉区,采集羊后腿图像构建数据集训练与测试本文模型,以验证该方法的准确性与实时性;另一方面,通过旋量法标定夹爪坐标系、相机点云坐标系、机器人坐标系的齐次变换矩阵以计算分割路径,并采用主动柔顺的力/位混合控制方法操纵分割机器人进行目标切削运动,验证基于本文方法得到的目标图像开展目标肌肉分割的可行性。相关试验结果表明：当交并比为0.8588时,本文方法平均精确度为0.9820,优于R2U-Net的(0.8324,0.9775);单样本检测时间平均为82ms,说明本文方法可快速、准确分割出缝匠肌图像,满足机器人自主分割系统的实时性要求,优于U-Net、R2U-Net、AttU-Net算法。最后,在本文方法得到的缝匠肌图像基础上开展机器人实机分割试验,机器人对5条羊后腿的平均切削时间为7.9s,平均偏移距离为4.36mm,最大偏移距离不大于5.9mm,满足羊后腿去骨分割的精度要求。     

BP和RBF神经网络预测射流式喷头射程对比

为了探究适合全射流喷头多因素下射程的预测模型,通过改变喷头工作压力、安装高度、喷嘴直径、喷头仰角共4个参数,对射程进行测量.基于BP神经网络和广义径向基(RBF)神经网络的基本原理和算法,建立了全射流喷头射程预测的BP和RBF神经网络模型,并分析BP和RBF神经网络的预测性能.结果表明射程与工作压力、喷嘴直径呈非线性关系;当喷头在1.2 m安装高度、27°仰角、4~10 mm喷嘴直径时,压力增大到0.4 MPa,射程趋于极限,并且安装高度与射程呈正相关关系.BP与RBF神经网络均能较好地表达全射流喷头射程与主控因素之间的非线性关系.在训练时间方面,RBF网络比BP网络慢8.05 s;预测过程中,BP网络在每次运行程序时的预测结果不一定相同,而RBF网络则不会出现此问题,且RBF网络预测值与实测值之间的平均绝对误差比BP网络的小3.55%.从网络预测总体效果观察,RBF神经网络预测喷头射程具有更好的推广能力.     

基于YOLO v3与图结构模型的群养猪只头尾辨别方法

在利用视频监控技术对群养猪只进行自动行为监测时,对猪只准确定位并辨别其头尾位置对提高监测水平至关重要,基于此提出一种基于YOLO v3(You only look once v3)模型与图结构模型(Pictorial structure models)的猪只头尾辨别方法。首先,利用基于深度卷积神经网络的YOLO v3目标检测模型,训练猪只整体及其头部和尾部3类目标的检测器,从而在输入图像中获得猪只整体及头尾部所有的检测结果;然后,引入图结构模型,描述猪只的头尾结构特征,对每个猪只整体检测矩形框内的头尾部位组合计算匹配得分,选择最优的部位组合方式;对部分部位漏检的情况,采取阈值分割与前景椭圆拟合的方法,根据椭圆长轴推理出缺失部位。在实际猪场环境下,通过俯拍获得猪舍监控视频,建立了图像数据集,并进行了检测实验。实验结果表明,与直接利用YOLO v3模型相比,本文方法对头尾定位的精确率和召回率均有一定提高。本文方法对猪只头尾辨别精确率达到96.22%,与其他方法相比具有明显优势。     

改进RetinaNet的刺梨果实图像识别

为实现加工车间刺梨果实的快速识别,提出一种基于改进的RetinaNet刺梨果实图像的识别方法。基于RetinaNet的模型,对RetinaNet框架中Focal loss的bias进行改进,使其能根据不同的情况控制bias的取值,再运用维度聚类算法找出Anchor的较好尺寸并匹配到相对应的特征层,对卷积神经网络结构进行优化。通过改进RetinaNet目标检测算法对7426幅刺梨果实图像进行检测识别,并与原始RetinaNet目标检测算法对比。试验结果表明:改进的RetinaNet网络模型识别方法对6类刺梨果实的识别率分别为99.47%、91.42%、96.92%、90.92%、96.89%和93.53%,平均识别率为94.86%;相对于原始RetinaNet目标检测算法,改进算法的识别准确率提高4.21%,单个刺梨果实检测时间由60.99 ms缩减到57.91 ms,检测时间缩短5.05%。本文改进算法对加工车间刺梨果实的识别具有较高的正确率和实用性。     

华北地区冬季温室植物冠层温度建

基于温室内植物冠层能量平衡关系,建立了与温室内、外气象条件和温室结构相关的冠层温度模拟机理模型,并在华北地区文洛型温室内对该模型进行了试验验证.结果表明:模型能较好地模拟冬季温室内植物冠层温度,模拟值和实测值之间的相关系数为0.797 5,均方根误差为1.3℃.建立了冠层温度的BP神经网络模型,模型相关系数为0.783 5,均方根误差为0.6℃.在所建神经网络模型基础上,运用敏感性分析法对影响冠层温度的各因素进行重要性分析和排序,得出影响冠层温度的最重要因子是室内温度,其次为蒸腾速率、室外太阳辐射和室内相对湿度.     

xPC环境下CMAC NN在淀粉生产线液位控制中的应用

在分析CMAC神经网络的基础上,提出了利用自适应CMAC神经网络来调节淀粉生产线中乳液的液位.通过对淀粉生产线中某一液位回路进行数学建模,然后对常规PID和自适应CMAC神经网络两种控制器进行了设计与仿真.仿真结果表明,自适应CMAC神经网络在控制效果上明显优于常规PID,并且具有很高的鲁棒性.在Matlab实时开发环境xPC Target下建立了液位实时控制系统,采用快速原型控制方式,具有系统组建方便、成本低、开发周期短等特点,该系统可实现精确的过程控制.     

农业车辆视觉实际导航环境识别与分

分析了对路径识别影响较大的变光照环境、杂草环境和阴影环境对农业车辆导航路径的影响,提出一种实际环境中的农业车辆视觉导航研究方法,即先采用神经网络算法对农田环境进行自动分类,然后再相应的选择不同的路径识别方法进行处理.环境识别与分类试验结果证明,该方法能够提高农业车辆视觉导航系统的实用性和可靠性,导航环境的分类准确率为95%,单幅图像平均耗时23 ms.     

基于人工神经网络的田间秸秆覆盖率检测系

以VC++为工具,田间实拍图像为研究对象,在分析田间秸秆和土壤纹理特征差别的基础上,设计了BP神经网络秸秆覆盖率检测系统。该系统采用了神经网络与纹理特征相结合的方法提取秸秆,并以纹理特征熵值为标准建立了网络输入层学习样本选取准则。人工模拟和田间试验表明,设计的BP神经网络秸秆覆盖率检测系统对田间秸秆的识别率达90%以上,秸秆覆盖率计算误差可控制在5%以内;与传统的拉绳法相比,检测效率提高     

苹果可溶性固形物含量的检测方法——基于可见光近红外光谱技术

为了快速检测苹果的可溶性固形物(SSC)含量,采用可见光近红外光谱技术,结合主成分分析(PCA)和BP神经网络技术,来建立苹果SSC的预测模型.获取苹果样本在345～1039 nm波段的漫反射光谱,采用DPS数据处理系统对其进行主成分分析,并提取出累计可信度大于95 %的5个新主成分.建立一个3层的BP神经网络模型,并将这5个新的主成分作为BP神经网络模型的输入量,其结果是98 %以上预测样本的预测相对误差在5 %以下.该研究表明,采用近红外光谱技术来建立苹果可溶性固形物的预测模型是可行的.     

汽车悬架参数优化的仿真研究

以BP神经网络对减振器的外特性进行建模为基础,Matlab/Simulink为工具,对汽车八自由度模型进行了平顺性仿真建模,并对含有不同神经网络减振器模型的整车振动响应输出进行了对比分析,从而找到适宜新车型的减振器,实现了汽车悬架阻尼参数的优化。