基于机器视觉的奶牛发情行为自动识别方法

及时检测奶牛发情、适时人工授精、减少空怀奶牛，是奶牛养殖场增加产奶量的关键手段。针对基于运动量和体温等体征的接触式奶牛发情识别方法会造成奶牛应激反应且识别准确率不高的问题，提出了一种非接触式奶牛发情行为自动识别方法。该方法首先使用改进的高斯混合模型实现运动奶牛目标检测，然后基于颜色和纹理信息去除干扰背景，再利用AlexNet深度学习网络训练奶牛行为分类网络模型，识别奶牛爬跨行为，最终实现对奶牛发情行为的自动识别。在供试数据集上的试验结果表明，本文方法对奶牛发情的识别准确率为100%，召回率为88.24%。本文方法可应用于奶牛养殖场的日常发情监测中，为生产管理提供辅助决策。     

Kinect在现代农业信息领域中的应用与研究进展

2010年微软公司推出的Kinect体感设备不仅在游戏界引起了巨大的轰动,在其它多个研究领域也得到了越来越多的重视。本研究对Kinect在农业信息领域的应用现状和发展趋势做了深入分析,阐述了Kinect在果实目标检测识别、植物三维形态重建、畜牧养殖监督系统及农业虚拟教学等领域的应用,探讨了Kinect在农业领域应用中存在的问题及其在农业应用上的优缺点,并提出了Kinect在信息农业领域未来的发展方向及前沿问题。     

往复式切割器割刀磨损对切割图中区域面积的影响

在联合收割机收获作业中，由于往复式切割器不同程度的磨损，使切割图中重割区、漏割区及一次切割区的面积也在不断地发生变化。为此，利用MATLAB软件，对标准往复式切割器在一定工作条件、割刀未磨损及磨损量分别为5％、10％、15％和20％时，切割图中3个区域的面积进行了计算，并定量地描述了割刀磨损量与切割图中3区域面积的变化规律。     

基于Harris算子的籽粒尖端识别方法

通过籽粒尖端形态特征分析,提出了一种基于Harris角点检测的籽粒尖端识别方法。Harris算子在一个局部区域中检测角特征,作为籽粒最明显的角结构,尖端在Harris角点检测中具有最大的响应值,使其对尖端不明显的籽粒也有良好的响应。通过对玉米、南瓜和西葫芦等具有尖端特征的750粒籽粒的测试结果表明,提出算法的尖端检测综合准确率为95.6%。     

苹果病害智能诊断方法研究与设计

针对传统苹果专家病害诊断系统自学习能力差、准确率低的不足,研究并设计了人工神经网络的苹果病害诊断方法.采用动态编码对苹果病害模糊知识进行量化,构建BP网络诊断模型进行诊断;采用Java语言开发基于Web的病害动态诊断平台,用白水苹果病害样本进行了实验.该方法对20种苹果病害的诊断具有较好的效果,测试准确率达到85.4%.在获得必要领域知识的前提下,用神经网络进行苹果病害诊断准确率高,系统设计灵活,基于Web的诊断平台便于推广和使用.     

肉牛体形参数计算机视觉检测

利用数字图像处理技术，对肉牛体形参数计算机视觉检测技术进行了研究。用基于色度的阈值分割算法对图像进行分割，对自然条件下获取的肉牛图像进行了分析和检测，对选择的特征参数进行了测量。试验表明，应用计算机视觉技术测量肉牛体形参数是可行的。在测量的6个特征参数中，最大平均相对误差为2.73％。     

葡萄干彩色图像的背景分割研究

背景分割是分析葡萄干其他特征的基础。为此,经研究提出一种改进的迭代算法,用来获取葡萄干灰度图像阈值;基于RGB阈值法与亮度阈值法,对葡萄干进行背景分割后的图像分析比较,证明亮度阈值法能较好地进行葡萄干彩色图像背景分割,保存图像的颜色信息。     

果园环境参数远程检测WSN网关节点设计

为解决果园环境参数远程检测中网关节点因电磁干扰造成ZigBee模块传输距离过短，不能满足动态配置ZigBee网络的不足，采用核心板加底板及模块化接口的硬件设计思路，提高系统的抗电磁干扰能力；采用串口编程及单线程通信策略实现ZigBee网络动态配置，用判断2次接收数据差值及变化趋势决定是否传输数据以减小功耗。测试表明，网关节点可稳定采集数据并远程传输，提高了抗电磁干扰能力,与电路板集成设计相比通信距离增加了1倍，并可灵活地动态配置     

果园环境参数远程检测WSN网关节点设计

为解决果园环境参数远程检测中网关节点因电磁干扰造成ZigBee模块传输距离过短,不能满足动态配置ZigBee网络的不足,采用核心板加底板及模块化接口的硬件设计思路,提高系统的抗电磁干扰能力;采用串口编程及单线程通信策略实现ZigBee网络动态配置,用判断2次接收数据差值及变化趋势决定是否传输数据以减小功耗.测试表明,网关节点可稳定采集数据并远程传输,提高了抗电磁干扰能力,与电路板集成设计相比通信距离增加了1倍,并可灵活地动态配置ZigBee网络.     

基于多特征提取和选择的木材分类与识别

木材与人们的生活息息相关,不同品种木材的用途各不相同。如何快速并正确地识别不同种类的木材是目前亟须解决的问题。纹理是木材表面重要的天然属性,也是区分木材的重要依据,因而如何准确地提取木材的纹理特征是本文研究的重点。本文设计了一种木材自动识别系统,其基本工作流程如下:首先,使用K-means聚类算法,根据图像的纹理采用SPPD(导管分布的统计特性)及BGLAM(基本灰度级氛围矩阵)特征对木材进行预分类,实现对木材数据库的降维,为提高识别效率做好准备;其次,使用GA(遗传算法)挑选出对木材纹理具有较强区分度的LBP(局部二值模式)特征;最后,用KNN(K最近邻)分类器根据挑选出的LBP特征对木材图像进行最终的分类识别。试验结果表明,木材样本类别个数为20时,识别率较高,可以达到98.13%以上;当木材样本类别个数增加为30时,识别率也在95%以上。