基于改进的YOLOv5甘蔗茎节智能识别系统

甘蔗茎节的快速准确识别对实现甘蔗田间作业和糖料产业精细化管理等任务具有重要意义,是田间产量测量的前提。为此,针对当前甘蔗人工测量成本高、人工参与量大和工作效率低等问题,设计了一种基于边缘计算的便携式甘蔗茎节智能识别系统。YOLOv5网络模型具有架构小、运行速度快等优势,通过对网络模型的进一步改进,使用K均值聚类方法调整锚框尺寸至最优,增强网络模型鲁棒性的同时也提高了茎节识别准确性;在卷积层后添加了CBAM注意力机制模块,使网络模型更加关注甘蔗茎节特征;引入VarifocalNet,使网络模型对于密集遮挡区域的甘蔗茎节有更好的识别效果。将改进后的算法移植入Jetson TX2嵌入式开发平台。试验结果表明:系统平均准确率(AP值)为89.89%,相比于之前的88.23%,提升了1.66%,单幅图像检测时间约为1.87s,视频检测速度可达15fps。系统可有效实现对甘蔗茎节的实时准确识别,为甘蔗田间产量测量提供了新的解决思路。

田间作物信息监测技术的研究现状与展望

利用田间监测技术采集作物信息,可以实时获取田间作物的生长情况,并做出相应决策,对提高作物的产量和品质有重要作用。针对依赖于人工采样测量的传统作物田间监测方法存在效率低下、主观性强、特征单一等缺点,田间作物的快速监测、信息获取及分析技术成为了当下的研究热点。本文从采集目标、监测平台以及不同数据(信息)分析方法3个方面分析了国内外田间作物监测技术的研究现状,总结了目前我国田间作物监测中存在的问题,并对今后在监测技术创新、信息解析技术、数据(信息)标准化与共享化,以及基础设施及推广方面的发展提出了建议,以期为我国田间作物监测技术的创新和产业发展提供参考。

基于机器学习和深度学习的玉米种子活力光谱检测

为解决传统的种子活力检测方法存在耗时长、损伤种子等问题,实现种子活力的快速无损检测,分别利用机器学习和深度学习算法结合高光谱成像技术构建玉米种子3个活力梯度分类模型,通过人工老化方式将1 012粒玉米种子分为3个活力梯度样本,采集其高光谱数据后通过卷积平滑(SG)和多元散射校正(MSC)去除高光谱噪声,分别采用主成分分析(PCA)、连续投影算法(SPA)进行光谱特征降维,再从降维后的波段中抽取1 156、1 191和1 463 nm 3个波段合成假彩色图像,用局部二值模式(LBP)提取感兴趣区域的纹理特征,并与纯光谱特征融合。分别基于纯光谱特征构建决策树(DT)和支持向量机(SVM)模型和融合特征建立随机森林(RF)、SVM和极端梯度提升树(XGBoost)模型等机器学习模型。将假彩色图像输入ResNet18、MobileNetV2、DenseNet121、Efficientb0、Efficientb2等5个深度学习模型中进行玉米种子活力预测。结果显示,就机器学习方法而言,针对纯光谱特征表现最好的是PCA-SVM模型,其测试集准确率为92.5%;针对融合特征表现最好的是SVM模型,其测试集的分类准确率为93.1%;就深度学习方法而言,轻量化的MobileNet取得最高的测试集分类准确率99.5%;基于可解释的梯度定位类别激活映射方法表明,分类网络会重点关注玉米种子的中部或基部区域。

基于高光谱图像的龙眼叶片叶绿素含量分布模型

针对传统高光谱单点法检测叶绿素含量效率低、精度不足等问题,提出一种基于高光谱图像和卷积神经网络(CNN)多特征融合的深度学习龙眼叶片叶绿素含量分布预测模型。首先进行Savitzky-Golay光谱去噪,然后通过奇异值分解(SVD)和独立成分分析(ICA)提取特征光谱,再对特征光谱图像提取灰度共生矩阵(GLCM)和CNN纹理特征,最后建立粒子群优化(PSO)支持向量回归(SVR)、深度神经网络(DNNs)分布模型。结果表明,基于特征光谱建模的PSO-SVR预测效果最佳,全期的校正集和验证集模型决定系数R2为0.822 0和0.815 2。对比多种主流模型,基于特征光谱、GLCM纹理、CNN纹理特征的ICA-DNNs模型预测精度最高,校正集和验证集R2分别为0.835 8和0.821 0。试验结果表明,高光谱图像可快速无损地对龙眼叶片叶绿素含量分布进行检测,可为龙眼树实时营养监测和病害早期防治提供理论依据。

农情信息智能感知及解析的研究进展

现代农业中,农业生产者需要实时、准确、全面地了解农田环境和农作物的生长状态,并对得到的农田信息数据做出相应分析、归纳和决策。农情信息智能感知和解析技术在现代农业生产中具有不可替代的地位。本文从农情智能感知和信息解析技术2个方面展开论述,重点分析了国内外农业物联网农情信息智能感知技术和基于大数据分析的农情解析方法研究进展,详细介绍了基于农情信息的智能决策技术在农机装备智能化应用的研究现状,总结了目前农用传感器应用存在的问题,并对今后在农情感知、信息解析技术、农业数据库技术以及智能决策技术方面的发展提出了建议,以期为智慧农业的深入发展提供参考。

基于高光谱和深度迁移学习的柑橘叶片钾含量反演

针对传统柑橘叶片钾含量检测方法耗时费力、操作繁琐且损伤叶片等弊端,引入高光谱信息探索柑橘叶片钾含量快速无损检测与预测模型,选用ASD Field Spec 3光谱仪采集柑橘4个重要物候期(萌芽期、稳果期、壮果促梢期和采果期)的叶片反射光谱,同步采用火焰光度法测定叶片的钾含量;先用正交试验确定小波去噪的最佳去噪参数组合,再进行不同光谱形式变换,对不同物候期光谱进行基于堆栈稀疏编码机-深度学习网络(Stacked sparse autoencoder-deep learning networks,SSAE-DLNs)的特征提取迁移和融合多种特征,对比支持向量机回归、偏最小二乘法回归、广义神经网络、逐步多元线性回归等多种诊断模型,结果表明,模型SSAE-DLNs基于一阶微分光谱特征建立全生长期钾含量预测模型的性能最优,其校正集和验证集决定系数分别为0. 898 8、0. 877 1,均方根误差分别为0. 544 3、0. 552 8。试验表明,深度迁移学习网络可对柑橘叶片钾含量进行精确预测,为高光谱检测技术用于柑橘树长势监测和营养诊断提供了参考。

便携式柑橘虫害实时检测系统的研制与试验

为实现柑橘虫害的快速、准确识别,帮助果农及时掌握果园内虫害的危害程度和分布情况,该研究结合嵌入式图像处理技术设计了一套基于深度卷积神经网络的柑橘虫害实时检测系统。优选MoblieNet作为虫害图像特征提取网络,区域候选网络生成害虫的初步位置候选框,快速区域卷积神经网络(Faster Region Convolutional Neural Networks,Faster R-CNN)实现候选框的分类和定位。检测系统根据目标图像中虫害数量计算危害程度,按照正常、轻度、中度、重度4个等级判定柑橘虫害的严重程度,形成虫害识别与级别定量化测评软件。最后引入北斗模块获取采样点位置信息,进一步处理成可视化的虫害热力图。结果表明,该方法可实现对柑橘红蜘蛛和蚜虫的快速准确检测,识别准确率分别达到91.0%和89.0%,单帧图像平均处理速度低至286 ms。该系统实现了柑橘虫害的精准识别与定位,可为农药喷洒作业提供精准信息服务。

基于深度卷积神经网络的水稻田杂草识别研究

【目的】利用深度卷积神经网络对水稻田杂草进行准确、高效、无损识别,得出最优的网络模型,为水稻田种植管理以及无人机变量喷施提供理论依据。【方法】以水稻田杂草为主要研究对象,利用CCD感光相机采集杂草图像样本,构建水稻田杂草数据集(PFMW)。利用多种结构的深度卷积神经网络对PFMW数据集进行特征的自动提取,并进行建模与试验。【结果】在各深度模型对比试验中,VGG16模型取得了最高精度,其在鬼针草、鹅肠草、莲子草、千金子、鳢肠和澎蜞菊6种杂草中的F值分别为0.957、0.931、0.955、0.955、0.923和0.992,其平均F值为0.954。在所设置的深度模型优化器试验中,VGG16-SGD模型取得了最高精度,其在上述6种杂草中的F值分别为0.987、0.974、0.965、0.967、0.989和0.982,其平均F值为0.977。在PFMW数据集的样本类别数量均衡试验中,无失衡杂草数据集训练出来的VGG16深度模型的准确率为0.900,而16.7%、33.3%和66.6%类别失衡的数据集训练的模型准确率分别为0.888、0.866和0.845。【结论】利用机器视觉能够准确识别水稻田杂草,这对于促进水稻田精细化耕作以及无人机变量喷施等方面具有重要意义,可以有效地协助农业种植过程中的杂草防治工作。

基于神经网络PID的无人机自适应变量喷雾系统的设计与试验

[目的]针对传统植保无人机在定量喷施作业时由于飞行速度的变化造成施药不均匀以及传统控制算法无法满足无人机变量喷雾系统所需的实时性和稳定性等问题,设计一种基于神经网络PID的自适应无人机变量喷雾系统。[方法]采用风压变送器测出无人机的飞行速度,根据速度采用脉宽调制(PWM)方法进行自适应变量喷雾,同步用流量传感器测出实际喷雾流量,融合BP神经网络PID控制算法调节喷雾流量。由MATLAB构建BP神经网络PID控制算法,并与PID、模糊PID和神经元PID对比及分析;田间试验过程中,对比分析无人机定量喷雾与随飞行速度改变的变量喷雾效果,采用水敏纸获取雾滴沉积量分布,分别从整体区域、飞行方向和喷杆方向评价沉积量分布的均匀性。[结果]算法仿真对比试验结果表明,与PID、模糊PID和神经元PID相比,BP神经网络PID阶跃响应上升时间分别少28.57%、84.73%和31.03%,正弦跟踪平均误差分别小63.01%、87.03%和0.58%,方波跟踪平均误差分别小74.00%、79.53%和6.80%,鲁棒性强,无静差,超调量为1.20%;喷雾对比试验结果表明,本系统能够根据飞行速度自适应调节喷雾流量,实际流量与目标流量的平均偏差为8.43%,水敏纸扫描结果表明总体区域雾滴沉积量的变异系数对比定量喷雾平均降低26.25%,喷杆方向平均降低18.79%。[结论]该研究结果可为农业航空变量喷雾技术的应用提供理论基础。

用于紫外光辅助直书写3D打印的光敏硅橡胶墨水性能研究

基于巯烯点击化学反应,制备了一系列可用于紫外光辅助直书写3D打印的硅橡胶墨水,利用旋转流变仪、固体流变仪、紫外可见分光光度计等分析了交联剂巯基含量、白炭黑用量对光敏硅橡胶墨水流变性、透光性、光固化深度和力学性能的影响。结果表明,白炭黑用量和交联剂巯基含量的增加均能提高墨水的屈服应力,同时降低制品的透明性,从而降低固化深度;制品的力学性能受交联剂巯基含量、白炭黑补强效应、固化深度的综合影响。当交联剂巯基含量较低时,制品拉伸强度随白炭黑用量的增加而提高;但当交联剂巯基含量很高时,较高的白炭黑用量反而会降低制品的力学强度;可根据需求调节交联剂巯基含量和白炭黑用量,进而平衡墨水的各项性能,使墨水具有良好的可打印性。采用紫外光辅助直书写3D打印,可实现一般直写技术难以完成的无塌陷、大跨距结构的制备。

Room temperature H_2S micro-sensors with anti-humidity properties fabricated from NiO-In_2O_3 composite nanofibers

NiO-In2O3 composite nanofibers are synthesized via electrospinning and calcining techniques. Micro-sensors are fabricated by sputtering Pt electrodes on Si chips to form sensor substrates, and then spinning the NiO-In2O3 composite nanofibers onto the sensor substrate surface. The as-fabricated micro-sensors exhibit excellent H2S sensing properties at room temperature. The sensi- tivity of the micro-sensors is up to 6 when the sensors are exposed to 3 μL/L HzS, and the corresponding response and recovery times are 14 and 22 s, respectively. The micro-sensors also exhibit high selectivity and good stability. Especially, the micro-sensors can operate at various humidity conditions. The sensitivity of the micro-sensors is 3.8 to 3 μL/L HzS at 75% relative humidity. These characteristics make the micro-sensors good candidates for practical H2S sensors with high performance.