基于机器视觉的采后荔枝表皮微损伤实时检测

利用机器视觉技术进行采后荔枝的品质检测与分级有重要意义。首先结合摄像机与荧光光谱仪进行了荔枝图像的光谱分析,荧光作为激发光进行荔枝果皮的发射光谱特性分析,确定了不同荧光照射荔枝果实表皮的视觉检测方法的可行性;然后设计了具有不同颜色光照转换控制功能的机器视觉系统,选定了红色、蓝色和绿色荧光灯,对正常和微损伤两种品质状态的荔枝果实荧光图像进行灰度直方图统计分析,确定了利用蓝色荧光作为照射光源以及HSV颜色空间的V分量进行微损伤荔枝果实图像识别的方法,利用探索性分析法对荔枝果实视觉检测试验结果进行统计与分析,确定了正常与微损伤荔枝果实图像分割的灰度图阈值范围,结合优化的圆拟合算法,实现了荔枝果实视觉智能分级系统的设计。试验结果表明:该研究方法对正常荔枝和表皮微损伤荔枝的识别正确率为92%,为荔枝产后智能化检测分级提供了技术支持。     

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。     

基于机器视觉的自然环境中成熟荔枝识别

研究了自然场景下成熟荔枝的识别技术.通过分析荔枝彩色图像的颜色和灰度特征,选取YCbCr颜色模型进行处理,对其Cr分量图进行阈值分割去除复杂背景,并采用形态学和连通区域标注法消除分割后的随机噪声;然后结合一维随机信号直方图分析法与模糊C均值聚类法( FCM)对处理后的荔枝图像进行聚类和分割,实现荔枝果实和果梗的识别.不同光照条件下的识别实验结果表明,算法均能有效分割出果实和果梗,综合识别率达到95.5％.     

温室黄瓜果实的模式识别与分割-利用Bayes分类判别模型

利用黄瓜果实与其果梗叶片在颜色深度上的差异,采用在自然背景下的黄瓜图像为训练样本,分别提取出黄瓜果实与背景的RGB颜色分量信息,计算出各自的分类判别函数,利用Bayes分类判别模型对自然背景下的黄瓜果实进行判别。试验表明:利用Bayes模式识别能够较好地实现对成熟黄瓜果实与背景的分离;在识别后对图像进行腐蚀,膨胀,区域标记及特征提取等处理,能够较为准确地提取出成熟黄瓜果实及其重心位置。     

荔枝采摘机械手视觉定位系统设计

建立了基于双目立体视觉的荔枝采摘机械手视觉定位系统.通过对成熟荔枝颜色特征的分析,选取YCbCr颜色模型进行处理,利用Otsu算法结合模糊C均值聚类法(FCM)对荔枝果实和果梗进行了分割,实验结果表明:有效识别果实和果梗的正确率为94.2％.通过计算果实质心与果梗的距离最大值确定荔枝采摘点,利用基于色调空间的彩色图像匹配法和极限约束法进行果梗采摘点的立体匹配,实现了采摘点的空间定位.通过定位误差分析,采用直线插值法进行定位误差补偿,定位实验结果表明:定位的深度误差小于10 mm,能满足荔枝机械手视觉精确定位的要求.     

基于深度学习的自然环境下刺梨果实识别

采用0.57R-0.18G-0.2B色差分量法对刺梨图像进行处理,通过Ostu自适应阈值分割、形态学滤波和二值图像白色色素面积阈值等方法对图像进行一次分割。根据刺梨果实图像的颜色和纹理特征,再采用YCbCr颜色空间模型中各分量的阈值对图像进行二次分割。通过标记分水岭分割算法对粘连果实连通区域进行分割,利用Hough圆变换对独立、遮挡和重叠情况下的果实外圆进行拟合和修复,最终获取果实质心坐标及其半径。试验结果表明:刺梨果实识别正确率均高于92%,说明本算法能够对刺梨果实进行有效地识别。     

基于机器视觉的自然环境中猕猴桃识别与特征提取

研究了综合应用果实颜色和形状特征识别自然环境中猕猴桃果实及特征提取的方法.通过对比不同颜色空间,选用R-G色差分量;再采用基于误分割像素的分割评价方法来确定颜色特征nR-G中最佳分割系数n,最终选取0.9R-G颜色特征.利用0tsu法对其进行阈值分割,形态学运算去除掉残余噪声,实现了目标果实区域和背景区域的分割.然后利用Canny算子提取边界,最后对边界图像进行椭圆形Hough变换,逐个识别出目标果实,并提取出果实的形心坐标、长轴端点坐标和长短轴长度等特征信息.对49幅包含110个果实图像进行识别试验,试验结果表明:相互分离果实的识别率为96.9％,邻接果实识别率为92.0％,被枝叶部分遮挡果实识别率为86.6％,重叠的果实识别率为81.6％.     

基于HIS颜色特征的田间成熟番茄识别技术

研究了一种基于HIS颜色特征的田间成熟番茄识别技术。将计算机视觉系统获取的番茄RGB图像转换成HIS图像，通过统计H、I、S分量的灰度分布找出成熟番茄、未成熟番茄和叶子(枝干)灰度分布差别；然后根据H分量的灰度分布用阈值法分割出成熟番茄区域；经过空洞填充后，计算出番茄质心坐标。该方法对田间成熟番茄之间相互分离的情况有很好的识别效果。     

面向复杂背景环境目标的快速识别研究

面向复杂背景环境的定位目标的快速识别是野外作业机器人的关键技术,以柑橘为例,研究了自然环境下基于彩色信息的目标定位的识别方法。首先,采用YCbCr颜色模型来分析柑橘彩色图像的颜色和灰度特征,并通过Otsu与FCM分割算法相结合对在不同光照条件下拍摄的彩色目标图像进行分割;然后,利用形态学数学和区域标记消除分割后产生的随机噪声;最后,用凸包算法提取果实形状特征,并通过凸包算法来判定是否为柑橘和是否可采。对500张彩色柑橘图像进行分割,结果表明采用Cr颜色分量和Otsu与FCM算法相结合有效地解决复杂自然光照下的分割问题;对963个柑橘进行了凸包算法识别试验,总体识别率达87.53%。凸包算法对遮挡图像也可进行高效识别,并能快速、准确地提取柑橘目标的质心坐标。     

基于LabVIEW和IMAQ Vision的农产品颜色识别研究

介绍了利用以LabVIEW为软件开发平台,并结合其视觉处理软件包IMAQ VISION,通过农产品图像对成熟产品与不成熟产品进行识别.以HSL颜色模型为基础,对H和S分量选择不同的阈值范围来识别图像中不同颜色的目标物体,并通过对目标物体的特征分析,完成准确识别,同时得到中心坐标等物理参数,从而为后续开发研究提供重要依据.     

基于YOLO算法的不同品种枣自然环境下成熟度识别

实现果园机械化智能采摘是解决农村劳动力不足、降低果实采摘成本的重要途径,对果园中果实的准确识别是其关键技术。以枣为研究对象,建立最适合多品种、实用性强的枣果实成熟度识别模型,将YOLO算法引入到枣果实在自然环境下的成熟度识别中,将枣果实分为成熟果实、未熟果实和完熟果实、半红果实、未熟果实两种标注方式,建立YOLO V3、YOLO V4、YOLO V4-Tiny和Mobilenet-YOLO V4-Lite四种识别模型。研究表明YOLO算法中YOLO V3与YOLO V4-Tiny两个模型均可适用于两种标注方式,验证集mAP约为94%,证明YOLO算法能够对枣果实进行有效的成熟度识别。     

一种用于机器人水果采摘的快速识别方法

针对机器人水果采摘中容易受遮挡、光照变化等因素的影响而产生误识别的问题,提出了一种基于颜色分量统计的特征匹配水果识别方法。根据成熟水果所特有的颜色特性,提取代表水果特征的描述值,将其作为识别时的特征进行匹配。在匹配过程中对每个搜索子图进行匹配时采用积分求和的思想,大大提高了水果识别的效率。实验结果表明:该算法在一定程度上有效解决了光照和遮挡对识别造成的影响,能快速准确地识别出需要采摘的成熟水果类型。     

荔枝红外干燥均匀性与果壳孔隙分形色变研究

通过含水率试验拟合,比较了荔枝红外干燥过程各果含水率变化的均匀性,应用Image-Pro、SPSS软件,分析对比了干燥不同时刻荔枝果壳孔隙率均值差异及分形维数变化,由相对色差测定,研究了果壳表面色变过程。结果表明:荔枝红外干燥,各果含水率变化过程不均。初始质量较小果,含水率变化速率较大;随干燥时间增加,各果含水率变化速率减小,后期差距加大;干燥不同时刻果壳孔隙率随含水率降低显著性变化,其均值由0.519降至0.381、0.276、0.184,但分形维数由1.486升至1.674、1.708、1.800。荔枝红外干燥各果壳表面,初始DL、Db值变化大,后期变化小。     

自然环境下桃子图像分割算法

成熟果实的识别是果蔬采摘机器人视觉系统的关键问题,要解决该问题,首先需要进行有效的图像分割.从复杂背景中分离果实一直是该领域的一个难题.为此,针对自然环境下的桃子图像进行了图像分割方法的研究.利用2R-G-B和L*a*b*的a*分量以及HSI的H分量分别对彩色图像进行了3种方法的灰度化处理,然后采用大津法对灰度图像进行了二值化处理,对二值化图像采用匹配去噪与匹配膨胀相结合的方法,去除了复杂背景噪声.试验表明,所提出的桃子分割方法具有很好的分割效果.     

类球形水果表皮颜色变化校正方法研究

针对类球形水果表面较大的曲率变化会引起表面亮度不均,从而导致水果颜色分级评价中存在误差大、准确率低等问题,提出了二维B样条水果表面亮度不均校正算法。利用该算法分别对原始RGB图像各单通道图像进行亮度校正,然后将校正后的RGB图像转换成HIS颜色空间图像,提取色调H和亮度I分量,通过对比校正前后H和I分量图像像素灰度标准差评价校正效果。对160幅橙图像处理结果表明,校正后的图像在色调和亮度上比原始图像更加均匀,色调H分量和亮度I分量的平均标准差分别仅为原始图像标准差的21.57%和33.94%,色调和亮度均匀性得到了明显的改善。     

荔枝病虫害图像识别技术研究和应用

荔枝是广东岭南特色水果产业之一，又是广东十大特色作物之一。尽管近年来荔枝现代生产技术有了较大的提高，但广东气候条件容易引起病虫害发生，对露天生长的广东荔枝的产量和品质造成严重的不利影响，阻碍荔枝产业发展和种植户增收。做好荔枝病虫害防治工作，对推进荔枝品牌产业发展、荔枝种植户增收具有重要现实意义。该文采用卷积神经网络算法开展荔枝病虫害图像识别技术的研究与应用，主要包括两个方面内容。一是探讨荔枝病虫害图像识别技术。二是以广州智慧农业气象服务平台为载体，探索构建新型的病虫害气象防御体系，也就是给荔枝种植户既提供荔枝病虫害图像智能识别服务，又提供病虫害小百科知识、防治建议，更为种植户构建“个人空间”，实现靶向预警，并逐步构建个性化荔枝基地病虫害预测预警模型，探索荔枝病虫害预测诊断相结合的服务模式。因此，既探讨图像识别技术如何实现又研究立体式防御措施是该文的创新点。      

基于深度学习的林下落果识别方法与试验

监测与识别林下落果的数量和分布信息,是实现落果自动收获和果园智能化管理的重要基础。针对目前落果识别智能化程度较低等问题,提出一种基于深度学习的林下落果识别方法。首先,以不同类型、品种落果图像为基础,通过数据预处理、增强等方法建立林下落果图像数据集。其次,利用YOLO-v3深度卷积神经网络优势特性,建立落果智能识别方法。最后,以柑橘、梨、苹果三种典型落果,对基于深度学习的林下落果识别方法进行测试与验证,分析相关试验结果。试验结果表明:所提出的基于YOLO-v3落果识别方法,在不同条件均能准确识别落果,三种典型落果识别精度大于89%;相对于SSD,RCNN和CenterNet三种网络模型,YOLO-v3的准确率分别提高7%,2%和3.5%;在腐烂落果识别层面,YOLO-v3、SSD、RCNN和CenterNet的识别准确率分别为86%,59%,64%和43%;YOLO-v3的识别准确率高于其他深度学习模型。所提出的方法可以精确的识别林下落果,为后期的落果精准管理提供必要的技术支撑。     

矿区复垦土壤种植小麦的重金属安全性

为分析矿区充填复垦土壤种植农作物的生态安全性,以中国徐州市柳新矿区复垦场地为例,对照当地农田土壤,对充填场地种植小麦不同部位As、Cd、Cr、Cu、Hg、Pb、Zn 7种重金属元素含量进行检测,分析了Cd、Cr在成熟小麦不同器官中的分布、富集情况,并利用单项污染指数法和综合指数法对小麦籽粒进行了风险评价。结果表明,三场地中Cd 和Hg在未成熟苗中的含量小于成熟茎中的含量,Cr、Cu和Zn则与之相反,Pb和As的含量规律性不太明显;复垦场地小麦未成熟根的重金属含量都小于成熟根中的含量;比照地中除Cr 和Zn之外,其余元素在未成熟根中的含量均大于成熟根的含量;参照粮食污染限量标准,小麦籽粒中Cd和Cr含量均超标。风险评价显示三场地小麦籽粒中Cd、Cr单项污染指数达到轻度至重度水平,综合污染指数处于轻度污染至中度污染水平之间。该研究对矿区粮食安全的监控具有重要的实际应用价值。