在线式玉米单粒种子检测分选装置设计与试验

针对农业生产中种子精选的需求,设计了在线式单粒种子检测分选装置,实现流水线式种子上料、检测和分选。该装置由上料装置、检测单元、分选单元和控制系统组成。上料装置通过两级振动实现籽粒的平铺,配合传输带完成籽粒的单粒化。检测单元由高速工业相机实时获取种子图像,并传送至上位机检测分析。控制系统根据检测结果和种子在图像中的位置,控制分选单元完成分选。利用搭建的装置采集了1200粒正常种子、1200粒霉变种子和1200粒破损种子的图像,使用HALCON软件提取了单粒种子的18个颜色和12个形态特征,通过偏最小二乘判别分析法进行判别分析,分别构建了种子霉变和破损的检测模型,并利用搭建的装置和模型进行了验证试验。试验结果表明：在线式单粒种子检测分选装置分选速率大于300粒/min;其中霉变种子的分选准确率高于95%,破损种子分选的准确率高于89%。     

玉米种子实时检测分选装置设计与试验

针对我国玉米种子人工分选效率低、错分率高、缺少自动检测分选装置等问题,设计了一种玉米种子实时检测分选装置。该装置由进料单元、检测单元、分选单元和控制系统组成。下位机采用MSP430,与上位机实时通信,并控制分选执行机构,上位机采用Matlab 2014b软件对玉米种子图像进行实时处理,并输出识别结果。为了便于采集玉米种子图像,设计了种子分离机构。根据霉变玉米种子与正常玉米种子表面颜色的差异,设计了一种基于HSV颜色空间划分的玉米种子识别算法,并提出了一种玉米种子排序策略,实现了玉米种子的精确分选。该装置对单幅图像的采集和处理时间约为0.7 s,分选速率最高为680粒/min,霉变玉米种子识别准确率为100%,裝置总体分选准确率不低于94%。该装置实现了从玉米种子进料到分选的全自动化,能够对霉变玉米种子进行实时检测和分选。     

玉米种子活力逐粒无损检测与分级装置研究

基于近红外反射光谱分析技术,设计了玉米种子活力逐粒无损检测与分级装置,该装置主要由单粒化装置、输送管道、近红外光谱采集系统、控制系统和分级装置等组成。种子单粒化装置由一个带孔的倾斜转盘和一个固定托盘组成。输送管道与固定托盘出种口连接,其末端为光谱采集单元。种子由单粒化装置分离后,经输送管道落至光谱采集区进行光谱分析及活力判断,之后由分级装置对判别完成的种子进行分级。带孔圆盘用于将种子单粒化,其工作效率是提高种子检测及分级速率的关键。经分析得出,决定单粒化装置单粒化效率的因素分别为转盘倾斜角、转盘速度和孔高度。为提高检测速率,对单粒化装置进行了参数分析及优化试验。试验结果表明,当转盘倾斜角为31°、转速为0. 5 r/s、孔高度为2. 2 mm时,种子单粒化效率最优,单通道可达7粒/s。为建立玉米种子活力预测模型,基于该装置分别采集了100粒正常有活力玉米种子和100粒人工老化无活力玉米种子在980～1 700 nm波长范围的光谱数据,对种子原始光谱进行不同方法的预处理,并利用PLS-DA建立种子活力的定性判别模型。几种不同处理方式下的建模对比结果表明,SG-smooth预处理下的建模效果最优,其中校正集的判别准确率为98. 7%,预测集的判别准确率为96%。选取100粒种子对该装置预测模型的稳定性和准确性进行了验证试验,种子活力预测的总准确率为97%。所设计的玉米种子活力逐粒无损检测分级装置单粒化效率较高,光谱数据采集稳定,对玉米种子活力进行实时无损检测及分级具有可行性。     

丸粒化包衣种子识别检测系统设计与试验

由于存在包衣配方不统一、包衣机自动化水平低等问题,目前我国种子包衣合格率检测精度和效率较低。为此设计了一套丸粒化包衣种子识别检测系统,针对形状为类球体的包衣种子进行识别。首先,搭建拍摄平台,拍摄的图像传输至识别控制系统中进行图像前期处理。其次,根据图像处理后不同类型包衣种子特征提出了一种识别检测算法,根据破损包衣种子与其它包衣种子图像面积比例的差异,利用高级形态学处理实现破损包衣种子的识别。根据多籽种子与合格种子颗粒像素值的差异实现对多籽种子以及合格种子的识别。最后,对种子总数、合格数、多籽种子数及破损种子数进行检测,计算得到包衣合格率。以红三叶种子进行试验,结果表明：整套系统图像采集、处理与识别时间约为3 s;运用高级形态学处理识别破损包衣种子准确率达98.8%;当试验样本为200粒时,总数识别算法的准确率达到99.1%;对合格包衣种子以及多籽包衣种子识别相对误差分别为1.18%与3.36%。该识别检测系统实现了拍摄、图像处理、检测识别以及结果保存等功能,实现了包衣种子的无损检测。     

丸粒化包衣种子识别检测系统设计与试验

由于存在包衣配方不统一、包衣机自动化水平低等问题,目前我国种子包衣合格率检测精度和效率较低。为此设计了一套丸粒化包衣种子识别检测系统,针对形状为类球体的包衣种子进行识别。首先,搭建拍摄平台,拍摄的图像传输至识别控制系统中进行图像前期处理。其次,根据图像处理后不同类型包衣种子特征提出了一种识别检测算法,根据破损包衣种子与其它包衣种子图像面积比例的差异,利用高级形态学处理实现破损包衣种子的识别。根据多籽种子与合格种子颗粒像素值的差异实现对多籽种子以及合格种子的识别。最后,对种子总数、合格数、多籽种子数及破损种子数进行检测,计算得到包衣合格率。以红三叶种子进行试验,结果表明：整套系统图像采集、处理与识别时间约为3s;运用高级形态学处理识别破损包衣种子准确率达98.8%;当试验样本为200粒时,总数识别算法的准确率达到99.1%;对合格包衣种子以及多籽包衣种子识别相对误差分别为1.18%与3.36%。该识别检测系统实现了拍摄、图像处理、检测识别以及结果保存等功能,实现了包衣种子的无损检测。     

玉米定向精播种粒形态与品质动态检测方法

为满足玉米定向精播对种子外形和品质的要求,设计了一种玉米种子精选装置,并研究了玉米种粒动态检测算法。经过脱粒并筛除杂质的种粒投入玉米种子精选装置,分两列两层传输,完成玉米种粒的动态检测。通过计算种子胚根尖端的方向,排除了种粒的重复检测现象;以人工选取的100粒标准种粒外形参数为基础建立合格种粒特征参数库,实现对种粒外形的检测;依据合格种粒和重度霉变种粒表皮亮度差异较大的特点,基于图像饱和度分量对重度霉变种粒加以检测;依据轻度霉变种粒表皮呈现块斑的特点,利用种粒的R、G、B颜色平均值检测轻度黑色霉变;以种粒黄色区域补洞后对应原种粒(B-R)的值,判断种粒的轻度白色霉变和轻度破损;对于外形和霉变检测合格的种粒,通过分析种粒区域中白色区域的大小,进行玉米种粒胚芽朝向的判断,为后续种粒定向包装和定向播种提供了依据。对280粒各品种玉米种子进行实时检测,每粒种子的平均检测时间约为14 ms,重复种粒判断准确率为95%,种粒合格性检测准确率为96.1%,胚芽朝向判断准确率为97.1%。     

基于CNN的小麦籽粒完整性图像检测系统

为了快速、准确识别小麦籽粒的完整粒和破损粒,设计了基于卷积神经网络(CNN)的小麦籽粒完整性图像检测系统,并成功应用于实际检测中。采集完整粒和破损粒两类小麦籽粒图像,对图像进行分割、滤波等处理后,建立单粒小麦的图像数据库和形态特征数据库。采用LeNet-5、AlexNet、VGG-16和ResNet-34等4种典型卷积神经网络建立小麦籽粒完整性识别模型,并与SVM和BP神经网络所建模型进行对比。结果表明,SVM和BP神经网络所建模型的验证集识别准确率最高为92. 25%; 4种卷积神经网络模型明显优于两种传统模型,其中,识别性能最佳的AlexNet的测试集识别准确率为98. 02%,识别速率为0. 827 ms/粒。基于AlexNet模型设计了小麦籽粒完整性图像检测系统,检测结果显示,100粒小麦的检测时间为26. 3 s,其中,图像采集过程平均用时21. 2 s,图像处理与识别过程平均用时为5. 1 s,平均识别准确率为96. 67%。     

基于红枣缺陷的分选检测仪器设计研究

红枣是一种表面颜色深的果物,为了满足红枣业科技发展需要,课题组在相关理论研究和实际应用基础上,设计了红枣光电分选机检测系统,优化了图像处理算法和检测系统硬件,利用实验采集平台实现对红枣缺陷检测,根据陕北榆林红枣检测的需要,设计了缺陷枣粒的图像采集分选测试装置,挑选了合适的工业相机,装配了缺陷枣粒检验测试实验平台,确定了光源配置方式和光源组合方案,完成了计算机与枣粒图像收集模块的搭建,确定了基于Blob分析的红枣缺陷识别算法的实现流程,从而来分辨出红枣图像信息中的正常枣粒和霉变枣粒及损伤粒,达到分选不同类别红枣的目的。     

种子包衣合格率图像检测系统设计与试验

为满足对种子包衣合格率定量检测的需求,设计一套基于图像处理的检测系统,由上料下料系统、图像采集系统、控制系统和壳体等部件组成。该系统通过4个工业相机获取种子表面图像,通过工控机和软件进行处理,分别计算种子表面积和包衣面积,得到每粒种子包衣覆盖率和一批种子的包衣合格率。试验结果表明,单粒种子的平均检测时间小于3 s,覆盖率准确度的检测误差小于0.5%,覆盖率一致性偏差小于4%;一批种子合格率重复率为98.12%,差错率小于1%。与传统检测系统相比,该系统检测速度快,检测精度较高,差错率小,结构紧凑,能满足种子包衣合格率的定量检测。     

基于计算机视觉的玉米单倍体自动分选系统

研究了一种玉米单倍体籽粒分选方法,可自动分选具有Navajo标记的玉米单倍体籽粒。分选系统主要由种子输送单元、图像采集处理单元、分拣卸料单元及系统控制单元组成。图像采集处理单元根据玉米籽粒胚部及胚乳顶部的颜色特征进行单倍体籽粒判断,并将判断结果发送给系统控制单元。系统控制单元根据该结果协调种子输送单元及分拣卸料单元机械臂的运动,实现籽粒位置定位,同时开启与机械臂末端相应电磁阀,采用气吸方式分离杂合体籽粒,系统分拣速度可达     

基于机器视觉的玉米异常果穗筛分方法

针对玉米品种制种过程中病害果穗的表型识别问题,以玉米果穗整体为研究对象,基于二维快速成像技术实现了霉变、虫蛀和机械损伤3种异常果穗的快速分选。构建了单目视觉便携式图像采集装置,采集了任意摆放的粘连果穗目标图像,分别在RGB模型和HIS模型中提取了玉米果穗的6个颜色特征和5个纹理特征,并实现特征参数的归一化。构建了病害果穗分类模型,并采用已知样本特征向量对支持向量机和BP神经网络方法进行训练和对比分析,最后采用支持向量机方法实现了3种异常果穗的快速分选。实验结果表明,该方法对霉变异常果穗筛分的正确率可达96.0%,虫蛀果穗筛分的正确率可达93.3%,机械损伤果穗筛分的正确率可达90.0%。     

基于机器视觉的玉米种粒破损识别方法研究

针对玉米种粒在收获、脱粒、贮藏时因各种因素造成损伤和人工选种耗时耗力的问题,提出了一种基于机器视觉的玉米种粒破损检测方法。首先,利用图像获取装置得到单粒玉米种粒图像,通过差影法确定图像噪声种类,采用中值滤波方法对图像进行降噪;其次,标记图像边界,运用灰度阈值法完成玉米种粒图像分割。根据玉米种粒的形态特征分别提取玉米种粒的周长、面积、周长面积比、长轴长、短轴长、长宽比6个几何特征和矩形度、圆形度、紧凑度、7个Hu不变矩10个形状特征,共16个特征。完整玉米种粒和破损玉米种粒图像各50幅作为训练样本,将提取的16个特征分量作为输入量,对支持向量机(Support Vector Machine,SVM)进行训练,输出量为1、0,分别代表"合格""不合格",训练完成后获得玉米种粒的SVM识别模型;另取完整的玉米种粒和破损的玉米种粒图像各50幅作为测试样本,对训练好的SVM模型进行测试。结果表明:该检测方法对玉米种粒破损识别准确率达95%以上,识别100幅玉米种粒图像的时间为1.27s。研究结果为玉米种粒的实时破损检测提供了参考。     

基于改进YOLO v4的群体棉种双面破损检测方法

针对研究人员难以利用计算机视觉对棉种这类尺寸较小的物体进行双面检测,导致检测效果不佳的问题,设计了一款新型棉种检测分选装置,利用亚克力板在强光和白色背景下透明的特点,将棉种通过上料装置滑入透明亚克力板的凹槽中,随着转盘的转动,同一批棉种的正反两面图像分别由2个不同位置的CCD相机采集得到.利用改进YOLO v4的目标检...     

分体组合振动式超级稻精量播种匀种装置设计与试验

针对超级稻育秧播种环节振动式排种器匀种性能差,难以实现精量播种的问题,设计一种分体组合振动式精量播种匀种装置,并提出了一种基于图像识别的振动匀种控制方法。对振动板关键结构参数：储种盒深度和转向槽角度进行匀种性能单因素离散元仿真分析,结果表明：输送阶段不同时间和空间匀种均匀性变异系数和振动板出口处供种均匀性变异系数随储种盒深度增大而增大,随转向槽角度增大先减小后增大,并确定储种盒深度和转向槽角度分别为12 mm和48°。设计并搭建了种子流图像检测与控制系统,压电振动单体和匀种单元图像检测和整流验证试验表明,当检测到图像中白色低像素占比低于20%,经整流后,白色像素占比可满足设计要求。对分体组合振动式播种匀种装置进行不同匀种电压和具有不同长宽比的3种超级稻品种进行播种性能试验。试验结果表明,当工作电压为150～200 V时,其播种合格率不小于93.47%,漏播率不大于1.00%;3种水稻种子播种合格率均不小于94.17%,漏播率不大于0.67%。该装置能够满足超级稻精量播种要求,且对不同超级稻种子具有较好的适应性。     

玉米籽粒考种信息获取装置设计与试验

考种是制约育种效率的关键环节。玉米高通量考种过程,存在籽粒堆积和粘连现象,影响籽粒考种参数的提取。本文结合玉米高通量自动考种需求,设计了籽粒考种信息获取装置。通过分析堆积籽粒回旋运动过程的受力情况并根据试验情况确定振动平台回旋速度,实现籽粒的平铺摊种。在此基础上,针对粘连籽粒图像提出了一种先分割后融合的改进分水岭算法,该方法通过比较相邻分割区域极小值与最小分水岭的差值与设定的阈值T,进行邻域融合,对过分割区域进行合并,实现粘连籽粒的准确分割,分割完成后,统计籽粒个数,并基于Graham扫描法建立单个籽粒的最小外接矩形,获取籽粒长宽参数。在构建的玉米籽粒自动考种装置上进行动态试验,结果表明,本文所提出的方法可实现玉米粘连籽粒的准确分割,单穗玉米籽粒计数正确率不低于98.05%,籽粒平均长宽与人工测量结果的决定系数R~2在0.97以上,满足自动考种在线检测的需求。     

气吸滚筒式玉米排种器充种性能仿真与试验优化

为了提高气吸滚筒式排种器充种性能,采用离散元分析的方法,对种层高度、振动频率、振动角度分别进行数值模拟,结果表明:在相同条件下提升种层高度,可以增长充种区弧长,增加充种时间,降低排种器的漏充率;振动频率增加,种子平均法向应力方差增大,即对种子的扰动性增强;合适的振动角度可以有效提高供种高度。减小内摩擦、增强种群扰动性、提高供种高度均可有效提高排种器充种性能。为寻找最佳参数组合,以郑单958玉米种子为播种对象,采用二次旋转正交组合试验方法,对排种器进行了排种性能试验,建立了种层高度、振动频率、振动角度3个主要因素与合格率、漏播率、重播率的数学模型,分析了各个因素及交互作用对合格率的影响规律,并进行了参数优化与验证试验。当最佳参数组合为振动角度45°,振动频率116~122 Hz,种层高度96~117 mm时,合格率大于90%,漏播率小于5%,重播率小于5%。经试验验证,试验结果与分析结果基本一致。试验结果表明该气吸滚筒式精密排种器对于玉米种子具有很好的播种适应性。     

基于CNN的玉米种子内部裂纹图像检测系统

为了高效检测玉米种子内部裂纹,设计基于卷积神经网络(CNN)的检测系统及批量检测方法,采集有裂纹和无裂纹的玉米种子制作数据集,构建AlexNet、VGG11、InceptionV3和ResNet18共4种经典卷积神经网络,同时与传统算法模型SVM和BP神经网络进行对比实验。实验发现,卷积神经网络模型优于这两种传统算法模型,ResNet18模型的综合检测性能最佳,单粒有裂纹种子的识别准确率为95.04%,单粒无裂纹种子的识别准确率为98.06%,平均单粒种子识别时间为4.42 s。基于ResNet18,搭建种子内部裂纹自动识别装置,设计识别软件控制装置,得到玉米种子内部裂纹识别系统。系统实验进行10组批量识别,有裂纹种子的平均识别准确率为94.25%,无裂纹种子的平均识别准确率为97.25%,批量识别中光源的透射无法等效地显现所有种子的内部裂纹、多次加载模型权重导致泛化性不足等因素会影响准确率。     

基于改进YOLO v4的玉米种子外观品质检测方法

针对玉米种子在外观品质检测中需要快速识别与定位的需求,提出了一种基于改进YOLO v4的目标检测模型,同时结合四通道(RGB+NIR)多光谱图像,对玉米种子外观品质进行了识别与分类。为了减少改进后模型的参数量,本文将主干特征提取网络替换为轻量级网络MobileNet V1。为了进一步提升模型的性能,通过试验研究了空间金字塔池化(Spatial pyramid pooling, SPP)结构在不同位置上对模型性能的影响,最终选取改进YOLO v4-MobileNet V1模型对玉米种子外观品质进行检测。试验结果表明,模型的综合评价指标平均F1值和mAP达到93.09%和98.02%,平均每检测1幅图像耗时1.85 s,平均每检测1粒玉米种子耗时0.088 s,模型参数量压缩为原始模型的20%。四通道多光谱图像的光谱波段可扩展到可见光范围之外,并能够提取出更具有代表性的特征信息,并且改进后的模型具有鲁棒性强、实时性好、轻量化的优点,为实现种子的高通量质量检测和优选分级提供了参考。