《智慧農業中的圖像處理與機器學習研究及套用》是2023年化學工業出版社出版的圖書。
基本介紹
- 中文名：智慧農業中的圖像處理與機器學習研究及套用
- 作者：劉忠超
- 語言：中文
- 出版時間：2023年8月
- 出版社：化學工業出版社
- ISBN：9787122439147
內容簡介,圖書目錄,
內容簡介
本書介紹了圖像處理和機器視覺技術在農產品成熟度檢測、畜產品的分級、重量預估、尺寸測量，以及奶牛監控圖像增強、奶牛發情檢測、奶牛運動目標檢測、牛臉識別等方面的套用。通過本書的介紹，讓讀者系統地了解數字農業的發展體系，以及作者近年來最新的一些科研成果，也希望本書能夠為我國農業的現代化、智慧型化、信息化發展貢獻一點微不足道的力量。本書可作為高等院校農業電氣化及自動化、自動控制等相關專業的參考書，也可供農業科技人員、農業工程從業者、從事圖像處理和機器視覺技術研究人員自學參考使用。
圖書目錄
第1章 圖像處理技術 001
1.1 數字圖像處理與機器學習 001
1.1.1 圖像 001
1.1.2 數字圖像的分類 002
1.1.3 數字圖像處理 003
1.1.4 數字圖像處理的任務 003
1.1.5 數字圖像處理的主要套用 006
1.1.6 數字圖像處理的發展 008
1.1.7 機器視覺 008
1.1.8 深度學習 009
1.2 圖像處理技術在農業中研究套用現狀 011
1.3 圖像處理技術在畜牧業中研究套用現狀 014
第2章 基於深度神經網路草莓圖像識別方法 019
2.1 引言 019
2.1.1 研究背景 019
2.1.2 國內外研究現狀 020
2.1.3 系統研究內容 020
2.2 草莓數據集樣本設計 021
2.2.1 數據集標註 022
2.2.2 數據增強 024
2.2.3 格式轉換 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 模型搭建及訓練 031
2.4.1 環境搭建及測試 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 檢測結果分析 039
第3章 基於圖像處理的雞蛋分級系統設計 041
3.1 引言 041
3.1.1 研究背景及意義 041
3.1.2 機器視覺的意義和套用 042
3.1.3 國內外研究現狀及發展趨勢 043
3.1.4 系統研究內容 045
3.2 雞蛋圖像採集 046
3.2.1 機器視覺系統組成 046
3.2.2 雞蛋圖像採集背景和設備 046
3.3 雞蛋參數提取與分級 049
3.3.1 雞蛋圖像預處理 049
3.3.2 雞蛋的蛋形指數計算 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 059
3.4.1 圖形用戶界面設計 059
3.4.2 回調函式編寫 060
3.4.3 系統調試 061
第4章 基於機器視覺的蘋果重量評估系統設計 063
4.1 引言 063
4.1.1 研究背景 064
4.1.2 國內外研究現狀 064
4.1.3 基於機器視覺的蘋果重量評估系統組成 065
4.1.4 蘋果果實形態分析 066
4.2 機器視覺系統硬體選擇 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 圖像形態學處理 073
4.4 蘋果外部特徵檢測 073
4.4.1 基於顏色的目標蘋果提取 074
4.4.2 蘋果特徵參數提取 075
4.5 蘋果重量預測研究 078
4.5.1 蘋果體積參數預測 078
4.5.2 重量預測模型建立 081
第5章 基於機器視覺的蘋果分級系統研究 084
5.1 引言 084
5.1.1 系統研究意義 084
5.1.2 水果分級技術發展趨勢 085
5.1.3 基本工作原理 085
5.1.4 系統硬體簡介 086
5.2 MATLAB的水果分級系統設計 089
5.2.1 GUI界面設計 089
5.2.2 M檔案的函式編程設計 092
5.2.3 用戶登錄系統設計 096
5.3 S7-300 PLC的控制系統設計 097
5.3.1 S7-300 PLC控制系統硬體設計 097
5.3.2 系統軟體設計 098
5.4 WinCC上位機監控系統設計 106
5.4.1 WinCC監控界面設計 106
5.4.2 WinCC控制項與變數連線 111
5.4.3 WinCC與S7-300 PLC的通信實現 113
5.5 MATLAB與WinCC通信實現 114
5.5.1 WinCC的OPC伺服器配置 114
5.5.2 MATLAB的OPC客戶端變數配置 115
5.6 系統的調試與運行 117
5.6.1 MATLAB水果圖像處理及其數據傳輸 117
5.6.2 水果分級操作 119
5.6.3 WinCC組態畫面的實時監控 120
第6章 羊毛彎曲度測量圖像處理系統設計 125
6.1 引言 125
6.1.1 研究背景和意義 125
6.1.2 國內外現狀及發展趨勢 126
6.1.3 研究要求及主要內容 127
6.2 羊毛圖像採集及處理 127
6.2.1 羊毛圖像採集 128
6.2.2 羊毛圖像預處理 129
6.2.3 羊毛圖像形態處理 133
6.2.4 圖像邊緣檢測 134
6.3 彎曲度的測量實現 135
6.3.1 彎曲度定義 135
6.3.2 數據的檢測 136
6.3.3 彎曲度計算 139
6.4 系統用戶界面設計 139
6.4.1 用戶界面搭建 140
6.4.2 用戶界面的回調 142
6.5 系統測試結果及分析 142
6.5.1 功能測試 142
6.5.2 結果分析 144
第7章 羊毛長度測量圖像處理系統設計 146
7.1 引言 146
7.1.1 研究目的和意義 146
7.1.2 國內外研究現狀與發展趨勢 146
7.1.3 研究方案 147
7.2 樣本圖像的採集及預處理 148
7.2.1 樣本圖像的採集 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 圖形用戶界面設計 158
7.4.1 圖形用戶界面的搭建 158
7.4.2 程式回調 160
7.5 程式運行及結果分析 160
7.5.1 功能測試 160
7.5.2 長度測量結果分析 162
第8章 雙域分解的複雜環境下奶牛監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 算法實現過程 175
8.5 試驗結果與分析 177
8.5.1 試驗測試平台及參數選取 177
8.5.2 試驗數據分類 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 基於深度學習的奶牛發情行為識別研究 202
9.1 引言 202
9.2 供試數據 204
9.2.1 視頻樣本獲取 204
9.2.2 視頻處理系統設計 206
9.2.3 樣本數據集構建 207
9.3 深度學習網路模型 208
9.3.1 卷積神經網路概述 208
9.3.2 卷積神經網路結構 209
9.3.3 卷積神經網路優點 211
9.4 奶牛發情識別CNN模型構建 212
9.5 奶牛發情行為識別結果及分析 214
9.5.1 試驗測試平台 214
9.5.2 網路模型試驗設計 215
9.5.3 特徵圖分析 216
9.5.4 識別結果分析 217
第10章 基於機器視覺的奶牛運動目標檢測系統設計 220
10.1 引言 220
10.1.1 研究背景及意義 220
10.1.2 國內外研究現狀 222
10.2 奶牛數據集製備 223
10.2.1 奶牛數據獲取 223
10.2.2 YOLO v5訓練數據集製作 224
10.2.3 目標跟蹤數據集製作 226
10.2.4 視頻標註 227
10.3 目標檢測算法設計 229
10.3.1 YOLO v5算法 229
10.3.2 YOLO v5的改進算法設計 233
10.3.3 DeepSORT算法介紹 237
10.3.4 YOLO v5和DeepSORT結合 238
10.4 目標檢測實驗結果與分析 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 基於機器視覺的牛臉識別系統設計 252
11.1 引言 252
11.1.1 研究意義 252
11.1.2 國內外研究現狀及發展趨勢 253
11.2 牛臉識別相關技術 255
11.2.1 牛臉圖像預處理技術 255
11.2.2 CNN神經網路 255
11.3 數據集製作 257
11.3.1 視頻獲取 257
11.3.2 圖片檔案獲取 257
11.3.3 標註檔案製作 262
11.4 TensorFlow環境配置 267
11.5 YOLO v4牛臉檢測模型構建 269
11.5.1 運動目標檢測 269
11.5.2 YOLO v4框架結構 271
11.5.3 模型評價指標 274
11.5.4 LOSS損失函式 277
11.5.5 訓練模型參數 279
11.5.6 識別結果 281
參考文獻 284
