基于轻量级神经网络MobileNetV3-Small的鲈鱼摄食状态分类

在集约化水产养殖过程中,饲料投喂是控制养殖成本,提高养殖效率的关键。室外环境复杂多变且难以控制,适用于此环境的移动设备计算能力较弱,通过识别鱼类摄食状态实现智能投喂仍存在困难。针对此种现象,该研究选取了轻量级神经网络MobileNetV3-Small对鲈鱼摄食状态进行分类。通过水上摄像机采集水面鲈鱼进食图像,根据鲈鱼进食规律选取每轮投喂后第80～110秒的图片建立数据集,经训练后的MobileNetV3-Small网络模型在测试集的准确率达到99.60%,召回率为99.40%,精准率为99.80%,F1分数为99.60%。通过与ResNet-18, ShuffleNetV2和MobileNetV3-Large深度学习模型相比,MobileNetV3-Small模型的计算量最小为582 M,平均分类速率最大为39.21帧/s。与传统机器学习模型KNN（K-Nearest Neighbors）、SVM（Support Vector Machine）、GBDT（Gradient Boosting Decision Tree）和Stacking相比,MobileNetV3-Small模型的综合准确率高出12.74、23.85、3.60和2.78个百分点。为进一步验证该模型有效性,在室外真实养殖环境进行投喂试验。结果显示,与人工投喂相比,基于该分类模型决策的鲈鱼投喂方式的饵料系数为1.42,质量增加率为5.56%。在室外真实养殖环境下,MobileNetV3-Small模型对鲈鱼摄食状态有较好的分类效果,基于该分类模型决策的鲈鱼投喂方式在一定程度上能够代替养殖人员进行决策,为室外集约化养殖环境下的高效智能投喂提供了参考。     

利用显著图构建注意力深度网络检测诱虫板蔬菜害虫

为提高诱虫板图像蔬菜害虫检测精度,针对背景区域容易导致误检的问题基于显著图分析技术构建了一种注意力深度网络害虫智能视觉检测方法。首先通过显著图筛选出粗候选区域;然后在粗候选区域内用全卷积神经网络精选出细候选区域;接着用神经网络分类器识别细候选区域害虫种类,得到含有冗余的若干检测框;最后用改进的非极大值抑制消除冗余检测框,实现诱虫板图像中目标害虫的检测。针对小菜蛾和瓜实蝇展开试验,获得86.4%的平均精度均值和0.111只的平均绝对计数误差均值,所提方法平均精度均值比Faster R-CNN和YOLOv4分别高2.74和1.56个百分点,平均绝对计数误差均值比Faster R-CNN和YOLOv4分别低0.006和0.003只;同时,消融试验中移除显著图注意力模块后平均精度均值下降了4个百分点、平均绝对计数误差均值增加了0.207只。试验结果表明,所提方法有效提高了诱虫板图像蔬菜害虫检测精度,其中,引入显著图注意力模块对提升检测精度有重要作用。     

基于深度学习的玉米拔节期冠层识别

为了满足田间玉米植株快速识别与检测的需求,针对玉米拔节期提出了基于深度学习的冠层识别方法,比较并选取了适于玉米植株精准识别和定位的网络模型,并研制了玉米植株快速识别和定位检测装置。首先拍摄玉米苗期和拔节期图像共计3 000张用于训练深度学习模型,针对拔节期玉米叶片交叉严重的问题,提出了以玉米株心取代玉米整株对象的标记策略。其次在Google Colab云平台训练SSDLite-MobileDet网络模型。为了实现田间快速检测,开发了基于树莓派4B+Coral USB的玉米冠层快速检测装置。结果表明,田间玉米冠层识别模型精度达到91%,检测视频的帧率达到89帧/s以上。研究成果可为田间玉米高精度诊断和精细化作业管理奠定基础。     

基于语义部位分割的条纹斑竹鲨鱼体运动姿态解析

条纹斑竹鲨具有较高的经济价值和医用研究价值。人工驯养对环境和温度等因素要求较高,时常出现大规模病死现象。利用视频图像量化分析鱼体运动行为,有助于进行异常识别和早期预警,将有效提高养殖养护水平。该研究针对人工驯养的条纹斑竹鲨鱼,提出一种基于深度神经网络的语义部位分割方法,并将分割结果应用于剖析条斑鲨鱼体运动姿态。首先,依据条斑鲨形态特征将其划分为7个可视的身体组成构件(头部、右胸鳍、左胸鳍、右腹鳍、左腹鳍、躯干、尾巴);再对全景养殖监控视频中抽取的476幅条斑鲨子图进行各部位的像素级标记,通过数据增强到1 944幅建立鱼体语义部位数据集,其中训练集为1166幅图像,测试集为778幅图像;然后,在语义分割网络模型基础上进行深度学习训练,使用深度学习框架对网络参数进行微调使得网络训练结果达到最优。最后,利用语义部位分割结果定位躯干和鱼头质心建立随体坐标,通过随体坐标的方向变化判明鱼体动作姿态。基于FCN-8s和Segnet两种深度网络模型进行了鱼体部位分割的对比试验,测试结果表明基于Segnet网络的分割方法在头部、右胸鳍、左胸鳍、右腹鳍、左腹鳍、躯干、尾巴部位的准确度分别高出FCN-8s深度网络1.50,4.70,6.95,6.56,6.01,0.85,0.84个百分点。语义部位分割结果能够有效判别条斑鲨鱼体目标的动作姿态,可为鱼体异常行为识别和进一步开展面向条斑鲨的动物行为学试验提供技术参考。     

压力式谷物产量监测系统优化与试验验证

为了提高谷物收获作业过程中谷物产量在线监测的精度,研制了基于谷物流压力原理的车载谷物产量在线监测系统,该系统包括谷物流量监测装置、定位装置、割台高度控制开关、核心处理器以及人机交互装置。以谷物产量与谷物流压力间的谷物产量监测数学模型为指导,搭建了谷物产量监测试验台,采用Box-Behnken试验设计方法优化谷物流量监测装置结构参数,研究了传感器数量、传感器安装位置和监测装置水平倾角对谷物产量监测系统测产误差的影响,确定了最优参数组合为传感器数量5、传感器安装位置0.24 cm、监测装置水平倾角5°,并对最优参数组合进行了验证试验,结果表明,谷物产量监测系统测产误差为3.27%,满足谷物产量监测的精度要求。对谷物产量监测系统田间实际效果进行了试验验证,试验结果表明,田间测产误差为5.28%,生成的产量分布图为后续田间作业管理提供了决策依据。     

便携式柑橘虫害实时检测系统的研制与试验

为实现柑橘虫害的快速、准确识别,帮助果农及时掌握果园内虫害的危害程度和分布情况,该研究结合嵌入式图像处理技术设计了一套基于深度卷积神经网络的柑橘虫害实时检测系统。优选MoblieNet作为虫害图像特征提取网络,区域候选网络生成害虫的初步位置候选框,快速区域卷积神经网络(Faster Region Convolutional Neural Networks,Faster R-CNN)实现候选框的分类和定位。检测系统根据目标图像中虫害数量计算危害程度,按照正常、轻度、中度、重度4个等级判定柑橘虫害的严重程度,形成虫害识别与级别定量化测评软件。最后引入北斗模块获取采样点位置信息,进一步处理成可视化的虫害热力图。结果表明,该方法可实现对柑橘红蜘蛛和蚜虫的快速准确检测,识别准确率分别达到91.0%和89.0%,单帧图像平均处理速度低至286ms。该系统实现了柑橘虫害的精准识别与定位,可为农药喷洒作业提供精准信息服务。     

速效氮与缓控释氮配比一次性侧深施对双季稻产量、氮素利用率及氮素损失的影响

为探究在机插同步一次性侧深施肥作业方式下的速效氮与缓控释氮合理配比,保证水稻产量,提高肥料利用率,降低氮素流失,实现水稻的清洁化生产,采用田间小区试验,设置7个处理,分别为CK:不施肥,T1:农民习惯施肥(施N量早稻150 kg·hm~(-2),晚稻165 kg·hm~(-2)),T2～T6:机插同步一次性侧深施肥(施N量早稻105 kg·hm~(-2),晚稻132 kg·hm~(-2)),其中T2～T6处理的缓控释氮分别占总氮的0%、10%、20%、30%、40%。结果表明:在早稻季,各处理间产量差异不显著;晚稻季,T3～T5处理的产量间差异不显著,T6处理产量显著低于T4和T5处理;与T1处理相比,T2～T6处理的氮肥吸收利用率提高了8.08～14.10(早稻)个和6.68～26.61(晚稻)个百分点。与T2处理相比,早、晚稻T3～T6处理氨挥发累积量分别降低了5.20%～38.20%、29.41%～35.60%,田面水总氮平均浓度下降了20.90%～38.22%、7.39%～29.14%,田面水铵态氮平均浓度降低了26.26%～46.09%、42.57%～45.61%,其中T4处理早、晚稻不减产,肥料吸收利用率达到37.93%(早稻)、61.32%(晚稻),氨挥发累积量、田面水总氮平均浓度和铵态氮平均浓度分别下降37.00%、30.48%、31.88%(早稻),35.58%、12.88%、52.58%(晚稻),综合效果最好。研究表明,在湖南双季稻生产中,采用机插同步一次性侧深施肥作业方式,缓控释氮占总氮的20%较为合适。     

农艺深施及配施缓控释氮肥对水稻产量及氮素损失的影响

为探讨基肥"干施湿混"（施基肥-泡田-旋耙整田）结合追肥"以水带氮"（先施追肥再灌水）的农艺深施技术及其配施缓控释氮肥对氮素损失及水稻氮素吸收利用的影响,采用田间小区试验,设置不施氮肥（N0）、常规施肥（Nc）、农艺深施（Nd）、农艺深施配施缓控释氮肥再减氮10%（Ns）4个处理,研究了农艺深施及其配施缓控释氮肥对稻田田面水中氮素形态和浓度、稻田氮素流失量、水稻氮素吸收与产量、氮盈余量、土壤有效氮含量的影响。结果表明：与Nc处理相比,Nd和Ns处理均能降低氮素损失高风险期（基肥后7 d内,分蘖肥后5 d内,穗肥后4 d内）稻田田面水中总氮（TN）浓度,降幅分别为18.5%和49.8%,且主要降低了可溶性总氮（DTN）,尤其是铵态氮（NH₄⁺-N）的浓度;Nd和Ns处理稻田TN流失量分别降低了19.1%和47.6%,氮肥表观利用率分别提高了15.3、3.9个百分点,氮素盈余量分别降低了6.8%和38.1%,且土壤有效氮含量和水稻产量均有增加的趋势。研究表明,基肥"干施湿混"结合追肥"以水带氮"的农艺深施技术能降低稻田田面水中氮素浓度,提高氮肥利用率,减少氮肥损失,是一项值得推广的操作简便、绿色增效的施肥技术,再配施缓控释氮肥,能进一步降低田面水中氮素浓度和氮肥损失,同时能减少氮肥用量。     

超大颗粒肥水田气力深施加速器设计及参数优化

为解决水稻撒施追肥存在的肥料流失、利用率低及机械深施肥工作部件易堵塞、伤根等问题,该研究设计了一种用于水田深施追肥机的超大颗粒肥气力式加速器。该加速器利用双螺旋高压气流,在其与肥料上端构成的近封闭空间内加速超大颗粒肥,实现其高速射入泥壤,并可避免肥料颗粒与管壁碰撞;出口设置渐扩管扩散气流,可减轻对泥壤的冲击,提高施肥位置的稳定性。根据超大颗粒肥参数与加速器功能要求,确定了加速器的结构参数,并根据肥料入泥深度所需的射出速度,分析确定了加速器的工作参数。在此基础上,基于Fluent软件的六自由度重叠动网格建立了加速器仿真模型,以进口气流速度、螺旋角和加速管直径为试验因素,进行单因素仿真试验与三因素三水平Box Behnken组合仿真试验,研究各因素对肥料射出速度与气流扩散率的影响。多因素试验分析及响应面分析结果表明,加速器的最佳工作参数为进口气流速度47 m/s、加速管直径21 mm、螺旋进气口螺旋角43°。在此条件下进行台架验证试验,得到肥料射出速度均值为12.61 m/s,出口气流扩散率均值为85.5%,肥料入泥平均深度为4.68 cm,达到了水稻追肥要求。该研究可为超大颗粒肥水田气力深施追肥机设计提供参考。     

基于改进YOLOv8n的复杂环境下柑橘识别

针对复杂环境下柑橘果实大量重叠、枝叶遮挡且现有模型参数量大、计算复杂度高等问题,提出了一种基于改进YOLOv8n的柑橘识别模型YOLOv8-MEIN。首先,该研究设计了ME卷积模块并使用它改进YOLOv8n的C2f模块。其次,为了弥补CIoU损失函数在检测任务中泛化性弱和收敛速度慢的问题,使用Inner-CIoU损失函数加速边界框回归,提高模型检测性能。最后,在自建数据集上进行模型试验对比,试验结果表明,YOLOv8-MEIN模型交并比阈值为0.5的平均精度均值mAP_0.5值为96.9%,召回率为91.7%,交并比阈值为0.5~0.95的平均精度均值mAP_0.5～0.95值为85.8%,模型大小为5.8MB,参数量为2.87M。与原模型YOLOv8n相比,mAP_0.5值、召回率、mAP_0.5～0.95值分别提高了0.4、1.0、0.6个百分点,模型大小和参数量相比于原模型分别降低了3.3%和4.3%,为柑橘的自动化采摘提供技术参考。