引入地形因子的无人机遥感精准管理分区研究

根据作物长势的空间差异对耕地进行精准管理分区,可以指导田间变量管理,漫川漫岗黑土区地形复杂,分区时应考虑微地形对作物的影响.以典型黑土区玉米田块为研究区,利用1.1m空间分辨率的无人机多光谱影像提取玉米大喇叭口期(播种后约45 d)归一化植被指数(Normalized difference vegetation ind...     

构建VED-SegNet分割模型提取鱼类表型比例

为提高鱼类表型分割精度和准确度,实现鱼类表型智能监测,该研究基于深度学习算法构建了VED-SegNet模型用于鱼类表型分割和测量。该模型将cross stage partial network和GSConv结合作为编码器（VoV-GSCSP）,保持足够精度的同时降低网络结构复杂性。另一方面,该模型采用EMA(efficient multi-scale attention module with cross-spatial learning)建立强化结构,加强编码器和解码器之间的信息传递,提高模型精度,并实现了8个表型类别的输出。采用自建的鱼类表型分割数据集对VED-SegNet模型进行了测试,测量结果中鱼类各表型比例与实际测量值相接近,表型最大平均绝对和平均相对误差为0.39%、11.28%,能实现无接触式提取水产养殖中鱼类表型比例。对比其他常见语义分割模型,平均交并比mean intersection over union,mIoU和平均像素准确率mean pixel accuracy,m PA最高,分别到达了87.92%、92.83%。VED-SegNet模型在环境复杂、多鱼重叠的...     

基于改进YOLOv7的杨梅树单木检测

为了快速检测和统计杨梅树的数量,该研究提出了一种基于改进YOLOv7的杨梅树单木检测模型：YOLOv7-ACGDmix。首先,对YOLOv7的可扩展高效长程注意力网络（extended-efficient long-range attention networks, E-ELAN）进行改进,通过融合兼具卷积和注意力机制优势的ACmix（a mixed model that enjoys the benefit of both self-attention and convolution）结构得到AC-E-ELAN模块,提升模型的学习和推理能力,引入可变形卷积（deformable convolutional networks version 2, DCNv2）结构得到DCNv2-E-ELAN模块,增强模型对不同尺寸目标的提取能力;其次,采用内容感知特征重组（content-aware reassembly of features, CARAFE）上采样模块,提高模型对重要特征的提取能力;然后,在主干和头部网络部分添加全局注意力机制（global-attention mechanism, GAM）,强化特征中的语义信息和位置信息,提高模型特征融合能力;最后,采用WIoU（wise intersection over union）损失函数减少因正负样本数据不平衡造成的干扰,增强模型的泛化性。在公开数据集上的试验结果表明,YOLOv7-ACGDmix模型的精确率达到89.1%,召回率达到89.0%,平均精度均值（mean average precision, mAP）达到95.1%,F₁-score达到89.0%,相比于原YOLOv7模型分别提高1.8、4.0、2.3和3.0个百分点。与Faster R-CNN、SSD、YOLOv8模型相比,改进模型的平均精度均值（mAP_0.5）分别提高了9.8、2.2、0.7个百分点。实地采集杨梅树样本数据的检测精确率87.3%、召回率85.7%。试验表明,改进模型为基于无人机影像的杨梅树单木检测提供了一种有效的解决方案,对果园精准管理的发展具有重要意义。     

基于GF-2卫星数据的日光温室智能识别应用实践

针对辽宁省设施农业产业存在的日光温室数量和面积数据不精准问题,采用高分二号(GF-2)卫星数据,应用卷积神经网络方法进行温室识别应用研究。选取不同的尺寸标准将图像数据分割成碎片,分析截断率进而确定最优切片尺寸;将不同区域图像数据进行数据增强处理和颜色校准,降低图像数据和温室特征的复杂度;采用Segnet、Deeplab v3+、Unet 3个语义分割模型进行日光温室识别模型构建和模型融合研究,最后将识别后的切片数据应用闭操作完成识别结果的拼接,同时统计出温室的数量、面积、位置等信息。经初步分析模型识别效果较好,能够科学量化日光温室情况,从而为相关工作提供数据支撑。     

基于机器学习的奶牛颈环ID自动定位与识别方法

[目的]奶牛个体信息的实时感知和行为分析是现代化奶牛精细养殖的必然要求,奶牛个体身份的有效识别是上述目标的前提和基础。基于奶牛生物特征(牛脸、体斑等)图像的无接触识别方法易受外界干扰、算法复杂度高,可识别的样本规模受到限制。因此,本文提出1种基于机器学习的奶牛颈环ID自动定位与识别方法。[方法]针对奶牛运动造成的颈环ID偏转问题,采用基于梯度方向直方图(HOG)特征的级联检测器结合多角度检测方法实现奶牛标牌的定位;对标牌图像进行图像增强和二值化分割等处理,得到单个字符图像;设计卷积神经网络的结构和参数,训练字符识别模型,从而完成标牌字符的识别。试验数据包括80头奶牛的1 414幅侧视图像,随机选取其中58头奶牛的图像作为训练集,其余22头奶牛的图像作为测试集。[结果]标牌定位的准确率为96.98%,召回率为80.23%,字符识别模型的准确率为93.35%,连续图像序列中奶牛个体的识别率为95.45%。[结论]识别模型对光线变化、污渍沾染、旋转角度等具有良好的鲁棒性,具有代替传统动物个体身份识别方法的潜力。     

基于多时相Sentinel-2影像和SNIC分割算法的优势树种识别

【目的】探究将简单非迭代聚类超像素分割算法(SNIC)融合到基于多时相数据的树种分类问题中,并对比分析不同时相数据组合对分类结果的影响,实现更高效、更精准的优势树种识别。【方法】以内蒙古旺业甸林场为研究区,在Google Earth Engine(GEE)云计算平台上利用多时相Sentinel-2多光谱数据提取波段反射率特征和光谱指数特征,采用SNIC和支持向量机(SVM)机器学习分类方法,实现面向对象的优势树种识别,并分析不同时相数据组合对优势树种识别精度的影响。【结果】多时相数据组合的分类精度明显高于各季节单时相数据。对比不同多时相数据组合分类结果,春、秋2个季节时间序列组合数据的分类精度与多季节组合数据结果相近,总体精度分别为94.5%、95.0%和95.8%。【结论】基于多时相Sentinel-2影像和SNIC分割算法的面向对象分类方法能够快速、准确识别优势树种,多季节组合数据的分类结果最优,春、秋2个季节时间序列数据也能获得较好分类结果,总体精度与最优结果差距较小。     

基于物联网技术的猪胴体分割生产研究

为运用物联网技术实现猪胴体分割生产的数据自动化采集和过程溯源监控,运用低频RFID标签标识胴体,配合门禁式阅读器和RFID称重器建立胴体和产品的关联,结合温度传感器监测车间温度,以及使用视频采集捕获生产过程录像,实现了胴体分割过程的全程监控和产品生产信息溯源.由此提高了胴体分割生产数据采集的自动化水平和产品安全溯源能力...     

对逃避检疫行为的监督管理

动物、动物产品检疫是预防、控制、扑灭动物疫病的重要手段。《动物防疫法》明确规定:动物凭检疫证明出售、运输、参加展览、演出和比赛。动物产品凭检疫证明、验讫标志出售和运输。但是一些动物、动物产品的经营者利欲熏心,逃避检疫,经营未经检疫甚至染疫的动物、     

葡萄干彩色图像的背景分割研究

背景分割是分析葡萄干其他特征的基础。为此,经研究提出一种改进的迭代算法,用来获取葡萄干灰度图像阈值;基于RGB阈值法与亮度阈值法,对葡萄干进行背景分割后的图像分析比较,证明亮度阈值法能较好地进行葡萄干彩色图像背景分割,保存图像的颜色信息。     

基于改进PSPnet的无人机农田场景语义分割

[目的]改进PSPnet语义分割模型在无人机农田场景下的性能.[方法]对PSPnet语义分割模型进行3方面改进:①通过不同维度特征级联,在强化场景解析的基础上保留更多图像细节特征.②利用深度可分离卷积模块构建轻量级语义分割模型,使其更加高效.③改进激活函数,提升模型分割效果.[结果]所建模型的平均像素准确率和平均交并比...