拉曼光谱在精细农业土壤成分快速检测中的研究进展

拉曼光谱分析技术利用分子运动对入射光产生非弹性散射的原理对分子成分进行检测,具有受水分干扰小、样本预处理小、与红外光谱信息互补等特点,在土壤成分快速分析方面展现了很大的优势。但是拉曼光谱信号弱,受荧光干扰强,为土壤拉曼信号的有效获取带来困难。为了分析拉曼光谱在土壤成分检测中的应用潜力,该研究综述了移频激发差分拉曼光谱技术、共焦显微拉曼技术以及表面增强技术等基于拉曼光谱的土壤成分检测技术,分析了土壤成分拉曼光谱检测的研究进展,并提出进一步研究建议。结果表明:1)脂肪族化合物以及芳香族化合物都具有拉曼活性,为基于拉曼光谱的土壤有机质含量的定性、定量分析提供了理论依据。为了弥补拉曼光谱对有机质整体定量预测精度的不足,采用红外-拉曼光谱融合方式补偿单独拉曼光谱数据中缺失的土壤有机质信息,可显著改善预测精度。2)利用表面增强技术可以增强土壤溶液中可溶性氮与土壤有效氮拉曼特征波峰的强度,获得了良好的定量预测效果,回归模型决定系数R^(2)达到0.91~0.99。3)土壤中很多含磷的化合物都具有拉曼活性,拉曼光谱是识别土壤中不同磷酸盐形态的极其有效的工具,在土壤磷素含量的分析中,应用小波包分解的拉曼光谱对滤除有机质的磷酸盐参杂土壤中磷素浓度进行预测,回归模型精度R^(2)达到0.94。拉曼光谱检测的样本范围取决于激发光照射在样本上的光点尺寸,而土壤样本的空间变异性为聚焦目标物质带来困难。因此,实现现场高分辨率检测的关键是获取有效拉曼信号、同时降低背景信号的干扰。移频激发技术与显微拉曼技术为农田土壤养分的原位测量提供了技术保障。建议:1)采用光谱融合方法提升回归模型的预测精度。2)降低冗余变量,提升模型的可解读性与重现性。3)充分考虑土壤对拉曼光谱的影响,为开发农田现场土壤成分快速检测技术提供参考。

农业信息成像感知与深度学习应用研究进展

农业信息感知与准确的数据分析是智慧农业定量决策与管理服务的基础。现代农业中彩色、可见光近红外光谱、3D与热红外等多源和多维度的成像感知手段提供了丰富的数据源,传统研究中围绕颜色、形态、纹理、反射光谱等特征展开分析,由于样本量和特征抽象层级的局限性,对复杂背景变化及未知样本检测时,还存在噪声抑制鲁棒性不足、识别与检测模型精度不高等问题。深度学习(Deep learning,DL)是机器学习的分支之一,结合神经网络通过组合底层特征形成抽象的高层表示属性类别或特征,以发现数据的分布式特征与属性,在图像目标识别与检测中其模型检测精度与泛化能力比传统方法均有所提升。因而,DL技术在农业信息检测中的应用日益增多。为了深入分析应用DL技术驱动智慧农业继续发展的潜力和方向,本文从农业信息成像感知的数据源与DL技术应用相结合的角度出发,分别以植物识别与检测、病虫害诊断与识别、遥感区域分类与监测、果实在体检测与产品分级、动物识别与姿态检测5个研究方向总结概括DL在农业信息检测中最新的应用研究成果,展望需要加强的方面,以提升对应用DL开展农业信息检测过程的理解,促进农业信息感知技术的发展。

融合里程计信息的农业机器人定位与地图构建方法

目前主流的农业机器人以低成本、低帧率的激光雷达作为即时定位与地图构建(Simultaneous Localization and Mapping,SLAM)的主要传感器,存在运动畸变和误匹配的问题。该研究针对这一问题提出了融合里程计信息的Gmapping建图算法,利用高频率里程计信息为每一个激光束匹配到近似的机器人位姿,获取机器人当前位姿下更为精确的激光数据,以减少激光雷达运动畸变对地图构建产生的影响。利用机器人搭载扫描频率为5 Hz的RPLIDAR A1激光雷达在玉米田及香蕉园中进行了SLAM建图精度测试试验。试验结果表明,在长度为12 m左右的玉米田区域,Gmapping建图算法的平均绝对误差为0.06 m,该研究算法建图平均绝对误差为0.01 m,相比于Gmapping建图算法降低了0.05 m,建图精度为99.5%;在长度为24.43 m的香蕉园区域,Gmapping建图算法的平均绝对误差为0.46 m,该研究算法建图平均绝对误差为0.07 m,相比于Gmapping建图算法降低了0.39 m,建图精度为99.1%。该研究算法有效地降低了低帧率激光雷达运动畸变对Gmapping建图的影响,可以基本满足农业环境下的高精度环境建图需求。

农业机器人全覆盖作业规划研究进展

随着自动导航技术的发展,农业机器人已经应用到农业生产的各个方面。农业机器人可以代替人类从事喷药、施肥、收获等活动,减轻了劳动强度,提高了作业效率。全覆盖作业是智能机器人研究的核心内容之一,涉及农业、军事、生产制造和民用等多个应用领域。全覆盖作业规划作为农业生产作业的关键技术,有助于提高作业质量和资源利用率。但在全覆盖作业中,仍然存在障碍物识别不准确,阻碍农机工作路径;工作区域面积遗漏,路径重复问题,造成资源浪费;单机器人工作效率较低,无法处理复杂的全覆盖作业问题。本文从全覆盖作业规划中存在的问题入手,从环境模型构建、机器人路径规划、多机器人协作任务分配3方面进行综述。其中,准确可靠的环境地图信息有助于规避静态障碍物、提高作业可靠性;高效优化路径信息有助于减少遗漏面积,提高作业效率;最佳的任务分配方案有助于减少作业时间和资源浪费。首先对环境建模方法进行了分析和对比,揭示其局限性并提出优化方法;在环境建模方法的基础之上,对国内外全覆盖路径规划算法现状进行综述,指出相关算法的特点;然后,针对多机器人协作全覆盖任务规划的研究,探讨了相关任务分配算法的研究进展;最后对移动机器人全覆盖作业规划未来的发展方向进行了展望。该研究将有助于进一步提高农业生产中全覆盖环节的工作效率和农业作业质量,减少资源浪费,为我国实现农业规模化生产提供重要依据。

中国大田作物智慧种植目标、关键技术与区域模式

大田作物智慧种植业是智慧农业的重要内容。本文通过分析智慧农业发展历程,明确了大田作物智慧种植业发展战略总体目标和重点任务,凝练出关键技术,有针对性地提出适宜中国区域特征的发展模式。大田作物智慧种植的关键技术面临的主要挑战有:缺乏原位精准测量技术与农业专用传感器,作物模拟模型与实际生产有较大差别,信息传输技术的实时性、可靠性、通用性和稳定性有待改进,智能农业装备还需要进一步解决好农机/农艺相结合问题。在以上分析基础上,提出了大田作物智慧种植关键技术的5个一级技术以及相应的18个二级技术。5个一级技术包括环境与生物信息感知技术、信息移动互联与农业物联网技术、云计算与云服务技术、大数据分析与决策技术、智能农机装备与农业机器人技术。根据中国种植业区域特色提出了相应的6种智慧农业发展区,即东北与内蒙古规模化智慧生产发展区,京津冀鲁智慧都市农业与节水农业发展区,西北旱区棉花规模化智慧种植和旱作智慧农业绿色发展综合试验区,东南沿海循环型水稻智慧种植业综合发展试验区,长江中下游平原智慧粮油优化发展区,以及西南山区智慧特色农业发展区。最后从基础设施建设、技术、人才和政策角度给出了发展建议。

奶牛乳房炎自动检测技术研究进展

奶牛乳房炎是影响奶牛健康的主要疾病之一,发病率高、发病范围广、经济损失严重。目前奶牛乳房炎的检测大多是采集奶牛乳汁进行理化性质检测,该方法对检测环境有着较高要求,且检测周期长。随着信息技术的迅速发展,奶牛乳房炎的自动检测技术取得了较好的研究成果。该研究根据数据的传感器类型,从视觉传感器、自动挤奶系统与其他传感器3个方面阐述了奶牛乳房炎自动检测的研究进展。基于视觉传感器的奶牛乳房炎自动检测方法包括基于乳房热红外图像和基于乳汁图像的检测方法,该方法较大程度上保障了动物福利,但检测精度有待提升;基于自动挤奶系统(automatic milking systems,AMS)的奶牛乳房炎自动检测方法利用AMS获取乳汁信息,然后构建乳房炎检测模型,该方法检测误差较小,但成本较高;基于其他传感器的奶牛乳房炎检测方法采用独立研发的传感器获取乳汁数据,预测乳房炎发病情况,该方法操作简便,但使用不同传感器构建的检测模型精度差异较大。该文还探讨了目前奶牛乳房炎自动检测领域存在的精度低、实时性差、自动化不足等问题,并展望了该领域未来的发展趋势,以期为开展奶牛乳房炎自动检测技术与方法研究提供参考。

基于GWO-MPC的联合收获机喂入量控制方法与仿真实验

收获机作为农业生产的重要生产工具,其喂入量控制一直是自动控制领域研究的热点问题。本文通过分析收获机工作方式,建立收获时收获机喂入量变化模型。设计开发收获机作业参数监测系统,以小麦作为实验对象,在我国华北地区开展田间实验,验证系统喂入量监测精度并同步采集产量、含水率和作业速度等参数,系统喂入量监测平均相对误差为8.55%。以收获机在割台高度不变条件下保持额定喂入量为控制目标状态,收获机作业速度作为控制量,采用模型预测的方法对收获机喂入量进行仿真控制。采用灰狼优化算法优化二次规划的权值矩阵,仿真结果表明,权值矩阵优化后,喂入量控制平均绝对误差小于0.1 kg/s,平均降低38.1%。喂入量控制误差与收获区域的产量成反比,与含水率成正比。在相邻时域内产量、含水率变化较小的收获区域效果更好。

利用CARS-CNN模型的土壤有机质含量高光谱预测

卷积神经网络(CNN)在数据特征提取方面具有巨大优势,能充分获取数据特征,相较于传统模型具有更好的泛化性。基于CNN开展了土壤有机质(SOM)含量高光谱预测方法及模型研究。以北京市昌平区上庄实验站的320个土壤样本为研究对象,提取可见光-近红外(VIS-NIR)350~1700 nm内的807个光谱波段,通过多元散射校正(MSC)和一阶微分变换进行光谱数据去噪和变换。分别使用连续投影算法(SPA)、竞争性自适应重加权算法(CARS)筛选敏感波长实现光谱数据降维。为解决传统手段泛化性差以及深层CNN网络复杂且负载过大的问题,基于CARS与SPA算法,提出一种基于6层卷积层的浅层CNN模型预测,并对比具有不同卷积尺寸和卷积数量的1D-CNN1、1D-CNN2以寻找最优网络参数。通过对比VGG16、支持向量回归(SVR)、最小二乘回归(PLSR)、随机森林(RF)建立预测模型在特征波长以及全波段的表现确定最佳模型。结果表明,相比于全谱波段和SPA筛选算法,基于CARS筛选特征波长建立的模型整体表现更好,波段数量被压缩至全波段的8%,有效实现了光谱数据的降维。对比全波段数据,基于CARS筛选波长的1D-CNN1、1D-CNN2的表现更好,模型预测R2分别提升了0.028,0.018;RMSE分别降低了0.150和0.107 g·kg^(-1)。整体上,基于CARS的1D-CNN1模型表现最好,预测R2=0.846,RMSE=3.145 g·kg^(-1),降低了网络负载的同时提高了模型精度,同时也证明了小尺寸卷积的表现优于更多数量的大尺寸卷积,能够更好的获取数据特征。通过CARS筛选特征波长结合浅层CNN建立SOM含量预测模型,为建立高精度的SOM含量预测模型提供了方法与参考。

基于3D激光雷达的鸡舍通道中心线检测方法

针对笼养鸡舍环境下光照强度弱、作业通道内狭小导致机器人巡检时通道中心线检测困难的问题,该研究利用3D激光雷达对鸡舍通道中心线进行获取。首先通过机器人搭载的3D激光雷达对鸡舍作业通道信息进行采集,利用直通滤波、地面点滤波、体素滤波、统计滤波和平面投影对获取的3D激光雷达点云数据进行预处理,获取XOY平面上的点云数据。通过改变K-means聚类初始点选择方式和聚类函数对预处理后的点云数据进行数据分类。利用改进RANSAC算法对分类后的数据进行处理,提取通道中心线。试验结果表明该研究提出的改进K-means聚类算法平均耗时6.98 ms,相较于传统的K-means聚类算法平均耗时减少了29.40 ms,准确率提高了82.41%。该研究提出的改进RANSAC算法中心线提取准确率为93.66%、平均误差角为0.89°、平均耗时为3.97 ms,比LSM算法得到的平均绝对误差角高0.14°,平均耗时减少6.15 ms。表明该研究提出的鸡舍通道中心线检测方法基本满足笼养鸡舍环境实时自主导航的需求,为巡检机器人在鸡舍作业通道内进行激光雷达导航提供了技术支撑。

融合改进头脑风暴与Powell算法的马铃薯多模态图像配准

基于热成像仪获取作物冠层温度可以实现作物水分胁迫状态的非接触式、无损检测,并且具有高通量检测的潜力。然而热红外图像存在作物边缘分布不清晰、噪声强、缺乏形状、纹理信息等问题,无法实现作物冠层温度自动化提取,利用可见光与热红外图像间的信息互补性,通过图像自动配准技术可以弥补热红外图像缺点,为自动化检测提供基础。为解决可见光图像与热红外图像之间辐射、形状和纹理差异,导致不同模态图像配准难度较大问题,该研究提出了一种融合改进头脑风暴(brain storm optimization algorithm,BSO)与Powell算法的可见光与热红外图像配准方法。研究通过对原始BSO优化算法进行改进使得整体算法更好寻找到最优仿射变换矩阵进而完成图像配准任务,具体改进包含以下5个方面:使用混沌映射函数初始化BSO群体分布、修改新个体变异范围、手肘法动态调整BSO中K-means聚类数、在个体变异方式策略中加入混沌本地搜索方法、在算法执行过程中根据BSO算法前期后期不同特性动态调整概率参数。研究选用互信息值(mutual information,MI)、归一化互信息值(normalized mutual information,NMI)、均方根误差(root mean square error,RMSE)和平均结构相似性指数(mean structure similarity index measure,MSSIM)作为评价指标。该研究算法相对比Powell优化算法、遗传算法(genetic algorithm,GA)和BSO_Powell算法在温室数据中MI指标分别提升0.054 2、0.076 9、0.040 5,NMI指标分别提升0.015 9、0.023 1、0.052 7,RMSE指标分别降低15.02、13.03、27.08,MSSIM指标分别提升0.052 3、0.048 8、0.122 4;大田数据中MI指标分别提升0.064 2、0.066 7、0.035 5,NMI指标分别提升0.007 7、0.012 5、0.012 4,RMSE指标分别降低14.06、10.57、15.40,MSSIM指标分别提升0.047 1、0.038 1、0.042 9。结果表明,所提出算法具有很强的鲁棒性,能够准确完成复杂环境下马铃薯多模态图像配准任务。

基于计算机视觉的奶牛跛行识别技术研究进展

奶牛跛行严重降低奶牛福利及潜在产奶量,影响养殖场经济效益。准确高效识别奶牛跛行,有助于奶牛肢蹄病的及早发现与治疗,促进奶业的健康和可持续发展。人工观察法识别奶牛跛行存在识别效率低、成本高、主观性强等问题。计算机视觉技术可以通过无应激、无接触地采集奶牛行走视频数据,准确高效识别奶牛跛行。该研究从可见光相机、深度相机以及热红外相机3种视频采集手段出发,概述了当前奶牛跛行自动识别的主要研究方法、关键技术以及未来发展方向等,对比分析了各研究方法的优势和不足,指出个体差异性、跛行特征的优选以及早期跛行识别等需要重点关注的技术问题。同时,该研究从数据获取、技术研发和试验验证等方面,分析了奶牛跛行识别技术研究领域存在的主要问题及挑战,展望了未来奶牛跛行识别技术的研究重点和发展方向,为奶牛跛行的精准高效识别提供相关理论依据和技术参考。

基于移动机器人平台的玉米植株三维信息采集系统

为了快速、无损、自动获取玉米植株的三维信息,设计了一种基于移动机器人平台的玉米植株三维信息采集系统。首先,通过四轮驱动移动机器人与升降平台配合,精准控制Xtion深度相机多视角采集盆栽玉米植株的三维点云数据;然后,对获取的点云进行配准拼接与滤波,实现玉米植株的三维重建;最后,对重建后的玉米模型进行叶片的分割与参数测量。该系统的移动机器人运动误差可以控制在1cm之内,玉米植株叶片参数测量误差在1%~5%之间,证明了该系统进行玉米植株三维信息采集的可行性。

基于云服务架构的田间信息采集与分析系统设计

为了满足农田作物信息采集和分析服务的需求,将智能手机终端硬件、微信小程序软件与云服务平台相结合,设计了一款基于云服务架构的田间信息采集与分析系统。系统主要包括腾讯云服务器模块和手机微信小程序模块,其中,云服务器端使用MySQL搭建数据库,用于存储、处理和下载数据;使用CSS和JavaScript语言及小程序封装的组件开发微信小程序,用于交互实现数据的采集、上传与信息反馈。以田间小麦作物生物量指征参数调查为例,针对冠层覆盖度和植株行间距计算进行了系统应用测试。采集100幅出苗期的小麦冠层图像,由小程序端上传样本图像到后台处理。使用霍夫变换、图像掩膜和图像腐蚀获取定位图像后,利用HSV彩色空间突出样本像素点,计算冠层覆盖度;采用投影法和滤波法提取峰值,获取株行中心线,从而计算植株行间距。建立了图像识别像素株行间距与实测株间行距间的一元线性回归模型,建模精度R2达到0.911,可为田间作物信息检测和调查提供技术支持。

家畜体尺自动测量技术研究进展

家畜体尺参数是评价家畜生产性能的关键指标之一,可为选取优良品种提供重要参考依据。人工测量家畜体尺费时费力、主观性强、有损动物福利。随着计算机技术的应用普及,家畜体尺自动测量技术发展较快,取得了较好的研究成果。该研究从家畜数据采集与预处理、家畜直线体尺测量、家畜围度体尺测量3个方面,阐述了家畜体尺自动测量技术的一般流程、常见技术、研究现状及方法优劣。首先,数据采集与预处理是家畜体尺自动测量的重要步骤,包括家畜图像数据的采集、分析与处理,输出便于体尺测点定位的数据,为家畜直线与围度体尺测量奠定基础;其次,家畜直线体尺测量技术基于数字图像处理和计算机视觉等方法,提取直线体尺测点并计算体尺测量值,是目前家畜体尺自动测量领域的主要研究内容;最后,因家畜围度体尺测量难度较大,其测量方法也是近年来相关领域研究的难点,胸围、腹围等体尺参数是家畜体质量和肉产量的重要参考指标,围度体尺测量主要包括体尺测点定位、围度体尺曲线拟合与尺寸计算。该研究还探讨了目前家畜体尺自动测量领域存在的成本高、自动化程度低、实时性与普适性差等问题,展望了未来该领域发展趋势,以期为开展家畜体尺自动测量技术与方法研究提供参考。

基于三维点云的田间香蕉吸芽形态参数获取

针对传统的香蕉吸芽形态参数手工测量方法效率低下、人为主观性强等问题,提出了基于三维点云的田间香蕉吸芽形态参数信息提取方法,并针对吸芽茎秆直径小,普通测量算法误差大的问题,使用曲面平滑和圆柱拟合算法提高了茎粗测量精度和准确性。使用Kinect V2、PMD CamBoard pico flexx、ZED双目视觉相机和Velodyne 16线激光雷达4种深度传感器采集不同尺寸的香蕉吸芽点云,对比了不同深度传感器对于香蕉吸芽点云采集的效果和提取表型参数的精度。基于点云库开发了香蕉点云处理和表型参数提取算法,对从两侧获取的香蕉点云进行配准,提取了香蕉吸芽的株高、茎粗和叶面积参数。Kinect V2取得了最优的点云重建效果和表型参数获取精度,与人工测量值相比,测得株高、茎粗和叶面积的平均绝对百分比误差分别为4.79%、9.20%、16.59%,均方根误差分别为5.46 cm、4.44 mm、197.8 cm2,决定系数分别为0.96、0.87、0.92。研究表明,Kinect V2和该文的形态参数提取方法适用于香蕉吸芽的形态参数获取,可以为果园管理提供一种快速、准确的香蕉吸芽株高、茎粗和叶面积形态参数测量方案。

基于CBAM-YOLO v7的自然环境下棉叶病虫害识别方法

针对自然环境下棉花叶片病害检测难度大和人工设计特征提取器难以获取与棉叶病虫害相近特征表达的问题,提出一种改进的注意力机制YOLO v7算法(CBAM-YOLO v7)。该模型在YOLO v7模型基础上,在Backbone与Head中间增加注意力机制CBAM,并在Head部进行4倍下采样,然后将CBAM-YOLO v7模型用于棉叶病虫害识别,并与YOLO v5和YOLO v7进行对比试验。试验结果表明:蚜虫和正常叶片检测方面,YOLO v7可取得好的检测结果;CBAM-YOLO v7对黄萎病、棉盲蝽、红蜘蛛棉叶病虫害图像检测的准确率高于其他模型。CBAM-YOLO v7的mAP为85.5%,相较于YOLO v5提高21个百分点,相较于YOLO v7提高4.9个百分点;单幅图检测耗时为29.26 ms,可为棉叶病害在线监测提供理论基础。

基于MSRCP与改进YOLO v4的躺卧奶牛个体识别方法

奶牛的躺卧率可以反映奶牛的舒适度和健康情况,躺卧奶牛的个体识别是自动监测奶牛躺卧率的基础。本文提出了一种基于改进YOLO v4模型识别非限制环境下躺卧奶牛个体的方法。为实现对躺卧奶牛全天的准确个体识别,首先对18:00—07:00的图像采用MSRCP(Multi-scale retinex with chromaticity preservation)算法进行图像增强,改善低光照环境下的图像质量。其次,在YOLO v4模型的主干网络中融入RFB-s结构,改善模型对奶牛身体花纹变化的鲁棒性。最后,为提高模型对身体花纹相似奶牛的识别准确率,改进了原模型的非极大抑制(Non-maximum suppression,NMS)算法。利用72头奶牛的图像数据集进行了奶牛个体识别实验。结果表明,相对于YOLO v4模型,在未降低处理速度的前提下,本文改进YOLO v4模型的精准率、召回率、mAP、F1值分别提高4.66、3.07、4.20、3.83个百分点。本文研究结果为奶牛精细化养殖中奶牛健康监测提供了一种有效的技术支持。

基于深度与传统特征融合的非限制条件下奶牛个体识别

针对非限制条件下奶牛的个体识别,提出了一种基于深度特征与传统特征融合的奶牛识别方法。首先利用Mask R-CNN识别站立和躺卧姿态下的奶牛。其次,用两种方法提取奶牛的特征概率向量:用卷积神经网络(Convolutional neural network, CNN)提取Softmax层概率向量形式的深度特征;人工提取并利用近邻成分分析(Neighbourhood component analysis, NCA)选择传统特征,并将其输入支持向量机(Support vector machine, SVM)模型,输出概率向量。最后对两种特征进行融合,并基于融合后的特征采用SVM对奶牛进行分类。对58头奶牛站立和躺卧姿态的数据集进行了个体识别实验,结果表明,对于站立和躺卧姿态下的奶牛,与单独使用深度特征相比,特征融合方法准确率分别提高约3个百分点和2个百分点;与单独使用传统特征相比,特征融合方法准确率分别提高约5个百分点和10个百分点。站立和躺卧姿态下的奶牛个体识别率分别达到98.66%和94.06%。本文研究结果可为智能奶牛行为分析、疾病检测等提供有效的技术支持。

基于无人机可见光影像的新疆棉田田间尺度地物识别

针对无人机采集影像时不同地物最佳分辨率难以确定的问题,运用大疆M600Pro型无人机获取棉花蕾期可见光影像,结合地面调查采样数据,利用神经网络(Artificial neural networks,ANN)、支持向量机(Support vector machines,SVM)和随机森林(Random forest,RF)3种监督分类算法进行田间地物识别。分析不同分辨率(1.00、2.50、5.00、7.50、10.00 cm)下对地物的识别精度,并结合算法运行时间,从分辨率、算法精度和运行时间上找到适合南疆田间尺度棉花田块地物识别的最佳分辨率和最优算法。试验结果表明:当空间分辨率为1.00 cm时,SVM对地物的识别精度最高,总体精度与Kappa系数分别为99.857%和0.997。随着空间分辨率的降低,总体精度和Kappa系数呈下降趋势。当分辨率为2.50 cm和5.00 cm时,采用RF算法,运行时间最短,土地、棉花和滴灌带可获得较好的识别精度,总体精度与Kappa系数分别可达99.252%和0.986以上。当空间分辨率大于5.00 cm时,总体精度和Kappa系数下降,滴灌带制图精度(Producer’s accuracy,PA)和用户精度(User’s accuracy,UA)下降最大。空间分辨率小于5.00 cm的图像能够很好地识别蕾期棉花地的典型地物,可为进行田间地物类型及其分布状况的识别提供指导。

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222 f/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。