基于ST-LSTM的植物生长发育预测模型

提早预知植物生长发育是智能育种过程的重要组成部分,针对植物表型难以精准预测和模拟的问题,利用植物生长发育的空间和时间依赖性,提出了一种基于时空长短时记忆网络（Spatiotemporal long short-term memory, ST-LSTM）的植物生长发育预测模型,实现植物生长发育的预测。首先,通过微调Mask R-CNN模型实现识别、提取植物掩模,预处理具有时空相关性的植物生长发育图像序列,构建植物生长发育预测数据集。然后,基于ST-LSTM建立植物生长发育预测模型,利用历史生长发育图像序列,融合时空深度特征,预测植物未来的生长发育图像序列。研究结果表明,所提出模型预测的图像序列与生长发育实际图像序列具有较高的一致性和相似性,首个预测时间节点的结构相似度为0.874 1,均方误差为17.10,峰值信噪比为30.83,测试集的冠层叶面积、冠幅和叶片数预测R²分别为0.961 9、0.908 7和0.915 8。该研究实现了基于植物生长发育图像序列的生长发育预测,有效减少了田间反复试验的时间、土地和人力成本,为提高智能育种效率提供了参考。     

深度学习框架下融合注意机制的机床运动精度劣化预示

数控机床运动精度衰退是一个动态的演化过程。为尽早发现数控机床潜在的失效风险,挖掘蕴含在各类监测数据序列中的运动精度演化特征,在深度门控循环网络（Gated recurrent unit,GRU）框架下,提出了一种融合注意机制的数控机床运动精度劣化预示方法。为了克服传统深度卷积神经网络不能学习时序特征的缺陷,采用深度编码器-解码器框架,提出基于深度GRU的运动精度深度学习建模方法,以数据驱动,自动挖掘运动精度与振动、温度、电流等状态信号时间序列的时空特征,预测运动精度,根据预测曲线对机床劣化趋势进行预示。为了增强主要状态信号和关键时间点的信息表达,提高精度劣化预测的准确性,提出一种在深度学习框架中融合注意机制的方法,建立状态参量的注意网络,计算振动、温度等状态信号与机床精度间关联程度,自动调整各信号的权值;进一步,建立时序注意网络自主选取精度劣化历史信息关键时间点,以提升较长时间段预示的准确性。实验结果表明,基于深度学习网络与注意机制的预示模型可以很好地追踪数控机床运动精度的劣化趋势和规律,有较高的预测精度,优于传统方法。     

水田侧深施肥装置的分析与试验

水稻插秧时,均匀、定位、定量及可靠施肥是保证秧苗均匀吸收肥料、均匀生长的必要因素,侧深施肥技术的应用给出了水稻生产过程中科学合理的施肥方法,以上问题有了明显改善,但水田机械施肥时肥料易受潮粘结堵塞带来了新的难题。为此,设计了一种电动螺旋施肥装置,并对该技术的优越性进行了分析。该装置通过控制器来调节直流电机转速,驱动软轴强制排肥,不但实现了施肥量的无极调节,且传动简单节省了空间,解决了水稻插秧侧深施肥过程中肥料受潮粘结堵塞开沟器的问题,提高了肥料排施作业质量和效果。样机试验表明:该机具有施肥均匀、性能先进及安全可靠等特点。该项新技术及装置技术关键突破后,解决了水稻插秧侧深施肥作业堵塞问题,可为水稻插秧侧深施肥技术的研究提供参考。     

基于深度学习的大豆生长期叶片缺素症状检测方法

为了检测作物叶片缺素,提出了一种基于神经网络的大豆叶片缺素视觉检测方法。在对大豆缺素叶片进行特征分析后,采用深度学习技术,利用Mask R-CNN模型对固定摄像头采集的叶片图像进行分割,以去除背景特征,并利用VGG16模型进行缺素分类。首先通过摄像头采集水培大豆叶片图像,对大豆叶片图像进行人工标记,建立大豆叶片图像分割任务的训练集和测试集,通过预训练确定模型的初始参数,并使用较低的学习率训练Mask RCNN模型,训练后的模型在测试集上对背景遮挡的大豆单叶片和多叶片分割的马修斯相关系数分别达到了0.847和0.788。通过预训练确定模型的初始参数,使用训练全连接层的方法训练VGG16模型,训练的模型在测试集上的分类准确率为89.42%。通过将特征明显的叶片归类为两类缺氮特征和4类缺磷特征,分析讨论了模型的不足之处。本文算法检测一幅100万像素的图像平均运行时间为0.8 s,且对复杂背景下大豆叶片缺素分类有较好的检测效果,可为农业自动化生产中植株缺素情况估计提供技术支持。     

基于机器视觉的奶牛发情行为自动识别方法

及时检测奶牛发情、适时人工授精、减少空怀奶牛,是奶牛养殖场增加产奶量的关键手段。针对基于运动量和体温等体征的接触式奶牛发情识别方法会造成奶牛应激反应且识别准确率不高的问题,提出了一种非接触式奶牛发情行为自动识别方法。该方法首先使用改进的高斯混合模型实现运动奶牛目标检测,然后基于颜色和纹理信息去除干扰背景,再利用AlexNet深度学习网络训练奶牛行为分类网络模型,识别奶牛爬跨行为,最终实现对奶牛发情行为的自动识别。在供试数据集上的试验结果表明,本文方法对奶牛发情的识别准确率为100%,召回率为88.24%。本文方法可应用于奶牛养殖场的日常发情监测中,为生产管理提供辅助决策。     

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。     

基于部分亲和场的行走奶牛骨架提取模型

在奶牛关键点预测的基础上,通过点、线重构奶牛骨架结构,可为奶牛跛行检测、发情行为分析、运动量估测等提供重要参考。本研究基于部分亲和场,以养殖场监控摄像头拍摄的视频为原始数据,使用1 600幅图像训练了奶牛骨架提取模型,实现了奶牛站立、行走状态下关键点信息和部分亲和场信息的预测,并通过最优匹配连接对奶牛骨架结构进行准确提取。为了验证该模型的性能,采用包含干扰因素的100幅单目标奶牛和100幅双目标奶牛图像进行了测试。结果表明,该模型对单目标行走奶牛骨架提取的置信度为78.90%,双目标行走奶牛骨架提取的置信度较单目标下降了10.96个百分点。计算了不同关键点相似性(Object keypoint similarity,OKS)下的模型准确率,当OKS为0.75时,骨架提取准确率为93.40%,召回率为94.20%,说明该模型具有较高的准确率。该方法可以提取视频中奶牛骨架,在无遮挡时具有高置信度和低漏检率,当遮挡严重时置信度有所下降。该模型的单目标和双目标图像帧处理速度分别为3.30、3.20 f/s,基本相同。本研究可为多目标奶牛骨架提取提供参考。     

果园有机肥深施机分层变量排肥控制系统设计与试验

果园不同深度的土壤养分不同,果树根系分层吸肥能力不同,有机肥分层变量深施可以解决传统施肥存在的养分分布不均和肥料利用率低等问题。针对有机肥分层变量深施的排肥控制问题,本文设计了排肥控制系统,可以根据用户设置的各层理论排肥量和作业速度,实时计算液压马达的理论转速,并采用PID算法控制比例流量阀开度,调节马达转速驱动螺旋输送器排肥,实现分层变量排肥。将AMESim中建立的液压系统模型与在Matlab/Simulink中建立的控制模型进行联合仿真,整定PID参数。液压马达转速调节性能试验中最大超调量为14r/min,达到稳定转速的时间最大为6s,控制性能较好,表明通过AMESim-Matlab/Simulink联合仿真,能够快速便捷地整定PID参数,结果准确可靠。排肥控制性能试验中排肥量相对误差最大6.20%,变异系数最大8.69%,排肥量准确性和均匀性均达到要求。设计的控制系统具有较好的性能,能为果园有机肥分层变量深施提供技术支撑。     

基于自动导航的小麦精准对行深施追肥机设计与试验

针对冬小麦返青期地表追施氮肥使氮素挥发导致肥料利用率低的问题,结合目前在小麦追肥过程中缺少深施氮肥作业装备的现状,进行了基于拖拉机自动导航技术实现精准对行深施氮肥的技术研究,设计了小麦精准对行精量深施追肥机。追肥机采用安装有自动导航系统的拖拉机牵引实现精准对行,以RTK-GNSS接收机测取的作业速度为基准,通过液压系统驱动排肥机构工作,双圆盘开沟器开沟深施,采用PID控制排肥轴转速与车辆行驶速度实现实时匹配,达到精量控制追肥量的目的。田间试验结果表明:设置目标追肥量为200 kg/hm2,车辆行驶速度为5 km/h时,追肥机能完成对行深施追肥作业,机具对行作业误差在±6 cm以内,追肥量偏差小于9%,可满足实际生产需求;对照撒肥机表层撒肥作业,每公顷减施氮肥25 kg左右,小麦每公顷增产486.5 kg左右。     

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。