基于实例分割的柑橘花朵识别及花量统计

柑橘隔年结果现象严重,花量统计有助于果园的规划管理,并对产量预测有重要意义,但是柑橘单一植株花量巨大,花朵紧凑密集,花期树叶遮挡覆盖,对花量计算造成很大的阻碍。对此该研究提出基于实例分割的柑橘花朵识别与花量统计方法,以花期的柑橘树冠图像为样本进行花朵实例的识别及分割,通过对Mask R-CNN主体卷积部分和掩膜分支部分的优化,实现对复杂结构图像中密集小尺度柑橘花朵目标的高效检测、获取图像中可见花数量。结果显示,该方法花量识别神经网络的平均精度为36.3,花量计算误差为11.9%,对比未优化Mask R-CNN网络在训练和识别的时间效率上均有显著提升。该研究解决了柑橘花量统计难度高的问题,有助于柑橘早期测产和落花监测,并为花量控制提供决策依据。

基于K-means聚类的猕猴桃花朵识别方法

针对猕猴桃授粉机器人的研究,由于缺少猕猴桃花朵识别方法,现有授粉机器人自动化程度低。为此,提出基于K-means聚类的猕猴桃花朵识别方法。首先,原图像通过K-means聚类分割,得到包含花蕊图像在内的4个类别图像;然后,由经过训练的卷积神经网络对这4个类别图像进行分类,自动选出花蕊图像;再通过形态学运算对花蕊图像进行去噪,计算余下各个区域形心,找到各花朵在图像中位置并标出,最终完成猕猴桃花朵识别。该算法识别成功率为92.5%,满足现有授粉机器人要求,利于提高其自动化程度。

基于深度学习的自然环境下花朵识别

基于自然环境下的花朵识别已经成为了现在园艺植物以及计算机视觉方面的交叉研究热点。本文的花朵图像数据集是利用手机直接在自然场景中当场拍摄的,采集了湖南省植物园内26种观赏花朵的2600幅图像,其中还包括同一品种不同类别相似度很高的杜鹃,郁金香等花朵。设计了一种由3个残差块组成的20层深度学习模型Resnet20,模型的优化算法结合了Adam的高效初始化以及Sgd优秀的泛化能力,该优化算法主要是根据每次训练批次以及learning rate来进行转换调整,实验结果表明比单独使用Adam算法正确率高4到5个百分点,比单独使用Sgd算法收敛更快。该模型在Flower26数据集上,通过数据增强识别率可达到96.29%,表明深度学习是一种很有前途的应用于花朵识别的智能技术。

基于卷积神经网络的花朵品种的识别

基于BP算法的卷积神经网络应用于图像识别领域,它有自动学习特征,比传统的图像识别方法的准确率更高。介绍了基于卷积神经网络的花朵品种的识别,构建CNN神经网络模型,运用BP算法优化参数,激活函数采用稀疏性较好的Relu调整输出,在牛津大学102种花卉的数据集的基础上,增加了5种,准确率为83.01%,测试随机采取5种花卉进行识别分类,准确率最高为85%。

果园机械化疏花技术与装备研究进展

为促进果园机械化疏花技术与装备发展,提高果园全程机械化水平,通过论述疏花的必要性与作业标准,以期为疏花工作提供理论指导。根据国内外手持式、振动式、机载式和智能式疏花机的工作方法与特点,概括分析其关键技术和优缺点。重点阐述机器视觉作为智能疏花机核心技术在花朵识别应用上的研究现状,通过对比YOLO、Faster R-CNN等典型花朵识别算法的平均精度、召回率和F1分数总结其制约因素和存在的主要问题。针对目前主流机载疏花机存在的工作模式单一、精准作业水平低、对果园标准化水平要求高、适用范围窄等主要问题,从规范果园种植方式、研发新型主轴结构与疏花绳材料、构建果园生产管理经验专家库、花朵识别技术的重点研究方向、智能疏花机未来研发重点5个方面进行展望。