智慧農(nóng)業(yè)工程案例

目錄
序
前言
案例一 溫室蔬菜病害信息智能感知與檢測系統(tǒng) 1
1.1 案例簡介 1
1.2 基礎(chǔ)知識 1
1.2.1 遺傳算法 1
1.2.2 SIFT特征 1
1.2.3 詞袋模型 2
1.2.4 服務(wù)系統(tǒng)開發(fā) 2
1.3 實施過程及其結(jié)果 3
1.3.1 遺傳算法改進的KSW熵法進行黃瓜葉部角斑病密度計算 3
1.3.2 詞袋特征PCA多子空間自適應(yīng)融合的黃瓜病害識別 6
1.3.3 蔬菜病害多源數(shù)據(jù)管理及在線服務(wù)系統(tǒng) 8
1.4 拓展與思考 14
1.4.1 應(yīng)用拓展 14
1.4.2 思考 15
參考文獻 15
案例二 基于視覺感知與智能算法的奶牛跛行檢測 17
2.1 案例簡介 17
2.2 基礎(chǔ)知識 17
2.3 實施過程及其結(jié)果 17
2.3.1 基于雙正態(tài)分布背景統(tǒng)計模型的奶牛跛行檢測過程及結(jié)果 17
2.3.2 基于YOLOv3相對步長特征向量的奶牛跛行檢測過程及結(jié)果 21
2.3.3 基于頭頸部輪廓擬合直線斜率特征的奶牛跛行檢測方法研究 26
2.4 拓展與思考 32
2.4.1 應(yīng)用拓展 32
2.4.2 思考 33
參考文獻 33
案例三 基于YOLOv5s的深度學(xué)習(xí)在自然場景蘋果花朵檢測中的應(yīng)用 34
3.1 案例簡介 34
3.2 基礎(chǔ)知識 34
3.2.1 基于深度學(xué)習(xí)的目標檢測算法 34
3.2.2 目標檢測算法常用數(shù)據(jù)集格式 35
3.2.3 目標檢測算法性能評價指標 35
3.3 實施過程及其結(jié)果 36
3.3.1 數(shù)據(jù)集制備 36
3.3.2 基于深度學(xué)習(xí)的蘋果花朵檢測網(wǎng)絡(luò)訓(xùn)練 39
3.3.3 復(fù)雜背景下蘋果花朵檢測結(jié)果 45
3.3.4 蘋果花朵誤檢和漏檢分析 47
3.3.5 結(jié)論 48
3.4 拓展與思考 48
3.4.1 應(yīng)用拓展 48
3.4.2 思考 49
參考文獻 49
案例四 基于深度學(xué)習(xí)的非接觸式白羽肉種雞體重智能估測方法 50
4.1 案例簡介 50
4.2 基礎(chǔ)知識 50
4.3 實施過程及其結(jié)果 50
4.3.1 雞背部圖像分割 50
4.3.2 基于背部像素投影橢圓擬合的體重估計 52
4.3.3 單雞體重估測 57
4.3.4 群雞體重估測 61
4.4 拓展與思考 62
4.4.1 應(yīng)用拓展 62
4.4.2 思考 62
參考文獻 62
案例五 基于Django的水產(chǎn)養(yǎng)殖模型智能管理系統(tǒng) 64
5.1 案例簡介 64
5.2 基礎(chǔ)知識 64
5.3 實施過程及其結(jié)果 64
5.3.1 水產(chǎn)養(yǎng)殖模型及數(shù)據(jù)集規(guī)范與模型構(gòu)建研究過程及結(jié)果 64
5.3.2 水產(chǎn)養(yǎng)殖模型部署應(yīng)用開發(fā) 70
5.3.3 基于B/S架構(gòu)的水產(chǎn)養(yǎng)殖模型智能管理系統(tǒng)設(shè)計與實現(xiàn) 73
5.4 拓展與思考 80
5.4.1 應(yīng)用拓展 80
5.4.2 思考 80
參考文獻 80
案例六 林區(qū)無人機航拍病蟲害監(jiān)測系統(tǒng) 82
6.1 案例簡介 82
6.2 基礎(chǔ)知識 82
6.2.1 飛行器平臺 82
6.2.2 卷積神經(jīng)網(wǎng)絡(luò) 83
6.2.3 遷移學(xué)習(xí) 83
6.2.4 識別精度評價指標 83
6.3 實施過程及其結(jié)果 84
6.3.1 林區(qū)蟲害檢測飛行器平臺搭建 84
6.3.2 監(jiān)測圖像采集與標記 85
6.3.3 基于復(fù)合梯度分水嶺算法的圖像分割方法 88
6.3.4 基于全卷積神經(jīng)網(wǎng)絡(luò)的林區(qū)航拍圖像蟲害區(qū)域識別方法 89
6.3.5 蟲害圖像分割及其效果 93
6.3.6 算法性能評價與分析 93
6.3.7 小結(jié) 96
6.4 拓展與思考 97
6.4.1 應(yīng)用拓展 97
6.4.2 思考 97
參考文獻 97
案例七 果園果樹靶標信息感知與對靶排肥控制系統(tǒng) 99
7.1 案例簡介 99
7.2 基礎(chǔ)知識 99
7.2.1 果樹靶標探測技術(shù) 99
7.2.2 果園精準施肥技術(shù) 100
7.3 實施過程及其結(jié)果 100
7.3.1 對靶排肥控制系統(tǒng)需求 100
7.3.2 實驗室試驗平臺搭建 101
7.3.3 排肥流速高速攝影試驗 101
7.3.4 排肥故障監(jiān)測裝置性能試驗 102
7.3.5 速度測量精度試驗 103
7.3.6 穴排肥精度試驗 103
7.3.7 樹干探測模式實驗室試驗 104
7.3.8 果園試驗 108
7.3.9 小結(jié) 110
7.4 拓展與思考 110
7.4.1 應(yīng)用拓展 110
7.4.2 思考 110
參考文獻 110
案例八 高分一號衛(wèi)星遙感數(shù)據(jù)定量診斷不同覆蓋度下的土壤含鹽量方法 112
8.1 案例簡介 112
8.2 基礎(chǔ)知識 112
8.2.1 建模方法 112
8.2.2 精度評價公式 113
8.3 實施過程及其結(jié)果 114
8.3.1 遙感圖像的獲取與預(yù)處理 114
8.3.2 光譜指數(shù)計算與篩選 114
8.3.3 植被覆蓋度的計算 115
8.3.4 植被覆蓋度的劃分 116
8.3.5 土壤特征的描述性統(tǒng)計 116
8.3.6 不同植被覆蓋度光譜協(xié)變量分析與篩選 117
8.3.7 不同植被覆蓋度下土壤含鹽量*佳反演深度 120
8.3.8 不同植被覆蓋度條件下土壤含鹽量*佳反演模型 121
8.3.9 基于Cubist 模型劃分植被覆蓋度的土壤含鹽量反演圖 122
8.4 拓展與思考 124
8.4.1 應(yīng)用拓展 124
8.4.2 思考 124
參考文獻 124
案例九 果園灌溉物聯(lián)網(wǎng)智能監(jiān)測和管控系統(tǒng) 125
9.1 案例簡介 125
9.2 基礎(chǔ)知識 125
9.3 實施過程及其結(jié)果 125
9.3.1 系統(tǒng)硬件設(shè)計 125
9.3.2 系統(tǒng)上位機軟件設(shè)計 131
9.4 拓展與思考 137
9.4.1 應(yīng)用拓展 137
9.4.2 思考 137
參考文獻 138
案例十 基于近紅外光譜技術(shù)的水果品質(zhì)動態(tài)在線檢測 139
10.1 案例簡介 139
10.2 基礎(chǔ)知識 139
10.2.1 馬家柚糖度在線檢測模型 139
10.2.2 套網(wǎng)豐水梨糖度在線檢測模型 139
10.2.3 鴨梨黑心病在線檢測模型 140
10.3 實施過程及其結(jié)果 140
10.3.1 馬家柚糖度在線檢測模型建立及應(yīng)用 140
10.3.2 套網(wǎng)豐水梨糖度在線檢測模型建立及應(yīng)用 144
10.3.3 鴨梨黑心病在線檢測模型建立及應(yīng)用 147
10.4 拓展與思考 151
10.4.1 應(yīng)用拓展 151
10.4.2 思考 151
參考文獻 151
案例十一 基于“端-邊-云”智慧協(xié)同的森林防火監(jiān)測預(yù)警系統(tǒng) 153
11.1 案例簡介 153
11.2 基礎(chǔ)知識 153
11.2.1 域適應(yīng) 153
11.2.2 有監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí) 154
11.2.3 特征融合網(wǎng)絡(luò) 154
11.2.4 注意力原型網(wǎng)絡(luò) 155
11.2.5 哈達瑪積 155
11.3 實施過程及其結(jié)果 155
11.3.1 基于域?qū)固卣魅诤暇W(wǎng)絡(luò)的林火煙霧自動檢測 155
11.3.2 基于特征學(xué)習(xí)的森林火災(zāi)煙霧檢測方法 159
11.3.3 基于“端-邊-云”智慧協(xié)同的森林防火監(jiān)測預(yù)警系統(tǒng)開發(fā) 163
11.3.4 小結(jié) 167
11.4 拓展與思考 167
11.4.1 應(yīng)用拓展 167
11.4.2 思考 167
參考文獻 168
案例十二 基于互聯(lián)網(wǎng)＋和人工智能的野生動物智能監(jiān)測識別系統(tǒng) 169
12.1 案例簡介 169
12.2 基礎(chǔ)知識 169
12.2.1 無線傳感器網(wǎng)絡(luò)概述 169
12.2.2 圖像增強概述 171
12.2.3 目標檢測概述 172
12.2.4 數(shù)據(jù)庫概述 173
12.3 實施過程及其結(jié)果 174
12.3.1 無線圖像傳感器網(wǎng)絡(luò)監(jiān)測 174
12.3.2 基于Retinex理論的圖像自適應(yīng)增強算法 176
12.3.3 基于改進Faster R-CNN的野生動物目標檢測識別算法 182
12.3.4 構(gòu)建遠程動物數(shù)據(jù)信息庫 190
12.3.5 小結(jié) 193
12.4 拓展與思考 194
12.4.1 應(yīng)用拓展 194
12.4.2 思考 195
參考文獻 195