摘要：间苗是保证直播油菜增产的一项关键技术措施,为解决人工间苗劳动强度大、机械间苗不精确的问题,采用机器视觉的方式,基于深度学习算法yolo v5平台,设计并搭建自动间苗装置。机器视觉系统评估幼苗种群的合理密植情况,间苗算法以间距和幼苗叶展为评估标准,实现控制幼苗间距和筛选优质苗的功能。选用遗传算法对间苗行进路径进行规划,相较于未规划路径可缩短最低为50%的行进距离,最终采用激光器高温烧除的方式完成间苗作业。选取油菜苗作为试验材料,间苗阈值α是划定幼苗最小间距的参数,设置不同的间苗阈值α进行试验。结果表明,间除苗的数量随着间苗阈值α的增加而增加,幼苗平均密度下降的同时种群分布趋于均匀,对间除苗的叶展长度分类统计,α为0~75 mm时,间除苗叶展长度全部在0~20 mm范围;α为75~200 mm时,间除苗叶展长度为0~40 mm,其中叶展长度为20~40 mm的最高占比约为76%;α为200~350 mm时,间除苗叶展长度在40 mm以上的幼苗开始增加,最高占比约为14%,间除苗叶展长度梯次分布证明了间苗算法具备筛选优质苗的性能。间苗执行阶段耗时占据间苗作业总耗时的90%以上,以激光走线参数L、激光器功率P、间苗距离阈值为试验因素,三因素三水平正交试验结果表明:选择合适的激光走线参数L能有效提高间苗死亡率、降低间苗误伤率和减少间苗耗时,在参数L为30 mm、P为7.5 W、α为250 mm下开展土槽台架性能验证试验,激光间苗平均死亡率为93.29%,平均误伤率为5.19%,平均总耗时为15.19 min,为开发基于机器视觉的激光自动间苗机提供了理论基础和技术支撑。

摘要：花椒树产果量大,枝干纵横交错,树叶茂密,给花椒的自动化采摘带来了困难。因此,本文设计一种基于改进yolo v5的复杂环境下花椒簇的快速识别与定位方法。通过在主干提取网络CSPDarknet的CSPLayer层和Neck的上采样之后增加高效通道注意力ECA(Efficient channel attention)来简化CSPLayer层的计算量,提升了特征提取能力。同时在下采样层增加协同注意力机制CA(Coordinate attention),减少下采样过程中信息的损失,强化特征空间信息,配合热力图(Grad-CAM)和点云深度图,来完成花椒簇的空间定位。测试结果表明,与原yolo v5相比较,改进的网络将残差计算减少至1次,保证了模型轻量化,提升了效率。同帧数区间下,改进后的网络精度为96.27%,对比3个同类特征提取网络yolo v5、yolo v5-tiny、Faster R-CNN,改进后网络精确度P分别提升5.37、3.35、15.37个百分点,连株花椒簇的分离识别能力也有较大提升。实验结果表明,自然环境下系统平均识别率为81.60%、漏检率为18.39%,能够满足花椒簇识别要求,为移动端部署创造了条件。

摘要：为了解决裂纹皮蛋分选中存在的效率低、人力成本高等问题,提出了一种基于改进yolo v5的皮蛋裂纹在线检测方法。使用EfficientviT网络替换主干特征提取网络,并采用迁移学习对网络进行训练,分别得到yolo v5n_EfficientviTb0和yolo v5s_EfficientviTb1两个模型。yolo v5n_EfficientviTb0为轻量化模型,相较于改进前参数量减少14.8%,浮点数计算量减少26.8%;yolo v5s_EfficientviTb1为高精度检测模型,平均精度均值为87.8%。采用GradCAM++对模型可视化分析,得出改进模型减少了对背景区域的关注度,证明了改进模型的有效性。设计了视频帧的目标框匹配算法,实现了视频中皮蛋的目标追踪,依据皮蛋的检测序列实现了对皮蛋的定位和裂纹与否的判别。轻量化模型的判别准确率为92.0%,高精度模型的判别准确率为94.3%。研究结果表明,改进得到的轻量化模型为运算能力较差的皮蛋裂纹在线检测装备提供了解决方案,改进得到的高精度模型为生产要求更高的皮蛋裂纹在线检测装备提供了技术支持。

摘要：海榄雌瘤斑螟Ptyomaxia syntaractis,红树植物白骨壤Avicennia marina最重要害虫,严重影响白骨壤生长和生态功能的发挥。为高效监测海榄雌瘤斑螟的种群发生动态,实时获得预警信息,本研究通过引入目标检测算法yolo v5进行深度学习,对监测设备上的海榄雌瘤斑螟进行识别与计数,实时发布种群数量。采用黑光灯诱捕装置获取海榄雌瘤斑螟成虫图像,构建两种不同图像大小的数据集,采用旋转、增噪等方式增强图像数据集;对比了不同训练模型对采集图像的检测性能和不同图像大小对数据集识别结果的影响,用精确率、召回率、F1值、平均精度评估各模型的差异。测试结果表明,模型yolo v5s对海榄雌瘤斑螟识别的精确率、召回率和F1值分别为96.13%、92.06%和0.93,并且能够很好的识别原始尺寸的图像。基于yolo v5网络模型设计的海榄雌瘤斑螟识别计数模型识别准确率高,可满足海榄雌瘤斑螟种群监测与预警。

摘要：针对传统人工判别克氏原螯虾性别效率低、成本高的问题,提出了一种基于yolo v5的克氏原螯虾性别检测模型,实现了克氏原螯虾性别特征的自动判别。采用自主设计装置拍摄克氏原螯虾图像,使用Labelme工具进行基于雄虾交接器检测和基于区域特征检测两种方法的数据标注,在Pytorch框架下以Resnet-18为特征提取网络训练二分类模型,基于yolo v5训练交接器检测和区域特征检测两种模型。结果表明:基于区域特征检测的模型具有较高的检测性能和准确性,能够高效、低成本地提取克氏原螯虾性别特征,对克氏原螯虾品种改良具有重要意义。

摘要：奶山羊乳房区域的准确提取是奶山羊非侵入式体温检测的关键,但受乳房区域遮挡及热红外图像分辨率不高等因素影响,其检测精度尚待进一步提升。基于热红外成像技术,提出了一种基于改进yolo v5s的奶山羊乳房关键部位检测方法。通过将原模型Backbone网络的部分卷积模块替换为ShuffleNetv2结构,以达到降低网络部署和训练过程中的参数量、实现轻量化网络设计的目的。通过在Neck网络检测头(Head)前端引入CBAM注意力机制,以达到在降低网络复杂程度的同时保证奶山羊乳房区域检测精度的目的。本研究采集了包含完整信息、残缺信息和边缘模糊的孕期奶山羊乳房红外图像4611幅,并在部位标注后进行模型训练。经测试,模型精确率为93.7%,召回率为86.1%,平均精度均值为92.4%,参数量为85;105,浮点运算量为1.95;109。与yolo v5n、yolo v5s、yolo v7-tiny、yolo v7、yolo v8n和yolo v8s目标检测网络相比,网络的精确率分别提高1.9、1.2、1.6、4.3、3.5、2.7个百分点,召回率提高3.4、5.0、0.1、2.6、0.9、1.5个百分点,参数量降低1.15;106、6.25;106、5.25;106、3.65;107、2.45;106和1.05;107,浮点运算量降低2.65;109、1.45;1010、1.15;1010、1.05;1011、6.85;109和2.75;1010。试验结果表明,本研究所提出的网络可以实现奶山羊乳房关键部位的精确检测,且在不损失检测精度的基础上显著降低网络的参数量,有利于网络在不同环境下的部署和使用,可为奶山羊非接触式体温监测系统设计提供借鉴。

摘要：随着畜牧养殖智能化监控技术的产业化应用,进一步提升畜禽养殖的分类施策精细化管理,成为现代畜牧业精细高效养殖管理的新需求。采用固定机位、多角度视频采集技术,实时记录羊群牧食过程中的游走行为;针对羊群游走视频中易出现遮挡的复杂情况,设计了基于yolo v5模型的羊群多目标检测模型,羊群游走过程中的多目标实时跟踪识别率可达90.63%;采用羊群游走多目标轨迹跟踪DeepSORT算法,通过提取羊目标的深度表观特征,计算出羊群游走轨迹和变化节拍规律。结果表明,羊的游走过程通常为慢走、快走和疾走3种方式,单只羊的游走过程通常是不固定的随机组合。在中大规模羊群中,由于亲缘关系结构的复杂性,羊群往往分化为多个小群体,这使得从整体上观察和分析羊群行为变得异常困难。为此,聚焦于小规模羊群进行研究,通过羊群散列、聚集和同步3个游走过程分析,初步验证了羊群游走节拍周期上的同步现象。

摘要：小麦籽粒检测在千粒质量计算及作物育种方面有着重要应用,重度粘连籽粒的有效检测是其关键。本研究设计了一种yolo v5-MDC的轻量型网络用于重度粘连小麦籽粒检测。该网络在yolo v5s检测网络的基础上,用混合深度可分离卷积(Mixed depthwise convolutional,MDC)模块进行改进,同时将MDC模块与压缩激励(Squeeze and excitation,SE)模块相结合,以达到在基本不损失模型精度的前提下减少模型参数的目的。yolo v5-MDC网络将yolo v5s特征提取网络骨干部分的卷积、归一化、激活函数(Convolution,Batch normal,Hardswish,CBH)模块替换为MDC模块,减少了模型的参数,经过500次迭代训练,模型的精确率P为93.15%,召回率R为99.96%,平均精度均值(mAP)为99.46%。根据模型在测试集上的检测效果,本研究探究了训练次数、不同光源与不同拍摄距离对模型检测结果的影响,统计结果表明,在绿色光源下模型检测精确率最高,为98.00%,在5 cm拍摄高度下图像的检测精确率最高,为98.60%。同时本研究在50次迭代下与yolo v5s、RetinaNet、yolo v4网络模型的检测效果进行了对比,结果表明,yolo v5-MDC的mAP为99.40%,比yolo v5s模型降低了0.06个百分点,但模型所占存储空间最小,仅为13.4 MB,比yolo v5s模型减少了0.6 MB,对于单幅图像的最大检测时间为0.08 s,平均检测时间为0.03 s。综上,本研究所设计模型能有效实现重度粘连小麦籽粒的检测,同时模型检测效率高,所占存储小,可为小麦籽粒检测嵌入式设备研发提供技术支持。

摘要：浸种是玉米生产中重要的播前增种技术,对浸种过程中裂纹的高效检测是分析玉米胚乳裂纹变化规律的基础,是优良品种性状选育的关键之一,尚存在内部胚乳裂纹不可见、自动化检测程度不高等困难。基于CT扫描技术,在yolo v5n检测网络的基础上,设计了yolo v5-OBB旋转目标检测网络,其中OBB为有向目标边框,该网络使用旋转矩形框代替普通矩形框,并在Backbone部分加入位置注意力模块(CA),同时采用倾斜非极大值抑制算法(Skew-NMS)进行非极大值抑制得到最终预测框,以此实现长宽比大、方向不一的玉米胚乳裂纹检测。经过300次迭代训练,模型在测试集上的精确率P为94.2%,召回率R为81.7%,平均精度(AP)为88.2%,模型内存占用量为4.21 MB,单幅图像平均检测时间为0.01 s,与SASM、S2A-Net和ReDet旋转目标检测网络相比,AP分别提高15.0、16.9、7.0个百分点,单幅图像平均检测时间分别减少0.19、0.22、0.46 s,同时yolo v5-OBB模型内存占用量分别为SASM、S2A-Net和ReDet模型的1.50%、1.43%和1.73%,与采用水平矩形框标注的yolo v5网络相比,AP提高0.6个百分点,模型大小减小0.19 MB,单幅图像平均检测时间不变,两者均为0.01 s。将yolo v5-OBB网络获取裂纹目标框坐标信息后得到的裂纹长度与在DragonflyEZ软件中得到的裂纹真实长度相比,两者绝对误差为0.04 mm,相对误差为0.93%。对不同CT灰度分布情况下玉米胚乳裂纹检测结果表明,该模型对较小灰度、较大灰度、混合灰度3种玉米胚乳裂纹图像的P分别为100%、100%、93.3%,R分别为100%、82.4%和79.8%,AP分别为99.5%、91.2%和86.8%。结果表明,所设计模型能有效实现玉米胚乳裂纹的检测,同时模型鲁棒性高,内存占用量小,可为玉米浸种过程胚乳裂纹的自动监测提供借鉴。

摘要：针对水稻稻纵卷叶螟和二化螟成虫图像识别中自动化程度较低的问题,引入目标检测算法yolo v5对监测设备和诱捕器上的稻纵卷叶螟和二化螟成虫进行识别与计数。依据稻纵卷叶螟和二化螟的生物习性,采用自主研发的水稻害虫诱集与拍摄监测装置,自动获取稻纵卷叶螟和二化螟成虫图像,并与三角形诱捕器和虫情测报灯诱捕拍摄的稻纵卷叶螟和二化螟成虫图像共同构建水稻害虫图像数据集;采用左右翻转、增加对比度、上下翻转的方式增强图像数据集;对比了不同训练模型对三角形诱捕器和监测设备诱捕拍摄的水稻害虫图像的检测性能,并对比稻纵卷叶螟成虫不同训练样本量对识别结果的影响,用精确率、召回率、F1值、平均精度评估各模型的差异。测试结果表明,测试集图像为三角形诱捕器和监测设备诱捕拍摄虫害图像时,稻纵卷叶螟识别的精确率和召回率分别达到91.67%和98.30%,F1值达到94.87%,二化螟识别的精确率和召回率分别达到93.39%和98.48%,F1值达到95.87%。不同采样背景、设备构建的多源水稻害虫图像数据集可以提高模型对水稻害虫识别的准确性。基于yolo v5算法设计的水稻害虫识别计数模型能够达到较高的识别准确率,可以用于稻纵卷叶螟和二化螟成虫的田间种群监测。