计算机视觉运用于棉花水分养分供给系统设计

针对目前棉花水分检测存在的缺陷和过量施肥的问题,提出了一种基于计算机视觉的棉花水分养分亏缺实时检测和水分养分自动供给系统。运用配置有近红外光发射器的CCD照相机采集得到棉花叶片图像信息,对图像进行去噪音等预处理得到植物叶片的图像,对叶片水分亏缺和缺素信息相关的颜色特征、纹理的时域特征、纹理的频域特征及缺素初期斑点的时频特征,分别运用相对差值百分率直方图、差分算子,以及傅里叶变换和小波包提取等新方法进行提取,并利用遗传算法对提取的众多特征项进行优化选择,建立棉花叶片图像信息与水分养分亏缺状况的对应关系,并通过物联网技术连接微喷灌终端实现水分养分定时定量自动供给。将系统于湖北进行试用试验,试验表明:本系统大幅度提高了棉花产量,降低了灌溉水消耗量、肥料消耗量和土壤肥料残留量,减轻了农业生产对环境的污染,有较好的应用前景,值得推广。     

基于随机森林的大豆外观品质识别的研究

不同等级的大豆外观质量与其内部营养等级存在一定关系,因此快速、精准地识别大豆病态种类至关重要。模式识别方法众多,本文采用随机森林方法进行研究。选取相应的大豆籽粒图像对其进行处理,从中挑选1 0幅图像,提取其形态特征,颜色特征,纹理特征,应用随机森林方法建立大豆外观品质识别模型,然后对大量样本进行试验。试验结果表明:不同种类病害大豆要想达到理想结果,训练步数各不同。该方法具有鲁棒性好、准确度高及系统稳定等特点。     

基于机器视觉的石榴品质自动分级方法

采用人工检测的石榴外观品质等级分级方法存在准确率和效率低的问题,提出一种基于机器视觉的石榴品质分级方法。首先,采用机器视觉系统采集石榴样本图像,进行去噪处理与获取掩模图像;其次,提取去噪图像的红、绿、蓝分量,用蓝色分量减去红、绿色分量得到色差图像,并对色差图像进行阈值分割;然后,对分割图像采用数学形态学处理获得连通的疑似缺陷区域的边界,提取纹理特征并根据缺陷与非缺陷区域纹理特征的不同来标记缺陷区域;最后,将缺陷面积与总面积之比和缺陷数目作为划分等级的依据,对石榴品质等级进行划分。试验结果表明：本方法总体分级准确率达到92.9%,能够高效、准确地识别石榴表面缺陷并进行品质分级,为实现自动分级的产业化提供思路。     

计算机视觉在香芋病害检测中的应用研究

针对传统的人工识别香芋病害的局限性、主观性的特点,基于计算机视觉技术设计了香芋病害识别系统,由病害图像采集装置、图像处理系统、形态特征提取系统和缺陷目标检测系统组成。通过提取香芋叶片的颜色特征和纹理特征,建立香芋病害数据库,并利用支持向量机(SVM)的方法对香芋病害识别。试验结果表明:基于计算机视觉的香芋病害检测系统能够准确识别香芋的病害类别,满足使用要求,能够为后续的香芋病害防治工作提供准确信息。     

“京蜜八号”哈密瓜成熟等级分类研究—基于机器视觉和神经网络

目前,新疆哈密瓜在采摘期成熟等级判定主要采用人工方式,容易混淆级别,影响销售质量。为此,提出了一种基于机器视觉和主成分分析优化神经网络的哈密瓜成熟等级识别方法。首先,利用田间哈密瓜图像采集系统获取了采摘前不同成熟期的哈密瓜图像,利用图像处理技术获得了感兴趣区域;其次,提取能表征哈密瓜不同成熟等级的外观特征,包括H分量图像的色调累积频度、纹理特征、几何特征;最后,利用主成分分析法优化特征,构建并验证基于BP神经网络的哈密瓜成熟等级预测模型。研究表明,基于机器视觉和主成分分析优化神经网络预测哈密瓜成熟等级是可行的,准确率达86.59%。     

猕猴桃外观尺寸在线检测分级系统设计与试验

目前市场上存在的猕猴桃分级机械主要是针对质量特征进行分级的大型机械,而消费者在购买猕猴桃时往往更注重它的外观品质,且大型设备难以在以农户小规模营销为主的市场环境下得到普及。为了实现猕猴桃外观品质的自动分选,适应广大猕猴桃种植农户的需求,设计了一种基于机器视觉的小型移动式猕猴桃外观尺寸在线检测与分级系统。该系统主要由输送机构、检测机构、分级执行机构和控制系统组成。输送机构采用倾斜式输送带方案,结构简单,便于实现猕猴桃的输送和分级;检测机构采用图像处理的方法得出猕猴桃的大小等级信息;分级执行机构借助猕猴桃的重力与旋转磁铁的开合实现猕猴桃的分离。对样机进行了试制和验证试验,结果表明:该系统的平均分级成功率为96.3%,单个猕猴桃分级时间约为2.5s。该猕猴桃检测分级系统的设计为今后完成多特征指标的融合分级提供了基础和依据。     

基于计算机视觉的葡萄检测分级系

设计了一套基于计算机视觉的葡萄检测分级系统,包括驱动装置、输送机构、夹持机构、图像采集与处理系统和分级控制系统,葡萄以悬挂方式连续输送,两个CCD摄像机在外触发模式下实时采集葡萄的两面图像.基于RGB色彩空间计算果面着色率,采用投影面积法和果轴方向投影曲线计算果穗大小和形状参数,进而实现葡萄外观品质分级.选用20穗巨峰葡萄进行3次分级试验,与人工分级对比,颜色和大小形状分级的准确率分别为90%和88.3%,同时在分级过程中不会对葡萄造成损伤.     

烟叶自动定级分拣系统设计

设计了一套烟叶自动定级分拣系统。该系统采用输送带机构承载并输送烟叶,烟叶通过定级系统完成外观图像采集、数据处理与级别判定;分拣机械手结合位置检测传感器按照级别信息完成对烟叶的按级分拣。     

基于可见光机器视觉的棉花伪异性纤维识别方法

为提高皮棉质量和皮棉中异纤的检测精度,提出了一种基于机器视觉的棉花伪异性纤维识别方法。皮棉经过开松装置被制成薄棉层,检测通道两侧的相机对棉层进行拍摄,并将采集到的棉层及异纤和伪异纤图像保存到工控机,通过图像分块及阈值分割等算法,提取伪异纤目标区域,统计获取区域的数个颜色、形状和纹理特征,基于特征数据,分别使用BP神经网络、一对一有向无环图策略线性核函数支持向量机和径向基核函数支持向量机对两大类棉花杂质进行分类识别。实验结果表明,99.15%的伪异纤目标可被准确识别,径向基核函数支持向量机在棉花异纤和伪异纤分类识别中,总分类正确率为95.60%,能够满足在线检测的要求。     

穴播排种器试验与序列图像样本的采集

为开发自动化的排种器试验检测系统,基于种子坐标检测和平稳随机过程的穴播排种器排种质量机器视觉检测法,阐述了该机器视觉穴播排种器的试验目的、试验检测系统、试验设计以及试验实施。该土槽试验检测系统是以机器视觉方式采集了穴播种子流的12组序列图像样本,其呈现漏播、单粒播、二粒播、三粒播等多形态排种的丰富组合,基本代表可能产生的种子流类型。     

激光及X射线肉图像同步采集系统设计及实验

提出了一种不规则肉碎骨图像检测方法,设计了一种基于激光三角法以及软X射线技术的肉碎骨图像采集的在线检测系统。该系统由X射线图像采集部分、激光图像采集部分、机械传输部分、PLC控制系统部分和图像处理系统组成。采用小型单元式PLC作为控制核心,检测肉位置和触发激光及X射线采集图像,肉图像采集软件在Visual C#2008环境下结合环境下结合HALCON函数库实现,系统调试运行正常,可实时同步采集肉动态激光图像及X射线图像。利用肉激光图像和X射线图像进行图像融合实验。结果表明,小波算法速度快,融合后的图像失真少,更加接近于原X射线图像,更有利于肉图像碎骨信息的提取。     

白芦笋采收机器人视觉定位与采收路径优化方法

依据笋芽出土状态的选择性收获是目前白芦笋公认的最佳收获方式。针对采收过程中机器视觉识别笋尖存在笋尖与垄面纹理和颜色相近等识别难题,本研究提出了一种变尺度感兴趣区域（ROI）检测方法,融合图像色域变换、直方图均值化、形态学和纹理滤波等技术,研究了笋尖识别与精准定位方法;在定位多笋尖坐标基础上,提出了多笋芽的采收路径优化方法,解决了因采收路径不合理导致的采收效率低的问题。首先,通过机器人视觉系统实时采集采收区域图像并进行RGB三通道高斯滤波,采用HSV色域变换并进行直方图均值化处理。在此基础上,对笋尖、土壤进行特征聚类分析,根据笋芽抽发程度研究变尺度ROI检测方法,对采集图像中笋尖的形态学以及笋尖和土壤的纹理进行统计学分析,设定笋尖的似圆度阈值,并参考纹理特征参数,判定笋尖位置,计算其几何中心,获得笋尖轮廓中心坐标。其次,为实现白芦笋的高效采收,根据多目标点与集箱点的位置分布,本研究设计了一种基于多叉树遍历的采收路径优化算法,以获得多个目标笋尖的最优采收路径。最后,搭建采收机器人试验平台开展了笋尖定位与采收验证性试验。结果表明,视觉系统对白芦笋的识别率可达98.04%,笋尖轮廓中心坐标的定位最大误差X方向为0.879 mm,Y方向为0.882 mm,采收笋的个数在不同情况下,采用路径优化后的末端执行器运动距离平均可节省43.89%,末端执行器定位成功率达到100%,在实验室环境下的白芦笋采收率达到88.13%,验证了采用视觉定位的白芦笋采收机器人选择性采收的可行性。     

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。     

脱绒棉种活力检测系统的设计与实现

为了实现脱绒棉种活力的快速无损检测,利用VS2010和Open CV混合编程方式开发一套脱绒棉种活力在线检测系统分析软件,应用BP神经网络原理构建活力预测模型。软件系统主要包括图像采集模块、参数记录模块、图像处理分析及活力检测模块,主要实现了图像采集、图像特征提取与分析、脱绒棉种活力预测及参数记录等功能。选取新陆早50、鼎丰10号、神农11号3个品种进行活力预测试验,准确率分别达到90.29%、84.27%、8 6.8 0%。软件系统的开发为脱绒棉种活力实现快速无损检测分级奠定了基础。     

基于纹理和梯度特征的苹果伤痕与果梗/花萼在线识别

为了解决苹果果梗/花萼与伤痕在线识别的问题,利用自行设计的机器视觉检测系统在线采集苹果图像,通过自动分割合成算法将3个不同运动状态下的图像进行合成,使得合成后图像可以包含苹果的整个表面。再利用感兴趣区域提取算法提取出苹果合成图像中的果梗/花萼和伤痕部分。通过分析早期伤痕、中期伤痕和后期伤痕的纹理特征和边缘梯度特征,得出纹理特征适用于早中期伤痕与果梗/花萼的检测,而由于后期伤痕的褐变严重且多已出现凹陷,其纹理特征与果梗/花萼相似,故通过提取后期伤痕和果梗/花萼的边缘梯度特征值用于两者的区分。从SVM的建模结果来看,对于早中期伤痕,模型的总体判别正确率为97%,而后期伤痕的总体判别正确率为96%,并利用所得到的模型设计了用于果梗/花萼与伤痕区分的总体算法。最终通过80个带有不同种类伤痕的样本验证总体算法的正确率为95%,验证试验结果表明该算法可实现对果梗/花萼与伤痕的在线识别。     

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。     

脱绒棉种色选机双CCD检测系统设计与仿真分析

设计了一种脱绒棉种双侧双CCD(Charge coupled device)色选检测系统。通过对该检测系统的光学子系统、图像采集子系统和处理子系统等的分析与设计,结合仿真分析和测试试验,验证了系统效果。其中,图像采集子系统采用彩色线阵CCD对脱绒棉种进行成熟度信息采集、黑白线阵CCD对棉种进行完整度信息采集;图像处理和分析用于提取关键特征信息做棉种类型的判别分析。试验结果表明,检测系统设计的光学子系统模块能够得到特征清晰的图像,处理子系统能满足双图像采集子系统CCD正常采集物料特征信息,系统能够保证分选的实时性和稳定性要求。     

轧花机变频调速参数自调整模糊控制系统

通过对ＭＹ－１２１轧花机的内部结构及工作原理的研究，指出现行籽棉物流控制系统的不足，研制了模糊智能变频调速系统，控制方案已在计算机上实现，并用于棉厂实时控制，该模糊控制系统运行结果是令人鼓舞，极大地改善了控制精度，稳定了扎花生产。