農(nóng)田除草機(jī)器人識別方法與裝備創(chuàng)制

第一章基于改進(jìn)MobileNetV3-SSD模型的農(nóng)田苗草識別方法1
第一節(jié)農(nóng)田苗草圖像數(shù)據(jù)采集1
一、全周期采集數(shù)據(jù)2
二、多角度采集數(shù)據(jù)3
第二節(jié)農(nóng)田苗草圖像數(shù)據(jù)集制作5
一、苗草圖像預(yù)處理5
二、苗草圖像數(shù)據(jù)鴻溝6
第三節(jié)MobileNetV3-SSD模型改進(jìn)與可視化7
一、MobileNetV3-SSD模型改進(jìn)8
二、MobileNetV3-SSD模型3D可視化9
第四節(jié)MobileNetV3-SSD模型訓(xùn)練與評估10
一、MobileNetV3-SSD模型訓(xùn)練10
二、MobileNetV3-SSD模型評估10
第五節(jié)數(shù)據(jù)采集系統(tǒng)構(gòu)成12
一、硬件設(shè)備和軟件12
二、車體平臺設(shè)計(jì)13
三、計(jì)算機(jī)組系統(tǒng)15
四、智能控制系統(tǒng)15
五、雙翼式視覺系統(tǒng)15
第六節(jié)基于改進(jìn)MobileNetV3-SSD模型的田間試驗(yàn)18
一、苗草識別網(wǎng)絡(luò)的3D可視化18
二、識別網(wǎng)絡(luò)模型的對比分析19
三、全周期條件下的識別模型檢測22
四、多角度條件下的識別模型檢測27
第七節(jié)小結(jié)32
第二章基于YOLOv3模型的立式智能株間除草機(jī)器人35
第一節(jié)基于YOLOv3模型進(jìn)行苗草識別35
一、苗草圖像數(shù)據(jù)集制作36
二、苗草圖像數(shù)據(jù)預(yù)處理38
三、苗草圖像數(shù)據(jù)標(biāo)記39
四、苗草模型建立40
五、除草區(qū)域建立42
六、除草策略制定43
第二節(jié)智能株間除草機(jī)器人系統(tǒng)設(shè)計(jì)44
一、除草機(jī)器人系統(tǒng)設(shè)計(jì)44
二、農(nóng)田移動(dòng)平臺設(shè)計(jì)47
三、智能除草單元設(shè)計(jì)49
第三節(jié)末端執(zhí)行器與執(zhí)行機(jī)構(gòu)的優(yōu)化設(shè)計(jì)50
一、農(nóng)田作業(yè)參數(shù)測定50
二、末端執(zhí)行器設(shè)計(jì)與優(yōu)化53
三、執(zhí)行機(jī)構(gòu)的設(shè)計(jì)與優(yōu)化60
第四節(jié)機(jī)器人智能控制系統(tǒng)搭建62
一、硬件系統(tǒng)組成62
二、控制策略制定63
三、控制算法優(yōu)化63
第五節(jié)智能除草機(jī)器人系統(tǒng)試驗(yàn)70
一、臺架試驗(yàn)70
二、田間試驗(yàn)72
第六節(jié)小結(jié)77
第三章基于YOLOv4模型的臥式智能株間除草機(jī)器人79
第一節(jié)基于YOLOv4模型進(jìn)行苗草識別79
一、苗草圖像數(shù)據(jù)集制作79
二、苗草圖像數(shù)據(jù)集預(yù)處理與標(biāo)記81
三、苗草識別模型建立83
第二節(jié)除草機(jī)器人系統(tǒng)架構(gòu)87
一、機(jī)器人整體結(jié)構(gòu)組成87
二、機(jī)器人作業(yè)模式建立88
第三節(jié)除草機(jī)器人機(jī)械系統(tǒng)設(shè)計(jì)與優(yōu)化90
一、田間作業(yè)環(huán)境測定90
二、框架結(jié)構(gòu)搭建92
三、仿形機(jī)構(gòu)設(shè)計(jì)與優(yōu)化93
四、傳動(dòng)系統(tǒng)設(shè)計(jì)與優(yōu)化94
五、末端執(zhí)行器研制101
第四節(jié)除草控制策略制定與系統(tǒng)搭建102
一、株間草苗信息獲取103
二、除草控制策略制定104
三、除草控制系統(tǒng)搭建106
第五節(jié)除草機(jī)器人性能試驗(yàn)與分析109
一、臺架試驗(yàn)與分析109
二、田間試驗(yàn)與分析112
第六節(jié)小結(jié)129
第四章基于BlendMask語義分割模型的對靶施藥除草機(jī)器人131
第一節(jié)除草劑投放劑量試驗(yàn)131
一、溫室試驗(yàn)132
二、田間試驗(yàn)134
三、試驗(yàn)結(jié)果與分析134
第二節(jié)農(nóng)田雜草圖像數(shù)據(jù)集制作137
一、雜草植株圖像數(shù)據(jù)集采集與制作138
二、苗草種群圖像數(shù)據(jù)集采集與制作141
第三節(jié)基于 BlendMask模型的農(nóng)田雜草圖像分割143
一、語義分割模型簡介144
二、雜草分割模型訓(xùn)練與評估145
第四節(jié)農(nóng)間苗草圖像語義分割試驗(yàn)與分析145
一、實(shí)例分割模型對比試驗(yàn)分析145
二、超參數(shù)對分割性能的影響分析與優(yōu)化148
三、葉齡與拍攝位姿對分割性能的影響分析150
第五節(jié)對靶施藥除草機(jī)器人系統(tǒng)簡介156
一、除草機(jī)器人整體結(jié)構(gòu)156
二、變量靶噴單元設(shè)計(jì)157
三、智能控制系統(tǒng)搭建158
第六節(jié)對靶施藥機(jī)器人農(nóng)田試驗(yàn)160
第七節(jié)小結(jié)162
第五章基于雙流密集特征融合網(wǎng)絡(luò)的變量對靶施藥除草機(jī)器人163
第一節(jié)RGB-D數(shù)據(jù)與雜草地上鮮重標(biāo)簽動(dòng)態(tài)采集方法163
一、采集區(qū)域與研究對象163
二、采集機(jī)器人平臺與設(shè)備164
三、采集方法與流程164
第二節(jié)雙流密集特征融合網(wǎng)絡(luò)雜草鮮重檢測模型搭建167
一、雙流密集特征融合網(wǎng)絡(luò)模型技術(shù)路線167
二、KNN技術(shù)填補(bǔ)缺失值168
三、構(gòu)建YOLOv4雜草目標(biāo)檢測模型169
四、雙流密集特征融合網(wǎng)絡(luò)模型構(gòu)建169
第三節(jié)雙流密集特征融合網(wǎng)絡(luò)雜草鮮重檢測模型試驗(yàn)與結(jié)果分析175
一、網(wǎng)絡(luò)模型評價(jià)指標(biāo)175
二、技術(shù)路線結(jié)果與分析175
三、YOLOv4與其他目標(biāo)檢測算法結(jié)果對比176
四、嵌入Dense-NiN模塊回歸網(wǎng)絡(luò)結(jié)果比較176
五、不同數(shù)據(jù)增強(qiáng)方法影響179
六、雙流密集特征融合網(wǎng)絡(luò)受生長時(shí)期和雜草種類影響結(jié)果分析180
七、雜草鮮重與IOU值關(guān)系182
八、雜草相互遮擋影響結(jié)果分析183
第四節(jié)對靶施藥除草機(jī)器人單元?jiǎng)?chuàng)制184
一、機(jī)器人移動(dòng)平臺搭建184
二、除草單元整體結(jié)構(gòu)設(shè)計(jì)184
三、機(jī)械系統(tǒng)硬件選型與布控185
四、施藥控制策略制定與系統(tǒng)搭建188
第五節(jié)對靶施藥除草機(jī)器人田間試驗(yàn)與分析191
一、除草劑與雜草鮮重量化關(guān)系試驗(yàn)設(shè)計(jì)與分析191
二、變量對靶施藥機(jī)器人農(nóng)田除草試驗(yàn)與分析193
第六節(jié)小結(jié)196
參考文獻(xiàn)198