基于多种深度学习算法的田间玉米籽粒检测与计数

为快速准确获取玉米收获过程中遗失籽粒数信息,进行收割损失调节等管理,对比评估了单阶段和两阶段主流目标检测网络对田间玉米籽粒计数的性能。首先,利用RGB相机获取包含不同背景和不同光照的图像数据,并进一步生成数据集;其次,构建籽粒识别的不同目标检测网络,包括Mask RCNN、EfficientDet-D5、YOLOv5-L、YOLOX-L,并利用所采集的420幅有效图像对构建的四种网络进行训练、验证、测试,图像数分别为200、40和180幅;最后,依据测试集图像的识别结果进行籽粒计数性能评价。试验结果表明,YOLOv5-L网络对测试集图像检测的平均精度为78.3%,模型尺寸仅为89.3 MB;籽粒计数的检测正确率、漏检率和F1值分别为90.7%、9.3%和91.1%,处理速度为55.55 f/s,识别与计数性能均优于Mask R-CNN、EfficientDet-D5和YOLOX-L网络,并对具有不同地表遮挡程度和籽粒聚集状态的图像具有较强的鲁棒性。深度学习目标检测网络YOLOv5-L可实现实际作业中玉米收获损失籽粒的实时监测,精度高、适用性强。

利用图像和机器学习检测大豆作物幼苗期玉米杂苗

在大豆-玉米轮作生产过程中,玉米杂苗会与大豆苗竞争水和肥料,而且很容易遮住大豆苗,影响害虫(如玉米根虫)的防控,降低大豆品质。因此,在大豆幼苗期及时检测出玉米杂苗并对其进行处理非常重要。传统的人工检测方法主观性强、效率低,传感器和算法的发展为自动检测玉米杂苗提供了更好的解决方案。本研究在温室环境下模仿田间条件,待玉米和大豆发芽后,连续5天用因特尔RealSense D435相机采集彩色图像,并人工裁剪幼苗图像区域,在此基础上对图像进行分割和去噪。在采集图像形状、色彩和纹理特征值后,对所采集的特征值进行权重分析,保留前10种重要的特征值导入基于特征的机器学习算法中进行模型训练和预测。预测结果表明,支持向量机模型(SVM)、神经网络(NN)和随机森林(RF)的预测精度分别为85.3%,81.5%和82.6%。将数据集导入GoogLeNet和VGG-16两种深度学习模型进行训练,预测精度分别为96.0%和96.2%。VGG-16模型在区分大豆幼苗和玉米杂苗中有较好的表现,彩色图像和VGG-16模型组成的系统可以自动检测大豆生长过程中玉米杂苗的情况,为农民提供准确的信息,帮助其进行生产决策和田间管理。

基于无人机图像以及不同机器学习和深度学习模型的小麦倒伏率检测

小麦在生长过程中发生倒伏会严重影响其产量,因此实时且准确地对小麦倒伏状况监测有很重要的意义。传统的方法采用手工方式生成数据集,不仅效率低、易出错,而且生成的数据集不准确。针对这一问题,本研究提出了一种基于图像处理的自动数据集生成方法。首先利用无人机在15、46和91 m三个高度采集图像数据;采集完数据后,根据无倒伏、倒伏面积<50%和倒伏面积>50%的标准对每一块地的小麦倒伏情况进行人工评估;采用三种机器学习(支持向量机、随机森林、K近邻)和三种深度学习(ResNet101、GoogLeNet、VGG16)算法对小麦倒伏检测情况进行分类。结果显示,ResNet101的分类结果优于随机森林,并且在91 m高度采集的数据分类精度并不低于在15 m高度采集的数据。本研究证明了针对在91 m高度采集的无人机图像,采用ResNet101对小麦倒伏率检测是一种有效的替代人工检测的方法,其检测精度达到了75%。

卡塔尔Al Janoub体育场

随着卡塔尔之星国家足联阿米尔杯决赛的举办,Al Janoub体育场于2019年5月16日正式揭幕——这也是为2022年卡塔尔世界杯建造的第一个新体育场。Zaha Hadid建筑事务所和Aecom从2013年3月起便开始了体育场及周边新区的设计。作为2022年世界杯的场地之一,Al Janoub体育场将举行联赛的小组赛和四分之一决赛。该体育场位于多哈以南23 km的Al Wakrah市,可直接从首都乘坐Red Line地铁线抵达。