采用区域生长法分割根系CT图像的改进算法

提出了一种基于阈值分析和区域生长相结合的用于植物根系CT序列图像分割的算法。首先通过直方图分析,初步确定根系区域的分割阈值,再利用经过改进的区域生长法分割得到目标区域。实验结果表明,该分割算法计算量小,分割精度高,在提取目标的同时,能够有效地分离介质(背景)像素;而且对于背景复杂、噪声较大、目标像素灰度不均匀的CT图像也能取得较好的分割效果。     

基于遗传算法的遥感数字图像镶嵌研究

遥感数字图像的镶嵌处理是遥感图像处理的基本工作之一，为此介绍了一种基于遗传算法确定图像重叠区和调整图像色度，以辅助完成遥感图像的镶嵌工作的新方法。     

离心泵内部流场试验研究与数值计

采用先进的流场测试仪器PIV在不干扰流场的情况下,对叶轮内部流场进行高精度测量,并利用流场计算软件Fluent对离心泵在不同工况下的流场进行模拟,获得了流道中相对速度以分布。结合数值计算与实验研究,对离心泵叶轮内部流场进行了初步分析。实验结果表明,计算所采用的 模型的修正方法基本符合此型泵内部流动的实际情况。     

奶牛体型评定三维图像同步采集系统

设计奶牛体型评定三维图像同步采集系统,采用集散控制结构协调奶牛定位设备、图像采集装置按预定时序工作,应用3个CCD彩色摄像机与具有多通道、多独立图像芯片的DHQP300型图像采集卡,实现了奶牛三维图像同步采集;采用LabVIEW软件作为采集主程序,通过调用动态链接库控制通用图像采集卡,选用场方式采集模式提高图像质量.试验证明,每头奶牛的图像采集与线性评定时间在3min左右,小于5min(标准).图像噪声较少,边缘信息清晰,完全满足后续特征提取算法对图像质量的要求.     

基于改进YOLO v4的玉米种子外观品质检测方法

针对玉米种子在外观品质检测中需要快速识别与定位的需求,提出了一种基于改进YOLO v4的目标检测模型,同时结合四通道(RGB+NIR)多光谱图像,对玉米种子外观品质进行了识别与分类。为了减少改进后模型的参数量,本文将主干特征提取网络替换为轻量级网络MobileNet V1。为了进一步提升模型的性能,通过试验研究了空间金字塔池化(Spatial pyramid pooling, SPP)结构在不同位置上对模型性能的影响,最终选取改进YOLO v4-MobileNet V1模型对玉米种子外观品质进行检测。试验结果表明,模型的综合评价指标平均F1值和mAP达到93.09%和98.02%,平均每检测1幅图像耗时1.85 s,平均每检测1粒玉米种子耗时0.088 s,模型参数量压缩为原始模型的20%。四通道多光谱图像的光谱波段可扩展到可见光范围之外,并能够提取出更具有代表性的特征信息,并且改进后的模型具有鲁棒性强、实时性好、轻量化的优点,为实现种子的高通量质量检测和优选分级提供了参考。     

基于改进CASREL的水稻施肥知识图谱信息抽取研究

为实现水稻施肥知识图谱自动化构建,为后续构建水稻施肥决策系统提供基础,定义了水稻施肥体系数据结构并制作水稻施肥数据集,结合水稻施肥数据特点,添加单位标注器,并改进CASREL解码加入隐藏层,提出了基于RoBERTa-wwm编码+改进CASREL解码的信息抽取模型,同时针对编码与解码环节进行试验对比。结果表明,基于该模型的F1值达到91.86%,与对比模型相比有较为显著的提升。基于改进RoBERTa-wwm-CASREL的信息抽取模型能有效提高水稻施肥信息抽取效果,为水稻施肥知识图谱构建以及施肥决策系统提供基础。     

基于本体与认知经验的农业机器人视觉分类决策方法

基于小样本数据下认知经验知识辅助计算机进行决策,对实现农业领域机器人智能认知决策与助力智慧农业发展具有重要意义。本文在统计计数、支持向量机（SVM）等图像属性信息学习方法基础上,使用Protégé等工具,基于认知经验构建水果识别分类的专业知识库;然后根据图像颜色与形状信息,进行知识库搜索推理得到分类决策。实验在Fruit360数据集中共选择2091幅葡萄、香蕉、樱桃水果图像作为测试集,并各挑选30幅图像作为属性信息训练集与验证集,结果表明当前数据下葡萄与樱桃识别准确率为100%,香蕉识别准确率为93.30%。仅在知识库添加黄桃知识后,对984幅黄桃图像样本进行测试,其分类准确率为97.05%。表明本文方法能有效完成图像分类决策任务,且具有良好的过程可解释性、能力共享性和可拓展性。     

基于Lab颜色空间的非监督GMM水稻无人机图像分割

为解决传统水稻冠层图像分割算法性能在很大程度上依赖于训练数据集的质量,且分割效果易受田间多变光照强度影响,导致水稻生产参数估计精度不高等问题,提出一种基于Lab颜色空间的非监督贝叶斯方法,用于田间水稻无人机图像分割.模型参数从每个独立、未标记的无人机图像直接学习获得,无需训练.不同图像会有不同的模型参数,该算法能够适应...     

家禽诊疗文本多实体关系联合抽取模型研究

针对传统实体关系抽取方法中主体特征与句向量难以有效融合、现有BIO标注策略难以有效处理重叠关系的问题,提出一种基于BERT和双重指针标注的家禽疾病诊疗文本实体关系联合抽取模型(Joint extraction of entity relationship of poultry disease diagnosis and treatment text,JEER_PD)。JEER_PD使用双重指针标注(Dual-pointer labeling, DPL)策略,建立头、尾2个指针标注器,一次性标注出所有实体的开始和结束位置;引入CLN(Conditional layer normalization)网络层,强化主体抽取任务与客体关系联合抽取任务之间的联系;利用概率平衡策略PBS对抗正负类标签类别失衡,以加速模型收敛。实验表明,JEER_PD准确率、召回率和F1分别为97.69%、97.59%和97.64%,3项指标较现有方法均有显著提升,说明JEER_PD能够快速、准确地抽取家禽疾病诊疗复杂知识文本中的实体关系三元组。     

基于机器视觉的水下河蟹识别方法

为了探测河蟹在池塘中的数量及分布情况,为自动投饵船提供可靠的数据反馈,提出了基于机器视觉的水下河蟹识别方法。该方法通过在投饵船下方安装摄像头进行河蟹图像实时采集,针对水下光线衰减大、视野模糊等特点,采用优化的Retinex算法提高图像对比度,增强图像细节,修改基于深度卷积神经网络YOLO V3的输入输出,并采用自建的数据集对其进行训练,实现了对水下河蟹的高精度识别。实验所训练的YOLO V3模型在测试集上的平均精度均值达86. 42%,对水下河蟹识别的准确率为96. 65%,召回率为91. 30%。实验对比了多种目标检测算法,仅有YOLO V3在识别准确率和识别速率上均达到较高水平。在同一硬件平台上YOLO V3的识别速率为10. 67 f/s,优于其他算法,具有较高的实时性和应用价值。