基于改进轻量化YOLOv4模型的虾只肉壳辨识方法

为实现虾只机械剥壳环节裸肉虾与带壳虾自动分选,该研究提出一种基于改进YOLOv4模型的虾只肉壳辨识方法。将YOLOv4模型中CSP-Darknet53网络替换为GhostNet网络,增强模型自适应特征提取能力及简化模型参数计算量。在YOLOv4主干特征提取网络Resblock模块中引入轻量级注意力机制,增强主干特征提取网络的特征提取能力。将YOLOv4模型中GIoU损失函数替换为CIoU损失函数,提高模型预测框的回归效果。为检测改进效果进行了不同模型对比验证,轻量化结果表明改进YOLOv4模型参数量最少、计算量最小;消融试验表明改进YOLOv4模型的平均精度均值为92.8%,比YOLOv4模型提升了6.1个百分点。不同场景下应用改进YOLOv4模型进行虾只肉壳辨识性能试验。结果表明:同品种不同环境的虾只肉壳辨识总体平均准确率为95.9%,同品种不同剥壳方式的虾只肉壳辨识准确率平均值为90.4%,不同品种虾只肉壳辨识准确率平均值为87.2%。研究结果可为裸肉虾与带壳虾自动分选提供技术支撑。

基于触感引导的小型水田行进底盘自动对行方法

为了解决小型水田底盘因路径偏差导致的稻苗碾压损伤问题,该研究提出一种基于触感引导的自动对行方法。采用自制的感测器获取稻株定位历程触感数据,通过数据的分割阈值设定、区域谷值提取、横向距离标定获得感测器与稻株的横向距离。根据水稻机械化移栽行距规整性,利用行距与定位数据几何关系校验稻株定位数据,解算获得稻列方向相邻稻株中点位置,实现对行目标点坐标提取。基于时变坐标系跟踪方法,控制转向电机实时校正路径偏差,实现小型水田底盘自动对行。田间性能试验表明:当行进速度为0.5m/s时,自动对行绝对误差平均值为3.11cm、绝对误差标准差为1.10 cm、绝对误差最大值为4.75 cm,研究成果为水田环境作业底盘自动导航提供了新思路和借鉴。

基于触觉感知的稻田苗带区域杂草密度等级评估

针对水田背景干扰、稻株叶冠遮挡主流视觉感知方法难以准确测定苗带区域杂草密度问题,该研究提出触觉感知方法实现杂草密度等级评估。利用自制的触觉感知器获取苗带区域触感数据,联合时域和梅尔频谱倒数对触感数据进行特征表达,通过主成分分析和特征维度优选,组建杂草密度评估特征向量,基于神经网络方法构建杂草密度等级评估模型。根据水田作业实况,选择触觉感知器与杂草的接触速度和接触部位进行田间性能试验。结果表明:茎秆低位接触感测模式下,随机具行进速度增大,杂草密度评估准确率和稳定性降低;叶冠高位接触感测模式下,随机具行进速度增大,评估准确率有所提高,但稳定性下降。当行进速度为0.5 m/s,感测模式为低位茎秆接触时综合性能最优,杂草密度评估准确率为85.33%,变异系数为2.73%。研究结果可为除草剂的定量施用提供决策基础。