改进YOLOv5模型在自然环境下柑橘识别的应用

在复杂的自然环境中绿色柑橘生长形态各异,颜色与背景色相近,为有效识别绿色柑橘,提出一种基于混合注意力机制并改进YOLOv5模型的柑橘识别方法。首先,改进YOLOv5的网络结构,在主干网络中添加混合注意力机制,即在主干网络中的第2层嵌入SE(squeeze and excitation)注意力,第11层嵌入CA(coordinate attention)注意力;其次,改进网络模型特征融合结构,将YOLOv5模型Concat特征融合操作的下层分支放在模型C3模块之前,再与另一条上层分支进行特征融合;最后,改进模型分类损失函数,将YOLOv5模型的分类损失函数改成Varifocal Loss函数,加强绿色柑橘特征信息的提取,提高绿色柑橘检测精度。根据自然环境和柑橘自身的特点,对自建数据集进行分类,设计3组不同分类场景下柑橘的对比试验以验证其有效性。试验结果表明,改进后的YOLOv5-SC模型准确率为91.74%,平均精度为95.09%,F1为89.56%,在自然环境下对绿色柑橘的识别具有更高的准确率和更好的鲁棒性,为绿色水果智能采摘提供技术支持。

基于改进YOLOv7的棉田虫害检测

棉田虫害的快速检测与准确识别是预防棉田虫害、提高棉花品质的重要前提。针对真实棉田环境下昆虫相似度高、背景干扰严重的问题,该研究提出一种ECSF-YOLOv7棉田虫害检测模型。首先,采用EfficientFormerV2作为特征提取网络,以加强网络的特征提取能力并减少模型参数量;同时,将卷积注意力模块(convolution block attention module,CBAM)嵌入到模型的主干输出端,以增强模型对小目标的特征提取能力并削弱背景干扰;其次,使用GSConv卷积搭建Slim-Neck颈部网络结构,在减少模型参数量的同时保持模型的识别精度;最后,采用Focal-EIOU(focal and efficient IOU loss,Focal-EIOU)作为边界框回归损失函数,加速网络收敛并提高模型的检测准确率。结果表明,改进的ECSF-YOLOv7模型在棉田虫害测试集上的平均精度均值(mean average precision,mAP)为95.71%,检测速度为69.47帧/s。与主流的目标检测模型YOLOv7、SSD、YOLOv5l和YOLOX-m相比,ECSF-YOLOv7模型的mAP分别高出1.43、9.08、1.94、1.52个百分点,并且改进模型具有参数量更小、检测速度更快的优势,可为棉田虫害快速准确检测提供技术支持。

基于深度学习的玉米包衣种子品种识别

为实现玉米包衣种子品种低成本、高效便捷识别,基于智能手机采集的18个品种4种颜色的23100张玉米包衣种子双面图像构建数据集,采用轻量级卷积神经网络模型ShuffleNetV2、MobileNetV3、MobileViT、MobileOne、RepGhostNet和基于上述模型的集成模型分别进行玉米包衣种子品种识别。结果表明,5种单一模型均具有较高的识别准确率和综合性能,识别准确率分别为98.48%、98.23%、98.44%、98.23%和98.01%,模型大小分别为1.55、4.96、4.42、6.97、4.19 MB,推理速度分别为106、94、84、212、94 f/s。集成模型相比单一模型具有更高的识别准确率,其中,ShuffleNetV2和MobileViT组成的集成模型识别准确率达到99.22%。分析发现,品种误识别仅发生在相同颜色包衣种子品种之间,并且随着相同颜色包衣种子品种数量增多,模型对该颜色包衣种子的识别准确率有下降的趋势。

基于机器深度学习的小麦播种机控制系统研究

针对我国小麦播种机自动控制系统的可靠性及灵敏度不高的问题,基于机器深度学习对小麦播种机的控制系统进行了设计和改进。小麦播种机的主要组成包括控制系统、排种系统、监控系统、电力系统、机架和驾驶室、覆土镇压和排肥装置。为了使播种机的控制系统能有效进行图像检测识别,提升播种机的控制精度,采用机器深度学习中的卷积神经网络算法对控制系统进行设计,并采用迁移学习的方式对模型进行训练和检测。为了验证播种机控制系统的性能,对其进行播种精度控制和播种性能测试试验,结果表明:播种机的精度和性能均符合播种机的设计要求。

基于改进COF-YOLO v8n的油茶果静态与动态检测计数方法

针对自然环境下油茶果存在严重遮挡、近景色、小目标等现象,使用YOLO网络存在检测精度低、漏检现象严重等问题,提出对YOLO v8n网络进行改进。首先使用MPDIOU作为YOLO v8n的损失函数,有效解决因为果实重叠导致的漏检问题;其次调整网络,向其中加入小目标检测层,使网络能够关注小目标油茶以及被树叶遮挡的油茶;最后使用SCConv作为特征提取网络,既能兼顾检测精度又能兼顾检测速度。改进COF-YOLO v8n网络精确率、召回率、平均精度均值分别达到97.7%、97%、99%,比未改进的YOLO v8n分别提高3.2、4.8、2.4个百分点,其中严重遮挡情况下油茶检测精确率、召回率、平均精度均值分别达到95.9%、95%、98.5%,分别比YOLO v8n提高4.0、9.1、4.6个百分点。因此改进后COF-YOLO v8n网络能够明显提高油茶在严重遮挡、近景色、小目标均存在情况下的识别精度,减小油茶的漏检。此外,模型能够实现动、静态输入条件下油茶果计数。动态计数借鉴DeepSORT算法的多目标跟踪思想,将改进后COF-YOLO v8n的识别输出作为DeepSORT的输入,实现油茶果实的追踪计数。所得改进模型具有很好的鲁棒性,且模型简单可以嵌入到边缘设备中,不仅可用于指导自动化采收,还可用于果园产量估计,为果园物流分配提供可靠借鉴。

设施生菜光合和蒸腾速率影响因素分析与预测模型构建

光合速率及蒸腾速率是植物的2个重要生理指标。在全人工环境下,选取意大利生菜作为对象,设计并开展多环境变量对生菜光合速率及蒸腾速率影响的嵌套实验,得到环境因子对生菜光合速率及蒸腾速率的影响规律,应用神经网络构建生菜幼苗期光合速率及蒸腾速率预测模型。针对幼苗期生菜,选择温度、相对湿度、光子通量密度(Photosynthetic photon flux density, PPFD)及CO_(2)浓度共4个环境影响因素,采用随机森林方法对数据进行相关性分析。结果表明,与蒸腾速率相关性由大到小的因素依次为CO_(2)浓度、温度、相对湿度、PPFD,与光合速率相关性由大到小的因素依次为CO_(2)浓度、PPFD、温度、相对湿度;采用枚举法确定隐藏层节点数和训练函数,通过遗传算法优化BP神经网络的初始权值和阈值,构建GA-BP神经网络生理指标预测模型。应用测试数据对模型进行验证,光合速率及蒸腾速率预测值与实测值的决定系数分别为0.962 12、0.979 44,均方根误差(RMSE)分别为2.983 2μmol/(m^(2)·s)、0.001 435 8 mol/(m^(2)·s),表明GA-BP神经网络在模型精度和迭代次数方面性能显著提高。研究结果可为设施生菜生产环境调控提供有效依据。

基于改进ConvNeXt模型的黄羽鸡表皮层黑色素智能分级方法

为解决活体黄羽鸡表皮层黑色素分级方法成本高、效率低下、分级环境易受环境光干扰等问题,该研究探索一种基于ConvNeXt模型的黄羽鸡表皮层黑色素智能分级方法ConvNeXt-WPCA,用于实现活体黄羽鸡表皮层黑色素智能分级。ConvNeXt-WPCA模型通过以下3点改进提高模型对黄羽鸡黑色素的识别效果:1)针对黄羽鸡黑色素图像RGB三通道内黑色素信息分布不均衡问题,改变输入图片通道权重来增强模型对黑色素特征的提取能力;2)使用部分卷积代替深度可分离卷积,减少模型计算量和内存访问次数提高对计算资源的利用率;3)引入坐标注意力机制,引导模型关注黄羽鸡胸腹部及肛门附近皮肤提升模型精度。同时,该研究还设计一种双光源图像获取装置,分别在自然光和偏振光条件下拍摄黄羽鸡样本,以减小分级结果受环境光干扰的影响,并探索偏振光在黑色素分级任务中的应用潜力。结果表明ConvNeXt-WPCA模型相较标准ConvNeXt模型,针对自然光下黄羽鸡黑色素图像数据集分级准确率提升9.68个百分点,最终达到89.03%的识别准确率,针对偏振光下黄羽鸡黑色素图像数据集分级准确率提升15.26个百分点,最终达到98.87%的识别准确率。该研究证实基于偏振光条件获取的黄羽鸡表皮层黑色素图像分级效果优于自然光条件,提出的ConvNeXt-WPCA黄羽鸡表皮层黑色素分级方法识别准确率高,同时模型参数量及浮点计算量均有降低,为黄羽鸡表皮层黑色素智能分级实际应用提供了理论基础及技术支持。

基于无线网络的农产品冷链物流温度监测系统研究

介绍了农产品冷链物流温度监控的必要性,根据系统总体需求分析、总体架构、整体功能和硬件方案设计了监控系统,并基于GPRS网络和ZigBee无线网络设计了系统的硬件部分,从而实现了整个监测系统的目标。试验结果表明:系统可以实时显示冷链温箱内部温度,且能对异常温度进行报警,具有可行性和准确性。

基于注意力机制的轻量化YOLO v5s蓝莓检测算法

为实现自然环境下蓝莓的精确快速检测,在YOLO v5s的基础上提出了一种结合轻量级网络和注意力机制的改进算法。首先,在主干网络和检测头的位置去除了最大目标检测层的结构,因而降低模型的参数量,增强模型对小目标的检测能力。其次,将MHSA(Multi‐head self‐attention,多头自注意力)替换了SPPF(Spatial pyramid pooling‐fast,快速空间金字塔池化)前面的C3模块,使模型学习到更全面的特征表示,增强模型对蓝莓图像中复杂空间关系和上下文信息的理解能力。最后,在C3模块中加入了S-PSA(Sequential polarized self‐attention,顺序极化自注意力),以便模型能够更好地捕捉特征图中相邻区域之间的上下文依赖关系。结果表明,改进后的YOLO v5s算法对成熟、半成熟和未成熟蓝莓的检测精度分别提升1.2、4.4、2.6百分点,平均精度提升2.7百分点,模型参数量减少76.0%。与当前主流轻量化目标检测模型相比,改进后的模型性能更加优越,能为自然环境下蓝莓采摘机器人视觉系统提供一种有效的方案。

基于物联网农业灌溉系统的参数检测方法研究

为提升农业灌溉系统检测环节准确性及整体作业效率为目标,基于物联网灌溉及参数检测方法应用展开设计。以当前灌溉作业机理及通信结构布局为出发点,通过建立合理正确的参数检测架构,选定高效适应的参数检测方法,实现整体灌溉系统功能优化。进行灌溉系统作业监测试验,结果表明:参数数据通信监测准确率及系统执行效率分别提升至93.70%与95.89%,系统丢包率相对降低至0.79%,平均节水效率相对提升了6.39%。基于物联网平台进行参数检测的有效性与适应性改进,较好地满足了智能灌溉的发展趋势,其方法研究理念对于灌溉系统及类似农机培育系统开发应用具有参考价值。

软件安全技术在大面积农业监测系统中的应用

基于软件安全加密技术,设计了一种用于大面积种植过程中的农田信息监测系统,并采用传感器技术进行相关环境参数采集,经无线通信协议进行信息数据传输。试验验证结果表明:农业信息监测系统运行过程稳定,能够精确进行农田环境参数的采集和信息反馈,为农田种植过程相关设备的远程控制奠定了基础。

基于“互联网+”的农业大棚系统设计研究

利用“互联网+”技术和传感器技术,设计了一种农业大棚监测控制系统。工作时,通过数据传输网络对传感器数据进行传输,经分析处理后,利用“互联网+”将参数信息传输至远程服务器,主控制系统根据环境参数阈值生成相关控制指令,实时对农业大棚内环境参数进行调整。试验结果表明:大棚智能监测控制系统能够准确地对大棚内环境参数指标进行采集,并进行智能化动态调整,为智慧农业生产过程信息监测提供参考依据。

面向对象技术的智能插秧机控制系统设计研究

以插秧机智能控制系统为研究对象,基于面向控制对象技术设计一种无人驾驶插秧机智能控制系统,并在水泥路面和水田两种不同环境中对插秧机进行性能试验测试。试验结果表明:在水泥路面上插秧机行进过程最大横向偏差小于50mm,最大航向偏差小于2°;在水田内插秧机行进过程最大横向偏差小于60mm,最大航向偏差小于3°,表明智能控制系统在使用过程中具有较高的可靠性和稳定性。

基于迁移学习和逻辑回归模型的花卉分类研究

【目的】不同种花卉之间的相似性以及同种花卉内部的多变性加大了花卉图像分类难度,其难点是要人工设计出能充分体现花卉颜色、形状和花瓣形态等特征的特征提取方法。传统的花卉图像分类方法的精度不高且模型的泛化能力较差,这些问题亟待解决。【方法】课题组提出一种基于数据增强的VGG16迁移学习卷积神经网络提取花卉图像特征,再训练多类逻辑回归模型的花卉图像分类识别方法;并且通过在flowers17和flowers102花卉数据集上进行测试,来验证课题组所提出的花卉分类识别方法的有效性。【结果】课题组所提出的花卉分类识别方法在flowers17和flowers102数据集中分别达到了97.89%和92.10%的分类精度,高于现有其他花卉图像分类方法。【结论】通过预训练的深度人工神经网络提取的高区分度的花卉图像特征,优于人工设定的花卉图像特征,能训练出更高效精准的花卉识别分类器。基于本研究内容,下一步可对VGG16网络进行降维改进,让模型参数减少,从而实现快速实时应用。

面向边缘计算的轻量级母猪分娩识别模型

为实时监测母猪分娩过程并准确分析记录其完整产程的产仔数、产仔间隔和产程等信息,该研究运用知识蒸馏和剪枝,结合了ResNet50高准确率和MobileNetV3高检测效率的优势设计了一种轻量级网络。采用数据增强提高教师模型ResNet50对分娩特征的提取能力,通过掩模生成蒸馏(maskedgenerativedistillation,MGD)提高学生模型MobileNetV3-S对分娩关键区域的表达能力,并通过依赖关系图(dependency graph)显式建模学生网络层间的依赖关系,结合分组耦合参数对学生模型进行剪枝。剪枝得到的MobileNetV3-S(MGD)_Prune参数量为0.74 M,在DELL OptiPlex微型机上检测速度为83.10帧/s,单栏视角测试准确度为91.48%,相比于ResNet50的检测速度提升了67.13帧/s,测试准确度下降0.98个百分点。试验结果表明,单栏视角对监测母猪分娩更为有效,模型对于产仔平均间隔的检测误差为0.31 s,仔猪出生事件的平均持续时长检测误差为0.02 s,能够高效监测母猪分娩全过程。

基于连续提示注入与指针网络的农业病害命名实体识别

针对农业病害领域命名实体识别过程中存在的预训练语言模型利用不充分、外部知识注入利用率低、嵌套命名实体识别率低的问题,本文提出基于连续提示注入和指针网络的命名实体识别模型CP-MRC(Continuous prompts for machine reading comprehension)。该模型引入BERT(Bidirectional encoder representation from transformers)预训练模型,通过冻结BERT模型原有参数,保留其在预训练阶段获取到的文本表征能力;为了增强模型对领域数据的适用性,在每层Transformer中插入连续可训练提示向量;为提高嵌套命名实体识别的准确性,采用指针网络抽取实体序列。在自建农业病害数据集上开展了对比实验,该数据集包含2933条文本语料,8个实体类型,共10414个实体。实验结果显示,CP-MRC模型的精确率、召回率、F1值达到83.55%、81.4%、82.4%,优于其他模型;在病原、作物两类嵌套实体的识别率较其他模型F1值提升3个百分点和13个百分点,嵌套实体识别率明显提升。本文提出的模型仅采用少量可训练参数仍然具备良好识别性能,为较大规模预训练模型在信息抽取任务上的应用提供了思路。

不同生长时期玉米茎秆强度的无损检测研究

针对传统玉米茎秆强度破坏式检测方法费时费力的问题,采用高光谱成像数据结合统计学习方法对灌浆期和蜡熟期的19个玉米品种的茎秆穿刺强度和折断力进行检测,给出适于进行玉米茎秆强度检测的特征提取和建模方法。试验在5000株·亩^(-1)种植密度下种植了19个玉米品种,采集灌浆期和蜡熟期茎秆基部的高光谱图像,使用目标区域分割的方式自动进行光谱图像反射率校正和目标光谱曲线提取。对采集的样本数据使用主成分分析法(PCA)和包裹式特征提取法提取光谱特征,并分别建立了主成分回归(PCR)和偏最小二乘回归(PLSR)的茎秆强度预测模型。通过对各特征提取方法和各模型交叉验证预测结果的对比,找到适于进行玉米茎秆强度检测的特征提取和建模方法。试验结果表明:PCA方法提取光谱特征具有明显的降维效果,但用PCA方法提取特征建立的PCR模型对玉米茎秆强度的预测效果一般,用包裹式特征提取方法建立的PLSR模型在灌浆期和蜡熟期的模型预测效果均优于PCR模型,模型的剩余预测残差(RPD)在2.90~3.93之间,可以用于定量分析预测茎秆强度。

内蒙古智慧农业高质量发展机遇与对策

智慧农业已成为现代农业最重要的发展方向之一,是以智慧化和智能化为目标,通过互联网、物联网、大数据、云计算和人工智能等现代信息技术与农业跨界融合,实现农业生产全过程的信息感知、定量决策、智能控制、精准投入和个性化服务的全新农业生产方式。内蒙古作为我国重要的粮食主产区和粮食净调出省区之一,大力推进智慧农业建设,积极探索智慧农业新技术、新模式、新实践对促进内蒙古智慧农业高质量发展至关重要。

基于物联网的鸡舍环境监测系统设计

针对目前我国中小型封闭式鸡舍的特点以及鸡舍环境监测中存在的布线复杂、传输距离短、稳定性差等问题,设计了一种基于物联网的鸡舍环境参数监测系统。该系统主要由STM32单片机、温湿度传感器、CO_(2)传感器、氨气传感器、NB-IoT模块等部件组成,采集的鸡舍环境参数数据通过NB-IoT模块上传至阿里云物联网平台,实现了鸡舍环境参数的远程监测。

基于AT89S52单片机的稻作区智能灌溉控制系统设计

【目的】克服稻作区田间难以铺设电路等难题,实现田间灌溉无人化,提高安徽省稻作区灌溉智能化和精准化水平,探索利用新一代电子信息技术实现智能灌溉的可行性。【方法】本文设计了一种基于AT89S52单片机的稻作区智能灌溉控制系统,包括一体化提拉式水闸、灌溉硬件子系统和灌溉软件子系统。闸门采用一体化设计,集成了以AT89S52单片机为控制器的中央处理单元模块、传感器感知模块和太阳能供电模块;以Keil C语言开发了闸门终端控制软件,以C++语言开发了系统上位机控制软件。【结果】应用试验表明,本系统运行安全稳定,电机自动控制响应时间<1 s,闸门开度控制误差<1.5 mm,闸前、后水位控制误差<8 mm,数据传输丢包率最大为0.11%,自由出流状态下闸门流量计算误差<1%,淹没出流状态下闸门流量计算误差<1.2%。【结论】本系统运行安全稳定,在室外环境条件下响应速度快,可满足稻作区田间灌溉复杂环境下用水智能化和精准化的要求。