基于APICloud平台的无人云超市远程售卖及运维软件设计

基于APICloud平台,采用JavaScript语言设计出一个移动端的无人云超市远程售卖及运维系统.该系统可以查看无人云超市设备内部信息,包括商品数量、商品价格、设备状态等,实现商品远程预定、售卖和设备故障检测、补货信息发送等操作.     

基于YOLOv3算法的工业分拣目标检测

在工业机器人视觉导引系统中，对于不规则的工业零部件，基于模板匹配的目标检测算法难以取得较好的定位效果和识别精度。在结构化环境下，对于传统视觉目标检测算法，利用YOLOv3算法开展视觉目标检测的实践。实验结果表明，该算法的定位精度和识别精度均取得了较高的水平，可以在工业现场进行部署。     

基于多示例学习的超市农产品图像识别

为解决超市农产品价格需依靠人工记忆的问题,实现农产品的智能识别,提出了基于多示例学习的农产品图像识别方法。采用改进的单色块及其邻域算法(SBN)特征提取算法将训练样本组织成多示例包,利用多样性密度算法对正包和反包进行多示例学习,根据多样性密度最大化模型对测试样本进行识别。分别在自采集的多类别果蔬图像集以及Amsterdam图像库中的单类别果蔬图像上进行测试。结果表明该方法能够识别不同光照、存在干扰物的环境背景下,以任意方式摆放的多类别混合果蔬图像,识别率最高达到94.21%,且对于单类别果蔬图像的识别优于全局方法。因此利用基于多示例学习的图像识别方法对超市农产品的自动售卖提供辅助具有可行性。     

移动目标的快速识别算法

本文针对现有技术中存在的问题提出一种对复杂背景下的多个移动物体进行目标快速识别与跟踪的复合算法。该算法中采用对连续图像进行差影计算来确定移动目标区域，从而能去除复杂背景干扰，可以明显提高目标识别的速度和准确率。该系统已被实验证明其有效性和实用性．可广泛应用于监测与识别系统，也可应用于无人监控．无人自主操作等各种领域。本文中所提到的算法现为国家某重点项目中的关键技术。     

基于TMS320DM642的运动跟踪系统的设计与实现

为了使视觉监控系统具有自主能力,设计了基于TMS320DM642处理器的运动物体跟踪系统.分别介绍了系统的硬件和软件设计,提出了基于图像差分的特征等实用跟踪算法来跟踪运动目标.实验结果表明,该系统具有在复杂背景下实时检测识别和跟踪运动目标的能力.     

基于深度学习的果蔬识别与定位软件系统研究与实现

针对目前农业、工业及服务业存在大量手工采摘、分拣果蔬等传统低效率方式现象，本系统提出了一种基于神经网络作为果蔬识别和定位的算法解决方案、同时设计出了vue、uniapp及Ajax等技术作为采集和显示的前端系统、并结合使用了基于Django的Web框架作为识别与定位数据改查的后端系统，结合以上三个核心模块，实现了智能化的果蔬识别与定位软件系统。     

基于YOLOv5的智能果蔬识别与成熟果蔬计数系统的设计与实现

智慧农业是中国农业现代化的重要方向。将人工智能与农业生产相结合，设计并实现智能果蔬识别与计数系统，该系统基于YOLOv5训练模型，支持石榴、圣女果、草莓等五种果蔬类别与成熟数量的识别。该系统主要包括Android移动端应用和Web服务端应用。用户可以通过Android移动端摄像头设备实时采集农场中果蔬照片并进行种类与成熟度数量检测，管理员可以通过Web服务端应用实时监控用户数量、果蔬种类、每类果蔬检测数据等信息，辅助决策，方便统筹管理。     

无人直升机自主着舰的目标定位视觉算法

根据无人直升机自主着舰的任务特点,构造了用于无人直升机自主着舰的视觉系统,选用仿射不变矩作为该视觉系统目标识别的特征和信息提取的手段,仿真实验表明,开发的算法能够在纵摇角小于15°的情况下正确的识别出目标,对目标中心位置的估计偏差在每个坐标轴向小于3个像素,方位角估计偏差小于9°。整套算法的鲁棒性和实时性满足无人直升机自主着舰的需求。     

小波域基于聚类分割的运动目标检测算法

针对监控系统中目标检测精准性和实时性不能很好兼顾的问题,研究了小波域基于聚类分割算法的目标检测系统,在小波域分别给出了高频成分和低频成分自适应阈值的确定方法,推导出了判决准则和最佳阈值。利用该算法进行目标识别,可以去除系统噪声,快速检测出目标,并能保证系统的精准性。通过仿真实验对该算法进行验证,结果表明,该算法能够准确检测出目标,算法速度快,能保证系统的实时性。     

基于人工智能的果蔬识别及种植指导系统

为解决人们对果蔬的识别和营养的搭配问题以及实现人们自己种植果蔬的愿望,设计开发了一款基于人工智能的果树识别及种植指导的系统。通过神经网络的图像识别技术、非线性降维的图像识别技术、YOLOv3图像目标检测算法和模式识别技术等实现的主要功能包括:获取并发布前端所呈现的信息,包括热门文章、饮食推荐及营养搭配等;并对需要发布在前端页面的文章进行审核。前端功能模块主要是为用户提供果蔬识别、种植指导以及健康饮食推荐等功能,使用户能够及时获得相应的果蔬知识及健康的营养搭配方式,为人们的生活带来方便。经过多次调试和验证,该系统的性能稳定,功能实现效果较为良好。     

基于图像识别的果蔬自助结算系统

实现对缺少条形码的水果蔬菜的识别与结算,是超市自助结算的一大难题;为在资源有限的结算终端设备上实现超市果蔬的识别与分类,提出了一种基于神经网络的果蔬识别算法;通过增加网络宽度的方法改进Alex Net,提升识别性能;结合压力传感器、摄像头等硬件设备,在树莓派上进行实验,完成了果蔬自助结算系统的搭建;经实验测试,系统对果蔬的平均识别准确率可达98.25％,单次结算总耗时约7.48s,仅为人工结算耗时的1/4,满足果蔬自助结算系统的实际应用需求.     

农业智慧大屏监控系统的设计与实现

当前智慧温室大棚系统过程数据的综合利用率低,种植经验与果蔬生长过程数据无法实时监控,导致无法更好的控制果蔬的生长过程环境的数据。该文通过智慧大屏的监控系统实现对大棚农作物生长过程环境参数进行实时跟踪,实现温室大棚果蔬的种植环境的过程优化。实验证实,该方法能够有效地提升对大棚作物的监控,对果蔬的种植管理有较好的改进。     

基于改进 YOLOv4 和图像处理的蔬菜田杂草检测

以蔬菜苗田内幼苗期 7 种常见蔬菜和田间杂草为研究对象,针对田间杂草种类多和分布复杂导致检测方法效率低、精度差和鲁棒性不足等问题,逆向将杂草检测转换为作物检测,提出一种基于优化 YOLOv4和图像处理的蔬菜苗田杂草检测算法。在 YOLOv4 目标检测算法基础上,主干特征提取网络嵌入 SA 模块增强特征提取能力,引入 Transformer 模块构建特征图长距离全局语义信息,改进检测头和损失函数提高检测定位精度。改进模型单幅图像平均识别时间为 0.261 s,平均识别精确率为 97.49%。在相同训练样本以及系统环境设置条件下,将改进方法与主流目标检测算法 Faster RCNN,SSD 和 YOLOv4 算法对比,结果表明改进 YOLOv4模型在蔬菜苗期的多种蔬菜检测具有明显优势。采用改进 YOLOv4 目标检测算法检测作物,作物区域外的植被为杂草,超绿特征结合 OTSU 阈值分割算法获取杂草前景,最后标记杂草前景连通域输出杂草质心坐标和检测框位置,可以较好解决蔬菜苗田杂草检测问题。     

人工智能果蔬精准化种植技术的研究

当前智慧温室大棚系统过程数据利用率低,种植经验与果蔬生长过程数据无法关联,导致无法更好的控制果蔬生长过程.文章通过向量机等人工智能算法,对果蔬生长过程环境参数进行跟踪和分析,动态选取策略子项进行组合,运用各种环境数据训练多类别、分类回归器和相邻模型的一致性的方法,实现温室大棚果蔬的种植环境的优化.实验证明,该方法能够有...     

BP神经网络在果蔬冷链物流预警中的应用

近年来,消费者对果蔬冷链产品的安全和品质提出了更高要求,而现有的系统仅从温度和湿度两方面预测果蔬安全状态,没有综合考虑人员操作和设备等因素对果蔬品质的影响。针对上述问题,分析果蔬在冷链过程中出现安全隐患的因素,整合供应链上的追溯信息和监测信息,建立果蔬预警指标体系,采用BP神经网络搭建安全预警模型,并对模型进行训练和预测。预警结果表明,该方法较传统的时间序列、回归分析方法,在解决实际问题中预测误差小,可以有效提高果蔬在冷链物流中风险预警的准确性。     

基于YOLOv3的油茶果视觉定位系统

随着科技的进步,采摘机器人各个部分的系统也日益完善.其中,机器人视觉定位的系统设计很大程度影响了其工作效率,尤其是在目标检测速率、采摘果实准确率以及采摘目标环境适应度方面.本次研究提出利用双目立体视觉系统获取油茶果目标图像,并采集计算深度信息,制作自己的油茶果VOC数据集,采用YOLOv3目标检测算法来实现复杂环境下油...     

An efficient online citrus counting system for large-scale unstructured orchards based on the unmanned aerial vehicle

The accurate detection and counting of fruits in natural environments are key steps for the early yield estimation of orchards and the realization of smart orchard production management. However, existing citrus counting algorithms have two primary limitations: the performance of counting algorithms needs to be improved, and their system operation efficiency is low in practical applications. Therefore, in this paper, we propose a novel end-to-end orchard fruit counting pipeline that can be used by multiple unmanned aerial vehicles (UAVs) in parallel to help overcome the above problems. First, to obtain on-board camera images online, an innovative UAV live broadcast platform was developed for the orchard scene. Second, for this challenging specific scene, a detection network named Citrus-YOLO was designed to detect fruits in the video stream in real-time. Then, the DeepSort algorithm was used to assign a specific ID to each citrus fruit in the online UAV scene and track the fruits across video frames. Finally, a nonuniform distributed counter was proposed to correct the fruit count during the tracking process, and this can significantly reduce the counting errors caused by tracking failure. This is the first work to realize online and end-to-end counting in a field orchard environment. The experimental results show that the F1 score and mean absolute percentage error of the method are 89.07% and 12.75%, respectively, indicating that the system can quickly and accurately achieve fruit counting in large-scale unstructured citrus orchards. Although our work is discussed in the context of fruit counting, it can be extended to the detection, tracking and counting of a variety of other objects of interest in UAV application scenarios     

基于颜色模型和阈值分割的有遮挡的柑橘果实识别算法

针对柑橘果实被枝叶遮挡,机器识别难度大的问题,提出了基于YCbCr颜色空间模型和OTSU阈值分割技术对有遮挡的柑橘果实进行识别的方法。应用边缘检测法和凸包算法提取有遮挡果实的轮廓特征,选取凸壳上距离最远的两点,作为果实直径的两端点,定位目标果实。结果表明,算法可以准确分割并识别出枝叶遮挡的柑橘果实,果实平均检出率达到90.48%,有效提高了果园自动化采摘的效率。     

基于改进Faster R-CNN的瓶装饮料商品目标检测方法

该文以无人售货机售卖瓶装饮料商品为研究场景,提出一种基于改进Faster R-CNN算法的瓶装饮料商品目标检测方法.首先,采用残差网络ResNet-50进行特征提取,加深网络对目标特征的提取和学习的深度;然后,根据瓶装饮料商品形态学特征,增加区域建议网络(Regional Proposal Network)的锚框数量和...     

Development of a vision-based ground target detection and tracking system for a small unmanned helicopter

It is undoubted that the latest trend in the unmanned aerial vehicles (UAVs) community is towards visionbased unmanned small-scale helicopter, utilizing the maneuvering capabilities of the helicopter and the rich information of visual sensors, in order to arrive at a versatile platform for a variety of applications such as navigation, surveillance, tracking, etc. In this paper, we present the development of a visionbased ground target detection and tracking system for a small UAV helicopter. More specifically, we propose a real-time vision algorithm, based on moment invariants and two-stage pattern recognition, to achieve automatic ground target detection. In the proposed algorithm, the key geometry features of the target are extracted to detect and identify the target. Simultaneously, a Kalman filter is used to estimate and predict the position of the target, referred to as dynamic features, based on its motion model. These dynamic features are then combined with geometry features to identify the target in the second-stage of pattern recognition, when geometry features of the target change significantly due to noise and disturbance in the environment. Once the target is identified, an automatic control scheme is utilized to control the pan/tilt visual mechanism mounted on the helicopter such that the identified target is to be tracked at the center of the captured images. Experimental results based on images captured by the small-scale unmanned helicopter, SheLion, in actual flight tests demonstrate the effectiveness and robustness of the overall system.