基于计算机视觉的高速机器人芒果分选系统设计

针对目前芒果的外观品质分级采取人工方法所存在的不足,基于机器视觉、并联机器人等先进技术,构建了用于芒果品质动态、实时检测及分选的高速机器人系统,设计了芒果分拣的计算机视觉硬件系统,开发了高速分拣计算机视觉软件系统。工作时,芒果输送带将芒果按机器人动作节拍输送至图像采集区域由工业相机采集图像,识别系统对图像信息进行特征提取,建立图像特征与国家标准中的三级芒果的对应关系,将具有相应图像特征的芒果其所处位置信息及其级别对应的位置信息,通过单片机控制系统输送给高速分选机器人,从而完成芒果的高速分选。测试结果表明:高速分拣机器人系统可以高速、准确地完成芒果的分选工作。     

基于计算机视觉技术的天麻分选装置设计

为了解决天麻外观品质检测问题,设计了一种在线实时检测装置,用于天麻的品质动态实时检测。为此,确定了关键部件主要结构和参数,阐述了其总体结构及工作原理。天麻通过放料部分进入滚筒,经滚筒传输至上料部分,上料部分的辊轮将其运送到翻滚槽口,经翻转后进入托盘机构,托盘机构在链条的带动下以一定速度向前输送至图像采集部分,从而获取天麻整个表面信息。图像识别系统对采集到的天麻图像进行综合分析判断,确定天麻品质和位置信息,传送给分选执行机构,对天麻进行智能分选。试验结果表明:识别模型识别效率为99.34%,步长为7.06个/s,准确率为95%,可为天麻分选装置设计生产提供理论指导。     

苏叶在线分选系统设计与试验

针对我国苏叶人工分选劳动强度大、效率低、缺乏自动分选系统的问题,设计了苏叶在线分选系统,该系统由上料单元、检测单元、传输单元、分选单元、下料单元、供气系统以及控制系统组成。首先对苏叶图像进行预处理,进而获取叶片最小外接圆及其直径信息,最后根据确定的转换系数得到苏叶尺寸。为便于苏叶分选控制,设计了苏叶尺寸输出排序策略。试验结果表明,利用该系统能够实现苏叶的快速测量与分选,单幅图像处理时间约为0. 18 s,分选速度约为4片/s,系统测量总体平均绝对误差为0. 157 cm,总体分选准确率为90. 09%。     

基于计算机视觉技术的樱桃自动分选系统设计

针对目前国内落后的樱桃分选工作方式,基于农业现代化、机械化、智能化的发展需求,以名贵果品樱桃为研究对象,设计开发了一种小型的集樱桃内部质量和外观判定为一体的计算机视觉自动分选系统。该分选系统主要由运动系统(包括樱桃输送系统和终端分级动作系统)、经改装配置近红外光发射器的视觉采集系统、计算机上位机、单片机等硬件系统和图像采集模块、数据处理模块,以及自动分选控制模块等软件系统组成。试验表明:该系统设计对樱桃内部外部综合质量的分选操作准确高速,其推广有望给樱桃产业打开国外市场提供支持。     

冷冻干燥物料水分在线测量系统设计与试验

根据JDG-0.2型真空冻干试验机的工况特点,设计了基于可重组虚拟仪器的冻干物料含水率在线测量系统,可实时采集、分析计算、存储和显示物料的质量、含水率和失水率等相关参数.并绘制含水率和失水率的变化曲线,为冻干工艺过程的判别与调控提供了准确的数据.系统运行结果表明.物料质量的相对测量误差小于0.5%,含水率的绝对测量误差小于0.5%.满足冷冻干燥生产工艺过程监控的要求.     

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。     

基于计算机视觉的苹果自动分级系统硬件开发

介绍了一种基于计算机视觉的新型苹果实时分级试验系统的硬件组成,该系统主要由输送机构、视觉系统及均匀照明室３部分组成。输送机构可把苹果４个表面快速呈现给视觉检测系统;视觉系统可同时采集苹果在可见光和近红外光谱范围内的图像信息并送至计算机内存进行处理;照明系统为ＣＣＤ摄像机的视区提供均匀、恒定的光照。初步试验表明了该系统的可行性,其辅助机构的实时分级算法有待于进一步研究。     

基于计算机视觉的水果分选机实时控制系统

研究了一种基于计算机视觉的水果分选机实时控制系统。其利用计算机进行水果图像的采集、处理。利用单片机对分选台执行机构进行控制。工作时，光电传感器的脉冲信号触发图像卡采集图像，计算机进行图像处理后，其结果信号由串口发出，单片机接收到结果信号后向相应的电磁阀发出开关量信号，驱动执行机构动作，从而实现实时分选。     

基于计算机视觉的新疆棉种颜色分选系统设计

设计了一套基于机器视觉的脱绒棉种在线分选系统,采用种子平抛和气吹分离的方式实现了新疆地区红棕色棉种与黑色棉种的自动分选。研究了无序状态下的种子图像采集方法,并通过区域细分的方式解决了无序种子与气流喷嘴的对应关系。提出了种子位置跟踪和分离算法,实现了对棉种图像处理结果的延时分离操作。实验结果表明:在传送带速度为0.50 m/s时,分选精度为88.6%,选出率为80.7%。     

智能化光伏电站监控系统设计与实现

为解决光伏电站监控系统光伏阵列监测不足、故障不易定位等问题,笔者设计了集数据采集和处理的智能化光伏电站监控系统.根据企业光伏电站布局,提出了光伏电站智能监控系统方案,完成了该监控系统的硬件选型和软件开发.仿真结果表明:该监控系统具备光伏电站运行参数分析、光伏设备实时在线监控、报警功能,有效保障了光伏电站的可靠运行和集中...     

基于LoRa和ARM的电机实时温度在线监测系统研究

针对中大型电机在温度监测过程中存在的传输距离近及抗干扰能力弱的问题,提出了一种基于LoRa无线通信和虚拟仪器的电机温度在线监测系统。系统将温度传感器实时采集的数据通过温度信号调理电路转化为下位机可以处理的电压信号,下位机对采集的一组电压信号模数转换后进行滤波处理及异或校验处理,通过LoRa模块将处理后的数据打包发送给上位机,上位机软件LabVIEW实现电机在运行过程中各路温度参数的在线监测、数据的保存与查询、温度补偿、上限阈值报警等。结果表明,基于LoRa和单片机的电机温度在线监测系统具有测量精度高、实时性强、传输距离远及抗干扰能力强的优点。     

基于机器视觉和YOLOv4的破损鸡蛋在线检测研究

破损鸡蛋导致的漏液会污染自动化生产线和完好鸡蛋,不仅影响生产效率,还会干扰裂纹鸡蛋的检测.为实现破损鸡蛋快速、准确、低成本的识别,本文利用机器视觉技术,并结合深度学习网络深层次特征提取、高精度检测分类的特性,提出一种基于YOLOv4网络的破损鸡蛋检测方法.构建破损鸡蛋图像数据集,搭建YOLOv4深度学习网络,训练含有破...     

基于计算机视觉和神经网络的芒果检测与等级分类

为了提高芒果检测与分类的准确率和效率,综合运用计算机视觉技术和BP神经网络技术,实现对芒果损伤的检测与分类。首先,通过计算机视觉系统获取芒果图像,利用图像处理去除噪声、图像分割和图像增强等多种基本图像处理的方法,对芒果损伤图像进行处理;其次,对芒果图像进行了特征分析,提取9个特征参数,将这9个特征参数作为输入,建立BP神经网络模型,对芒果进行分类。试验结果表明,模型对芒果识别的准确率达85.5%。     

基于深度卷积神经网络的水稻知识文本分类方法

为解决文本特征提取不准确和因网络层次加深而导致模型分类性能变差等问题,提出基于深度卷积神经网络的水稻知识文本分类方法。针对水稻知识文本的特点,采用Word2Vec方法进行文本向量化处理,并与OneHot、TF-IDF和Hashing方法进行对比分析,得出Word2Vec方法具有较高的分类精度,正确率为86.44%,能够有效解决文本向量表示稀疏和信息不完整等问题。通过调整残差网络(Residual network,Res Net)结构,分析残差模块结构和网络层次对分类网络的影响,构建了9种分类网络结构,测试结果表明,具有4层残差模块结构的网络具有较好的特征提取精度,Top-1准确率为99.79%。采用优选出的4层残差模块结构作为基本结构,使用胶囊网络(Capsule network,Caps Net)替代其池化层,设计了水稻知识文本分类模型。与Fast Text、Bi LSTM、Atten-Bi GRU、RCNN、DPCNN和Text CNN等6种文本分类模型的对比分析表明,本文设计的文本分类模型能够较好地对不同样本量和不同复杂程度的水稻知识文本进行精准分类,模型的精准率、召回率和F1值分别不小于95.17%、95.83%和95.50%,正确率为98.62%。本文模型能够实现准确、高效的水稻知识文本分类,满足实际应用需求。     

生姜力学性能试验与分析

利用CTM-4503型万能材料试验机,对新鲜生姜的植株、秸秆和根茎分别做了拉伸力学性能试验与分析.通过理论分析,得到了生姜植株、秸秆和根茎的许用应力,指出生姜在根茎与秸秆衔接处许用应力最小,并在此处容易发生疲劳断裂.另外,从理论上说明根茎表皮及外层组织容易脱落.由此为生姜收获机械新机型的研制与优化设计提供了理论依据.     

基于迁移学习和双线性CNN的细粒度菌菇表型识别

为了对细粒度菌菇进行表型识别,在双线性卷积神经网络细粒度图像识别框架基础上,提出了一种基于迁移学习和双线性Inception-ResNet-v2网络的菌菇识别方法。利用Inception-ResNet-v2网络的特征提取能力,结合双线性汇合操作,提取菌菇图像数据的细粒度特征,采用迁移学习将ImageNet数据集上预训练的模型参数迁移到细粒度菌类表型数据集上。试验表明,在开源数据集和个人数据集上,识别精度分别达到87.15%和93.94%。开发了基于Flask框架的在线菌类表型识别系统,实现了细粒度菌菇表型的在线识别与分析。     

基于残差网络和图像处理的干制哈密大枣外部品质检测

针对目前红枣分级装置检测指标单一,难以实现外部品质综合判别的问题,设计了一款基于残差网络结合图像处理的干制哈密大枣外部品质检测系统。首先,通过深度学习图像分类实现裂纹、鸟啄和霉变缺陷检测,为克服当前残差网络计算量大、复杂度高以及信息丢失的问题,提出了一种改进深度残差网络图像分类方法;其次,根据尺寸与纹理数量的等级差异性,提出了一种阈值检测方法,通过提取干制哈密大枣图像面积、周长、拟合圆半径及纹理数量特征,实现尺寸及褶皱检测。试验结果表明缺陷识别模型和尺寸、褶皱检测模型测试准确率分别达到97.25%、93.75%和93.75%。综合缺陷、尺寸和褶皱3种外部品质指标,通过在线采集图像验证系统测试,外部品质综合检测准确率为93.13%,可初步满足干制哈密大枣品质在线检测装备的生产需求。     

FC-CNN:基于卷积神经网络的水果图像分类算法

针对现有基于卷积神经网络的水果图像分类算法均使用池化层进行降维处理会丢失部分特征,导致分类精度有待提高的问题,提出FC-CNN(Fruit Classification Convolutional Neural Network)水果图像分类算法。该算法基于深度卷积神经网络思想,设计了一种由二维卷积层、批量规范化层和激活函数组成的网络结构,利用Sofmax loss和L2正则化进行损失函数设计。算法使用卷积加步长替代池化层,让网络具有自主学习下采样能力,使用批量规范化层用于解决网络过拟合问题。采用Fruits-360数据集进行测试,实验表明,FC-CNN可以识别出48种水果,准确率可达到99.63%。与现有的深度学习水果图像分类算法相比,FC-CNN的识别准确率更高,识别种类更多。     

基于计算机视觉信息处理技术的苹果自动分级研究

随着社会经济的快速发展和人们消费水平不断的提高,消费者在购买苹果时对其品质的要求也越来越高。在传统农产品加工作业中,导致分级精度低和劳动生产率低。利用计算机视觉信息处理技术,依据主特征参量对苹果进行自动分级,相较于传统的苹果等级人工分离方法,不仅提高了苹果等级分离的正确率,且极大地节约了劳动力。     

基于Inventor的生姜挖掘铲有限元分析

为降低生姜收获损失率高现象,以生姜收获机挖掘铲为研究对象,利用Inventor自带的三维建模模块建立生姜收获机挖掘铲部件模块,并使用有限元分析模块对其进行应力、应变分析,并与田间试验结果进行对比,比较理论计算结果与实际测得数据,进而验证所设计的挖掘铲合理性。