基于PSO-LM-RBF温室温湿度预测

为了提高对北方温室温湿度预测的精度,采用温室内外的气象数据作为输入,以温室的温湿度分别作为输出,提出了基于PSO-LM-RBF的温室温度和湿度预测模型,并且通过仿真实验对该模型的性能进行评估,其中实验的输入数据为天津某温室3月份的连续实测数据。通过仿真实验得到更高的预测精度,证明了该方案的可行性。此模型可以用于温室温湿度的预测控制。     

温室下无线传感器网络双簇头异构成簇算法的研究

在温室下无线传感器网络中,采用基于低功耗自适应集簇分层型算法进行分簇时,存在簇分布不均匀及路由能量消耗过快的问题。因此,本研究基于双簇头异构成簇算法,优化了簇头选择算法。在分好的簇中布署1个异构节点做为第一簇头,根据能量因素选择另1个簇头,2个簇头履行不同的职责,达到均摊能量消耗、延长网络生命周期的目的。其中,采用单跳与多跳结合方法将第一簇头节点信息传送到汇聚节点以达到提高传输效率的目的。仿真结果表明,该算法平衡了静态节点能耗,延长了网络存活时间。     

基于改进Mask RCNN的复杂环境下苹果检测研究

苹果检测是苹果采摘系统中的关键环节,为实现复杂环境下苹果采摘机器人视觉系统对苹果的识别和定位,提出一种基于深度学习的方法,通过改进的Mask RCNN网络对苹果进行检测研究。该方法在原始Mask RCNN网络的基础上,增加边界加权损失函数,能够使边界检测结果更为精确。训练后的模型在验证集下的AP值为92.62%。通过比较Mask RCNN与Faster RCNN、YOLO v3和传统分割算法K-means算法在不同数目,不同光照和绿色苹果情况下的检测效果,试验结果表明:Mask-RCNN的F1值和分割效果均高于其他算法,证明本文方法对复杂环境下的苹果有很好的检测效果,可为苹果产业中采摘机器人的视觉系统提供技术支持。     

作物病害诊断专家系统编码知识表达方式研究

病害诊断专家系统是实现植物病害防治的有效工具,传统农业专家系统基于特定植物品种研发,当专家系统需要应用在作物新品种时,系统软件的界面及推理机需要进行重新设计编程,加长了软件的更新和开发时间,软件通用性差.研究一种合理的病症知识表达编码方式和其相应的推理机制,使病害诊断专家系统能够适应不同作物知识库的更换及病症诊断需要,达到使用灵活方便,不需重复开发的要求.     

日光温室无线传感节点的设计

针对日光温室的特点,研究设计了一个能够实时监控温室环境多种参数的节能型传感器节点.首先介绍了传感器节点的整体设计框架;然后对基于LPC1114芯片和DRF1601数传模块的智能节点模块及数据采集电路、电源部分等的硬件电路进行设计;最后给出了节点运行程序及实际运行效果.该节点实现了对温室环境因子的实时监测,为温室智能监控系统的实现提供了精确的数据.     

基于NARX 神经网络的日光温室湿度预测模型研究

在日光温室湿度预测模型建模中,由于输入因子间存在复杂耦合关系以及冗余的条件属性,导致网络训练难以收敛且精度不高.选用影响日光温室湿度的环境因子组成数据样本,采用主成分分析方法对样本集进行解耦降维处理,以采用主成分分析后的数据样本作为输入,以日光温室内湿度作为输出,采用贝叶斯正则化算法构建NARX神经网络模型,对日光温室湿度进行预测.仿真结果表明,基于NARX神经网络建立的预测模型具有很强的非线性动态描述能力,能够对室内湿度值做出准确的预测.     

基于改进YOLO v7的农田复杂环境下害虫识别算法研究

为使巡检机器人能够对体积小且密集、形态多变、数量多且分布不均的害虫进行高效精准识别,提出了一种基于改进YOLO v7的害虫识别方法。该方法将CSP Bottleneck与基于移位窗口Transformer(Swin Transformer)自注意力机制相结合,提高了模型获取密集害虫目标位置信息的能力;在路径聚合部分增加第4检测支路,提高模型对小目标的检测性能;将卷积注意力模块(CBAM)集成到YOLO v7模型中,使模型更加关注害虫区域,抑制背景等一般特征信息,提高被遮挡害虫的识别精确率;使用Focal EIoU Loss损失函数减少正负样本不平衡对检测结果的影响,提高识别精度。采用基于实际农田环境建立的数据集的实验结果表明,改进后算法的精确率、召回率及平均精度均值分别为91.6%、82.9%和88.2%,较原模型提升2.5、1.2、3个百分点。与其它主流模型的对比实验结果表明,本文方法对害虫的实际检测效果更优,对解决农田复杂环境下害虫的精准识别问题具有参考价值。     

SENet优化的Deeplabv3+淡水鱼体语义分割

淡水鱼头、腹、鳍的各部分快速识别与精准定位是机器人实现淡水鱼快速抓取,精确切割、提升作业效率关键技术的前提。针对深度学习的淡水鱼体语义分割算法在编码特征提取阶段产生大量无效的特征通道,以及网络不断下采样和池化操作使得鱼体某些细节信息被丢失,网络性能下降、边缘分割效果不佳的问题,提出了一种基于SENet优化后的Deeplabv3+淡水鱼头、腹、鳍的语义分割算法。利用空洞/带孔卷积(dilated/atrous convolutions)实现扩展感受野,克服细节信息丢失,达到准确定位的目的,同时SENet的优化使得Deeplabv3+通过学习的方式提升淡水鱼有用的特征并抑制对当前任务用处不大的特征,最终淡水鱼各部分的语义分割平均交并比(MIoU)在自建的淡水鱼数据集上达到了93%左右,性能得到了明显提升并达到了目前先进分割水平。     

基于脉冲耦合神经网络的植物叶片病斑分割

为了提高植物病斑图像的分割精度与效果,提出了1种基于脉冲耦合神经网络的植物叶片病斑分割方法。首先利用最大熵机制原理在RGB(红、绿、蓝颜色模型)、HSV(色调、饱和度、亮度颜色模型)空间中选出熵值最大的分量作为处理对象,再利用脉冲耦合神经网络(PCNN)模型,进行病斑的二值分割,最后对病斑部分进行彩色还原。通过与传统的最大类间方差法(OSTU)进行对比试验表明,该方法分割处理效果比较理想,鲁棒性好,分割准确率高。