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(cè)系統(tǒng) 1
1.1 案例簡(jiǎn)介 1
1.2 基礎(chǔ)知識(shí) 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(shí)施過(guò)程及其結(jié)果 3
1.3.1 遺傳算法改進(jìn)的KSW熵法進(jìn)行黃瓜葉部角斑病密度計(jì)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(shí)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(xiàn) 15
案例二 基于視覺(jué)感知與智能算法的奶牛跛行檢測(cè) 17
2.1 案例簡(jiǎn)介 17
2.2 基礎(chǔ)知識(shí) 17
2.3 實(shí)施過(guò)程及其結(jié)果 17
2.3.1 基于雙正態(tài)分布背景統(tǒng)計(jì)模型的奶牛跛行檢測(cè)過(guò)程及結(jié)果 17
2.3.2 基于YOLOv3相對(duì)步長(zhǎng)特征向量的奶牛跛行檢測(cè)過(guò)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(cè)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(xiàn) 33
案例三 基于YOLOv5s的深度學(xué)習(xí)在自然場(chǎng)景蘋果花朵檢測(cè)中的應(yīng)用 34
3.1 案例簡(jiǎn)介 34
3.2 基礎(chǔ)知識(shí) 34
3.2.1 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法 34
3.2.2 目標(biāo)檢測(cè)算法常用數(shù)據(jù)集格式 35
3.2.3 目標(biāo)檢測(cè)算法性能評(píng)價(jià)指標(biāo) 35
3.3 實(shí)施過(guò)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(cè)網(wǎng)絡(luò)訓(xùn)練 39
3.3.3 復(fù)雜背景下蘋果花朵檢測(cè)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(xiàn) 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(cè)方法 50
4.1 案例簡(jiǎn)介 50
4.2 基礎(chǔ)知識(shí) 50
4.3 實(shí)施過(guò)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(jì) 52
4.3.3 單雞體重估測(cè) 57
4.3.4 群雞體重估測(cè) 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(xiàn) 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(jiǎn)介 64
5.2 基礎(chǔ)知識(shí) 64
5.3 實(shí)施過(guò)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(guò)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(jì)與實(shí)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(xiàn) 80
案例六 林區(qū)無(wú)人機(jī)航拍病蟲害監(jiān)測(cè)系統(tǒng) 82
6.1 案例簡(jiǎn)介 82
6.2 基礎(chǔ)知識(shí) 82
6.2.1 飛行器平臺(tái) 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(shí)別精度評(píng)價(jià)指標(biāo) 83
6.3 實(shí)施過(guò)程及其結(jié)果 84
6.3.1 林區(qū)蟲害檢測(cè)飛行器平臺(tái)搭建 84
6.3.2 監(jiān)測(cè)圖像采集與標(biāo)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(shí)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(píng)價(jià)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(xiàn) 97
案例七 果園果樹靶標(biāo)信息感知與對(duì)靶排肥控制系統(tǒng) 99
7.1 案例簡(jiǎn)介 99
7.2 基礎(chǔ)知識(shí) 99
7.2.1 果樹靶標(biāo)探測(cè)技術(shù) 99
7.2.2 果園精準(zhǔn)施肥技術(shù) 100
7.3 實(shí)施過(guò)程及其結(jié)果 100
7.3.1 對(duì)靶排肥控制系統(tǒng)需求 100
7.3.2 實(shí)驗(yàn)室試驗(yàn)平臺(tái)搭建 101
7.3.3 排肥流速高速攝影試驗(yàn) 101
7.3.4 排肥故障監(jiān)測(cè)裝置性能試驗(yàn) 102
7.3.5 速度測(cè)量精度試驗(yàn) 103
7.3.6 穴排肥精度試驗(yàn) 103
7.3.7 樹干探測(cè)模式實(shí)驗(yàn)室試驗(yàn) 104
7.3.8 果園試驗(yàn) 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(xiàn) 110
案例八 高分一號(hào)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(jiǎn)介 112
8.2 基礎(chǔ)知識(shí) 112
8.2.1 建模方法 112
8.2.2 精度評(píng)價(jià)公式 113
8.3 實(shí)施過(guò)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(jì)算與篩選 114
8.3.3 植被覆蓋度的計(jì)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(jì) 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(xiàn) 124
案例九 果園灌溉物聯(lián)網(wǎng)智能監(jiān)測(cè)和管控系統(tǒng) 125
9.1 案例簡(jiǎn)介 125
9.2 基礎(chǔ)知識(shí) 125
9.3 實(shí)施過(guò)程及其結(jié)果 125
9.3.1 系統(tǒng)硬件設(shè)計(jì) 125
9.3.2 系統(tǒng)上位機(jī)軟件設(shè)計(jì) 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(xiàn) 138
案例十 基于近紅外光譜技術(shù)的水果品質(zhì)動(dòng)態(tài)在線檢測(cè) 139
10.1 案例簡(jiǎn)介 139
10.2 基礎(chǔ)知識(shí) 139
10.2.1 馬家柚糖度在線檢測(cè)模型 139
10.2.2 套網(wǎng)豐水梨糖度在線檢測(cè)模型 139
10.2.3 鴨梨黑心病在線檢測(cè)模型 140
10.3 實(shí)施過(guò)程及其結(jié)果 140
10.3.1 馬家柚糖度在線檢測(cè)模型建立及應(yīng)用 140
10.3.2 套網(wǎng)豐水梨糖度在線檢測(cè)模型建立及應(yīng)用 144
10.3.3 鴨梨黑心病在線檢測(cè)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(xiàn) 151
案例十一 基于“端-邊-云”智慧協(xié)同的森林防火監(jiān)測(cè)預(yù)警系統(tǒng) 153
11.1 案例簡(jiǎn)介 153
11.2 基礎(chǔ)知識(shí) 153
11.2.1 域適應(yīng) 153
11.2.2 有監(jiān)督學(xué)習(xí)與無(wú)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(dá)瑪積 155
11.3 實(shí)施過(guò)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(dòng)檢測(cè) 155
11.3.2 基于特征學(xué)習(xí)的森林火災(zāi)煙霧檢測(cè)方法 159
11.3.3 基于“端-邊-云”智慧協(xié)同的森林防火監(jiān)測(cè)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(xiàn) 168
案例十二 基于互聯(lián)網(wǎng)＋和人工智能的野生動(dòng)物智能監(jiān)測(cè)識(shí)別系統(tǒng) 169
12.1 案例簡(jiǎn)介 169
12.2 基礎(chǔ)知識(shí) 169
12.2.1 無(wú)線傳感器網(wǎng)絡(luò)概述 169
12.2.2 圖像增強(qiáng)概述 171
12.2.3 目標(biāo)檢測(cè)概述 172
12.2.4 數(shù)據(jù)庫(kù)概述 173
12.3 實(shí)施過(guò)程及其結(jié)果 174
12.3.1 無(wú)線圖像傳感器網(wǎng)絡(luò)監(jiān)測(cè) 174
12.3.2 基于Retinex理論的圖像自適應(yīng)增強(qiáng)算法 176
12.3.3 基于改進(jìn)Faster R-CNN的野生動(dòng)物目標(biāo)檢測(cè)識(shí)別算法 182
12.3.4 構(gòu)建遠(yuǎn)程動(dòng)物數(shù)據(jù)信息庫(kù) 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(xiàn) 195