肉牛图像的目标检测与跟踪方法研究 2019 年9月 – 2020年2月
 研究目的：肉牛的自动化养殖需要检测每一头牛的运动和进食情况。因此，需要实时的监控每一头牛的位置和当前行为。在有大量数据集的情况下，深度学习目标检测算法能够有效的定位每一头牛的位置，并判定当前牛属于站立、行走、奔跑，进食、休息等状态。
 项目思路：为了获取大量肉牛数据，我们在宁夏肉牛基地，安装定点监控摄像头，拍摄肉牛的视频。通过关键帧提取技术，得到肉牛图片图片集。然后我们对图片集进行标注工作，得到10000张肉牛数据集。为了使目标检测模型适用于对肉牛的检测和跟踪，我们通过加入注意力机制，微调Darknet网络，借助特征金字塔模块来改进YOLOV3网络。为了解决肉牛追踪过程中，每一头牛的编号因为检测框丢失而出现的编号变化的问题，我们引入图像相似度算法来对比帧与帧之间的相似性。最终实现了当肉牛间出现严重遮挡时，不仅肉牛的识准率可达到91.86%，还能够实现肉牛的动态计数，判定肉牛当前的行为。

基于果园航拍图像的语义分割和路径规划算法研究 2020年4月 - 2020年12月
 研究目的：在果园中，基于无人小车的地面环境探测方法只能对周围一定区域进行探测。受限于探测范围，路径规划也只能在一个局部区域中进行，很难对规模化果园进行整体的路径规划。为了提高果园路径规划效率，我们提出了一种基于无人机的，通过语义分割的方式，一次性探测整个果园区域的路径规划方法。
 项目思路：为了使语义分割算法更加试用于果园，我构造一个命名为SADNet的语义分割网络，分割提取果园中的道路和果园。该网络包含了encoder-decoder结构、ASPP模块、SCSE注意力机制模块和改进的卷积层结构DIC模块。利用分割后的结果，将整个果园抽象化为二位栅格结构网络模型。使用基于A*的路径规划方法，最终规划出整个果园的路径，准确率达到93.61%，优于同一数据集下的DeepLabv3、PSPnet等网络。果园的路径规划线路实现了对所有果树的遍历，对比人工规划路线只有2.9%的误差。


基于语义分割图像的果园无人车与无人机协同导航研究 2021年1月 – 2021年6月
 研究目的：上一阶段果园分割与导航的研究有效地规划出了无人车在果园中的运动路径。但是，在果园中，地面导航系统容易受到树木的遮挡，影响导航的效率和精度。本研究的目的是结合地面导航系统和空中路径规划，来缓解GNSS被干扰而影响果园机器人导航的问题。
 项目思路：通过改进DeeplabV3网络对地面无人车图像进行分割，得到地面导航路径，再结合果园语义分割与路径规划（上述课题）中的方法，得到整体的果园导航路径，实现果园无人车导航。最终图像分割准确率达到94.55%，识别准确率和其他方法比，有显著的提升，可以准确引导无人车的野外活动。


 研究目的：蛾类是对粮食安全具有重大威胁的害虫。为了有针对性地对蛾类防治，需要识别蛾类害虫的种类。但蛾类的种内差异较小，需要通过蛾翅的花纹来区分，所以本研究采用细腻度分类的方法，通过针对性地检测蛾类花纹特征，来对蛾类进行分类。
 项目思路：我通过单压缩多激励模块学习每幅输入图像的多注意区域特征，找出不同蛾翅的纹理差异，对飞蛾分类和识别，最终细腻度分类的准确率达到了90.88%。