首页期刊导航|中国农机化学报
期刊信息/Journal information
中国农机化学报
中国农机化学报

曹曙明

双月刊

2095-5553

jcam@vip.163.com

025-84346270 84346296

210014

江苏省南京市中山门外柳营100号

中国农机化学报/Journal Journal of Chinese Agricultural Mechanization北大核心CSTPCD
查看更多>>本刊为农业机械化专业性期刊。宣传党的农业机械化的方针政策，探索农业机械化的方向和道路，交流农业机械化经营管理和教育培训经验，传播农业机械化信息，普及农业机械化基础知识。
正式出版
收录年代

    基于光谱的橘小实蝇侵染柑橘检测系统设计

    龙江文韬代兴勇韩龙波...
    209-214页
    查看更多>>摘要：为实现可见/近红外光谱对橘小实蝇侵染柑橘的准确检测.针对侵染位置的未知问题,设计一套橘小实蝇侵染柑橘多光路无损检测分级系统.采集四个检测光路的半透射光谱信息,利用偏最小二乘判别法建立并比较单一检测光路和混合四个检测光路的分类模型.结果显示,混合所有检测光路的模型取得较优的分类结果.利用竞争性自适应重加权采样法筛选的47个特征波长变量建模,四个检测光路中分类效果最佳地预测集的准确率和特异性分别达到93.5％和95.2％.利用四个检测光路的柑橘样本建立的PLS-DA混合分类模型,结合CARS算法进行有效特征波长变量筛选,可提高橘小实蝇侵染柑橘分类模型的精度,实现橘小实蝇侵染柑橘的准确分类.研究结果可为在线检测橘小实蝇侵染柑橘提供参考.

    柑橘无损检测橘小实蝇可见/近红外光谱偏最小二乘判别

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于扩展卡尔曼滤波的农机路径跟踪控制算法研究

    钱俊楠冯桑利航张泳...
    215-221页
    查看更多>>摘要：智能农机的路径跟踪精度受田地地形、农机结构等多因素的影响,会导致压坏滴灌带等严重后果.以棉花播种机为研究对象,提出一种由Stanley跟踪算法和线性二次最优控制(LQR)算法组成的切换式跟踪算法,引导农机快速人线和保持直线精度;另外为消除静态横向误差,加入针对航向角误差的扩展卡尔曼滤波器(EKF).仿真结果显示,切换式跟踪算法在进入目标直线后可有效消除静态横向误差.实车试验结果表明,当给定初始横向误差为0.5 m,速度为3.6 km/h时,入线时间为6.88 s,超调量为0.041 m;当给定初始横向误差为0 m,速度为3.6 km/h时,直线跟踪精度控制在±0.025 m范围内,满足实际农机高精度的直线作业要求,表明该算法具有良好的跟踪精度和抗干扰能力,有利于提升农业生产效率.

    智能农机定位技术扩展卡尔曼滤波路径跟踪自动驾驶

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于卷积神经网络的入侵昆虫识别研究

    黄亦其鹿林飞沈豪王福宽...
    222-227,260页
    查看更多>>摘要：现有昆虫相关识别算法识别种类较少,缺少针对数量庞大种类众多的入侵昆虫分类识别算法,难以为入侵昆虫综合系统的识别功能提供稳定高效的技术支持.该研究对31类入侵昆虫图像进行数据采集,并对图像数据进行处理与数据集划分,基于四种卷积神经网络模型DenseNet121、MobileNetV3、ResNet101和ShuffleNet对其进行训练测试分析讨论.结果表明,在入侵昆虫综合识别系统识别功能后台算法应用上,MobileNetV3表现出更好的综合性能.根据MobileNetV3模型现有缺陷和模型特性,对MobileNetV3模型指定瓶颈层的注意力机制和激活函数进行改进,改进后模型的准确率为92.8％,单张测试集图像的平均识别时间0.012 s,相较于原MobileNetV3模型分别提高0.5％、缩短15.2％,可以很好满足多昆虫识别分类需求.

    入侵昆虫卷积神经网络模型改进图像识别

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于多路神经网络的黄花菜关节点检测算法研究

    张延军赵建鑫
    228-234页
    查看更多>>摘要：传统的目标检测算法仅能得到目标框,无法确定黄花菜的生长姿态.针对这一问题,在现有目标检测算法的基础上优化神经网络(Neural Network)结构,由检测框预测改为关节点的预测.首先,按照锚点匹配的方式确定黄花菜的生长方向及长度,统计黄花菜目标生长角度和长度,按照统计结果设置多个锚点,实际生长角度和长度与锚点进行比较,获得目标的相对长度和角度,并将其作为模型预测值进行训练;其次,在模型中加入热力图预测分支,对4个关节点进行预测;最后,利用目标长度和角度信息连接关节点得到黄花菜目标的生长姿态.设计针对线段拟合特点的评估模型方法,在计算精度的过程中引入部分亲和度字段.并据此改进非极大值抑制算法(Non-Maximum Suppression).试验结果表明:采用热力图校准后的模型对采摘目标识别精度达91.02％,定位精度达99.8％.

    黄花菜采摘机器人神经网络机器视觉图像处理目标检测

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于改进YOLOv5的轻量级黄花成熟检测方法

    吴利刚吕媛媛周倩陈乐...
    235-242,268页
    查看更多>>摘要：黄花菜具有较短的采摘周期和相对严格的采摘要求,针对传统人工采摘效率低、主观性高的问题,提出一种基于深度学习的SSH-YOLOv5黄花成熟度检测算法.以YOLOv5模型为基础,结合轻量级网络ShuffleNet V2基本残差单元压缩网络模型大小,提升模型目标检测速度;引入SE Net通道注意力机制模块,增强模型对有用特征信息的敏感度,提高目标检测精度;将普通卷积替换为深度可分离卷积模块,进一步减少模型计算量.试验结果表明,改进后的SSH-YOLOv5模型参数量和浮点运算量分别减少61.6％和68.3％,网络层数减少18％,同时SSH-YOLOv5的检测精度由原算法的88.8％提高到91.2％,实时检测速度达到66.4 f/s,相比原算法提高18.1％,达到实时检测要求.改进后的算法不仅实现模型的轻量化,同时也使黄花成熟度检测更加准确和快速,可以较好地满足黄花检测需求.

    黄花深度学习YOLOv5算法轻量化注意力机制

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于改进YOLOv3的自然场景中未成熟青苹果识别研究

    张晨一张晓乾任振辉
    243-248页
    查看更多>>摘要：为研究适合当前生产实际的苹果自动套袋技术,实现真实环境中未成熟青苹果的精准识别,提出一种基于改进YOLOv3的自然场景中未成熟青苹果图像识别方法.首先,为提高含干扰因素图像中未成熟青苹果识别准确率,基于YOLOv3算法利用残差网络和多尺度特征融合检测小目标的思想,对YOLOv3特征提取网络进行改进与试验验证,利用尺寸为(104,104,128)的特征图代替原尺寸为(13,13,1 024)的特征图作为输出,提出改进YOLOv3的未成熟青苹果目标检测模型,通过增大特征提取网络输出特征图尺寸,减小感受野尺寸,提高算法网络对图像中未成熟青苹果的捕捉能力与识别准确率.其次,设计不同算法、不同品种和不同环境下的识别对比试验并对结果进行对比分析.改进YOLOv3在整体数据集上的检测均值平均精确率mAP值和召回率R值分别为92.46％、87.6％,较原YOLOv3分别提高3.22％、14.57％,改进模型性能提升主要体现在检测正确目标数量的能力上;在含光照影响、重叠和遮挡影响图像测试集上改进YOLOv3的mAP值较原YOLOv3分别提高3.58％、2.74％.改进YOLOv3模型对整体数据集和含干扰因素图像测试集的检测准确率较高,检测正确目标的数量较多,抗干扰能力较强.

    未成熟青苹果改进YOLOv3目标检测自然场景

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    一种YOLOv5-DK的柠檬初期病虫害检测算法研究

    熊志刚陈为真
    249-254页
    查看更多>>摘要：为解决柠檬初期病虫害特征部位小难以检测和可以利用数据集较少的问题,提出一种YOLOv5-DK检测算法.该算法是以YOLOv5为基础,采用K-Means++重新聚类柠檬初期虫害部位锚框,缓解柠檬初期虫害特征小的问题;同时提出一种新的轻量化Denseneck-2模块,该模块是利用DenseNet网络中复用的思想,让检测算法每一层输入都有前面每一层的特征信息,使得YOLOv5-DK对柠檬初期病虫害样本量的需求下降.与原始的YOLOv5检测算法相比较,新的YOLOv5-DK检测算法在检测的平均精度上面提高3.4％,漏检率下降2.1％,算法模型的参数量减轻6.3％,表明该算法在小样本和小目标的应用场景下性能更优.

    柠檬初期病虫害轻量化小样本小目标

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    改进YOLOv8的农作物叶片病虫害识别算法

    张书贵陈书理赵展
    255-260页
    查看更多>>摘要：针对传统检测网络难以准确、高效地提取农作物叶片病虫害特征信息的问题,通过改进YOLOv8网络,提出一种多层级多尺度特征融合的农作物叶片病虫害识别算法.通过学习不同层级特征直接的特征关系,构建多层级特征编码模块,学习全面的特征表达;在Transformer的基础上设计多尺度空间—通道注意力模块,利用学习细粒度、粗粒度等多尺度全面的特征表达模式,捕获不同尺度特征之间的互补关系,并将所有特征表示有效融合起来,构成完整的图像特征表示,进而获取更佳的识别结果.在Plant Village公开数据集进行试验验证,结果表明:提出的改进方法能够有效提升配准精度,准确地识别出农作物叶片上同时存在的不同病虫害,对番茄叶片检测的mAP 0.5达到88.74％,比传统YOLOv8方法提升8.53％,且计算耗时没有明显增加.消融试验也充分证明所提各个模块的有效性,能够更好地实现高精度识别叶片病虫害,为农田智慧化管理提供有力支持和保障.

    叶片病虫害识别多层级特征编码多尺度特征融合通道注意力特征表达

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于YOLOv5的机耕船双目视觉障碍感知研究

    陈泉淦陈新元曾镛程志文...
    261-268页
    查看更多>>摘要：为满足机耕船自动驾驶功能,设计一套YOLOv5融合SGBM算法的机器视觉障碍感知系统.首先,以人、机耕船和农具为对象拍摄和收集图片得到水田障碍数据集,将图像输入YOLOv5网络模型迭代训练得到最优权重,随后将最优权重用于测试,并且与YOLOv4和Faster R-CNN网络进行比较;将双目相机拍摄的左右图像输入YOLOv5模型中进行检测,将输出的目标障碍检测框信息经校正变换后用SGBM算法进行视差计算,完成对目标障碍的识别和深度估计.结果表明,YOLOv5的平均精度均值稳定在87.25％比YOLOv4高1.55％,比Faster R-CNN高4.04％,单幅图像检测时间为 0.017 s 比 YOLOv4 快 0.081 s,比 Faster R-CNN 快 0.182 s 且模型大小仅为 13.7 MB 比 YOLOv4 小 236.4 MB;在检测机耕船、人和农具时,YOLOv5网络模型的置信度分别为0.91、0.99、0.95.YOLOv5+SGBM的深度估计在2 m内,精度达到98.1％.基于YOLOv5和SGBM的水田深度估计,能满足带旋耕无人驾驶作业的机耕船实际需求.

    机耕船障碍感知机器视觉YOLOv5深度估计

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于改进YOLOv3的玉米病害识别方法

    张继成黄向党
    269-275页
    查看更多>>摘要：为提高玉米作物病害叶片识别模型的准确性,提出改进YOLOv3的玉米病害识别方法.首先,为获得更深的玉米疾病特征,通过更改浅特征图比例和添加第四个检测层,分别修改YOLOv3网络体系结构为YOLOv3-M1和YOLOv3-M2.然后,采用改进的K-means算法进行聚类,获得的锚框倾向于数据集的真实边界框.最后,为每个类别添加一个平衡因子,并对不同类别中样本的难度进行加权来修改损失函数,使得模型能够找到边界盒预测与类别预测之间的最佳点,使算法获得最佳检测效果.结果表明,改进的YOLOv3-M1和YOLOv3-M2模型在测试集上的准确率分别高达95.63％和97.59％,相比YOLOv3模型,识别准确率分别提高4.15％和6.28％,识别准确率在玉米数据集上得到大幅度提高.

    玉米深度学习病害识别YOLOv3模型损失函数

      原文链接:
    • NETL
    • NSTL
    • 万方数据