智慧農(nóng)業(yè)中的圖像處理與機器學習研究及應(yīng)用

第1章 圖像處理技術(shù) 001 1.1 數(shù)字圖像處理與機器學習 001 1.1.1 圖像 001 1.1.2 數(shù)字圖像的分類 002 1.1.3 數(shù)字圖像處理 003 1.1.4 數(shù)字圖像處理的任務(wù) 003 1.1.5 數(shù)字圖像處理的主要應(yīng)用 006 1.1.6 數(shù)字圖像處理的發(fā)展 008 1.1.7 機器視覺 008 1.1.8 深度學習 009 1.2 圖像處理技術(shù)在農(nóng)業(yè)中研究應(yīng)用現(xiàn)狀 011 1.3 圖像處理技術(shù)在畜牧業(yè)中研究應(yīng)用現(xiàn)狀 014 第2章 基于深度神經(jīng)網(wǎng)絡(luò)草莓圖像識別方法 019 2.1 引言 019 2.1.1 研究背景 019 2.1.2 國內(nèi)外研究現(xiàn)狀 020 2.1.3 系統(tǒng)研究內(nèi)容 020 2.2 草莓數(shù)據(jù)集樣本設(shè)計 021 2.2.1 數(shù)據(jù)集標注 022 2.2.2 數(shù)據(jù)增強 024 2.2.3 格式轉(zhuǎn)換 024 2.3 目標檢測框架及算法 026 2.3.1 TensorFlow目標檢測 026 2.3.2 模型分析 027 2.4 模型搭建及訓(xùn)練 031 2.4.1 環(huán)境搭建及測試 031 2.4.2 運行模型 034 2.5 模型效果及分析 036 2.5.1 運行MobileNet-SSD模型進行草莓目標檢測 037 2.5.2 檢測結(jié)果分析 039 第3章 基于圖像處理的雞蛋分級系統(tǒng)設(shè)計 041 3.1 引言 041 3.1.1 研究背景及意義 041 3.1.2 機器視覺的意義和應(yīng)用 042 3.1.3 國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢 043 3.1.4 系統(tǒng)研究內(nèi)容 045 3.2 雞蛋圖像采集 046 3.2.1 機器視覺系統(tǒng)組成 046 3.2.2 雞蛋圖像采集背景和設(shè)備 046 3.3 雞蛋參數(shù)提取與分級 049 3.3.1 雞蛋圖像預(yù)處理 049 3.3.2 雞蛋的蛋形指數(shù)計算 053 3.3.3 雞蛋最大橫切面計算 056 3.4 雞蛋分級的仿真實現(xiàn) 059 3.4.1 圖形用戶界面設(shè)計 059 3.4.2 回調(diào)函數(shù)編寫 060 3.4.3 系統(tǒng)調(diào)試 061 第4章 基于機器視覺的蘋果重量評估系統(tǒng)設(shè)計 063 4.1 引言 063 4.1.1 研究背景 064 4.1.2 國內(nèi)外研究現(xiàn)狀 064 4.1.3 基于機器視覺的蘋果重量評估系統(tǒng)組成 065 4.1.4 蘋果果實形態(tài)分析 066 4.2 機器視覺系統(tǒng)硬件選擇 067 4.2.1 攝像頭 067 4.2.2 LED光源 068 4.2.3 圖像標定 069 4.3 圖像預(yù)處理 070 4.3.1 圖像灰度化 070 4.3.2 圖像二值化 071 4.3.3 濾波 072 4.3.4 圖像形態(tài)學處理 073 4.4 蘋果外部特征檢測 073 4.4.1 基于顏色的目標蘋果提取 074 4.4.2 蘋果特征參數(shù)提取 075 4.5 蘋果重量預(yù)測研究 078 4.5.1 蘋果體積參數(shù)預(yù)測 078 4.5.2 重量預(yù)測模型建立 081 第5章 基于機器視覺的蘋果分級系統(tǒng)研究 084 5.1 引言 084 5.1.1 系統(tǒng)研究意義 084 5.1.2 水果分級技術(shù)發(fā)展趨勢 085 5.1.3 基本工作原理 085 5.1.4 系統(tǒng)硬件簡介 086 5.2 MATLAB的水果分級系統(tǒng)設(shè)計 089 5.2.1 GUI界面設(shè)計 089 5.2.2 M文件的函數(shù)編程設(shè)計 092 5.2.3 用戶登錄系統(tǒng)設(shè)計 096 5.3 S7-300 PLC的控制系統(tǒng)設(shè)計 097 5.3.1 S7-300 PLC控制系統(tǒng)硬件設(shè)計 097 5.3.2 系統(tǒng)軟件設(shè)計 098 5.4 WinCC上位機監(jiān)控系統(tǒng)設(shè)計 106 5.4.1 WinCC監(jiān)控界面設(shè)計 106 5.4.2 WinCC控件與變量連接 111 5.4.3 WinCC與S7-300 PLC的通信實現(xiàn) 113 5.5 MATLAB與WinCC通信實現(xiàn) 114 5.5.1 WinCC的OPC服務(wù)器配置 114 5.5.2 MATLAB的OPC客戶端變量配置 115 5.6 系統(tǒng)的調(diào)試與運行 117 5.6.1 MATLAB水果圖像處理及其數(shù)據(jù)傳輸 117 5.6.2 水果分級操作 119 5.6.3 WinCC組態(tài)畫面的實時監(jiān)控 120 第6章 羊毛彎曲度測量圖像處理系統(tǒng)設(shè)計 125 6.1 引言 125 6.1.1 研究背景和意義 125 6.1.2 國內(nèi)外現(xiàn)狀及發(fā)展趨勢 126 6.1.3 研究要求及主要內(nèi)容 127 6.2 羊毛圖像采集及處理 127 6.2.1 羊毛圖像采集 128 6.2.2 羊毛圖像預(yù)處理 129 6.2.3 羊毛圖像形態(tài)處理 133 6.2.4 圖像邊緣檢測 134 6.3 彎曲度的測量實現(xiàn) 135 6.3.1 彎曲度定義 135 6.3.2 數(shù)據(jù)的檢測 136 6.3.3 彎曲度計算 139 6.4 系統(tǒng)用戶界面設(shè)計 139 6.4.1 用戶界面搭建 140 6.4.2 用戶界面的回調(diào) 142 6.5 系統(tǒng)測試結(jié)果及分析 142 6.5.1 功能測試 142 6.5.2 結(jié)果分析 144 第7章 羊毛長度測量圖像處理系統(tǒng)設(shè)計 146 7.1 引言 146 7.1.1 研究目的和意義 146 7.1.2 國內(nèi)外研究現(xiàn)狀與發(fā)展趨勢 146 7.1.3 研究方案 147 7.2 樣本圖像的采集及預(yù)處理 148 7.2.1 樣本圖像的采集 148 7.2.2 圖像降噪 150 7.2.3 圖像分割處理 152 7.2.4 圖像的二值化處理 154 7.3 樣本圖像長度的定義及算法 156 7.3.1 長度的定義 156 7.3.2 長度的算法及換算 156 7.4 圖形用戶界面設(shè)計 158 7.4.1 圖形用戶界面的搭建 158 7.4.2 程序回調(diào) 160 7.5 程序運行及結(jié)果分析 160 7.5.1 功能測試 160 7.5.2 長度測量結(jié)果分析 162 第8章 雙域分解的復(fù)雜環(huán)境下奶牛監(jiān)測圖像增強算法研究 165 8.1 引言 165 8.2 圖像增強概述 167 8.3 奶牛監(jiān)測圖像分析 168 8.4 雙域分解的圖像增強算法 169 8.4.1 雙域濾波模型 170 8.4.2 高頻降噪與增強模型 171 8.4.3 低頻圖像去霧與增強模型 174 8.4.4 算法實現(xiàn)過程 175 8.5 試驗結(jié)果與分析 177 8.5.1 試驗測試平臺及參數(shù)選取 177 8.5.2 試驗數(shù)據(jù)分類 177 8.5.3 主客觀評價與分析 177 8.5.4 綜合測試與分析 194 第9章 基于深度學習的奶牛發(fā)情行為識別研究 202 9.1 引言 202 9.2 供試數(shù)據(jù) 204 9.2.1 視頻樣本獲取 204 9.2.2 視頻處理系統(tǒng)設(shè)計 206 9.2.3 樣本數(shù)據(jù)集構(gòu)建 207 9.3 深度學習網(wǎng)絡(luò)模型 208 9.3.1 卷積神經(jīng)網(wǎng)絡(luò)概述 208 9.3.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 209 9.3.3 卷積神經(jīng)網(wǎng)絡(luò)優(yōu)點 211 9.4 奶牛發(fā)情識別CNN模型構(gòu)建 212 9.5 奶牛發(fā)情行為識別結(jié)果及分析 214 9.5.1 試驗測試平臺 214 9.5.2 網(wǎng)絡(luò)模型試驗設(shè)計 215 9.5.3 特征圖分析 216 9.5.4 識別結(jié)果分析 217 第10章 基于機器視覺的奶牛運動目標檢測系統(tǒng)設(shè)計 220 10.1 引言 220 10.1.1 研究背景及意義 220 10.1.2 國內(nèi)外研究現(xiàn)狀 222 10.2 奶牛數(shù)據(jù)集制備 223 10.2.1 奶牛數(shù)據(jù)獲取 223 10.2.2 YOLO v5訓(xùn)練數(shù)據(jù)集制作 224 10.2.3 目標跟蹤數(shù)據(jù)集制作 226 10.2.4 視頻標注 227 10.3 目標檢測算法設(shè)計 229 10.3.1 YOLO v5算法 229 10.3.2 YOLO v5的改進算法設(shè)計 233 10.3.3 DeepSORT算法介紹 237 10.3.4 YOLO v5和DeepSORT結(jié)合 238 10.4 目標檢測實驗結(jié)果與分析 239 10.4.1 YOLO v5目標檢測改進評估 239 10.4.2 目標跟蹤效果評估 245 第11章 基于機器視覺的牛臉識別系統(tǒng)設(shè)計 252 11.1 引言 252 11.1.1 研究意義 252 11.1.2 國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢 253 11.2 牛臉識別相關(guān)技術(shù) 255 11.2.1 牛臉圖像預(yù)處理技術(shù) 255 11.2.2 CNN神經(jīng)網(wǎng)絡(luò) 255 11.3 數(shù)據(jù)集制作 257 11.3.1 視頻獲取 257 11.3.2 圖片文件獲取 257 11.3.3 標注文件制作 262 11.4 TensorFlow環(huán)境配置 267 11.5 YOLO v4牛臉檢測模型構(gòu)建 269 11.5.1 運動目標檢測 269 11.5.2 YOLO v4框架結(jié)構(gòu) 271 11.5.3 模型評價指標 274 11.5.4 LOSS損失函數(shù) 277 11.5.5 訓(xùn)練模型參數(shù) 279 11.5.6 識別結(jié)果 281 參考文獻 284