基于热成像的动态多目标温度智能监测仪设计

为了满足小型室内场所人员体温自动监测的需求,设计一款低成本的动态多目标温度智能监测仪。采用高分辨率微型热成像模块Lepton 3.5获取热红外图像,在STM32H743上搭载TensorFlow Lite深度学习框架,监测热红外图像中的人体并标记其温度,重点基于“滑动窗口”技术设计新的人体识别算法,解决了由于MCU算力不足导致的视频卡顿问题。实验结果表明,目标识别的准确率高达99.7%,监测多个动态目标温度时视频流畅。该温度监测仪体积小,成本低,监测目标多,适用于家庭、办公室和实验室等场所。

基于角度计算的林木测高仪

为了更加便捷、准确地测量乔木、毛竹等林木的高度,采用角度计算测量原理和新型硬件模块设计了一款手持式林木测高仪。控制摄像头俯仰倾角,分别使待测目标的顶部和底部与图像框中的基准线重合,并测量摄像头与目标之间的水平距离,即可计算获得目标高度。对不同高度目标的测量实验表明,测量误差率小于3%。该测高仪适用于林木生产管理和科研教学,性价比高,具有广阔的应用前景。

基于神经架构搜索的灌浆期水稻稻穗分割及特征分析

灌浆期是水稻的重要生育期之一,为精准分割灌浆期水稻稻穗,探究稻穗特征与水稻长势之间的关系,提出了一种基于神经架构搜索的灌浆期水稻稻穗分割及特征分析方法。以DeepLabV3Plus网络模型为基础框架,基于神经架构搜索算法自动设计主干网络,修改空洞空间卷积池化金字塔(ASPP),搭建语义分割网络Rice-DeepLab。通过田间摄像头采集4种水稻的灌浆期图像并经Rice-DeepLab分割后,计算稻穗面积占比、离散程度、图像平均曲率和颜色特征等参数并分析。实验结果显示:改进后的语义分割网络Rice-DeepLab的平均交并比(mIoU)为85.74%,准确率(Acc)为92.61%,与原网络模型相比mIoU、Acc分别提高了6.5%、2.97%;由图像的稻穗面积占比、离散程度、图像平均曲率、颜色特征可大致判别稻穗稀疏或稠密,稻穗是否饱满,色泽青绿、金黄或灰白等长势。本研究表明,可以利用田间摄像头便捷地开展灌浆期水稻监测工作,通过稻穗分割及其特征分析初步判断水稻的长势,为田间管理提供支持。