夜间自然环境下荔枝采摘机器人识别技术

利用机器视觉实现自然环境下成熟荔枝的识别,对农业采摘机器人的研究与发展具有重要意义。本文首先设计了夜间图像采集的视觉系统,然后选取了白天和夜间两种自然环境下采集荔枝图像,分析了同一串荔枝在白天自然光照与夜间LED光照下的颜色数据,确定了YIQ颜色模型进行夜间荔枝果实识别的可行性。首先选择夜间荔枝图像的I分量图,利用Otsu算法分割图像去除背景,然后使用模糊C均值聚类算法分割果实和果梗图像,得到荔枝果实图像;再利用Hough圆拟合方法检测出图像中的各个荔枝果实。荔枝识别试验结果表明:夜间荔枝图像识别的正确率为95.3%,识别算法运行的平均时间为0.46 s。研究表明,该算法对夜间荔枝的识别有较好的准确性和实时性,为荔枝采摘机器人的视觉定位方法提供了技术支持。     

机器视觉在农业生产中的应用研究

机器视觉技术因其非破坏性、精度高、速度快等特点,在现代农业生产中得到广泛应用。基于前人研究成果和文献分析,综述了近年来机器视觉技术在农产品质量分级与检测、农田病虫草害控制、农业自动采摘系统、农作物生长过程检测以及农业机械导航等方面的国内外研究进展,并对机器视觉技术在各领域的研究情况进行分析和总结,提出了机器视觉技术在农业生产应用中存在的问题和未来的研究方向。     

基于模糊聚类分析的草莓图像分割方法研究

为改善草莓采摘机器视觉系统中果实图像的分割效果,对普通均值聚类的分割方法理论进行分析,针对草莓果实图像的特点将模糊-均值聚类算法引入分割算法,大大改善草莓果实图像的分割效果。     

基于遗传算法的草莓图像FCM分割方法研究

为了改善草莓采摘机器视觉系统中果实图像的分割效果,对图像分割算法中的遗传算法理论进行了分析。针对草莓果实图像的特点,通过使用遗传算法去寻找FCM图像分割方法中的聚类中心,提高了确定聚类中心的精度,从而改善了草莓果实图像的分割效果。     

机器视觉高精度测量技术在农业工程中的应用

基于机器视觉的高精度测量技术在国内外已广泛应用于工业、医学、农业等领域,近年来在农业工程相关研究与应用中也得到了长足进展,应用对象涉及到蔬菜、水果、农作物和相关农业作业装备等。为此,从机器视觉定量检测和精确检测的角度出发,综述近年来机器视觉检测技术在农产品分级、农业机器人动作规划、植物生长参数检测和播种机排种性能试验等方面的应用以及进展,同时也简要讨论了该技术在非农业领域的应用现状和在农业工程领域的发展趋势,为农业现代化新技术的应用提供参考。     

机器视觉技术在农业领域中的应用

机器视觉又称计算机视觉,指人类设计并在计算机环境下实现的模拟或再现与人类视觉有关的某些智能行为的技术,如对印刷与手写文字识别、图像模式识别和物体三维表面形状知识与距离、速度感知等.机器视觉技术在农业上的研究与应用始于20世纪70年代末期,主要研究集中于农产品分选机械中利用机器视觉对农产品进行品质检测与分级.由于受当时计算机发展水平的影响,检测速度达不到实时要求,处于实验研究阶段.随着电子技术、计算机软硬件技术、图像处理技术及与人类视觉相关的生理技术的迅速发展,机器视觉技术本身在理论和实践上都取得了重大突破,除农产品分选机械外,目前该技术已经渗透到农产品鉴定、农作物生长、农产品收获等多个领域.     

基于机器视觉的杂草实时采集与处理算法的研究

随着计算机技术的不断进步,机器视觉技术在包括农业工程的各个领域的应用与研究中得到了广泛的发展,机器视觉在杂草实时采集与识别的技术研究中已成为科学工作者们的主要研究方向。为此,研究了杂草图像的实时采集、处理算法以及软件系统的开发,并利用现有的实验平台作为模拟试验系统。     

基于农业搬运机器人的障碍物视觉识别技术研究

【目的】随着农业自动化水平不断提升,研究农业搬运机器人如何优化搬运目标信息、定位及图像检索等功能具有重要现实意义。【方法】课题组提出了一种基于机器视觉的内容图像检索视觉识别技术,采用特征提取方法将图像纹理作为机器视觉障碍物特征识别的重要信息,通过实时更新障碍物信息,利用相似度距离计算,将采集的图像数据与数据库中的图像距离进行对比,并利用MATLAB仿真平台验证了CBIR系统对搬运机器人障碍物识别的精确度。【结果】利用小波滤波器优化的CBIR系统的对比结果优于其他方法的平均检索率,且前20张图像的检索率均能保持在98%以上。【结论】该方法有效提升了CBIR系统的障碍物检测性能及识别系统的精确度,可为系统数据库中障碍物图像特征对比提供高质量图像数据。     

机器视觉技术在农业机器人定位中的作用

随着科学技术的飞速发展,机器视觉技术在不同的应用场景下取得了良好的效果。机器视觉技术通过卷积神经网络、YOLO等模型,可以实现目标检测、目标分类、位置识别等。实践证明,农业机器人进一步结合机器视觉技术可以极大地提高农业智能化水平。基于此,课题组介绍了机器视觉技术在农业中的应用场景,详细分析了农业机器人的定位解决方案,结合单目相机提出了实现目标定位的方法,结合图像特征点提出了农业机器人位置的确定方法。结果表明,机器视觉技术能够实现农业机器人的精确定位,有利于农业的智慧化、自动化发展。     

机器视觉在种子自动分选系统中的应用

机器视觉技术在农业工程领域应用已经越来越广泛。为此,首先介绍了利用机器视觉技术的种子自动分选系统,并综述了近年来国内外在利用机器视觉技术对农作物种子进行自动检测方面的研究进展,认为种子的动态在线检测应用前景广阔。同时,指出了当今国内外研究中存在的问题和对今后研究的进一步展望。     

机器视觉技术在现代农业生产中的研究进展

机器视觉技术已经广泛应用于农业生产的各个环节,详细阐述机器视觉的概念、组成部分、工作原理以及发展历程,总结国内外的研究成果,介绍机器视觉技术在作物病虫草害识别与监测、作物生长信息监测与产量估计、果蔬识别定位与采摘、种子产前检测与果蔬分级以及农业机器人视觉导航等领域的研究进展与应用情况,提出农业场景视觉系统在稳定性、可靠性、准确性以及嵌入式视觉系统硬件计算能力与核心算法等方面还有待提高与突破,国内高水平学者集中的研究机构匮乏,行业创新能力不足,本土企业竞争力较弱等劣势;认为3D视觉技术、多传感器融合的视觉系统以及与5G深度融合的视觉系统将会成为未来农业生产领域的主要研究方向。此外,机器视觉技术的应用势必会带动产业升级、推动农业智能化发展,为无人农场建设提供有力的技术保障。     

基于机器视觉的农业植保技术研究进展

综述国内外机器视觉技术在农业植保领域的应用进展,分析机器视觉技术在农作物病虫害自动识别与诊断的应用前景,指出目前尚需解决的难点和研究方向。     

计算机技术在现代农业中的应用

在由传统农业的经验耕作、管理、规划、决策向现代农业的科学耕作、管理、规划、决策转变的过程中,计算机技术起着非常重要的作用。该文着重对计算机图像处理和机器视觉技术在农作物种质检测、种子计数、农产品品质检测与分级、作物生长状态监控及农业机械、农业机器人作业中的应用进行了论述,并简单介绍了计算机在节水灌溉、畜牧业生产和食品农产品安全领域的应用情况,提出将云计算应用于农业领域,将有助于解决农业高度分散、生产规模小和时空变异大等问题,应加快推进研究与技术实践。      

免耕环境中视觉导航机器人行走路径的检测

针对免耕环境下农田作业机器人的视觉导航,提出了一种导航路径-梨沟线的检测算法,以提高图像处理速度。同时,介绍了图像采集设备,描述了农田免耕作业环境和农田作业机器人的工作流程。在此基础上,以彩色图像中的R分量为处理对象,分别判断作业区域终点和犁沟线出现位置,确定犁沟线上的候选点,并采用基于一点的Hough变换方法,获得犁沟线的直线斜率。试验表明,提出的算法具有速度快、抗干扰、准确性高等优点。     

基于最小相切圆和形态学相结合的作物行检测算法

机器视觉的农业导航路径规划是精准施药的关键,而作物行提取是其准确识别作物行路径的基础。为此,以玉米为研究对象,提出了一种基于最小相切圆原理和形态学相结合的作物行检测算法。首先在室外田间环境下采集生长早中期的玉米作物行图像,选择作物行比较规整的图像进行处理;其次,利用改进的超绿灰度化(1.8R-G-B)算法对玉米作物行图像进行灰度化处理,大大减少了噪声的干扰,通过中值滤波基本消除了噪声;然后,运用Otsu阈值算法获取了玉米作物行的二值图像。由于作物行呈线型,在此基础上,采用5×1像素的线型结构元素和3×3像素的方形结构元素两者相结合的方法对二值图像进行腐蚀、膨胀运算,并采用提出的最小相切圆与形态学结合的方法提取中央玉米作物行的骨架并进行中央作物行直线的拟合。实验表明:该算法能提供准确的位置信息,且对作物行边缘噪声具有较强的抗干扰能力,对进一步研究精准施药提供了参考依据。     

机器视觉在农业车辆导航系统中的研究进展

机器视觉是农业自动车辆获得导航信息的一种方式,其基本任务是从图像中识别出作物行,然后提取作物线。目前有两种分析图像的模式：基于2D图像信息的边缘特征分析法,基于1D灰度信息的特征分析法。综述了国内外在这个领域的研究进展,并提出一些符合我国农业现代化发展趋势的机器视觉研究思路。     

基于机器视觉和随机方法的作物行提取算法

根据农田作物图像特点,采用基于垂直投影的窗口移动方法,得到代表作物行的定位点,提出了基于机器视觉和随机方法的作物行提取算法.该算法从定位点中随机选取2个不同点,决定一条候选直线,再根据阈值规则,进一步判断候选直线的真实性.实验结果表明,该算法可以提取不同作物的作物行,处理一幅640×480像素的彩色图像平均需要220 ms,正确识别率达98%.     

计算机视觉技术在农业机械中的应用

分析了计算机视觉技术的特点,概述了其发展过程;回顾和综述了计算机视觉技术在自动检测机械、智能收获机械、农业智能加工机械、智能田间作业机械等方面的应用;提出了计算机视觉技术在农业机械应用研究中需要重点解决的几个问题.     

作物行识别算法的虚拟试验方法

针对作物行识别算法的传统开发过程对田间作物生长周期依赖性较强,错过适当的田间图像采集时期将直接导致算法开发周期延长等问题,提出一种基于虚拟场景的作物行识别算法测试方法,即在虚拟环境下模拟农田作物行场景和图像采集系统,运用虚拟作物行图像测试作物行的识别算法。该方法在虚拟现实环境下建立作物行场景模型;提出一种融合建模法,根据作物和杂草的几何特征建立对应的三维几何模型;根据实际田间作物的空间分布特征,建立株距、行距可调的田间作物行模型;以Vega Prime为视景仿真工具,通过配置投影模式、渲染模式、视点位姿和图像采集规格,构建图像采集系统,输出作物行场景图像。以苗期棉花作物行为建模对象,对一种经过田间试验验证的双目视觉作物行识别算法进行测试试验。对比实际棉田图像对应的试验结果,同一作物行识别算法的识别正确率、偏差角和图像处理时间均相近。结果表明,本文建立的虚拟棉田作物行与实际棉田作物行场景相近,能够用于作物行识别算法的测试。     

农作物病虫害识别关键技术研究综述

农作物病虫害的预防与治理对农业生产具有十分重要的作用,病虫害防治工作的前提是准确识别病虫害目标。传统的病虫害识别方法包括人工识别和仪器识别,传统识别方法在识别效率、识别准确性、应用场景等方面已无法满足科学研究和生产的需要。深度学习是机器学习的一个重要分支,能够自动、高效、准确地从大规模数据集中学习到待识别目标的特征,从而替代传统依赖手工提取图像底层特征的识别方法,因此,将结合图像处理的深度学习技术应用于农作物病虫害识别是未来精准农业发展的必然趋势。农作物病虫害识别所涉及的关键技术以农作物病虫害数据为基础展开,通过阐述病虫害数据获取、数据预处理、数据增强、深度学习网络优化、识别结果可视化、识别结果可解释性、预测预报等关键技术的研究现状,归纳与总结了各关键技术应用中存在的问题和面临的挑战,最后指出农作物病虫害识别未来的研究发展方向,即在数据获取方面,构建多源农业数据集和积极打造数据共享资源平台,在数据处理方面,结合迁移学习算法、使用新型数据增强方法,在数据应用方面,积极开展可视化、可解释性和预测预报等工作。