基于CRV-YOLO的苹果中心花和边花识别方法

苹果树疏花是果园生产管理中的重要环节。准确高效地识别苹果中心花和边花,是研发智能疏花机器人的前提。针对苹果疏花作业中的实际需求,提出了一种基于CRV-YOLO的苹果中心花和边花识别方法。本文基于YOLO v5s模型进行了如下改进:将C-CoTCSP结构融入Backbone,更好地学习上下文信息并提高了模型特征提取能力,提高了模型对外形相似和位置关系不明显的中心花和边花的检测性能。在Backbone中添加改进RFB结构,扩大特征提取感受野并对分支贡献度进行加权,更好地利用了不同尺度特征。采用VariFocal Loss损失函数,提高了模型对遮挡等场景下难识别样本检测能力。在3个品种1837幅图像数据集上进行了实验,结果表明,CRV-YOLO的精确率、召回率和平均精度均值分别为95.6%、92.9%和96.9%,与原模型相比,分别提高3.7、4.3、3.9个百分点,模型受光照变化和苹果品种影响较小。与Faster R-CNN、SSD、YOLOX、YOLO v7模型相比,CRV-YOLO的精确率、平均精度均值、模型内存占用量和复杂度性能最优,召回率接近最优。研究成果可为苹果智能疏花提供技术支持。

基于改进ConvNeXt的奶牛行为识别方法

奶牛的动作行为(进食、躺卧、站立、行走和甩尾)直接或间接地反映了奶牛的健康及生理状况,是奶牛疾病监测及感知奶牛异常的关键,为准确高效地对奶牛行为进行识别,提出了一种融合时间和空间注意信息的多分支并行的CAFNet(ConvNeXt-ACM-FAM)奶牛行为识别模型,该模型在卷积网络ConvNeXt的基础上融合非对称多分支卷积模块(ACM)和特征注意力模块(FAM)。首先,利用ACM划分通道分支提取特征并保留一部分原始特征,防止信息过度丢失。其次,FAM对不同通道的特征进行融合并引入SimAM注意力机制,不增加网络参数的同时增强重要特征的有效提取。实验结果表明,该方法对进食、躺卧、站立、行走和甩尾行为识别准确率分别为95.50%、93.72%、90.26%、86.43%、89.39%,平均准确率为91.06%,参数量相较于原模型减少了1.5×10^(6),浮点运算量减少了3×10^(8),相较于其他模型,本文模型识别平均准确率平均提升8.63个百分点。本文研究成果可为奶牛疾病监测及预防提供技术支持。

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。

基于时空特征的奶牛视频行为识别

准确、高效的奶牛行为识别有助于疾病检测、发现异常,是感知奶牛健康的关键。通过分析奶牛在牛场中各时段的行为,提出一种基于时空特征的奶牛行为识别模型,该模型在时域段网络(TSN)的基础上融合了时态移位模块(TSM)、特征注意单元(FAU)和长短期记忆(LSTM)网络。首先,利用TSM融合时间信息以提高时序建模能力,并将时序建模后的视频帧输入TSN。其次,利用FAU融合高分辨率空间信息和低分辨率语义信息,增强模型空间特征的学习能力。最后,由LSTM聚合过去和当前信息进行奶牛行为分类。实验表明,该方法对进食、行走、躺卧、站立行为识别准确率分别为76.7%、90.0%、68.0%、96.0%,平均行为识别准确率为82.6%,和C3D、I3D、CNN-LSTM网络相比,本文模型平均行为识别准确率分别提升7.9、9.2、9.6个百分点。光照变化会对奶牛行为识别准确率产生一定影响,但本文模型受光照影响相对较小。研究成果可为感知奶牛健康和疾病预防提供技术支持。

基于AW-OPS高光谱波长选择方法的羊肉新鲜度检测

高光谱数据中不仅含有关键性信息还存在一些干扰信息和无效信息,带有干扰信息和无效信息的数据建立模型会降低效率和模型精度。从全波段数据中提取特征波长是提高关系模型精度的有效方法。有序预测选择(OPS)是一种依据信息向量选择有效波长变量的特征波长提取算法,在特征波长变量筛选方面表现了较好地性能。但由于建立模型时,没有去除重要性较低的变量,导致过多的无效变量参与到模型中,降低了模型的准确率。论文以羊肉高光谱数据作为研究对象,提出了一种改进的特征波长变量选择方法,基于信息向量和指数衰减函数的有序预测选择方法(AW-OPS)对羊肉新鲜度进行检测,该算法通过光谱数据和理化值数据之间的关系来计算信息向量并对波长变量进行排序,采用指数衰减函数(EDF)通过多次迭代去除一些信息向量绝对值比较低的波长变量,最后在已获取的有效波长变量中逐渐增加波长点建立多元回归模型,选取交叉均方根误差(RMSECV)最小值的波长变量子集为特征波长变量。实验时,将OPS法和AW-OPS法在选取特征波长变量后,分别构建羊肉TVB-N的偏最小二乘(PLS)关系模型,同时与全光谱波段PLS模型的效果相比较。结果表明:OPS算法运行程序平均用时为175.9 s,优选出370个特征波长变量,OPS-PLS模型相关系数(RP)平均为0.9631,均方根误差(RMSEP)平均为0.727;而改进的有序预测选择法(AW-OPS)运行程序平均用时为57.6 s,优选出275特征波长变量,AW-OPS-PLS模型平均提升到0.9731,RMSEP平均降低为0.5728;全光谱波长数目为1414个波长变量,其PLS模型的平均为0.9208,RMSEP平均为1.0483。AW-OPS-PLS模型相较于OPS-PLS模型测试精度提高了21.2%,相较于全光谱-PLS模型,测试精度提高了45%,证明AW-OPS是一种有效特征波长变量筛选方法,提高了OPS模型精度和程序运行效率,降低了模型复杂度。

基于SE-R(2+1)D网络的自然环境下的奶牛行为识别

智能行为识别对于奶牛健康的自动诊断和精准养殖具有重要意义。由于接触式传感器会损害动物福利,对奶牛产生应激反应。因此,本文设计了R(2+1)D模型对奶牛进行行为识别。3D网络作为1种时空卷积网络,可以有效识别奶牛的基本时序行为,但该模型针对奶牛的进食行为与反刍行为不易区分,因此对残差网络中的残差映射部分进行改进,在残差网络中添加注意力机制,将SE模块加入到残差映射部分。首先,利用Kinect相机采集奶牛的行为视频;其次,将采集到的奶牛视频分解成连续帧输入到改进后的模型中,连续帧经过二维空间特征和一维时间特征提取,经过残差网络的注意力模块,忽略一些无关的特征;最后,经过模型的Softmax层进行行为分类。实验证明,和原模型比较,准确率提高了2.36%。本文方法实现了精准的奶牛行为识别,可为智慧畜牧业的发展提供技术支持。

苹果采摘机器人果实识别与定位方法

提出了利用归一化的红绿色差（R-G）/（R＋G）分割苹果的方法。对不同光照情况下拍摄的苹果图像进行了识别,并对识别后的图像进行预处理后,获得苹果的轮廓图像。对轮廓图像采用随机圆环法进行果实圆心、半径提取。通过建立基于面积特征与极线几何相结合的匹配策略实现双目视觉下的果实定位,对于搜索区域内面积相似的果实,通过计算垂直投影的互相关函数最大值的方法,得到排序基准线,然后根据顺序一致性原则进行匹配。实验结果表明：识别算法可以较好地消除阴影、裸露土壤等影响,识别率达到92%。采用随机圆环法,可以准确地提取果实的圆心、半径。在60~150 cm的距离范围内,测量误差小于2 cm。

基于机器视觉的苹果识别和形状特征提取

提出了利用色差R-G和色差比(R-G)/(G-B)相结合的苹果识别方法。在顺光、逆光等不同情况下对拍摄的苹果图像进行了识别,并对识别后的图像进行消除噪声、区域填充等预处理,获得苹果的轮廓图像。针对轮廓图像,采用遗传算法进行形状特征提取。采取多次运行遗传算法,并依次转换目标轮廓点为背景点的方法,处理果实图像邻接、重叠问题。实验结果表明:苹果识别方法在一定程度上消除了阴影、逆光、土壤等影响,识别率达97%。基于遗传算法的形状特征提取方法,可对邻接、重叠图像进行有效分割,快速、准确地实现苹果图像圆心坐标和半径的提取。

基于最小二乘法的早期作物行中心线检测方法

提出了一种基于最小二乘法的早期作物行中心线检测算法。利用G-R颜色特征因子分割作物与背景。根据作物与杂草的长度属性去除部分杂草噪声,应用垂直投影法动态检测作物行数,并提取作物行中点为特征点,获得特征点图像。利用特征点间的邻近关系对特征点进行分类,对归类后的特征点进行两次最小二乘法拟合,得到作物行中心线。对于有作物缺失的作物行,采用统计条形区域内特征点数量的方法判别检测结果的可信度。实验结果表明,算法能克服杂草和作物缺失的影响,实时地提取小麦、玉米和大豆作物行,平均每幅图像处理时间小于150 ms。

激光平地系统的开发与试验

介绍了激光平地系统的工作原理,开发了一套较低成本的激光平地系统.该系统由接收器、控制器、液压系统和平地铲等部分组成,其中接收器采用了双重滤光技术,控制器应用了模糊控制算法,液压系统采用齿轮泵作为动力输出的方式.配套国产JP300型激光发射器,分别进行了水平田面和坡式田面的平地试验.试验表明:设计研发的系统工作稳定,精度高.水平田面和坡式田面标准差Sd由平地前的13.96和21.7 cm分别降低至1.01和0.69 cm,满足畦灌系统Sd<2 cm的需要.农田平整度分布情况改善良好,作业后绝对差值小于2 cm,测点累计百分数分别达到96%和97.6%.

基于K-均值聚类的绿色苹果识别技术

针对颜色和背景相近的绿色苹果,提出了一种基于K-均值聚类的苹果图像识别算法。该算法以8×8像素的正方形区域为分割单位。选择颜色差R-B作为颜色特征,选择灰度均值m,标准偏差σ和熵e作为纹理特征,形成特征向量空间。采用间隙统计法确定苹果图像的最佳聚类数。将特征向量空间和最佳聚类数作为输入,运用本文算法对苹果图像进行聚类和分割。对200幅图像识别实验结果表明,在顺光和逆光情况下,算法均能实现果实与背景的有效分割,果实识别的正确率高于81%。

基于Kinect相机的猪体理想姿态检测与体尺测量

为提高基于机器视觉的猪体体尺测量研究中的图像利用率和体尺测量效率,以长白猪和大白猪为研究对象,基于Kinect相机获取的猪体视频数据,提出了一种猪体理想姿态检测算法。该算法利用最小外接矩形法调整猪体为水平方向;利用投影法和差分法识别头部和尾部位置,通过头部边界标记法判断是否耳部缺失;利用骨骼化算法结合霍夫变换算法检测猪体头部是否歪斜。在此基础上,设计了猪体体尺测量算法。针对养殖场获取的103组视频数据、俯视和侧视各52 016帧图像,进行了理想姿态检测及体尺测量。结果表明,检测出理想姿态2 592帧、漏报432帧、误报0帧,误报率较低;每帧图像的体长偏差与本组体长均值小于2. 3%,组内理想姿态帧之间差异较小,一致性较好;体宽测量的平均精确度为95. 5%,体高测量的平均精确度为96. 3%,体长测量的平均精确度为97. 3%,测量的平均准确度较高。本研究成果应用于基于机器视觉的猪体体尺测量,可提高图像利用率和体尺测量效率。

基于CT图像的苹果苦痘病与磕碰伤识别

对苦痘病进行持续、准确、量化的无损检测,以及育种专家对新品种苹果的抗苦痘病表型研究,都需要苦痘病准确识别技术的支持。针对磕碰伤对苦痘病识别产生干扰,降低了识别准确率问题,基于苹果CT图像,提出了一种苹果苦痘病和磕碰伤识别方法。首先,采用最大类间方差法、区域标记、中值滤波等方法,对337帧苹果CT图像进行图像分割和伤病区域定位;其次,对伤病区域进行特征提取,提取其形状特征、纹理特征和位置特征共18种特征信息;然后,利用多元逐步回归和类距离可分离性判据2种方法分别选取特征信息,将2种方法选出的相同特征作为本文的选用特征信息;最后,分别使用遗传算法优化的支持向量机和默认参数的支持向量机,对苹果苦痘病和磕碰伤进行识别。识别结果表明,经过遗传算法优化的支持向量机的总体识别准确率高于93%,默认参数的支持向量机算法的总体识别准确率高于84%。遗传算法优化后的支持向量机的识别准确率明显优于默认参数的支持向量机的识别准确率。

苹果采摘机器人激光视觉系统的构建

为了避免或减少自然光线的干扰,该文设计了一种用于苹果采摘机器人的激光视觉系统。基于飞行时间原理的LMS211激光测距仪可对目标距离进行测量,具有精度高、响应速度快等优点;研制的直线运动单元可自由调整其滑台的移动速度和行程,用来协助测距仪完成对目标场景的三维扫描。试验结果表明:在一定测量范围内,扫描数据能较理想地反映果实的曲面特性,选择合适的水平分辨率可提高数据的成像效果,生成的距离图像易于解析果实、枝叶的空间几何特性及相互间的层次关系,且效果不受光线变化的影响。该系统为后期果实的识别研究提供参考。

采用倾角传感器的水田激光平地机设计

研制的采用倾角传感器的激光平地系统用于南方水田土壤的平整。平地机具通过三点式悬挂机构与拖拉机相连接,用左右两个油缸实现升降,由普通三位四通电磁换向阀控制油缸,分别采用激光与倾斜传感器实现平地机具左右侧升降控制。试验结果表明,采用倾角传感器的水田激光平地机在水田的平整精度能基本满足农艺要求。

果园视觉导航基准线生成算法

针对果园导航环境的复杂性,提出了一种基于图像处理的果园导航基准线生成算法。采用二维Otsu算法获取最优分割阈值,对色差R-B分量图进行二值化处理;根据水平投影曲线的一阶导数变化规律,提取树的主干区域(ROI);根据区域中邻近像素灰度值的变化规律,提取主干与地面的交点作为特征点;根据点的分布特性对其进行归类,并利用最小二乘法拟合左右边界线,提取边界线上各行中心点生成果园导航基准线。在不同场景中的实验结果表明,该算法对噪声的干扰有较强的鲁棒性,使导航基准线的生成准确率高于90.7%;处理一幅640×480像素的图像平均耗时小于119 ms,具有较好的实时性。

基于改进遗传算法的农机具视觉导航线检测

针对机器视觉导航系统现有导航线提取算法检测速度慢、抗干扰性差等不足,提出一种基于改进遗传算法(IGA)的导航线检测方法。图像中作物行走向近似为一条直线,从图像顶边和底边分别随机选一个点进行染色体编码,通过遗传进化选择适应度最高的个体作为作物行直线编码,进而得到导航线。改进遗传算法采用概率保留法和最优保存策略相结合的方法作为选择算子,提高了算法的搜索效率和精度;通过自适应调整交叉概率和变异概率,提高了算法的收敛速度和全局搜索能力。动态导航跟踪试验表明,改进的遗传算法与标准霍夫变换、标准遗传算法(GA)在导航线提取性能上相比,具有抗干扰性强、检测速度快等优点。当导航速度为0.6m/s时,横向偏差最大值不超过76 mm,平均值小于33.1 mm,较好地满足了导航作业要求。

激光控制平地系统设计与试验分析

开发了用于农田平地的激光接收与控制装置、液压调节装置、平地铲等。利用该系统与Trimble公司的激光控制平地系统进行了平地对比试验。试验结果表明,该系统工作性能稳定,与国产中等功率拖拉机液压动力输出匹配较好。

基于线性相关系数约束的作物行中心线检测方法

针对现有作物行检测算法速度慢、易受外界干扰等问题,设计了一种基于线性相关系数约束的作物行中心线检测方法。根据农田图像特点,对图像中感兴趣区域ROI进行处理,提高图像处理实时性;通过垂直投影法进行作物行个数计算和边缘检测,最后利用基于线性相关系数约束的作物行中心线检测方法对作物行特征点进行拟合,实现作物行中心线提取。该方法利用相关系数r作为直线约束条件,对作物行特征点进行直线拟合,在拟合直线两侧同时剔除距离拟合直线最远的N个干扰点,通过多次拟合直到求出满足要求的最优直线。通过与霍夫变换、随机方法进行对比,证明该方法具有抗干扰性强、检测速度快等优点。导航跟踪实验结果表明,该算法可以使系统有效地对目标路径进行跟踪,当速度为0.6 m/s时最大横向偏差不超过4 cm,当速度为1.2 m/s时最大横向偏差不超过7 cm。