Аннотация 2
Введение 5
1.Обзор современных технологий и методов AI в сельском хозяйстве 5
1.1. Обзор доступных сельскохозяйственных роботов в сельском хозяйстве .. 8
1.2. Обзор современного состояния исследований в области зондирования окружающей среды в сельскохозяйственных роботах 15
1.3. Обзор существующих методов глубокого обучения для анализа изображений 19
1.4. Обзор наборов данных для сегментации сельского хозяйства 22
1.5. Структура статьи и основные исследования 25
2. Объединение данных мультисенсорных датчиков 27
2.1. Моделирование и калибровка параметров RGB-D камеры 28
2.2. Коррекция искажений модели лидарного сканирования и облака точек . 36
2.3. Моделирование и калибровка измерений IMU 42
3. Разработка сельскохозяйственного разведывательного робота 43
3.1. Разработка архитектуры аппаратной системы для сельскохозяйственных роботов 44
3.2. Разработка архитектуры программной системы для сельскохозяйственных роботов 46
3.3. Разработка механического захватного устройства для сельскохозяйственных роботов-разведчиков 48
4. Распознавание и классификация изображений 54
4.1. Предварительная обработка наборов сельскохозяйственных данных 54
4.2.Обнаружение болезней растений и сорняков на основе улучшенного алгоритма CNN 58
4.3. Функция потерь и точность 60
4.4. Тестирование и оценка моделей 62
4.5. Выводы 62
Заключение 63
СПИСОК ЛИТЕРАТУРЫ 65
Умное сельское хозяйство — новая модель сельского хозяйства, которая сочетает в себе передовые технологии, такие как компьютерное зрение, мультисенсорная интеграция, искусственный интеллект, большие данные, Интернет вещей и робототехника. Традиционный ручной сбор кислотности почвы неэффективен и может повредить растения, в то время как роботы, основанные на мультисенсорной интеграции, предлагают новое решение. Эти роботы оснащены лидаром и глубинными камерами, а также используют алгоритмы глубокого обучения для выполнения таких задач, как обнаружение сорняков, классификация растений, анализ кислотности почвы и обнаружение болезней растений. Сочетание этих технологий повышает точность и эффективность сельскохозяйственных операций, продвигая развитие умного сельского хозяйства.
Целью данной работы является разработка манипулятора для захвата датчиков почвы, чтобы оценить производительность робота для задач автоматического захвата. Кроме того, разработать улучшенный метод на основе нейронной сети для классификации и распознавания изображений сельскохозяйственных растений. Задача данной работы - оценить и сравнить различные архитектуры конволюционных нейронных сетей, включая AlexNet, VGG16, LeNet-5 и MobileNetV2, проанализировать существующие наборы данных сельскохозяйственных растений и предложить улучшенный алгоритм для повышения точности и стабильности оценки состояния здоровья растений и идентификации культур.
Агент разведки в сельском хозяйстве играет важную роль в интеллектуальном восприятии внешней среды, его эффективность напрямую определяет, сможет ли агробот стабильно работать в реальных условиях. Ключевыми аспектами внешнего восприятия являются семантическая сегментация и способность адаптироваться к окружающей среде. Несмотря на значительные достижения в последние годы, в сложных и изменчивых реальных условиях остаются огромные вызовы. В применении агроботов одиночная сенсорная система с трудом справляется с множеством изменений окружающей среды, таких как дождь и снег, изменение освещенности и затенение растениями, что требует от системы более высокой способности к слиянию данных и устойчивости. Для решения этой проблемы в данной статье реализовано слияние данных от нескольких сенсоров, а также разработана и внедрена комплексная система восприятия окружающей среды для агроботов. Основные результаты и инновационные моменты исследования можно резюмировать следующим образом:
1. На основе анализа восприятия окружающей среды агроботов в данной работе проведен подробный анализ, проведена калибровка и коррекция искажений множественных сенсоров, что увеличило способность агроботов к автономному распознаванию и восприятию.
2. В данной работе была предложена аппаратно-программная архитектура агроботов, разработан механический узел для автоматического захвата почвенного датчика. Это помогает агроботам оценивать кислотность почвы и повышает их уровень автоматизации.
3. Для решения проблемы семантического распознавания культурных растений и почвы на полях был предложен улучшенный алгоритм нейронной сети, который эффективно определяет состояние здоровья сои и точно выделяет ее из многочисленных сложных растений. Этот метод был подтвержден своей точностью, и в заключении проведены соответствующие эксперименты для проверки и анализа.
В заключение данной работы было проведено глубокое исследование модулей агроботов в ответ на требования их реального применения в сельском хозяйстве. В результате была разработана и реализована система восприятия окружающей среды для агроботов, предназначенная для анализа почвы, что привело к ряду инновационных научных результатов. Научные исследования, проведенные в данной работе, не только повысили способности агроботов в восприятии сложной окружающей среды, но и предложили эффективные методы слияния данных от нескольких сенсоров и улучшенные алгоритмы нейронных сетей для точного определения состояния здоровья сельскохозяйственных культур. С углубленным пониманием агроботов внешней среды для будущих исследований будет акцентироваться на планирование маршрутов, построение карт и точную локализацию, что позволит дальше усовершенствовать их уровень интеллектуализации и практическую применимость.
