共查询到20条相似文献，搜索用时 31 毫秒
1.
稻田杂草位置获取是靶向喷施除草剂和机械智能除草的基础,为实现自然光照环境和水田复杂背景下稻田苗期杂草的信息获取。以稻田恶性杂草野慈姑为研究对象,提出一种基于全卷积神经网络的稻田苗期杂草语义分割方法,利用DeepLabV3+对秧苗和杂草进行语义分割进而获取的杂草位置信息。首先人工田间采集稻田苗期杂草野慈姑的RGB图像,通过图像标注工具LabelMe人工标注图像中秧苗、杂草和背景的各个像素点,70%数据集用于DeepLabV3+网络模型参数的训练,30%数据集用于测试DeepLabV3+性能。然后与FCN和U-Net两种语义分割方法进行比较,所提出的DeepLabV3+语义分割方法准确率、均正比、频权交并比和F值等性能指标都最优,试验得出：DeepLabV3+模型像素准确率最高达到92.2%,高于U-Net和FCN方法的准确率92.1%和84.7%。所提出的方法能对稻田苗期杂草、秧苗和背景像素进行准确分割,满足智能除草和除草剂靶向喷施的实际应用需求。 相似文献
2.
《中国农机化学报》2021,(6)
在联合收获机作业过程中,含杂率或破碎率过高往往是由于收获机作业参数设置不当引起,需要对收获机作业参数实时调整,而对收获的水稻成分进行在线识别可以为驾驶员提供合理的调整依据。基于此,提出一种联合收获机水稻破碎籽粒及杂质在线识别方法,采用采集流动中的水稻图像的方案,研制图像采集装置,实时采集流动状态下的水稻图像,然后利用OpenCV进行图像处理,根据水稻中完整籽粒、破碎籽粒、杂质的颜色特征以及面积特征差异进行识别分类。在水稻田间试验中随机采集200张图片,其中20张图片用于进行特征差异研究,其余图片用于测试验证。测试结果表明:破碎籽粒、稻秆杂质以及稻梗杂质的综合评价指标分别达到92.92%、90.65%和90.52%,且单幅图片的平均处理周期约为1.86 s,研究的谷物图像采集装置及水稻破碎杂质在线识别算法可以在线识别水稻中完整籽粒、破碎籽粒、稻秆稻梗等杂质,为水稻联合收获机作业参数在线自动调控提供技术支撑。 相似文献
3.
为快速准确计数大豆籽粒,提高大豆考种速度和育种水平,本研究提出了一种基于密度估计和VGG-Two（VGG-T）的大豆籽粒计数方法。首先针对大豆籽粒计数领域可用图像数据集缺乏的问题,提出了基于数字图像处理技术的预标注和人工修正标注相结合的快速目标点标注方法,加快建立带标注的公开可用大豆籽粒图像数据集。其次构建了适用于籽粒图像数据集的VGG-T网络计数模型,该模型基于VGG16,结合密度估计方法,实现从单一视角大豆籽粒图像中准确计数籽粒。最后采用自制的大豆籽粒数据集对VGG-T模型进行测试,分别对有无数据增强的计数准确性、不同网络的计数性能以及不同测试集的计数准确性进行了对比试验。试验结果表明,快速目标点标注方法标注37,563个大豆籽粒只需花费197 min,比普通人工标注节约了1592 min,减少约
4.
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 R-CNN、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。 相似文献
5.
含杂率是小麦机械化收获重要指标之一,但现阶段我国小麦收获过程含杂率在线检测难以实现。为了实现小麦机械化收获过程含杂率在线检测,本文提出基于结合注意力的改进U-Net模型的小麦机收含杂率在线检测方法。以机收小麦样本图像为基础,采用Labelme手工标注图像,并通过随机旋转、缩放、剪切、水平镜像对图像进行增强,构建基础图像数据集;设计了结合注意力的改进U-Net模型分类识别模型,并在torch 1.2.0深度学习框架下实现模型的离线训练;将最优的离线模型移植到Nvidia jetson tx2开发套件上,设计了基于图像信息的含杂率量化模型,从而实现小麦机械化收获含杂率在线检测。试验结果表明：针对不同模型的训练结果,结合注意力的改进U-Net模型籽粒和杂质分割识别F1值分别为76.64%和85.70%,比标准U-Net高10.33个百分点和2.86个百分点,比DeepLabV3提高10.22个百分点和11.62个百分点,比PSPNet提高18.40个百分点和14.67个百分点,结合注意力的改进U-Net模型对小麦籽粒和杂质的识别效果最好;在台架试验和田间试验中,装置在线检测含杂率均值分别为1... 相似文献
6.
7.
为了降低联合收获机收获籽粒的破碎率,对全喂入轴流滚筒型联合收获机进行了改进,利用PID调节器对割台的螺旋推进器的转速进行了调节,使用模糊控制原理对调节器进行了参数整定,从而提高了脱粒过程的控制精度。为了验证改进后的全喂入式联合收获机的可靠性,对其功能进行了测试,主要包括模糊控制的响应时间、超调量及籽粒的破碎率。其中,模糊控制的测试主要使用MatLab提供的SIMULINK工具箱来完成。通过测试发现:联合收获机的转速提升1rad/s,其控制时间为仅为1s,经过模糊控制之后超调量明显减小,响应曲线平滑,调节时间理想。最后,通过籽粒破碎率试验发现:使用本文设计的低籽粒破碎率联合收获机的在收获过程中的籽粒破碎率有了明显的降低,符合设计要求。 相似文献
8.
数字孪生是一种实现虚实融合的先进理念,能够解决农业装备全生命周期中的复杂性和不确定性问题,促进农业机械化和农业装备产业的转型升级。目前,农业装备数字孪生尚处起步阶段,缺乏实用解决方案和典型应用案例。为此,基于数字孪生和农业装备的特点,融合五维模型和移动边缘计算技术,提出一种云-雾-边-端协同的数字孪生系统架构与运行机制。以籽粒直收型玉米联合收获机为对象,针对脱粒过程中籽粒破碎率高的问题,开发大型联合收获机的数字孪生原型系统,实现模型预测、模型更新、实时监测和优化决策等功能,并开展田间试验。试验结果显示：数字孪生系统有效提高了虚拟模型的适应能力,使虚拟模型保持良好的预测效果;基于数字孪生的决策优化方法有效降低了籽粒破碎率,相较于手动收获模式,籽粒破碎率平均值降低24.24%;相较于反馈控制模式,籽粒破碎率平均值降低15.78%,说明原型系统能够有效改善玉米籽粒收获质量,所提出的系统架构和实现方法可行。 相似文献
9.
不同加气方式对微咸水和中水溶解氧的影响 总被引：1，自引：0，他引：1
为了探讨不同加气方式对微咸水和中水溶解氧随时间的变化规律以及溶解氧随温度的变化规律,找出最佳的加气方式,采用对比试验,研究了8个不同处理即微纳米发泡器(F1)、12气石头增氧泵(F2)、28气石头增氧泵(F3)、文丘里器(F4)、文丘里器与12气石头增氧泵组合(F5)、文丘里器与28气石头增氧泵组合(F6)、微纳米发泡器与12气石头增氧泵组合(F7)、微纳米发泡器与28气石头增氧泵组合(F8)加气,以及7个不同水温(F9)(15,20,25,30,35,40,45 ℃)对微咸水(W1)和中水(W2)的溶解氧影响.结果表明:(1) 与对照CKW1相比,处理F3W1,F1W1,F2W1,F4W1的溶解氧分别增加了59.65%,53.10%,44.43%,39.47%;与对照CKW2相比,处理F3W2,F1W2,F2W2,F4W2的溶解氧分别增加了80.17%,78.04%,60.13%,55.22%.(2) 与对照CKW1相比,处理F8W1和F7W1的溶解氧分别增加了73.98%,67.79%;与对照CKW2相比,处理F8W2和F7W2的溶解氧分别增加了100.21%,94.67%.(3) 与对照CKW1相比,处理F6W1和F5W1的溶解氧分别增加了63.84%,57.44%;与对照CKW2相比,处理F6W2和F5W2的溶解氧分别增加了79.45%,73.79%.(4) 与对照CKW1相比,处理F9W1的溶解氧在不同水温下分别降低了0,9.82%,12.86%,14.86%,26.56%,29.43%,34.24%;与对照CKW2相比,处理F9W2在不同水温下分别降低0,15.32%,15.69%,19.24%,23.65%,25.59%,32.55%.以最大溶解氧为参考时,最佳加气方式为微纳米发泡器+28气石头增氧泵(F8W1 9.83 mg/L,F8W2 9.39 mg/L). 相似文献
10.
半喂入联合收获机同轴差速脱粒滚筒设计与试验 总被引：1，自引：0，他引：1
针对半喂入联合收获机收获超级稻和难脱粒的粳稻时脱粒不净引起损失的问题,设计了半喂入同轴差速脱粒滚筒,并与单速脱粒滚筒进行了脱粒对比试验,对各种脱出物料的实测数据用Matlab软件建立了3D图像及其数学模型。结果表明：差速滚筒未脱净籽粒约0.06%,比单速滚筒降低61.25%;3D图像显示差速脱粒的各种脱出物料在筛面上分布比单速脱粒均匀。半喂入同轴差速脱粒装置集高、低转速对脱粒性能的有利作用于一体,能较好解决半喂入联合收获机收获超级稻和粳稻时脱粒不净引起的损失,并使损失率、破碎率和含杂率等性能指标都达到较优水平。 相似文献
11.
目前,我国决明子的种植面积越来越大,但其种植收获主要靠人工完成,生产效率低,药材质量难以保证。在山西省荀董村药材种植专业户基地,开展了决明子机械化种植及联合收获的探索,并针对雷沃谷神GE60(4LZ-6E2)小麦联合收割机用于决明子的收获质量指标进行了评价,结果表明:总损失率为6%,含杂率为5%,破碎率为3.8%,含杂率和破碎率符合大豆联合收割机械作业质量检测方法(N Y/T 7 3 8-2 0 0 3)国家标准;总损失率为该国家标准最高值的2倍,还需要进一步探讨。从收获的生产效率看,采用收获机械收获省时、省工,联合收获机收获效率是人工收获的8~10倍。 相似文献
12.
一拖（洛阳）收获机械有限公司经过多年的研究，开发出一种籽粒联合收获机，现已投放市场，它将取代玉米摘穗机械。2005年10月，安徽省灵壁县娄庄镇孙健购买了一台一拖（洛阳）收获机有限公司生产的玉米籽粒联合收获机，作业中对机器的基本参数进行了检测，测得该机效率为45～75hm^2/h，破碎率〈2％，损失率〈1％，掉穗率〈3％，割茬高度〈10cm。 相似文献
13.
基于CNN的小麦籽粒完整性图像检测系统 总被引：3，自引：0，他引：3
为了快速、准确识别小麦籽粒的完整粒和破损粒,设计了基于卷积神经网络(CNN)的小麦籽粒完整性图像检测系统,并成功应用于实际检测中。采集完整粒和破损粒两类小麦籽粒图像,对图像进行分割、滤波等处理后,建立单粒小麦的图像数据库和形态特征数据库。采用LeNet-5、AlexNet、VGG-16和ResNet-34等4种典型卷积神经网络建立小麦籽粒完整性识别模型,并与SVM和BP神经网络所建模型进行对比。结果表明,SVM和BP神经网络所建模型的验证集识别准确率最高为92. 25%; 4种卷积神经网络模型明显优于两种传统模型,其中,识别性能最佳的AlexNet的测试集识别准确率为98. 02%,识别速率为0. 827 ms/粒。基于AlexNet模型设计了小麦籽粒完整性图像检测系统,检测结果显示,100粒小麦的检测时间为26. 3 s,其中,图像采集过程平均用时21. 2 s,图像处理与识别过程平均用时为5. 1 s,平均识别准确率为96. 67%。 相似文献
14.
基于语义分割的矮化密植枣树修剪枝识别与骨架提取 总被引：1，自引：0，他引：1
为了实现休眠期枣树自动选择性剪枝作业,针对复杂树形结构修剪枝难以识别的问题,研究了基于语义分割网络实现自然场景中枣树修剪枝识别与骨架提取。通过RGB-D相机搭建的视觉系统获取不同天气情况下枣树的点云信息,根据距离阈值去除复杂的枣园背景,并构建枣树前景数据集。利用DeepLabV3+和PSPNet 2种深度学习模型分割枣树枝干同时获取其修剪枝的掩膜,并进行结果对比。对修剪枝掩膜进行二值化,依据二值图像的面积去除噪声,对去噪后的连通域标记,并提取修剪枝骨架,最终确定修剪枝数量,建立修剪枝数量真实值与预测值之间的线性回归模型。结果表明：基于ResNet-50特征提取网络的DeepLabV3+模型识别结果最好,平均像素准确率（mPA）、平均交并比（mIoU）分别为89%和81.85%,其中枣树主干、修剪枝2个类别的像素准确率（PA）和交并比（IoU）分别为90.36%、80.98%和80.34%、66.69%;在3种典型天气（晴天、阴天、夜间）情况下,晴天枣树枝干的mPA（91.97%）略高于阴天（91.81%）和夜间（90.98%）,同时,预测的修剪枝与真实值的R2（0.8699）也高于阴天（0.8373）和夜间（0.8120）,并得到最小的RMSE为1.1618。 相似文献
15.
针对荞麦剥壳时不能随原料种类变化而适时调整砂盘间隙和转速的问题,提出一种基于机器视觉的荞麦剥壳性能参数在线检测方法,为荞麦剥壳机自适应最优控制提供数据反馈。采集快速滑落的荞麦剥出物图像,使用带二阶拉普拉斯修正项的边缘自适应插值算法对图像插值重建;对重建的浅蓝色背景荞麦剥出物图像N(B-R)灰度变换之后进行背景分割;生成距离骨架图像并对其邻域极大值滤波提取种子点,使用分水岭算法对种子点标记后的距离图像进行粘连分割;采用交互式方法标注已粘连分割的荞麦籽粒,然后使用已标注的荞麦籽粒训练BP神经网络。在线试验中,处理和识别一幅包含897个籽粒的1 824像素×1 368像素图像耗时4. 79 s。未剥壳荞麦、整米和碎米的正确识别率分别为99. 7%、97. 2%和92. 6%。结果表明,本文在线检测方法得到的出米率能够反映荞麦剥壳机组的剥壳性能,可为荞麦剥壳加工的自适应最优控制和智能化提供有效基础数据。 相似文献
16.
[目的/意义]针对实体嵌套、实体类型混淆等问题导致的农业病害命名实体识别(Named Entities Recognition,NER)准确率不高的情况,以PointerNet为基准模型,提出一种基于RoFormer预训练模型的指针网络农业病害NER方法RoFormer-PointerNet。[方法]采用RoFormer预训练模型对输入的文本进行向量化,利用其独特的旋转位置嵌入方法来捕捉位置信息,丰富字词特征信息,从而解决一词多义导致的类型易混淆的问题。使用指针网络进行解码,利用指针网络的首尾指针标注方式抽取句子中的所有实体,首尾指针标注方式可以解决实体抽取中存在的嵌套问题。[结果和讨论]自建农业病害数据集,数据集中包含2 867条标注语料,共10 282个实体。为验证RoFormer预训练模型在实体抽取上的优越性,采用Word2Vec、BERT、RoBERTa等多种向量化模型进行对比试验,RoFormer-PointerNet与其他模型相比,模型精确率、召回率、F1值均为最优,分别为87.49%,85.76%和86.62%。为验证RoFormer-Pointer... 相似文献
17.
18.
籽粒收获是我国玉米收获发展方向,但黄淮海地区高含水率夏玉米脱粒收获时籽粒破碎率、损失率和含杂率高。为推动高含水率玉米籽粒收获机械化进程,研制一种智能玉米籽粒联合收获机,设计一种低损摘穗与秸秆处理一体化割台,通过摘穗板间隙、拉茎辊转速、割台高度等主要参数调整,实现割台高效低损摘穗;设计一种适于高含水率玉米的纵轴流脱粒滚筒结构,通过优化脱粒滚筒、分离凹板和顶盖结构,调整脱粒系统工作参数,提高脱净率,降低破碎率;开发玉米收获机精准智能控制系统,集成导航定位、基准行自动引导作业、割台高度自动仿形、关键部件转速实时监测、故障报警等技术。田间试验表明:该机生产率0.73 hm~2/h,总损失率1.32%,籽粒破碎率4.47%,籽粒含杂率2.1%,满足设计与使用要求。 相似文献
19.
为了适应丘陵山区作业环境,满足超级杂交水稻收获要求,设计了4LZ-21Z型同轴双滚筒联合收获机。阐述了联合收获机整体设计方案,设计了同轴双速脱粒分离装置与履带自走装置,可一次完成分禾、扶禾、切割、脱粒、清选、装袋等工序。以低/高速脱粒滚筒线速度、回转式凹板筛速度和脱粒间隙为试验因素,籽粒损失率、破碎率和含杂率为性能指标,采用三因素五水平正交旋转组合设计试验,运用Design-Expert软件进行多目标变量优化,建立了各试验因素与性能指标数学模型,并进行多目标参数优化。根据参数优化结果,开展了样机田间试验。田间试验表明,该样机作业性能稳定,籽粒损失率、破碎率和含杂率分别为1.34%、0.20%和0.40%,各项性能指标均优于检测标准要求。 相似文献
20.
基于改进YOLOX的自然环境中火龙果检测方法 总被引：1，自引：0，他引：1
自然环境下果实的精准检测是火龙果采摘机器人执行采摘作业的先决条件。为提高自然环境下果实识别的精确性、鲁棒性和检测效率,本研究对YOLOX（You Only Look Once X）网络进行改进,提出了一种含有注意力模块的目标检测方法。为便于在嵌入式设备上部署,本方法以YOLOX-Nano网络为基准,将卷积注意力模块（Convolutional Block Attention Module,CBAM）添加到YOLOX-Nano的主干特征提取网络中,通过为主干网络提取到不同尺度的特征层分配权重系数来学习不同通道间特征的相关性,加强网络深层信息的传递,降低自然环境背景下对火龙果识别的干扰。对该方法进行性能评估和对比试验,经过训练后,该火龙果目标检测网络在测试集的AP0.5值为98.9%,AP0.5:0.95的值为72.4%。在相同试验条件下对比其它YOLO网络模型,该方法平均检测精度分别超越YOLOv3、YOLOv4-Tiny和YOLOv5-S模型26.2%、9.8%和7.9%。最后对不同分辨率的火龙果果园自然环境下采集的视频进行实时测试。试验结果表明,本研究提出的改进YOLOX-Nano目标检测方法,每帧平均检测时间为21.72 ms,F1值为0.99,模型大小仅3.76 MB,检测速度、检测精度和模型大小满足自然环境下火龙果采摘的技术要求。 相似文献