基于Sentinel-2A NDVI时间序列数据和随机森林方法的高山冷凉蔬菜识别

该研究基于Sentinel-2A卫星的归一化差值植被指数(NDVI)时间序列数据,结合随机森林(RF)分类方法,对高山冷凉蔬菜种植区域进行精准识别与分类。以西吉县为研究区,利用2023年覆盖高山冷凉蔬菜全生育期的Sentinel-2A遥感数据,构建10 m高空间分辨率的NDVI时间序列数据,结合田间实测数据,使用RF分类方法对高山冷凉蔬菜进行识别分类。结果表明文章提出的方法在高山冷凉蔬菜种植区域识别中表现出了较高的精度和稳定性,总体精度达93.52%,Kappa系数为0.89。

基于Keras卷积神经网络的分拣蔬菜识别的设计

一般识别模型参数量过大,难以运行在微算力的移动端和嵌入式设备,本文利用Python、Keras、OpenCV等技术,设计了基于卷积神经网络的智能蔬菜分拣。首先,基于11659张、22个种类的蔬菜图片,按照8:2的比例将数据集分成训练集和测试集,然后训练模型,搭建深度可分离卷积层的卷积神经网络,得到该训练模型的精度值和损失值。经测试,实现了识别模型在移动端和嵌入式设备的使用,蔬菜识别的正确率达到了96%,提高了蔬菜智能分类的准确性和效率。

基于改进型YOLO v3的蔬菜识别算法

针对超市的散装蔬菜区排队称重问题(称重设备能够自动识别蔬菜种类将有效地提高超市的运行效率),提出一种基于改进型YOLOv3的蔬菜识别方法。首先,利用高清摄像头以及网络爬虫技术采集蔬菜图片;其次,通过K-means聚类分析得到15组适应于蔬菜数据集的先验框;再次,采用一种新的边界框回归损失函数DIoU来提高检测任务的精度;最后,因蔬菜数据集中的大目标较多,通过增强特征提取网络,获取5组不同尺度的特征构成特征金字塔从而实现蔬菜识别任务。改进型YOLOv3算法在测试集上的平均精度mAP达到93.2%,识别速度是35 f·s^-1。该方法在保证实时检测目标的同时提升了识别的平均精度。

基于Gibbs采样和残差连接的AlexNet蔬菜识别算法

为了进一步提高蔬菜识别的精度,提出了基于Gibbs采样和残差卷积神经网络的蔬菜识别算法,本文将其命名为GiRAlexNet算法。根据马尔科夫随机场与吉布斯随机场的等价性构建图像概率模型,用Gibbs采样获取最优样本点集合,随机取点切割图片。通过GoogleNet、ResNet和AlexNet模型实验显示,分类准确率分别提升了9.22%,3.34%和9.19%。大量实验表明,该GiRAlexNet算法对蔬菜识别的准确率达到98.14%。

基于蔬菜表型特征的病虫害识别技术研究

随着农业数字化和智能化发展,蔬菜病虫害防治技术水平有了显著提高,为采取针对性的防治措施,研究病虫害识别技术十分必要。基于此,介绍了基于图像识别的蔬菜表型特征的病虫害识别技术,针对蔬菜害虫图像分类模型在建立时样本数量过少、覆盖姿态和角度范围不足的问题,提出了一种基于深度卷积神经网络的图像识别方法,该技术能够快速、准确地检测和识别蔬菜病虫害,为及时采取防治措施提供科学依据,从而提高蔬菜的产量和品质。

试谈蔬菜病害的症状识别

作为一个植病工作者经常遇到的是症状识别。为了防治病害首先要认准它,然后才能提出应对的防治措施。由于笔者很长一段时间从事蔬菜病害防治工作,所以对蔬菜病害的识别尤其重视,花的时间和精力格外多。下面将从蔬菜病害识别的依据、蔬菜识别的调查、蔬菜识别资料的整理与积累、利用数码照片建立蔬菜病害查询数据库等方面试谈蔬菜病害的症状识别。

蔬菜识别技术研究

采用四种分类器,利用每一种分类器来实现蔬菜二级分类。结果表明:在大小为360的测试库中,SVM、Tree和LDA分类器得到的识别率均高于88%,其中SVM识别率最高达到93.33%,说明在蔬菜识别的二级分类中,利用所选取的特征和分类器是行之有效的。

基于迁移学习的蔬菜图像识别方法

为解决蔬菜识别领域缺少带标签样本的问题,提出了一种基于迁移学习的图像识别方法.首先,将原始数据集利用数据增强扩大样本数据量后引入到大规模数据集上的预训练模型.针对迁移过程中高层特征的领域特定性导致的网络泛化性能差,通过加入两层自适应层参数初始化后重新训练得到基本模型;对该基本模型再利用参数冻结的迁移方式进一步调优参数,得到用于蔬菜图像识别的最终网络模型.实验表明,基于CaffeNet和ResNet10两个小型网络的迁移策略可以较好地处理小样本的蔬菜图像识别,训练得到的模型准确率分别为94.97%、96.69%.与其他迁移算法及传统的神经网络方法相比,该算法具有更高的识别性以及更强的鲁棒性.

蔬菜病害识别与防治对策

提高蔬菜质量,加强病害管理,注重病害的准确判断,减少农药量,充分了解自然规律和蔬菜作物的生理特性,采取生态防治和农业防治为主,其它防治为辅的综合防治措施,本着"预防为主、治早治小"的原则,做到准确、及时、有效的防治。

基于改进YOLOv5的智能除草机器人蔬菜苗田杂草检测研究

杂草精准检测是自动化除草装备的关键技术。针对田间杂草分布复杂和种类繁多导致的检测复杂度高和鲁棒性差等问题,基于自研移动机器人平台,提出一种改进YOLOv5算法和图像处理的蔬菜苗田杂草检测方法。通过识别蔬菜间接检测杂草的方式降低杂草检测复杂度,进而提高检测精度和鲁棒性。在YOLOv5目标检测算法主干特征提取网络中引入卷积块注意力模块(CBAM)提高网络对蔬菜目标的关注度,加入Transformer模块增强模型对全局信息的捕捉能力。结果表明,改进YOLOv5算法对蔬菜目标的平均检测准确率可达95.7%,与Faster R-CNN,SSD,EfficientDet,RetinaNet,YOLOv3,YOLOv4和YOLOv5算法相比,分别提高了5.8%,6.9%,10.3%,13.1%,9.0%,5.2%和3.2%。算法单幅图像平均检测时间11 ms,具有较好的实时性。采用改进YOLOv5算法检测蔬菜,将蔬菜边框之外绿色植物定义为杂草,超绿特征(ExG)结合OTSU阈值分割法将杂草与土壤背景分割,最后标记杂草连通域输出杂草质心和检测框。本研究方法可为农业自动化精准除草提供借鉴。

基于深度学习与图像处理的蔬菜苗期杂草识别方法

对苗期青菜及其伴生杂草进行识别试验,提出了一种基于识别蔬菜进而间接识别杂草的独特方法,该方法结合深度学习和图像处理技术,可以有效降低杂草识别的复杂度,同时提高识别的精度和鲁棒性。首先,采用神经网络模型对青菜进行识别,并标记边框;然后,将青菜边框之外的绿色目标视为杂草,利用颜色特征将其分割,并通过面积滤波得到滤除噪点后的杂草区域;为探究不同深度学习模型对青菜识别的效果,选取SSD模型、RetinaNet模型和FCOS模型,以F1值、平均精度和检测速度3个评价指标进行对比分析。结果表明,SSD模型为青菜识别最优模型,拥有最高的检测速度和较优的识别率,其在测试集的F1值、平均精度和检测速度分别为95.4%、98.1%和31.0 f/s;改进后的MExG因子能有效识别杂草,分割后的杂草形态完整且轮廓清晰。本文提出的蔬菜田杂草识别方法具有高度的可行性和极佳的应用效果,可为相似作物田杂草识别提供技术参考。

基于视觉图像的田间甘蓝计数

田间蔬菜计数是预估产量的重要技术手段,可以帮助农民提前规划销售、仓储和运输,提高收益。本文以甘蓝为例,实现基于视觉图像的田间蔬菜识别计数。算法是:首先对图像b通道高斯平滑滤波,然后应用b通道直方图实现蔬菜与非蔬菜的自适应阈值分割,再利用改进极限腐蚀算法对分割出的蔬菜二值图像腐蚀,最后用动态生成腐蚀核划分连通域实现蔬菜计数。航拍甘蓝图像的分割、计数实验结果显示:本文算法分割蔬菜与非蔬菜的精度为82.41%,高于OTSU对比算法;本文算法计数准确率达100.00%,召回率为96.08%,F1-score为0.98。实验结果表明,算法是有效的。