机械检测(机械设计专业)

       现代机器学习技术已经广泛应用于各个领域，而由于数字技术的飞速发展，机器学习技术可以处理越来越复杂和庞大的数据，这为其广泛应用奠定了基础，未来机器学习技术的发展将会更加快速和广泛。

       机器学习技术在农业领域中被用于检测杂草，这一应用正是利用了机器学习技术强大的环境适应能力和高效处理能力。杂草检测系统将应用于农作物、土壤和杂草的图片，通过视觉算法将杂草识别并标记出来。

       通过无人机的辅助功能，基于无人机和机器学习的杂草检测设备将被应用于各种农田的生产当中，无人机与机器学习技术的结合是当今智慧农业的重要内容，大大提升了农业生产的质量和效率。

       该算法在每幅图像中以预定义的植物为基础，分辨出杂草和农作物，它还检测杂草在每一行的位置以及它们之间的距离。这是农业部门最具挑战性的任务之一。

       机器学习被分为几个不同的种类，他们会有不同类型的学习模式，如有监督学习和无监督学习等。在这种监督学习中使用了特定的算法，用来将数据传输到输入端，并给出所需的输出端口和输出模式。

       通过输入一个待检测对象的图像并使用监督学习，可以为图像中的待检测对象分配一个标签。在不同的输入情况下，这些输入可能是可用的也可能是不可用的。在半监督学习中，数学模型本身没有具体的和期望的数据，并且输入的一些待检测图像上会没有标签。

       对于机器学习中使用的算法则有两种类型的算法可供使用，分别称为分类算法和回归算法。所使用的这些分类算法就是在没有得到任何输出时，它们将设置一个有限的值。

       而一些回归算法可能有连续的输出，也可能没有连续输出，它们包含一个具有特定范围的值，输出会保持在这个特定范围之内。取得连续值的场景包括长度、不同物体的价格和环境的温度变化。

       在无监督学习中，因为预先确定有连续的输入而没有各自的输出，因此被称为期望输出。该算法大多用于检测数据格式，如聚类，在此过程中附加数据点。无监督学习可以检测输入，并将集群分成若干组。

       在这个农业项目中输入的对象是田间的作物和杂草图像，用机器学习来检测田间的作物和杂草，通过使用这些不同的机器学习算法，可以使检测田间杂草的准确率为90 %以上。大大的提高了农业生产的效率。

       在此过程中使用到支持向量机这一重要概念，支持向量机是一种重要的机器学习模型，它使用分类和回归分析来分析数据。

       支持向量机可以使用核来进行线性分类和非线性分类。当数据未标记时，模型不能使用监督学习对数据进行分类，只有无监督学习可以对未标记数据进行分类，从而可以将未标记数据分组。

       机器学习使用到的另一个重要模块是随机森林，它由许多决策树组成，且他们在本质上是独立的，但在操作时是同时进行的。机器学习的最终模型将基于每个单独的树的预测来决定。其结构图如图1。

图1 随机森林结构

       对于单个决策树，多数投票的结果将是最终的模型预测输出。随机森林模型是一个依赖于人群智慧的模型。在这个模型中最终的决定将不会基于个人的决定，而是将通过考虑人群中的多数意见来作出集体的决定。

       在蔬菜种植园中，不规则的植物间距使杂草的检测比在农作物种植园中面临更大的挑战。迄今为止，关于蔬菜种植园中杂草鉴定的研究还很少。然而杂草品种种类较多，传统的农业杂草鉴定方法主要集中于直接的杂草鉴定。

       通过使用一个训练有素的SSD Mobilenet模型将能够识别杂草。此外该方法可以大大降低训练图像数据集的大小和杂草识别的难度，提高杂草识别性能和准确性。利用计算机视觉和颜色指数，则能够将杂草与风景区分开。

       在对杂草进行识别分类过程中，利用到的卷积神经网络是一种重要的分类网络，它将用于目标检测、图像分类、人脸识别、指纹识别、杂草检测、疾病检测等多种应用。

       卷积神经网络可以通过对输入图像进行像素级处理来对图像进行分类。根据图像的分辨率，计算机可以看到输入的图像有一个像素的阵列。

       深度学习卷积神经网络模型由带有核滤波器和轮询的卷积层和全连接层组成。每个需要训练和测试的输入图像都必须遵循上述参数。之后将应用softmax函数对值为0或1的对象进行分类。

       图像将提供卷积神经网络的工作模型应用，输出概率值为0或1。卷积层是初始层，可以从输入的图像中提取特征，进而使用输入数据的图像特征和像素之间的关系。

       图2展示了使用神经网络进行杂草检测的步骤，首先使用相机对待检测试验田进行视觉捕获，收集到若干视频和图像信息。

       随后将彩色视觉数据进行RGB分解得到三个不同通道的数据信息。将三个通道的数据信息输入到机器学习的神经网络中进行处理，最终将杂草部分输出。

图2 杂草检测步骤

       TensorFlow是一个自由的软件库，可用于不同任务的数据流和不同的程序。DJ Mac库则是用于机器学习应用程序和神经网络等网络的库。它用于解决8位16位矩阵的高吞吐量和最小精度等问题，可用于捕获图像的捕获系统。

       TensorFlow是由Google公司开发的一款基于数据流图的开源机器学习框架。

       它的核心思想是对已有设备的资源进行优化的机制。与其他机器学习框架相比，TensorFlow具有灵活的架构、高效的执行速度、强大的模型构建和调试能力，也被广泛地应用于人工智能、数据挖掘、自然语言处理、图像和语音识别等领域。

       它采用数据流图语言，它能够将计算表示为有向无环图，将节点表示为数学计算，将边缘表示为多维数组，使得它能够利用不同平台上的任何硬件和操作系统。

       数据流图编程的主要优点是它能够将不同的任务并行化，在不同的硬件上使用分布式计算模型，得到更好的计算性能。

       在TensorFlow中，张量是数据流图关键的概念。它被定义为具有任意数量的维度的数学对象，可以理解为一个 n 种形状的多维数组。

       张量是用来存储输入、输出，得到并处理信息的基本单位，其表示了任何向量、矩阵或其他类型的低维数据。张量的常见操作包括加、减、乘、除和矩阵乘法等，用来完成深度学习的各种计算。

       在机器学习中，通常需要计算损失函数的导数，以使模型能够自动地调整参数。TensorFlow支持自动微分，可以通过提供损失函数来计算导数，并利用它们来更新模型参数。

       它是一个用于实现深度神经网络的高级api，它有不同的层，这些层有助于检测和调节高通量。所有功能都可以独立完成，包括了强大的函数功能，被用作多个输入和输出的处理器，通过这个工具可以看到多种物理量的图形可视化，如权重，激活和梯度。

       四旋翼飞行器通常由机身、四个支撑螺旋桨和控制电子设备组成。它的原理是通过电机和螺旋桨的推力来产生升力，从而实现飞行。四个螺旋桨可以通过电机发动机进行控制，实现向上、向下、前进、后退、向左转、向右转等多种方向的飞行。

       四旋翼飞行器是目前无人机市场上最主流的型号之一，也是一种可以飞行、悬停、悬停拍摄的航拍设备。与其他类型的无人机相比，由于四旋翼飞行器可以独立控制每个螺旋桨的动力，可以进行复杂的动作，如360度翻转和侧滑等高机动飞行动作。

       四旋翼飞行器的四个支撑螺旋桨可以平衡互相对立的力，从而实现悬停飞行，使其非常适合拍摄和科学研究等需要高度稳定性的应用。与其他类型的无人机相比，四旋翼飞行器的操作比较简单，尤其是对于无人机初学者来说，取得非常好的上手效果。

       由于四旋翼飞行器体积小、操作简单，可以在小空间内自由飞行，这使它成为飞行器应用领域中的重要一部分，如在室内环境中进行运输、测量和监测等领域。

       大多数四旋翼飞行器配备高性能电池，可提供较长的飞行时间，这使它可以应用于更广泛的领域，并取得更好的应用效果。

       四旋翼飞行器在许多不同领域得到了广泛应用。

       例如，它可以用于航拍、拍摄、广告拍摄、科学研究和勘测等领域，还可以应用于军事侦察、紧急救援和人员蹲点监测等重要领域。

       在航拍方面，四旋翼飞行器可以配合不同的摄像设备，如摄像头、测量仪器、光学镜头等，实现高质量的IEEE拍摄、悬停拍摄和影视拍摄，成为了航拍行业的重要设备。

       飞行器采用四旋翼飞行器，可精准控制飞行器的三维空间移动和定点悬停。电机控制器连接到f450四轴飞行器框架，四轴飞行器框架上安装有电机，电机控制器与电机相连，如图3所示。

图3 四旋翼飞行器

       飞行器设计需要考虑众多技术层面的问题，飞行器的结构设计是一个重要的环节，需要考虑到机身、翼面和动力等方面的参数。

       为了使飞行器能够更好地在空气中运行，机身要足够轻，同时又要保证机身能够承受足够的载荷。另外，翼面工艺及其强度的保证，也是关键环节。这些因素需要协同工作，以确保飞行器能够安全、稳定地飞行。

       飞行器的控制系统是决定它要执行的任务的关键。这个系统涉及许多方面，包括传感器的布置、控制器的算法、数据链接等。掌握这些技术点，可以帮助设计师在飞行器控制时尽量保证高品质、高效率、高精度、高安全性等方面的表现。

       杂草检测流程如图4所示。为了测试和训练杂草图像，所提出的系统模型使用了SSD MobilnetV1。根据数据结果显示，测试数据的平均精度为94%，列车数据的平均精度为91%。

图4 杂草检测流程图

       在使用SSD Mobilenet时，Weed被成功识别。SSD架构是一个统一的卷积神经网络，它可以同时学习预测边界盒的位置并对这些预测进行分类。因此SSD可以从头到尾进行训练，有若干个卷积层建立在SSD网络的基本结构之上。

       SSD允许在一个镜头中检测许多对象，但是基于RPN的技术如R-CNN系列需要两个镜头，一个用于生成区域提案，另一个用于检测每个提议的项目。这说明了SSD比基于RPN的方法速度快得多。

       根据当前的模型检测结果，如果一个杂草物体的可信度得分大于70%，在它周围将出现一个框，框上方显示一个带有杂草和信心得分的标签。不同类型的杂草采集自当地的农田。SSD MobilnetV1用于在这个数据集上检测杂草。图5为在该作物中检测到的杂草。

图5 杂草检测图

       使用机器学习算法来检测作物中的杂草，是农业领域与高新技术结合的一个重要标志。杂草的去除对作物的产量起着重要的作用，本模型可以通过识别杂草类型，从而指示农业人员使用适当的杀虫剂去除作物中的杂草。

       测试和训练数据的准确率分别为91%和94%，实现了高质量高效率的杂草识别与检测。对于实际的农业生产起到了十分重要的辅助作用。

       农业与科技结合有助于提高农业生产效率、促进农业可持续发展、提高农民收入和生活水平。随着科技发展，农业生产方式也在逐步提高，科技手段的应用可以提高农作物的产量和质量，减少生产成本，还可以加强资源利用和环境管理，推动农村经济发展。

参考文献：

A. Singh, B. Ganapathysubramanian, A.K. Singh, S. Sarkar, Machine learning for

       high-throughput stress phenotyping in plants, Trends Plant Sci. 21 (2016)110–124.