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。     

基于深度学习和图像处理的水果收获机器人抓取系统

首先,介绍了水果收获机器人抓取系统的总体架构;然后,利用深度学习对水果目标识别进行了研究,实现了一套基于卷积神经网络的目标检测算法;接着,利用图像处理技术实现了对目标物体定位的功能,可以引导水果收获机器人完成对目标水果的采摘。实验结果表明:水果收获机器人抓取系统对水果坐标的计算误差较小,且具备较强的水果识别和定位能力。     

基于WGAN和MCA-MobileNet的番茄叶片病害识别

针对番茄病害识别模型参数量大、计算成本高、准确率低等问题,本文提出一种基于多尺度特征融合和坐标注意力机制的轻量级网络（Multi scale feature fusion and coordinate attention MobileNet, MCA-MobileNet）模型。采集10类番茄叶片图像,采用基于Wasserstein距离的生成对抗网络（Wasserstein generative adversarial networks, WGAN）进行数据增强,解决了样本数据不足和不均衡的问题,提高模型的泛化能力。在原始模型MobileNet-V2的基础上,引入改进后的多尺度特征融合模块对不同尺度的特征图进行特征提取,提高模型对不同尺度的适应性;将轻量型的坐标注意力机制模块（Coordinate attention, CA）嵌入倒置残差结构中,使模型更加关注叶片中的病害特征,提高对病害种类的识别准确率。试验结果表明,MCA-MobileNet对番茄叶片病害的识别准确率达到94.11%,较原始模型提高2.84个百分点,且参数量仅为原始模型的1/6。该方法较好地平衡了模型的识别准确率和计算成本,为番茄叶片病害的现场部署和实时检测提供了思路和技术支撑。     

多邻域保持嵌入的人脸识别方法

现有流形学习算法在学习人脸数据时,假设所有数据点位于单一低维嵌入流形之上,当数据点实际分布在不同的流形上时,单流形假设就会影响数据真实空间结构。为此提出一种基于多邻域保持嵌入（multiple neighborhood preserving embedding, M-NPE）的学习算法来发现不同类别数据在不同维度的低维嵌入空间中分布的多流形结构。首先,单独学习不同类别数据的流形,得到反映其本质特征的流形;再通过遗传算法搜索每个流形的最优维数;最后依据最小重构误差分类器对样本分类。在Extended Yale B和CMU PIE这2个大型人脸库上实验结果验证了该算法的有效性。     

基于词袋特征的空心村高分影像建筑物解译模型

如何利用高分影像构建自动解译模型是快速高效获取空心村建筑物的关键,对空心村调查研究具有重要意义。针对传统目视解译需要专业知识,效率低、工作量大的问题,提出一种基于词袋特征的空心村高分影像建筑物解译模型。首先,对比了多种影像特征提取方法;然后,选取词袋特征(Bo W)和支持向量机(SVM)构建建筑物自动解译模型;最后,为检验方法的有效性,选取空心村高分影像构建了建筑物样本库,并基于该样本库进行实验研究。结果表明本文方法的分类准确度可以达到0.86,所提方法可用于空心村内建筑物自动解译,具有较高的实用价值。     

基于深度学习的病虫害智能化识别系统

我国农作物种植覆盖面广、分散度高,病虫害发生种类多、区域性发生规律复杂,传统的人工鉴定技术从效率、能力与精度方面均难以满足新形势下重大病虫测报要求。针对这一实践需求,以测报灯下害虫图像数据库(约18万张)、田间病虫害图像数据库(约32万张)为基础,构建了基于深度学习方法的病虫害种类特征自动学习、特征融合、识别和位置回归计算框架,并研发了移动式病虫害智能化感知设备和自动识别系统。通过近2年的精确度和实操运行效率检验,该系统在自然状态下对16种灯下常见害虫的识别率为66%～90%,对38种田间常见病虫害(症状)的识别率为50%～90%。随基础数据库的不断丰富、神经网络深层特征提取的不断完善,该系统有望进一步提高识别准确率,从而真正实现田间病虫害识别自动化、智能化和高效率。     

广东省农业发展优势度综合评价方法及其空间特征研究

客观评价农业发展优势,并对症施策,有助于促进农业高质高效发展和乡村全面振兴。本文从自然地理本底、农业生产环境、农业质量效益、经营组织效益、生态协调能力、产业发展潜力等6个维度构建农业发展优势度评价指标体系,借助熵权法、机器学习神经网络算法等评价并揭示了2019年广东省县域农业发展优势度及其空间特征。结果表明：2019年广东省农业发展综合优势度空间差异明显,珠江三角洲平原区县域的农业优势最突出。6个分项中,自然地理本底、农业生产环境和生态协调能力是主要贡献因素。其中,自然地理本底和经营组织效益均表现为粤西南方向最优;农业生产环境表现为粤东北方向最优;产业发展潜力表现为粤东南方向较优;农业质量效益、生态协调能力与农业综合优势度整体空间分布相似,但农业质量效益不再是农业发展优势度的关键影响因素,粤中南和东北方向的生态协调优势突出。因此,建议结合农业分项与综合优势,未来在珠江三角洲平原区以及粤西南、粤东南和粤东北分别形成现代都市农业区、高效农业区、特色农业区和生态农业区,助力农业高质量发展。     

基于群体图像识别的生菜鲜重估算方法研究

为提高温室环境最优控制中生菜信息在线反馈精度,通过群体图像识别研究生菜鲜重估算方法;通过生菜群体图像和单株图像,研究群体估算时误差正负相消对整体误差的改善作用,评估生菜遮挡问题对估算精度的影响,并研究能否通过改进深度学习的损失函数以实现对估算精度的进一步提高。结果表明：1)与不存在遮挡问题的单株图像生菜鲜重估算结果相比,基于群体图像裁剪的生菜鲜重估算决定系数(R²)低0.010 8,归一化均方根误差(NRMSE)高2.69%,平均绝对百分误差(MAPE)低2.36%,虽然估算精度略低,但是生菜群体的遮挡问题更能反映生产实际。2)群体估算虽然存在遮挡问题导致裁剪不完整,但根据误差正负相消原理,相比没有遮挡的单株估算结果MAPE仍然低3.49%,因此更适用于生菜产量信息反馈。3)基于更优化MAPE的损失函数平均平方百分误差(MSPE),可以进一步降低群体估算的MAPE至8.46%,满足“软测量”对估算精度的需求。考虑到温室生菜的实际生产情况,群体估算更适合用于温室环境最优控制中生菜产量信息的在线反馈,通过深度学习等方法的优化,可以将生菜产量的估算误差降低至10%以内。     

基于改进YOLOv7的苹果生长状态及姿态识别

针对目前苹果在复杂环境下难以进行生长状态分类识别、姿态信息同步获取等问题,该研究提出了一种基于改进YOLOv7的苹果生长状态分类和果实姿态融合识别方法。首先改进多尺度特征融合网络,在骨干网络中增加160×160的特征尺度层,用于增强模型对微小局部特征的识别敏感度;其次引入注意力机制CBAM(convolutional block attention module),改善网络对输入图片的感兴趣目标区域的关注度;最后采用Soft-NMS算法,能够有效避免高密度重叠目标被一次抑制从而发生漏检现象。此外,结合UNet分割网络和最小外接圆及矩形特征获取未遮挡苹果姿态。试验结果表明,改进YOLOv7的识别精确率、召回率和平均识别精度分别为86.9%、80.5%和87.1%,相比原始YOLOv7模型分别提高了4.2、2.2和3.7个百分点,另外苹果姿态检测方法的准确率为94%。该文模型能够实现苹果生长状态分类及果实姿态识别,可为末端执行器提供了抓取方向,以期为苹果无损高效的采摘奠定基础。