为在无人驾驶农机上实现快速、准确的葡萄园田间障碍目标检测,将EfficientDet-D0、YOLOV4-TINY、YOLOV3-TINY、YOLO-FASTEST四种轻量级目标检测神经网络在自建的葡萄园田间场景数据集进行训练,将训练模型移植到边缘设备NVIDIA JETSON TX2(以下简称TX2)上,对这4种模型的障碍检测精度和在TX2上的适用性进行试验评估。试验结果表明,YOLOV3-TINY、YOLOV4-TINY、EfficientDet-D0、YOLO-FASTEST对葡萄园田间场景障碍检测平均精度mAP分别为0.648、0.601、0.598和0.401。在TX2的实测结果显示,上述网络模型实时视频检测帧率分别为34.24帧、24.75帧、2.34帧和2.97帧。4种目标检测网络中,YOLOV3-TINY在数据集上的检测精度最高、实时检测速度最快,但对硬件资源消耗也相对较高。而在考虑硬件资源消耗时,使用YOLOV4-TINY可以在检测精度、实际运行速度和硬件资源消耗之间维持更好的平衡性,同时可以在运行多任务的情况下取得好的效果。

为在仅有少量训练样本条件下获得较高的植物病害分类精度,采用小样本学习模型作为病害分类器,在匹配网络、原型网络和关系网络3种典型小样本学习算法框架下分别采用Conv4、Conv6、ResNet10、ResNet18和ResNet34 5种浅层网络作为特征提取网络,在PlantVillage植物病害数据集上对病害识别性能进行对比试验。在1shot条件下,匹配网络、原型网络和关系网络对植物叶片病害识别的平均准确率分别为72.29%、72.43%和69.45%;其中原型网络+ResNet34为表现最好的组合,病害识别准确率达到了77.60%。在5shot条件下,匹配网络、原型网络和关系网络平均准确率分别为87.11%、87.50%和82.92%,各种网络病害识别准确率比1shot条件均有明显提升;原型网络+ResNet34依旧是表现最佳的组合方式,识别准确率达到89.66%。上述试验结果表明,通过优选小样本学习框架和特征提取网络的组合方式,对于少量样本的病害也能取得较好的识别效果。

针对我国设施农业的智能化、信息化水平不高的背景,设计一套基于物联网技术的农业温室远程监控系统。环境信息采集模块通过传感器模块采集温室内的空气温湿度、土壤温湿度、光照强度和二氧化碳浓度,利用485通讯协议组网并通过物联网网关和4G DTU模块实现数据传输;HMI微控器根据PLC的通讯协议控制灌溉设备、电动卷帘机、风机和补光灯的运行;利用Web端友好的系统界面实现温室的远程监控。应用表明,该系统运行稳定可靠,能够实现温室的远程监控和智能化管理,有效提高了温室科学化管理水平。