基于阵列式ESP32-CAM的番茄根系表型原位测量方法

为原位采集番茄根系图像,解决番茄根系表型原位测量问题,该研究提出一种基于阵列式ESP32-CAM的番茄根系表型原位测量方法。通过4×4阵列式ESP32-CAM结合OV2640镜头模组实现土壤中根系图像原位自动化无线采集,并采用张正友标定法实现相机标定和畸变校正,利用尺度不变特征转换和最邻近分类的特征检测匹配算法实现图像配准,基于离线标定方法获取相机间变换矩阵实现根系图像拼接;通过引入多头自注意力机制改进U型卷积神经网络（Uarchitecture convolutional networks,U-Net）模型对根系图像进行语义分割,采用形态学处理和骨架提取测量根系长度、面积、平均直径、根深和根宽。研究结果表明：相机阵列图像的拼接迭代均方根误差小于1.11 mm,全局拼接图像的拼接融合质量评分大于0.85;改进后的U-Net模型应用于番茄根系分割的精度、召回率、交并比和F1值分别为86.06%、78.98%、71.41%和82.37%,相比于原始U-Net模型分别提高了18.97、13.21、21.67和16.30个百分点;与人工测量值相比,根系的面积、长度、平均直径、根深和根宽的平均绝...     

基于改进U-Net的火龙果采摘图像分割和姿态估计方法

为了实现火龙果采收自动化作业,提出一种基于改进U-Net的火龙果图像分割和姿态估计方法。首先,在U-Net模型的跳跃连接(编码器与解码器部分特征图进行的连接操作)中引入通道和空间注意力机制模块(Concurrent spatial and channel squeeze and channel excitation, SCSE),同时将SCSE模块集成到残差模块(Double residual block, DRB)中,在增强网络提取有效特征能力的同时提高网络的收敛速度,得到一种基于注意力残差U-Net的火龙果图像分割网络。通过该网络分割出果实及其附生枝条的掩膜图像,利用图像处理技术和相机成像模型拟合出果实及其附生枝条的轮廓、果实质心、果实最小外接矩形框和三维边界框,进而结合果实及其附生枝条的位置关系进行火龙果三维姿态估计,并在火龙果种植园中获得一个测试集,以评价该算法的性能,最后在自然果园环境下进行实地采摘试验。试验结果表明,火龙果果实图像分割平均交并比(mIoU)和平均像素准确率(mPA)分别达到86.69%和93.89%,三维姿态估计平均误差为8.8°,火龙果采摘机器人在果园环境...     

基于区域语义和边缘信息融合的作物苗期植株分割模型

为在自然环境下准确分割作物苗期植株,实现苗期植株定位及其表型自动化测量,本文提出一种融合目标区域语义和边缘信息的作物苗期植株分割网络模型.以U-Net网络构建主干网络,基于侧边深度监督机制,引导主干网络在提取特征时能感知植株边缘信息;利用空间空洞特征金字塔构建特征融合模块,融合主干网络和边缘感知模块提取的特征,融合后的...     

基于U-Net模型的含杂水稻籽粒图像分割

含杂率是水稻联合收获机的重要收获性能指标之一,作业过程中收获籽粒掺杂的杂质包含作物的枝梗和茎秆等,为了探索籽粒含杂率和机器作业参数之间的关联,需要实时获取籽粒含杂率数据。该文基于机器视觉的U-Net模型对联合收获机水稻收获籽粒图像进行分割,针对传统分割算法中存在运算量大、耗时多、图像过分割严重和分割参数依赖人为经验难以应对各种复杂谷物图像等问题,采用深度学习模型多次训练学习各分割类别的像素级图像特征,提出基于U-Net深度学习模型的收获水稻籽粒图像中谷物、枝梗和茎秆的分割方法,采用改进的U-Net网络增加网络深度并加入Batch Normalization层,在小数据集上获得更丰富的语义信息,解决图像训练数据匮乏和训练过拟合问题。选取田间试验采集的50张收获水稻籽粒图像,采用Labelme方式进行标注和增强数据,裁剪1 000张256像素×256像素小样本,其中700张作为训练集,300张作为验证集,建立基于改进U-Net网络的收获水稻籽粒图像分割模型。采用综合评价指标衡量模型的分割准确度,对随机选取的60张8位RGB图像进行验证。试验结果证明,水稻籽粒的分割综合评价指标值为99.42%,枝梗的分割综合评价指标值为88.56%,茎秆的分割综合评价指标值为86.84%。本文提出的基于U-Net模型的收获水稻籽粒图像分割算法能够有效分割水稻籽粒图像中出现的谷物、枝梗和茎秆,时性更强、准确度更高,可为后续收获水稻籽粒图像的进一步识别处理提供技术支撑,为水稻联合收获机含杂率实时监测系统设计提供算法参考。     

基于U-Net网络的高标准农田道路识别方法

高标准农田是国家粮食安全的重要保障,作为其中的重要工程,田间道路的快速准确获取可为高标准农田建设质量评估和效果评价提供基础数据支撑。针对传统方法对细窄田间道路识别精度低、泛化能力不强的问题,本文提出了基于U-Net网络的高标准农田道路识别方法。首先,在分析田间道路基本特征的基础上,选取GF-2影像作为试验数据,采用面向对象方法对影像进行分割并根据对象特征进行分类,剔除光谱特征与田间道路相似的建筑物等非道路要素,减少道路识别干扰;然后,对影像进行裁剪、标签制作和数据增强等操作,并使用U-Net网络挖掘影像的深浅层特征,通过不断调整参数对网络进行训练,实现田间道路的快速识别;最后,依据道路断点特征,采用局部连接法对道路断点进行修复,并以河北省定州市东亭镇为试验区进行方法测算与精度验证。结果表明：通过挖掘622幅田间道路样本的影像特征,U-Net网络可以有效识别各类场景下的高标准农田道路,通过对道路断点进行修复后,研究区田间道路识别精确率达96%,召回率和F1值分别为62%、75%,该识别精度能够满足高标准农田建设质量快速评估要求。相比传统识别方法,结合面向对象和深度学习的方法可以在减少建筑物干扰的基础上快速地识别出田间道路,能更好解决田间道路材质差异大、植被遮挡等造成识别结果噪声多、误识别问题,该方法可为细窄地物的识别提供方法参考。     

基于注意力机制和边缘感知的田梗提取模型

田埂精确提取是数字化农业管理的重要前提。针对由于遮挡、斑秃等因素干扰,给基于语义分割方法提取田埂带来困难问题,提出一种基于注意力机制和边缘感知模块的U-Net网络实现田埂提取。首先,将多信息注意力引入U型分割网络的下采样中,增强相邻层之间的上下文信息,提升对田埂区域语义特征的表示能力。其次,将边缘感知分割模块应用至U-Net解码部分的每一层,在不同语义特征层提取田埂边缘信息,提高田埂区域语义分割精度。最后,联合边缘感知损失与语义分割损失构建联合损失函数,用于整体网络优化。通过对安徽省淮北市濉溪县小麦基地采集的无人机麦田数据集进行训练和模型验证,实验结果表明,本文模型语义分割像素准确率高达95.57%,平均交并比达到77.48%。     

基于U-Net的玉米叶部病斑分割算法

本文旨在提出一种基于U-Net算法模型的玉米病程分级方法,实现对玉米常见4类叶部病害程度的快速、准确、客观分级.该方法以两组U-Net模型并行运算实现对玉米叶部病斑图像的语义分割任务.经测试图像分割试验中病斑分割MIoU值达到93.63％,叶片分割MIoU值达到96.33％,且运算速度均在1秒内完成.试验结果表明,该研...     

基于轻量化U-Net网络的果园垄间路径识别方法

针对目前果园垄间导航路径识别方法存在准确性与实时性难以同时兼顾、泛化能力弱等问题,本文在U-Net模型的基础上进行优化,采用MobileNet-v3 Large作为U-Net的主干特征提取网络,并在跳跃连接处引入坐标注意力机制(Coordinate attention, CA),构建轻量化路径识别模型。以该模型分割的垄间可行驶区域为基础,利用最小二乘法重塑可行驶区域边缘点,并进一步提取垄间导航线。首先采用数据增强的草莓垄间数据集进行模型训练,并进一步迁移到葡萄和蓝莓数据集上进行权重微调,以提高模型适应能力。最后在相应的验证集上进行导航路径识别,并通过可视化对比不同模型识别结果,以验证模型准确性。试验结果表明,网络模型在草莓、蓝莓和葡萄果园垄间路径识别的平均交并比分别为98.06%、97.36%和98.50%,平均像素准确度分别达到99.13%、98.75%和99.29%。模型处理RGB图像分割可行驶区域的理论推理速度可达19.23 f/s,满足导航实时性和准确性的要求。     

基于改进ResNet-UNet的立木图像分割方法

[目的]针对现有图像处理方法分割立木精度低的问题,提出一种基于改进ResNet-UNet的立木图像分割方法,实现对图像中立木的精确分割.[方法]将拍摄得到的立木图像输入ResNet-UNet深度学习融合网络模型,初步得到较精确的立木分割图;结合自制的后期处理方法对该分割图进行优化处理,准确分割出立木形状.ResNet-...     

基于相机与激光雷达融合的温室机器人行间导航方法

针对温室颠簸不平、枝叶遮挡道路的复杂环境,开展基于相机与激光雷达数据融合的机器人行间导航方法研究。首先,利用改进的U-Net模型实现图像道路区域的准确快速分割;其次,通过融合图像分割结果进行地面点云预分割,减少地面起伏造成的点云倾斜;然后,采用改进的KMeans算法实现作物行点云快速聚类,并将聚类中心作为作物行主干区域点,降低枝叶遮挡对作物行中线提取的影响;最后,采用RANSAC算法拟合两侧作物行方程并计算出导航线。通过实验评估导航线精度,在测试集中94%以上数据帧可以准确实现提取导航线,平均角度误差不高于1.45°,满足温室机器人沿作物行自主导航行驶要求。