基于双次Otsu算法的野外荔枝多类色彩目标快速识别

针对目前野外环境下多类目标识别速度偏慢,导致机器人视觉定位精度低和工作效率不高的难题,以野外环境下成熟荔枝的多类色彩目标识别为例,提出了一种双次Otsu分割算法对多类色彩目标进行识别。首先为了提高算法的效率,改进了传统的Otsu算式;然后对目标色彩图像的背景、果梗、果实分别用改进的Otsu算法进行粗分割和细分割。最后通过与K-均值聚类(K-means)算法、模糊C均值聚类(FCM)算法、Otsu和K-means结合算法、Otsu和FCM结合算法这4种算法进行对比,双次Otsu算法从分割质量及其正确分割率、运行时间、稳定性3方面都优于其他4种算法。实验结果表明,双次Otsu算法对色彩目标的成熟荔枝识别的时间少于0.2 s。     

微型小麦联合收获机旋风分离清选系统研究

利用自制清选系统试验台,选择影响清选性能指标的5个主要参数,分离筒上锥角、筒体高度、导向片数量、吸杂风机转速和扬谷器转速作为设计变量,通过正交试验、二次通用旋转组合试验和优化设计,得出了各参数的最优组合,为微型小麦联合收获机清选系统的设计提供了依据。     

在全国农业工作会议农机专业会上的总结讲话(摘要)

这次召开的农机专业会,是一次团结的会议、鼓劲的会议、成功的会议。首先,这是一次团结的会议。参加会议的代表有来自各省、自治区、直辖市、计划单列市以及新疆生产建设兵团、黑龙江省农垦总局农机管理局的主要负责同志,还有部农机试验鉴定总站、农机推广总站     

农用无人机移动补给平台自主降落算法与试验

为实现根据无人机作业位置改变中途补充能源或喷洒物的起降地点,增加无人机有效作业时间,提高无人机作业效率,设计了无人机移动补给平台。通过研究农用无人机自主降落过程,提出一种基于模糊逻辑和比例积分微分(Proportional-integral and derivative,PID)分段控制的农用无人机跟踪降落算法,该算法既拥有PID算法的高精度,又兼顾模糊控制算法响应速度快、超调量小、鲁棒性强的优点。目标轨迹跟踪预测由粒子滤波器跟踪算法和轨迹拟合算法相结合进行求解。仿真和现场试验表明,与单一的PID算法和模糊逻辑算法相比,分段控制算法能够把农用无人机对移动补给平台的跟踪误差缩小到6. 7 cm以内,在移动补给平台上的降落精度控制在7. 2 cm以内。     

基于结构目标的水库生态调度模型与求解

传统水库生态调度中生态需水目标多采用基流方式,缺乏生物对天然水流形态和特征响应方面的信息,以致生态目标对生态系统需求的表征不够全面。因此,基于天然水流表征体系开展水库生态调度研究具有科学意义。基于黄河生态水文指标体系,提出了表征河流天然水流形态的结构化生态管理目标,并将该目标引入模型目标函数,构建了基于结构目标的水库生态调度模型,提出求解方法。通过实例研究发现,结构目标模型结果与流量目标相比,供水破坏率、生态破坏率有所增加,RVA改变度有所减少,保证出力与发电量变化甚微。可见,基于结构目标开展生态调度对恢复河流天然水流特征是可行的,且对水库原有的兴利指标影响较小。结构化目标中不同因子的权重关系对生态调度的效果影响较大,对不同河流或河段进行分时段差异化调节将是下一阶段研究的重点。     

刚柔耦合串联机械臂末端位置误差分析与补偿

机械臂连杆柔性、关节柔性等非线性变形的综合影响,导致其末端位置发生偏离而产生误差.本文以IRB1410型串联机械臂为研究对象,采用理论分析、仿真分析与实验验证相结合的方式,对机械臂末端位置误差进行分析与补偿研究.首先,建立机械臂刚柔耦合理论误差模型,并运用Newmark β法进行数值仿真分析;联合ANSYS和ADAMS...     

基于显著和模糊检测的浅景深作物病害图像分割

大多数现有的基于图像的作物病害诊断方法往往对输入图像的质量具有很高的要求,例如要求背景简单、大景深等等。因此这些方法的预处理过程中需要去除复杂背景,然而这个预处理较难获得理想的结果。此外,当作物病斑面积较小时,会使得获取的图像景深较浅,也导致了这些方法难以抽取精确的病斑区域。为了解决上述问题,该文提出一种利用目标检测来分割病斑图像的方法。首先,该方法对抽取的结构特征和颜色特征进行整合并对特征空间进行量化,从而得到作物病害图像的显著区域。该方法不需要进行去除复杂背景的预处理过程即可得到病斑区域的图像;同时,为了处理浅景深的病害图像,引入了模糊检测方法用以进一步过滤背景和模糊区域的图像。试验中利用多种黄瓜和水稻病害的图片,将该方法与阈值法、图切割法进行了对比,结果表明该方法在效率不明显降低时,其分割效果明显优于阈值法;在分割效果差异不大时,其运行效率明显高于图切割方法;同时,该方法能够对浅景深的作物病害图像的病斑区域进行有效的分割。     

基于改进YOLOX的群养生猪轻量化目标检测方法

针对目前群养生猪智能化养殖中复杂环境下猪只目标检测精度低的问题,提出了一种基于改进YOLOX的群养生猪轻量化目标检测模型Ghost-YOLOX-BiFPN。该模型采用Ghost卷积替换普通卷积,在减少主干网络参数的情况下,提高了模型的特征提取能力。使用加入CBAM注意力机制的BiFPN作为模型的Neck部分,使得模型充分融合不同体型猪只的特征图,并使用Focal Loss损失函数解决猪圈环境下猪只与背景难以区分的问题,增强模型对正样本的学习。实验结果表明,改进后模型对群养生猪检测精度为95.80%,相比于原始YOLOX算法,检测精度提升2.84个百分点,参数量降低63%。最后将本文轻量化模型部署到Nvidia Jetson Nano移动端开发板,通过在开发板上实际运行表明,本文所提模型实现了对不同大小、不同品种猪只的准确识别,为后续智能化生猪养殖提供支持。     

基于改进YOLO v7的生猪群体体温热红外自动检测方法

针对当前生猪规模化养殖过程中基于热红外技术的生猪体温测量效率低的问题,提出了一种基于改进YOLO v7的生猪群体体温检测方法。改进YOLO v7算法在Head层引入VoV-GSCSP结构,降低网络结构复杂度;使用内容感知特征重组(Content-aware reassembly of features,CARAFE)替换模型原始上采样算子,提高特征图放大后的品质,强化生猪头部区域有效特征;引入感受野增强模块（Receptive field enhancement module,RFE）,增强特征金字塔对生猪头部特征的提取能力。本文改进YOLO v7算法对于生猪头部的检测精确率为87.9%,召回率为92.5%,平均精度均值（Mean average precision,mAP）为94.7%。与原始YOLO v7相比,精确率提高3.6个百分点,召回率提高7.0个百分点,mAP提高3.6个百分点。该方法首先自动检测生猪头部区域,再利用头部最大温度与耳根温度的高相关性,最终自动获取生猪体温。温度提取平均绝对误差仅为0.16℃,检测速度为222f/s,实现了生猪群体体温的实时精准检测。综合上述试验结果表明,该方法能够自动定位生猪群体的头部区域,满足生猪群体体温测定的高效和高精度要求,为群养生猪体温自动检测提供了有效的技术支撑。     

融合多光谱成像与深度学习的作物植株叶绿素检测系统研究

为了满足田间作物长势快速检测与指导变量管理的需求,以玉米为例设计了基于多光谱成像的田间作物植株叶绿素检测系统,包括可见光(RGB)和近红外(Near-infrared, NIR)图像采集模块、主控处理器模块、模型加速模块、显示及电源模块,用于实现玉米植株智能识别与叶绿素指标一体化检测。首先,采集玉米苗期和拔节期冠层图像数据集,比较了植株冠层实例分割与株心目标检测两种深度学习模型,构建了基于MobileDet+SSDLite(Single shot multibox detector lite)轻量化网络的玉米植株定位检测模型,实现玉米植株识别。其次,提取被识别的植株株心RGB-NIR图像,开展RGB和NIR图像匹配与分割,提取R、G、B和NIR灰度值计算植被指数,使用SPXY算法(Sample set portioning based on joint X-Y distances)和连续投影算法(Successive projections algorithm, SPA)分别对数据集进行样本划分及特征变量筛选,选择高斯过程回归(Gaussian process regression, ...