智慧农业中的图像处理与机器学习研究及应用

第1章 图像处理技术 001 1.1 数字图像处理与机器学习 001 1.1.1 图像 001 1.1.2 数字图像的分类 002 1.1.3 数字图像处理 003 1.1.4 数字图像处理的任务 003 1.1.5 数字图像处理的主要应用 006 1.1.6 数字图像处理的发展 008 1.1.7 机器视觉 008 1.1.8 深度学习 009 1.2 图像处理技术在农业中研究应用现状 011 1.3 图像处理技术在畜牧业中研究应用现状 014 第2章 基于深度神经网络草莓图像识别方法 019 2.1 引言 019 2.1.1 研究背景 019 2.1.2 国内外研究现状 020 2.1.3 系统研究内容 020 2.2 草莓数据集样本设计 021 2.2.1 数据集标注 022 2.2.2 数据增强 024 2.2.3 格式转换 024 2.3 目标检测框架及算法 026 2.3.1 TensorFlow目标检测 026 2.3.2 模型分析 027 2.4 模型搭建及训练 031 2.4.1 环境搭建及测试 031 2.4.2 运行模型 034 2.5 模型效果及分析 036 2.5.1 运行MobileNet-SSD模型进行草莓目标检测 037 2.5.2 检测结果分析 039 第3章 基于图像处理的鸡蛋分级系统设计 041 3.1 引言 041 3.1.1 研究背景及意义 041 3.1.2 机器视觉的意义和应用 042 3.1.3 国内外研究现状及发展趋势 043 3.1.4 系统研究内容 045 3.2 鸡蛋图像采集 046 3.2.1 机器视觉系统组成 046 3.2.2 鸡蛋图像采集背景和设备 046 3.3 鸡蛋参数提取与分级 049 3.3.1 鸡蛋图像预处理 049 3.3.2 鸡蛋的蛋形指数计算 053 3.3.3 鸡蛋最大横切面计算 056 3.4 鸡蛋分级的仿真实现 059 3.4.1 图形用户界面设计 059 3.4.2 回调函数编写 060 3.4.3 系统调试 061 第4章 基于机器视觉的苹果重量评估系统设计 063 4.1 引言 063 4.1.1 研究背景 064 4.1.2 国内外研究现状 064 4.1.3 基于机器视觉的苹果重量评估系统组成 065 4.1.4 苹果果实形态分析 066 4.2 机器视觉系统硬件选择 067 4.2.1 摄像头 067 4.2.2 LED光源 068 4.2.3 图像标定 069 4.3 图像预处理 070 4.3.1 图像灰度化 070 4.3.2 图像二值化 071 4.3.3 滤波 072 4.3.4 图像形态学处理 073 4.4 苹果外部特征检测 073 4.4.1 基于颜色的目标苹果提取 074 4.4.2 苹果特征参数提取 075 4.5 苹果重量预测研究 078 4.5.1 苹果体积参数预测 078 4.5.2 重量预测模型建立 081 第5章 基于机器视觉的苹果分级系统研究 084 5.1 引言 084 5.1.1 系统研究意义 084 5.1.2 水果分级技术发展趋势 085 5.1.3 基本工作原理 085 5.1.4 系统硬件简介 086 5.2 MATLAB的水果分级系统设计 089 5.2.1 GUI界面设计 089 5.2.2 M文件的函数编程设计 092 5.2.3 用户登录系统设计 096 5.3 S7-300 PLC的控制系统设计 097 5.3.1 S7-300 PLC控制系统硬件设计 097 5.3.2 系统软件设计 098 5.4 WinCC上位机监控系统设计 106 5.4.1 WinCC监控界面设计 106 5.4.2 WinCC控件与变量连接 111 5.4.3 WinCC与S7-300 PLC的通信实现 113 5.5 MATLAB与WinCC通信实现 114 5.5.1 WinCC的OPC服务器配置 114 5.5.2 MATLAB的OPC客户端变量配置 115 5.6 系统的调试与运行 117 5.6.1 MATLAB水果图像处理及其数据传输 117 5.6.2 水果分级操作 119 5.6.3 WinCC组态画面的实时监控 120 第6章 羊毛弯曲度测量图像处理系统设计 125 6.1 引言 125 6.1.1 研究背景和意义 125 6.1.2 国内外现状及发展趋势 126 6.1.3 研究要求及主要内容 127 6.2 羊毛图像采集及处理 127 6.2.1 羊毛图像采集 128 6.2.2 羊毛图像预处理 129 6.2.3 羊毛图像形态处理 133 6.2.4 图像边缘检测 134 6.3 弯曲度的测量实现 135 6.3.1 弯曲度定义 135 6.3.2 数据的检测 136 6.3.3 弯曲度计算 139 6.4 系统用户界面设计 139 6.4.1 用户界面搭建 140 6.4.2 用户界面的回调 142 6.5 系统测试结果及分析 142 6.5.1 功能测试 142 6.5.2 结果分析 144 第7章 羊毛长度测量图像处理系统设计 146 7.1 引言 146 7.1.1 研究目的和意义 146 7.1.2 国内外研究现状与发展趋势 146 7.1.3 研究方案 147 7.2 样本图像的采集及预处理 148 7.2.1 样本图像的采集 148 7.2.2 图像降噪 150 7.2.3 图像分割处理 152 7.2.4 图像的二值化处理 154 7.3 样本图像长度的定义及算法 156 7.3.1 长度的定义 156 7.3.2 长度的算法及换算 156 7.4 图形用户界面设计 158 7.4.1 图形用户界面的搭建 158 7.4.2 程序回调 160 7.5 程序运行及结果分析 160 7.5.1 功能测试 160 7.5.2 长度测量结果分析 162 第8章 双域分解的复杂环境下奶牛监测图像增强算法研究 165 8.1 引言 165 8.2 图像增强概述 167 8.3 奶牛监测图像分析 168 8.4 双域分解的图像增强算法 169 8.4.1 双域滤波模型 170 8.4.2 高频降噪与增强模型 171 8.4.3 低频图像去雾与增强模型 174 8.4.4 算法实现过程 175 8.5 试验结果与分析 177 8.5.1 试验测试平台及参数选取 177 8.5.2 试验数据分类 177 8.5.3 主客观评价与分析 177 8.5.4 综合测试与分析 194 第9章 基于深度学习的奶牛发情行为识别研究 202 9.1 引言 202 9.2 供试数据 204 9.2.1 视频样本获取 204 9.2.2 视频处理系统设计 206 9.2.3 样本数据集构建 207 9.3 深度学习网络模型 208 9.3.1 卷积神经网络概述 208 9.3.2 卷积神经网络结构 209 9.3.3 卷积神经网络优点 211 9.4 奶牛发情识别CNN模型构建 212 9.5 奶牛发情行为识别结果及分析 214 9.5.1 试验测试平台 214 9.5.2 网络模型试验设计 215 9.5.3 特征图分析 216 9.5.4 识别结果分析 217 第10章 基于机器视觉的奶牛运动目标检测系统设计 220 10.1 引言 220 10.1.1 研究背景及意义 220 10.1.2 国内外研究现状 222 10.2 奶牛数据集制备 223 10.2.1 奶牛数据获取 223 10.2.2 YOLO v5训练数据集制作 224 10.2.3 目标跟踪数据集制作 226 10.2.4 视频标注 227 10.3 目标检测算法设计 229 10.3.1 YOLO v5算法 229 10.3.2 YOLO v5的改进算法设计 233 10.3.3 DeepSORT算法介绍 237 10.3.4 YOLO v5和DeepSORT结合 238 10.4 目标检测实验结果与分析 239 10.4.1 YOLO v5目标检测改进评估 239 10.4.2 目标跟踪效果评估 245 第11章 基于机器视觉的牛脸识别系统设计 252 11.1 引言 252 11.1.1 研究意义 252 11.1.2 国内外研究现状及发展趋势 253 11.2 牛脸识别相关技术 255 11.2.1 牛脸图像预处理技术 255 11.2.2 CNN神经网络 255 11.3 数据集制作 257 11.3.1 视频获取 257 11.3.2 图片文件获取 257 11.3.3 标注文件制作 262 11.4 TensorFlow环境配置 267 11.5 YOLO v4牛脸检测模型构建 269 11.5.1 运动目标检测 269 11.5.2 YOLO v4框架结构 271 11.5.3 模型评价指标 274 11.5.4 LOSS损失函数 277 11.5.5 训练模型参数 279 11.5.6 识别结果 281 参考文献 284