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。     

辣蓼黄酮正丁醇部分体外抗猪繁殖与呼吸综合征病毒的研究

为明确辣蓼黄酮正丁醇部分（n-butanol part of flavonoids from Polygonum hydropiper L.,FNB）体外抗猪繁殖与呼吸综合征病毒（PPRSV）的效果。本研究以Marc-145细胞和PPRSV弱毒疫苗毒株（TJM-F92）为对象,通过CCK-8法检测FNB对细胞的毒性作用,并检测先给药后接毒、先接毒后给药、药物与病毒同时作用这3种方式处理细胞后药物对病毒的抑制率。结果发现,FNB对细胞的最大安全浓度为500 μg/mL,因此,选择25~500 μg/mL浓度范围的FNB进行后续试验。各浓度的FNB处理病毒后,能不同程度的抑制PRRSV在细胞上的增殖,并呈现一定的剂量效应关系,药物的浓度越高,抗病毒效果越好。其中,先接毒后给药、药物与病毒同时作用这两种方式抗PRRSV效果显著,在25~500 μg/mL浓度范围内细胞存活率分别为21.55%~65.23%和24.85%~73.60%。而先给药后接毒,不能有效降低病毒的感染力,在药物最高剂量（500 μg/mL）时细胞存活率仅为7.00%,抗病毒效果不明显。FNB预先作用于Marc-145细胞虽未降低PRRSV感染细胞的能力,即药物对于PRRSV预防作用效果不理想,但是FNB对病毒感染细胞后呈现一定的作用,药物能够通过抑制病毒的合成、释放及直接杀灭病毒,进而能够有效抑制PRRSV在细胞上的增殖。本试验结果不仅为FNB在临床上治疗猪繁殖与呼吸综合征（PRRS）提供参考依据,而且可以为辣蓼的深度开发和利用提供理论依据。     

基于深度强化学习的虚拟机器人采摘路径避障规划

针对采摘机器人在野外作业环境中,面临采摘任务数量多,目标与障碍物位置具有随机性和不确定性等问题,提出一种基于深度强化学习的虚拟机器人采摘路径避障规划方法,实现机器人在大量且不确定任务情况下的快速轨迹规划。根据机器人本体物理结构设定虚拟机器人随机运动策略,通过对比分析不同网络输入观测值的优劣,结合实际采摘行为设置环境观测集合,作为网络的输入;引入人工势场法目标吸引和障碍排斥的思想建立奖惩函数,对虚拟机器人行为进行评价,提高避障成功率;针对人工势场法范围斥力影响最短路径规划的问题,提出了一种方向惩罚避障函数设置方法,将障碍物范围惩罚转换为单一方向惩罚,通过建立虚拟机器人运动碰撞模型,分析碰撞结果选择性给予方向惩罚,进一步优化了规划路径长度,提高采摘效率;在Unity内搭建仿真环境,使用ML-Agents组件建立分布式近端策略优化算法及其与仿真环境的交互通信,对虚拟机器人进行采摘训练。仿真实验结果显示,不同位置障碍物设置情况下虚拟机器人完成采摘任务成功率达96.7%以上。在200次随机采摘实验中,方向惩罚避障函数方法采摘成功率为97.5%,比普通奖励函数方法提高了11个百分点,采摘轨迹规划平均耗时0.64s/次,相较于基于人工势场法奖励函数方法降低了0.45s/次,且在连续变动任务实验中具有更高的适应性和鲁棒性。研究结果表明,本系统能够高效引导虚拟机器人在避开障碍物的前提下快速到达随机采摘点,满足采摘任务要求,为真实机器人采摘路径规划提供理论与技术支撑。     

自然光照条件下采摘机器人果实识别的表面阴影去除方法

有效的阴影检测和去除算法会大大提高自然环境下果实识别算法的性能,为农业智能化提供技术支持。该研究采用超像素分割的方法,将一张图像分割成多个小区域,在对图像进行超像素分割的基础上,对自然光照下的果园图像阴影区域与非阴影区域进行对比分析,探索8个自定义特征用于阴影检测。然后采用SVM的方法,结合8个自主探索的自定义特征,对图像中每个超像素分割的小区域进行检测,判断每个小区域是否处于阴影中,再使用交叉验证方法进行参数优化。根据Finlayson的二维积分算法策略,对检测的每一个阴影区域进行阴影去除,获得去除阴影后的自然光照图像。最后进行阴影检测的识别准确性试验,试验结果表明,本研究的阴影检测算法的平均识别准确率为83.16%,经过阴影去除后,图像的阴影区域亮度得到了提高,并且整幅图像的亮度更为均匀。该研究可为自然环境下机器人识别果实及其他工农业应用场景提供技术支持。     

Citrus fruits maturity detection in natural environments based on convolutional neural networks and visual saliency map

Citrus fruits do not ripen at the same time in natural environments and exhibit different maturity stages on trees, hence it is necessary to realize selective harvesting of citrus picking robots. The visual attention mechanism reveals a physiological phenomenon that human eyes usually focus on a region that is salient from its surround. The degree to which a region contrasts with its surround is called visual saliency. This study proposes a novel citrus fruit maturity method combining visual saliency and convolutional neural networks to identify three maturity levels of citrus fruits. The proposed method is divided into two stages: the detection of citrus fruits on trees and the detection of fruit maturity. In stage one, the object detection network YOLOv5 was used to identify the citrus fruits in the image. In stage two, a visual saliency detection algorithm was improved and generated saliency maps of the fruits; The information of RGB images and the saliency maps were combined to determine the fruit maturity class using 4-channel ResNet34 network. The comparison experiments were conducted around the proposed method and the common RGB-based machine learning and deep learning methods. The experimental results show that the proposed method yields an accuracy of 95.07%, which is higher than the best RGB-based CNN model, VGG16, and the best machine learning model, KNN, about 3.14% and 18.24%, respectively. The results prove the validity of the proposed fruit maturity detection method and that this work can provide technical support for intelligent visual detection of selective harvesting robots.

     

扰动因子对龙凤湿地鸟类影响的研究

为了研究湿地生态系统的扰动因子对生活其中的鸟类种类多样性的影响,进而保护湿地生态平衡和保护湿地鸟类多样性,于2009年3月—2012年6月,采用样线法和样点法对龙凤湿地鸟类进行了研究。结果显示,龙凤湿地的鸟类种类由16目33科减少到13目20科,种数由142种减少到46种。随着城市湿地自然因子和湿地污染、湿地水资源利用过度、湿地景观破碎化、噪声和电磁辐射污染等人为扰动因子的变化加剧,龙凤湿地的鸟类种类明显减少。扰动因子的变化,是湿地鸟类减少的重要诱因。减少扰动因子对龙凤湿地鸟类的影响,保护湿地鸟类,任务非常紧迫。     

大庆市生态环境质量定量计算与分析

为了确定大庆市生态环境质量状况,根据《生态环境状况评价技术规范（试行）》(HJ/T 192-2006)中的方法对大庆市生态环境质量指数进行定量计算,选用基于层析分析法(AHP)的综合评价方法对大庆市的生态承载力进行计算。生态环境指数计算结果表明：“十一五”期间,大庆市各评价区域的生态环境状况指数均无明显变化,年度变化幅度在-0.12~0.18之间,生态环境状况较为稳定。生态承载力计算结果表明：大庆市生态系统处于较稳定状态,水资源是影响评价区域生态弹性度的主要因素;大庆市资源承载力处于较高水平,其中矿产资源承载力较高,水资源承载力较低;大气环境承载力处于较高水平,水环境承载力较低;大庆市目前的承载压力度(CCPS)小于1,具有一定的发展空间。     

A shadow detection and removal method for fruit recognition in natural environments

Precision Agriculture - Effective shadow detection and shadow removal can improve the performance of fruit recognition in natural environments and provide technical support for agricultural...     

龙凤湿地生态系统特征及保护措施

指出了龙凤湿地自然保护区是黑龙江省省级自然保护区。根据保护区的动植物特点,总结出了湿地具有典型性、稀有性、多样性、自然性、脆弱性等特征,提出了应从湿地景观生态设计、湿地污染源分析与控制对策、以芦苇为代表的湿地植物水体净化研究、红外监控网的布点原则、以鸟类和环境监测为基础的湿地环境变迁与鸟类群落变化相关性研究、湿地生态环境综合整治等多方面进行湿地管理技术研究,通过三级防控措施将有效实现龙凤湿地的生态风险防范,进一步保持和改善龙凤湿地的生态环境。     

自然环境下树上绿色芒果的无人机视觉检测技术

为了快速检测芒果树上的芒果,本文提出了一种基于无人机的树上绿色芒果视觉检测方法。本文采用深度学习技术,利用YOLOv2模型对无人机采集的芒果图像进行检测,首先通过无人机采集树上芒果图像,对芒果图像进行人工标记,建立芒果图像的训练集和测试集,通过试验确定训练模型的批处理量和初始学习率,并在训练模型时根据训练次数逐渐降低学习率,最终训练出来的模型在训练集上的平均精度(Mean average precision,MAP)为86.43%。通过试验,分析了包含不同果实数和不同光照条件下芒果图像的识别准确率,并设计了芒果树产量估计试验,试验结果表明:本文算法检测一幅图像的平均运行时间为0.08s,对测试集的识别准确率为90.64%,错误识别率为9.36%;对含不同果实数的图像识别准确率最高为94.55%,最低为88.05%;顺光条件下识别准确率为93.42%,逆光条件下识别准确率为87.18%;对芒果树产量估计的平均误差为12.79%。表明本文算法对自然环境下树上芒果有较好的检测效果,为农业智能化生产中果蔬产量的估计提供了视觉技术支持。