动态图像处理技术在农业工程中的应用

近年来图像处理技术的应用已越来越广泛，如何将动态图像处理技术应用到农业工程对农业的自动化研究具有着重要意义：本文主要讨论了动态图像处理技术及其在农业丁程中的应用概况与未来展望，并对应用中存在的问题提出了几点思考与建议。     

家畜排泄物综合处理工艺的研究

对我国广大农村家畜排泄物常规处理存在的利弊进行了调查研究,最终揭示出厌氧发酵制沼气、好氧发酵制复混肥的一套符合我国可持续发展、创建和谐社会、节约型社会的家畜粪便处理的科学、实用方法。     

农机制造业钢板板形拼接算法研究

随着我国经济的高速发展,板形控制已成为当今冶金业迫切需要解决的问题。为此,对用于农机制造的钢板板形图像拼接和特征提取过程中进行了图像预处理,利用图像本身的特点,进行了特征提取后的拼接算法研究,并针对准确和快速的特点,对几种算法进行了对比分析,给出了典型算法的计算机框图和算法选用的建议。     

地表秸秆覆盖度图像识别技术的研究

农田地表秸秆覆盖是防止水土流失的一项主要措施,研究秸秆覆盖度与土壤风蚀、水蚀的定量关系对农田采取合理的覆盖形式有重要的指导意义。针对当前主要靠手工测试秸秆覆盖度存在效率低的问题,研究了如何应用MATLAB语言强大的图像处理功能来识别、分析秸秆图像。通过对样本图像类型的转换、灰度的均衡化和中值滤波等一系列的处理,得出较准确的秸秆覆盖面积和秸秆覆盖百分比,为准确快速测量秸秆覆盖度提供了测试手段。     

虚拟仪器技术在发动机故障诊断中的应用

为了达到对发动机运行状态进行实时监测和故障诊断的目的,采用PCI-9113A数据采集板实时采集发动机的技术状态参数,以图形化编程语言Lab VIEW实现数据的处理及管理,建立了发动机状态监测及故障诊断系统,实现了发动机振动信号的采集以及数据处理、显示、打印、存储等操作.以该系统为基础,只需添加一些所需要的传感器,同时增加相应的软件模块,就可实现对发动机其它性能参数的监测及故障诊断.     

基于K均值聚类的厚壁组织区域自动提取

桉树是我国南方的速生丰产林,区域提取是定量分析各种组织抑制桉树茎生根原因的重要前提。为此,介绍了基于K均值聚类的在桉树茎切片图像中自适应提取厚壁组织区域的图像处理技术。将桉树茎切片彩色图像转换为CIEL*a*b*彩色空间,用K均值聚类分析算法对描述颜色的a*和b*通道进行聚类分析,提取细胞厚壁,然后填充其中白色的细胞腔,构成完整的厚壁组织区域。实验结果表明,在CIEL*a*b*空间使用该算法可以获得较准确的实验结果。     

自动采棉机表面几何特性与数控加工技术分析

为进一步提高自动采棉机各部件加工与装配精度,实现采棉机作业效率与作业寿命的提升,以自动采棉机的组成结构及作业原理为基础,针对表面几何特性与数控加工技术进行分析.依据自动采摘机实际作业过程中出现的摘锭磨损等故障,给出自动采棉机零部件的数控加工工序模型,运用UG软件三维建模同时进行层次化的加工工艺流程设计及走刀算法优化.以...     

基于改进YOLOv8n的茶叶嫩稍检测方法

针对名优茶智能采摘中茶叶嫩梢识别精度不足的问题,该研究对YOLOv8n模型进行优化。首先,在主干网络中引入动态蛇形卷积（dynamic snake convolution,DSConv）,增强模型对茶叶嫩梢形状信息的捕捉能力;其次,将颈部的路径聚合网络（path aggregation network,PANet）替换为加权双向特征金字塔网络（bi-directional feature pyramid network,BiFPN）,强化模型的特征融合效能;最后,在颈部网络的每个C2F模块后增设了无参注意力模块（simple attention module,SimAM）,提升模型对茶叶嫩梢的识别关注度。试验结果表明,改进后的模型比原始模型的精确率（precision,P）、召回率（recall,R）、平均精确率均值（mean average precision,mAP）、F1得分（F1 score,F1）分别提升了4.2、2.9、3.7和3.3个百分点,推理速度为42 帧/s,模型大小为6.7 MB,满足低算力移动设备的部署条件。与Faster-RCNN、YOLOv5n、YOLOv7n和YOLOv8n目标检测算法相比,该研究提出的改进模型精确率分别高出57.4、4.4、4.7和4.2个百分点,召回率分别高出53.0、3.6、2.8和2.9个百分点,平均精确率均值分别高出58.9、5.0、4.6和3.7个百分点,F1得分分别高出了56.8、3.9、3.7和3.3个百分点,在茶叶嫩梢检测任务中展现出了更高的精确度和更低的漏检率,能够为名优茶的智能采摘提供算法参考。     

基于YOLOv5s-ESTC的肉苁蓉检测

为了解决因梭梭和红柳等宿主遮挡、样本分布密集、样本大小不均衡等造成人工种植肉苁蓉检测精度低以及模型参数量过大难以向嵌入式设备移植等问题,该研究提出一种基于改进YOLOv5s的人工种植肉苁蓉轻量化检测方法。首先,将YOLOv5s的主干网络替换为EfficientNetv2网络,以减少模型参数量和计算复杂度进而实现模型轻量化,便于后期将模型向嵌入式设备部署;其次,为了增强模型对小目标肉苁蓉特征信息的提取能力,将C3模块与Swin Transformer Block进行整合,得到C3STR模块,将其引入主干网络,并将其输出的特征图与Neck网络中的特征图进行融合;最后,在检测头前端与颈项加强网络之间添加CA注意力机制,以弱化背景信息、聚焦目标特征,提高网络检测性能。试验结果表明,该模型对于肉苁蓉的检测精度和准确率分别为89.8%和92.3%,模型的参数量和计算量分别为5.69×10⁶ MB和6.8 GB,权重文件大小为11.9 MB,单幅图像推理时间为8.9 ms,能够实现实时性检测。同其他主流模型相比,改进后的模型的检测精度分别比SSD、Faster R-CNN、YO...     

基于随机森林特征优选的雪茄烟叶晾制过程含水率预测

针对雪茄烟叶晾制过程含水率人工判断主观性强、准确度低等不足,以及对影响雪茄烟叶晾制过程含水率预测的重要表观特征尚不明确等问题,该研究基于图像特征提取以及机器学习技术实现雪茄烟叶晾制过程含水率的预测。试验以雪茄烟品种“云雪2号”为试验材料,获取晾制过程的烟叶图像的颜色、轮廓、纹理以及部位四类特征并筛选出雪茄烟叶含水率预测的优选图像特征子集。在此基础上,构建了随机森林（random forest, RF）、支持向量机（support vector regression, SVR）与反向传播神经网络（back propagation neural network, BPNN）模型,并利用遗传算法（genetic algorithm, GA）对各模型超参数进行优化,将原始图像特征集与优选图像特征集输入3个机器学习模型,构建出6种模型-特征组合方案,依据晾制时期对原始数据集进行划分,并对测试集进行预测。最终结果显示：GA-SVR模型+优选图像特征子集的组合方案在测试集上表现最优,其决定系数（coefficient of determination,r²）与均方误差（mean square error,MSE）分别为0.980和0.001,且运行时间最短（运行时长=0.128 s）。研究结果可为雪茄烟叶晾制过程智能化控制提供理论依据。