基于K-means聚类的柑橘红蜘蛛图像目标识别

为快速检测红蜘蛛虫害,该研究采用基于Lab颜色模型中a(红/绿)、b(黄/蓝)层信息的K-means聚类法识别彩色图像中的红蜘蛛。试验选取8幅具有不同清晰度的柑橘红蜘蛛图像,采用基于Sobel边缘检测算子的评价函数计算图像清晰度评价值以评价图像清晰度,对比采用灰度法和包含2、3、4或5个聚类中心的K-means聚类法的目标识别效果和识别效率。结果表明,灰度法对8幅图像中红蜘蛛目标识别率平均值为29%,误判率平均值为201%,无法应用于复杂背景图像中的红蜘蛛目标识别。包含5个聚类中心的K-means聚类法对清晰度较高的图像识别率为100%,误判率为0,对清晰度较低的图像识别率为88%,误判率为0;当图像尺寸较小时,包含4个聚类中心的K-means聚类法识别效率与灰度法相当;当图像尺寸较大时,重复计算聚类中心导致识别耗时较长;基于Lab颜色空间的识别算法无法有效识别其他颜色的红蜘蛛,继续研究的方向为引入红蜘蛛形态信息以提高识别准确率和优化聚类中心的选取以降低识别耗时。     

基于窗口观测的电控柴油机判缸控制的优化分析

柴油机起动初期控制时序的建立过程(判缸控制)直接决定其起动过程的长短,判缸控制是电控柴油机管理系统中最核心的部分。为了缩短判缸时间,提高控制系统的可靠性,该文根据目标柴油机的发火顺序设计了电控系统的转速信号与相位,采用了2套转速计算装置;基于有限状态机,提出了窗口观测联合判缸方法,并开发了电子控制单元(electronic control unit,ECU)复杂驱动层的联合判缸驱动控制软件。试验结果表明该策略是有效可行的,发动机的起动成功率提升10%,达到100%,正常起动成功的时间由1.5 s缩短到1 s以内,改善了电控柴油机的起动性能。该控制策略的实现完善了电控柴油机的时序控制功能,提高了柴油机的电控水平。     

果园喷雾机自动对靶喷雾控制系统研制与试验

为提高农药利用率,减少环境污染,该文针对中国果园机械化作业条件差和传统果园喷雾机连续喷雾时存在果树间空隙无效喷雾的特点,设计了自动对靶喷雾控制系统,该系统以GY8履带自走式果园喷雾机为载体,采用传感器测距方式探测果树,实现自动对靶喷雾。通过对超声波、红外和激光3种传感器进行性能比较,及对超声波和激光2种传感器进行静态识别间距测试与分析,红外传感器受光强影响较大,超声波传感器识别间距超过800 mm,均不满足果园精确对靶喷雾控制要求,激光传感器静态识别间距只有20 mm,具有工作稳定、响应快速、方向性好等特点,故将激光传感器选为自动对靶喷雾机探测装置,并将激光传感器安装于喷头组件前方220 mm。采用连续3次检测靶标判别法设计了自动对靶喷雾系统,该系统可有效避免因激光光束较细而导致的将树冠内空洞、枝间间隙等误判为果树间空隙而出现的电磁阀频繁启闭动作。行驶速度为0.5 m/s时,自动对靶喷雾控制系统的动态靶标识别间距介于100~150 mm之间,行驶速度1.0 m/s时,动态靶标识别间距为200~250 mm。此外,该系统还具有提前及延后喷雾功能,自动对靶喷雾系统提前靶标95.0~157.5 mm距离开始喷雾,离开靶标100 mm距离停止喷雾,使喷雾完全覆盖整个树冠。与连续喷雾相比,对靶喷雾可有效节省施药量,对于空隙比为20.0%、35.2%、52.9%靶标行枣树,行驶速度为0.5 m/s时省药率分别达27.9%、53.7%、76.9%,行驶速度为1.0 m/s时省药率分别达27.3%、54.5%、81.0%。因此,该自动对靶喷雾系统对稀疏果园的精确对靶病虫害防治具有较好的实用价值。     

基于无人机和卫星遥感影像的制种玉米田识别纹理特征尺度优选

制种玉米田在高空间分辨率遥感影像上呈现的明显条带状纹理,是有效区分光谱值相近的大田玉米和制种玉米的重要信息.该文在新疆维吾尔自治区奇台县玉米种植区以高空间分辨率的无人机遥感影像为数据源,针对制种玉米识别的纹理特征计算尺度问题,首先采用最近邻内插法对制种玉米和大田玉米样本田块的无人机影像进行重采样,得到不同分辨率的样本;然后用融合Uniform-LBP(local binary pattern)和GLCM(gray level co-occurrence matrix)方法得到提取玉米田块纹理特征合理GLCM参数,其中方向参数为0°、45°、90°和135°这4个方向上的纹理特征值的平均值、距离为5~7像元、灰度级为8;通过多尺度对比分析,得到最适宜区分制种玉米与大田玉米的纹理辨率为0.6~0.9m.最后采用奇台县的0.7m分辨率的Kompsat-3遥感影像进行验证,在多时相EVI(enhanced vegetation index)光谱信息识别玉米的基础上,利用本文确定的纹理分析方法,通过决策树建立规则识别制种玉米,识别精度达90.9%.通过该文的研究,可为高空间分辨率遥感制种玉米田监管提供支撑.     

权重约束AdaBoost鱼眼识别及改进Hough圆变换瞳孔智能测量

针对传统鱼眼瞳孔直径测量方法耗时、耗力,且数据主观性强的问题,该文提出基于权重约束AdaBoost和改进Hough圆变换的鱼眼瞳孔直径智能测量方法。首先,利用工业相机采集实验板上的鱼图像,从正负鱼眼图像样本中训练出基于权重约束AdaBoost算法的鱼眼分类器;然后,采用该分类器对试验图像进行检测,将检测到的鱼眼局部图从整体图中分离出来;最后,采用改进的Hough圆变换检测出鱼眼的瞳孔,并计算得到瞳孔直径。对100条金鲳鱼进行试验,鱼眼分类精度达97.1%,瞳孔正确检测率达94.2%,相比改进前分别提升了1.7个百分点和10.5个百分点,与人工测量瞳孔直径值的平均偏差为6.5%,比改进前低了5.9个百分点,总的平均测量时间为324.371 ms,比改进前减少了10.707 ms。试验证明:该文提出的方法能够精确、实时、自动地测量出鱼眼瞳孔的直径,有效避免了传统测量方式的复杂性和测量数据的主观性,可为鱼体生长状况评估、良种选育提供重要参考。     

基于声信号特征加权的设施养殖羊行为分类识别

中国西部地区正在发展集约化和规模化的设施养羊业,通过监测羊舍内的声信号可以判别羊只的行为状态,从而为设施养羊的福利化水平评估提取基础依据。梅尔频率倒谱系数（mel frequency cepstrum coefficient,MFCC）模拟了人耳对语音的处理特点且抗噪音性强,被广泛用于畜禽发声信号的特征提取,但其没有考虑各个特征分量表征声信号的能力。该研究构建羊舍无线声音数据采集系统,采集20只羊在设施羊舍内的打斗、饥饿、咳嗽、啃咬和寻伴共5种行为下的声信号,并通过Audacity音频处理软件选出720个清晰且不重叠的声音样本数据。根据MFCC各分量对羊舍声信号表征能力,特征参数提取采用一种熵值加权的MFCC参数,再求其一、二阶差分并进行主成分分析降维,得到优化的19维特征参数。通过对羊舍声信号的声谱图分析,设计了支持向量机二叉树识别模型,并对模型内的4个分类器参数进行网格化寻优测试,该识别模型对羊只5种行为下的声信号进行分类识别,用改进的特征参数与传统MFCC和线性预测倒谱系数（linear predictive cepstrum coefficient,LPCC）进行对比分析。结果表明,该特征参数对5种行为的识别率平均可达83.6%,分别高于MFCC和LPCC参数14.1%和26.8%,羊只打斗和咳嗽行为的声信号属于相似的短时爆发类声音,其识别率分别仅为80.6%和79.5%,啃咬声特征显著不易混淆,其查全率可达到为92.5%,改进特征参数更好的表征了羊舍声信号的特征,提高了羊只不同行为的识别率,为羊只健康和福利状况的监测提供理论依据。     

联合收割机稻麦收获边界激光在线识别系统设计与试验

针对联合收割机收获边界在线识别问题,利用激光无损探测技术,开发了联合收割机收获边界在线识别系统。首先介绍了系统组成、激光传感器选型及工作原理,将传感器输出数据极坐标转换为直角坐标,建立稻麦轮廓特征数学模型。由于收获过程会产生大量的灰尘,会对激光探测距离及信号反射产生影响。通过与作物特征阈值比较,对受灰尘影响的错误数据进行有效识别与剔除。采用移动平均数字滤波算法,消除系统测量噪声。通过信号阶跃变化模式识别算法,实现了收获边界的在线检测,准确推算出联合收割机作业割幅,并进行了田间试验研究。试验结果表明,该系统可实现在线监测,收获边界测量误差不大于12 cm,可为联合收割机智能监控系统的实际应用提供参考。     

基于灰度截留分割与十色模型的马铃薯表面缺陷检测方法

为探索基于计算机视觉的马铃薯表面缺陷检测新方法,该研究提出能将马铃薯表面疑似缺陷一次性分离出来的快速灰度截留分割方法和用于缺陷识别的十色模型。选择面积比率和十色比率作为缺陷判别特征,对分割出来的深色部位采用阈值法进行缺陷识别。采用基于快速G与亮度截留分割的2种方法对发芽进行识别。通过对326个马铃薯样本的652幅正反面图像进行试验,基于十色模型的缺陷识别方法对分割出来的深色区域的正确识别率为93.6%,基于快速G与亮度截留分割2种方法结合对有芽体图像的正确识别率为97.5%,马铃薯表面缺陷正确检测率为95     

基于轻量级CNN的植物病害识别方法及移动端应用

为了实现在手机端植物病害叶片检测,对MobileNet和Inception V3 2种轻量级卷积神经网络进行迁移学习,得到2种作物病害分类模型,将2种分类模型分别移植到Android手机端,在识别精度、运算速度和网络尺寸之间进行平衡,选择最优模型。试验表明,MobileNet和InceptionV3在PlantVillage数据集(共38类26种病害)上平均识别率分别是95.02%和95.62%。在自建图像集葡萄病害叶片的识别中MobileNet和InceptionV3平均识别率分别是87.50%、88.06%,Inception V3的整体识别精度略高,但MobileNet在所有类别的识别上均衡性更好;在模型尺寸方面Inception V3的模型尺寸大小为87.5 MB,MobileNet的模型尺寸为17.1 MB,大约是后者5倍;2种模型移植到手机端时,MobileNet和Inception V3的APP所占内存分别是21.5和125 MB;在手机端单张图片的识别时间方面,Inception V3平均计算时间约是174 ms,MobileNet的平均计算时间约是134 ms,后者的平均计算时间比前者快40 ms;在手机端MobileNet相比于Inception V3占用内存更小,运算时间更快。说明MobileNet更适合在手机端进行植物病害识别应用。     

采棉机器人的研究现状及关键技术

对国内外机械化采棉技术的研究现状进行了综述,构建出了基于计算机视觉的智能型采棉机器人原型系统,分析了采棉机器人的应用价值.同时,介绍了采棉机器人的作业环境和工作对象的特殊性,总结了采棉机器人所涉及的关键技术,包括采棉机器人本体的优化设计、棉花的自动识别和分类以及路径规划和运动控制技术等,最后指出了目前应用采棉机器人存在的主要问题并提出相应对策.