(Jingcang Distribution Brand New Genuine) Farmland Weeding Robot Identification Method and Equipment Creation

编辑推荐

本书的主要内容涵盖了农田除草机器人的识别方法和装备创制技术。介绍了基于人工智能技术的农田杂草多元识别方法，证明了智能算法可赋能机器人更准确地识别定位杂草，辨识叶龄、鲜重等生物信息，从而提高杂草的防控质量和效率。此外，本书还详细介绍了多种农田除草机器人系统的装备创制技术，包括机器人的框架结构设计、控制系统搭建、动力系统配置、传感器布置和应用软件开发等。
本书可供农业机械从业者，智能装备、智慧农业、农业机器人研究人员以及相关专业高校师生阅读参考，助力提升杂草防除装备的智能水平，为农田杂草防控技术进步添砖加瓦。

内容简介

本书的主要内容涵盖了农田除草机器人的识别方法和装备创制技术。介绍了基于人工智能技术的农田杂草多元识别方法，证明了智能算法可赋能机器人更准确地识别定位杂草，辨识叶龄、鲜重等生物信息，从而提高杂草的防控质量和效率。此外，本书还详细介绍了多种农田除草机器人系统的装备创制技术，包括机器人的框架结构设计、控制系统搭建、动力系统配置、传感器布置和应用软件开发等。
本书可供农业机械从业者，智能装备、智慧农业、农业机器人研究人员以及相关专业高校师生阅读参考，助力提升杂草防除装备的智能水平，为农田杂草防控技术进步添砖加瓦。

前言序言

人工智能、机器人等技术的不断发展和广泛应用，促进了农业机器人技术的长足发展，并成为提升农业生产力水平的重要手段之一。在诸多农业生产环节中，农田杂草防控是一项关键、耗时、耗力的农事作业，因此借助学科交叉与集成创新探索除草机器人技术，对于提升杂草防除装备的智能水平、促进杂草防控技术进步意义重大。
本书基于农田杂草防控技术的研发，主要介绍了利用人工智能技术和机器人技术实现农田杂草的识别、机械除草以及精准对靶化学除草的目标。在机械除草方面，本书搭建了一个玉米苗期目标检测系统，利用深度学习技术实现草苗的识别，根据检测结果进行机械除草，并对该系统进行大田试验，结果显示该系统适应田间实际除草作业的需求。为进一步优化除草机器人，将除草效率以及玉米根系伤害考虑进来，创制了立式旋转智能株间除草机器人以及基于玉米根系保护的智能株间除草机器人，所创制的机器人平台能够满足玉米田间除草的农艺要求。在精准对靶化学除草方面，对杂草表型与施药反应进行探究，利用深度学习技术建立精准对靶施药除草机器人，实现精准对靶定量喷施的要求。为进一步优化精准对靶施药除草机器人，对农田杂草目标检测技术进行研究，将其与杂草地上鲜重结合建立杂草实时监测与杂草鲜重预测模型。
本书系统地介绍了农田除草机器人的识别方法和除草机器人装备的创制。第一章介绍了玉米苗期中耕维护的重要性，以及如何利用深度学习技术进行玉米苗期目标检测。试验结果表明：算法识别准确率可达97%，可用于开发除草机器人的识别系统。第二章介绍了一种立式旋转智能株间除草装置的研发过程，并且农田除草试验结果表明，该除草机器人系统的杂草识别准确率达到85.90%以上，能够为智能株间除草装置的开发提供参考。第三章介绍了一种基于玉米根系保护的智能株间除草装置。经农田试验，结果表明该机器人系统的除草率为82.75%，伤苗率为3.08%，伤根率为5.96%，性能满足玉米田间除草的农艺要求。第四章介绍了基于人工智能技术的杂草表型与施药反应研究，该研究可为精准对靶施药除草技术提供理论依据和基础参数，对于除草剂的精准、定量施用意义重大。第五章介绍了农田杂草目标检测技术与杂草地上鲜重预测模型。设计了一种3D点云与杂草地上鲜重标签动态采集方法，开发了一种基于 RGB-D 数据的双流密集特征融合卷积网络模型，搭建了农田和杂草实时检测与鲜重预测系统。本书部分图片以彩图形式放于二维码中，读者扫码即可参阅。
本书总结了编者团队数年从事除草机器人与人工智能技术研究的工作成果，相关研究得到了国家自然科学□□(32271998，52075092)和安徽农业大学高层次人才科研启动□□的资助，得到了王彩霞、冯槐区、李恒达、王旗、吴冰、张景禹等的鼎力相助，在此向支持和关心编者研究工作的所有单位和个人表示衷心的感谢。同时，还要感谢化学工业出版社同仁为本书出版付出的辛勤劳动。由于编者水平所限，虽几经改稿，书中不足和疏漏之处在所难免，恳请专家和广大读者不吝赐教。

权龙哲
2023年6月

目录

第一章基于改进MobileNetV3-SSD模型的农田苗草识别方法1
第一节农田苗草图像数据采集1
一、全周期采集数据2
二、多角度采集数据3
第二节农田苗草图像数据集制作5
一、苗草图像预处理5
二、苗草图像数据鸿沟6
第三节MobileNetV3-SSD模型改进与可视化7
一、MobileNetV3-SSD模型改进8
二、MobileNetV3-SSD模型3D可视化9
第四节MobileNetV3-SSD模型训练与评估10
一、MobileNetV3-SSD模型训练10
二、MobileNetV3-SSD模型评估10
第五节数据采集系统构成12
一、硬件设备和软件12
二、车体平台设计13
三、计算机组系统15
四、智能控制系统15
五、双翼式视觉系统15
第六节基于改进MobileNetV3-SSD模型的田间试验18
一、苗草识别网络的3D可视化18
二、识别网络模型的对比分析19
三、全周期条件下的识别模型检测22
四、多角度条件下的识别模型检测27
第七节小结32

第二章基于YOLOv3模型的立式智能株间除草机器人35
第一节基于YOLOv3模型进行苗草识别35
一、苗草图像数据集制作36
二、苗草图像数据预处理38
三、苗草图像数据标记39
四、苗草模型建立40
五、除草区域建立42
六、除草策略制定43
第二节智能株间除草机器人系统设计44
一、除草机器人系统设计44
二、农田移动平台设计47
三、智能除草单元设计49
第三节末端执行器与执行机构的优化设计50
一、农田作业参数测定50
二、末端执行器设计与优化53
三、执行机构的设计与优化60
第四节机器人智能控制系统搭建62
一、硬件系统组成62
二、控制策略制定63
三、控制算法优化63
第五节智能除草机器人系统试验70
一、台架试验70
二、田间试验72
第六节小结77

第三章基于YOLOv4模型的卧式智能株间除草机器人79
第一节基于YOLOv4模型进行苗草识别79
一、苗草图像数据集制作79
二、苗草图像数据集预处理与标记81
三、苗草识别模型建立83
第二节除草机器人系统架构87
一、机器人整体结构组成87
二、机器人作业模式建立88
第三节除草机器人机械系统设计与优化90
一、田间作业环境测定90
二、框架结构搭建92
三、仿形机构设计与优化93
四、传动系统设计与优化94
五、末端执行器研制101
第四节除草控制策略制定与系统搭建102
一、株间草苗信息获取103
二、除草控制策略制定104
三、除草控制系统搭建106
第五节除草机器人性能试验与分析109
一、台架试验与分析109
二、田间试验与分析112
第六节小结129

第四章基于BlendMask语义分割模型的对靶施药除草机器人131
第一节除草剂投放剂量试验131
一、温室试验132
二、田间试验134
三、试验结果与分析134
第二节农田杂草图像数据集制作137
一、杂草植株图像数据集采集与制作138
二、苗草种群图像数据集采集与制作141
第三节基于 BlendMask模型的农田杂草图像分割143
一、语义分割模型简介144
二、杂草分割模型训练与评估145
第四节农间苗草图像语义分割试验与分析145
一、实例分割模型对比试验分析145
二、超参数对分割性能的影响分析与优化148
三、叶龄与拍摄位姿对分割性能的影响分析150
第五节对靶施药除草机器人系统简介156
一、除草机器人整体结构156
二、□量靶喷单元设计157
三、智能控制系统搭建158
第六节对靶施药机器人农田试验160
第七节小结162

第五章基于双流密集特征融合网络的□量对靶施药除草机器人163
第一节RGB-D数据与杂草地上鲜重标签动态采集方法163
一、采集区域与研究对象163
二、采集机器人平台与设备164
三、采集方法与流程164
第二节双流密集特征融合网络杂草鲜重检测模型搭建167
一、双流密集特征融合网络模型技术路线167
二、KNN技术填补缺失值168
三、构建YOLOv4杂草目标检测模型169
四、双流密集特征融合网络模型构建169
第三节双流密集特征融合网络杂草鲜重检测模型试验与结果分析175
一、网络模型评价指标175
二、技术路线结果与分析175
三、YOLOv4与其他目标检测算法结果对比176
四、嵌入Dense-NiN模块回归网络结果比较176
五、不同数据增强方法影响179
六、双流密集特征融合网络受生长时期和杂草种类影响结果分析180
七、杂草鲜重与IOU值关系182
八、杂草相互遮挡影响结果分析183
第四节对靶施药除草机器人单元创制184
一、机器人移动平台搭建184
二、除草单元整体结构设计184
三、机械系统硬件选型与布控185
四、施药控制策略制定与系统搭建188
第五节对靶施药除草机器人田间试验与分析191
一、除草剂与杂草鲜重量化关系试验设计与分析191
二、□量对靶施药机器人农田除草试验与分析193
第六节小结196

参考文献198

作者简介

无