智慧農(nóng)業(yè)中的圖像處理與機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí) 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(jī)器視覺 008 1.1.8 深度學(xué)習(xí) 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(shí)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?jī)?nèi)容 020 2.2 草莓?dāng)?shù)據(jù)集樣本設(shè)計(jì) 021 2.2.1 數(shù)據(jù)集標(biāo)注 022 2.2.2 數(shù)據(jù)增強(qiáng) 024 2.2.3 格式轉(zhuǎn)換 024 2.3 目標(biāo)檢測(cè)框架及算法 026 2.3.1 TensorFlow目標(biāo)檢測(cè) 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(cè)試 031 2.4.2 運(yùn)行模型 034 2.5 模型效果及分析 036 2.5.1 運(yùn)行MobileNet-SSD模型進(jìn)行草莓目標(biāo)檢測(cè) 037 2.5.2 檢測(cè)結(jié)果分析 039 第3章 基于圖像處理的雞蛋分級(jí)系統(tǒng)設(shè)計(jì) 041 3.1 引言 041 3.1.1 研究背景及意義 041 3.1.2 機(jī)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(shì) 043 3.1.4 系統(tǒng)研究?jī)?nèi)容 045 3.2 雞蛋圖像采集 046 3.2.1 機(jī)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(jí) 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(jì)算 053 3.3.3 雞蛋最大橫切面計(jì)算 056 3.4 雞蛋分級(jí)的仿真實(shí)現(xiàn) 059 3.4.1 圖形用戶界面設(shè)計(jì) 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(jī)器視覺的蘋果重量評(píng)估系統(tǒng)設(shè)計(jì) 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(jī)器視覺的蘋果重量評(píng)估系統(tǒng)組成 065 4.1.4 蘋果果實(shí)形態(tài)分析 066 4.2 機(jī)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(biāo)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(xué)處理 073 4.4 蘋果外部特征檢測(cè) 073 4.4.1 基于顏色的目標(biāo)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(cè)研究 078 4.5.1 蘋果體積參數(shù)預(yù)測(cè) 078 4.5.2 重量預(yù)測(cè)模型建立 081 第5章 基于機(jī)器視覺的蘋果分級(jí)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(jí)技術(shù)發(fā)展趨勢(shì) 085 5.1.3 基本工作原理 085 5.1.4 系統(tǒng)硬件簡(jiǎn)介 086 5.2 MATLAB的水果分級(jí)系統(tǒng)設(shè)計(jì) 089 5.2.1 GUI界面設(shè)計(jì) 089 5.2.2 M文件的函數(shù)編程設(shè)計(jì) 092 5.2.3 用戶登錄系統(tǒng)設(shè)計(jì) 096 5.3 S7-300 PLC的控制系統(tǒng)設(shè)計(jì) 097 5.3.1 S7-300 PLC控制系統(tǒng)硬件設(shè)計(jì) 097 5.3.2 系統(tǒng)軟件設(shè)計(jì) 098 5.4 WinCC上位機(jī)監(jiān)控系統(tǒng)設(shè)計(jì) 106 5.4.1 WinCC監(jiān)控界面設(shè)計(jì) 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(shí)現(xiàn) 113 5.5 MATLAB與WinCC通信實(shí)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(yùn)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(jí)操作 119 5.6.3 WinCC組態(tài)畫面的實(shí)時(shí)監(jiān)控 120 第6章 羊毛彎曲度測(cè)量圖像處理系統(tǒng)設(shè)計(jì) 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(shì) 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(cè) 134 6.3 彎曲度的測(cè)量實(shí)現(xiàn) 135 6.3.1 彎曲度定義 135 6.3.2 數(shù)據(jù)的檢測(cè) 136 6.3.3 彎曲度計(jì)算 139 6.4 系統(tǒng)用戶界面設(shè)計(jì) 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(cè)試結(jié)果及分析 142 6.5.1 功能測(cè)試 142 6.5.2 結(jié)果分析 144 第7章 羊毛長度測(cè)量圖像處理系統(tǒng)設(shè)計(jì) 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(shì) 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(jì) 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(yùn)行及結(jié)果分析 160 7.5.1 功能測(cè)試 160 7.5.2 長度測(cè)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(cè)圖像增強(qiáng)算法研究 165 8.1 引言 165 8.2 圖像增強(qiáng)概述 167 8.3 奶牛監(jiān)測(cè)圖像分析 168 8.4 雙域分解的圖像增強(qiáng)算法 169 8.4.1 雙域?yàn)V波模型 170 8.4.2 高頻降噪與增強(qiáng)模型 171 8.4.3 低頻圖像去霧與增強(qiáng)模型 174 8.4.4 算法實(shí)現(xiàn)過程 175 8.5 試驗(yàn)結(jié)果與分析 177 8.5.1 試驗(yàn)測(cè)試平臺(tái)及參數(shù)選取 177 8.5.2 試驗(yàn)數(shù)據(jù)分類 177 8.5.3 主客觀評(píng)價(jià)與分析 177 8.5.4 綜合測(cè)試與分析 194 第9章 基于深度學(xué)習(xí)的奶牛發(fā)情行為識(shí)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(jì) 206 9.2.3 樣本數(shù)據(jù)集構(gòu)建 207 9.3 深度學(xué)習(xí)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(diǎn) 211 9.4 奶牛發(fā)情識(shí)別CNN模型構(gòu)建 212 9.5 奶牛發(fā)情行為識(shí)別結(jié)果及分析 214 9.5.1 試驗(yàn)測(cè)試平臺(tái) 214 9.5.2 網(wǎng)絡(luò)模型試驗(yàn)設(shè)計(jì) 215 9.5.3 特征圖分析 216 9.5.4 識(shí)別結(jié)果分析 217 第10章 基于機(jī)器視覺的奶牛運(yùn)動(dòng)目標(biāo)檢測(cè)系統(tǒng)設(shè)計(jì) 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(biāo)跟蹤數(shù)據(jù)集制作 226 10.2.4 視頻標(biāo)注 227 10.3 目標(biāo)檢測(cè)算法設(shè)計(jì) 229 10.3.1 YOLO v5算法 229 10.3.2 YOLO v5的改進(jìn)算法設(shè)計(jì) 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(biāo)檢測(cè)實(shí)驗(yàn)結(jié)果與分析 239 10.4.1 YOLO v5目標(biāo)檢測(cè)改進(jìn)評(píng)估 239 10.4.2 目標(biāo)跟蹤效果評(píng)估 245 第11章 基于機(jī)器視覺的牛臉識(shí)別系統(tǒng)設(shè)計(jì) 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(shì) 253 11.2 牛臉識(shí)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(biāo)注文件制作 262 11.4 TensorFlow環(huán)境配置 267 11.5 YOLO v4牛臉檢測(cè)模型構(gòu)建 269 11.5.1 運(yùn)動(dòng)目標(biāo)檢測(cè) 269 11.5.2 YOLO v4框架結(jié)構(gòu) 271 11.5.3 模型評(píng)價(jià)指標(biāo) 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(shí)別結(jié)果 281 參考文獻(xiàn) 284