葡萄采摘机器人采摘点的视觉定位

针对葡萄采摘机器人在自然环境下采摘点定位困难的问题,本研究提出了一种基于分水岭果梗图像分割和最小角度约束的采摘点定位方法。第一,将采集的葡萄果实图像变换到YUV颜色模型,对U通道灰度图进行均衡化处理,然后进行双阈值分割和形态学开操作去掉干扰区域,再对二值图像进行填充;第二,以检测到的葡萄果实位置为参考,确定葡萄串果梗感兴趣区域,对该感兴趣区域进行分水岭操作;第三,对果梗二值图像进行角点检测,然后分别对每个果梗检测到的角点数据进行线性回归,将拟合到的直线分别与垂直于地面直线进行角度计算,将夹角角度最小的拟合直线所在的果梗确定为葡萄串所连的果梗;第四,对该果梗检测到的角点数据进行K均值聚类分析,聚类中心为最佳采摘点。对采集于晴天顺光、晴天逆光和晴天遮阳这3种条件下各40幅夏黑葡萄图像进行验证,采摘点定位成功率为89.2%,单张葡萄图像的采摘点平均定位时间为0.65 s。说明该方法可以为葡萄采摘机器人提供准确的采摘点坐标信息。     

基于区域灰度增强的种子特征匹配方法

提出一种采用SURF(speeded up robust features)特征提取结合区域灰度增强以提高种子图像特征匹配度的改进方法。该方法根据样品和待测种子外部特征,提取SURF特征集,计算图像特征对应的灰度直方图,并通过规定化处理增强区域灰度,最后计算出图像的匹配度。试验结果表明,该方法特征匹配平均耗时<10 ms,实时性强;能避免不同外界光源的干扰,鲁棒性强;匹配度平均提高30%,有效提高了图像的匹配度。     

基于颜色和纹理特征的柑橘自动分级

以柑橘为供试对象,研究了计算机视觉分级中的柑橘图像采集和图像信息处理方法。利用单个摄像机对每个柑橘从4个侧面采集4幅图像,利用4幅图像特征的平均值作为该样本的最终特征,研究基于果实颜色和表面纹理的柑橘图像快速处理分级技术。以人工感官鉴评结果作为分级标准,以训练好的概率神经网络对60个柑橘样本进行了分级试验。结果表明:系统对各级水果的识别成功率略有不同,对一级果和四级果的识别率最高,二级和三级果的识别率稍低,整体识别率约为85%。     

基于机器视觉的日本鲭定向装置设计与试验

针对现有鱼体定向整理装置工作环境嘈杂,工作稳定性差的问题,本研究设计了一种基于机器视觉的鱼体定向整理装置.采用卷积神经网络Resnet-18对鱼体头尾朝向进行识别,采用图像处理的方法提取鱼体轮廓并进行网格划分,通过比较灰度值大小判断鱼体的腹背朝向.当检测到鱼体尾部朝前时,气缸推杆将其推出剔除,实现鱼体头尾定向;当鱼体头...     

基于图像灰度直方图特征的草莓病虫害识别

通过作物可见光图像,对作物病虫害进行准确识别,在作物生长自动监测、精准施药等领域具有重要意义。提出一种基于图像灰度直方图特征的草莓病虫害识别算法识别草莓蛇眼病。该算法首先计算训练集草莓叶片灰度图像的直方图,然后提取直方图的8个特征(平均灰度、标准偏差、三阶中心矩、平滑度、均匀性、平均信息量、最大概率灰度级、灰度范围)并进行归一化处理,通过支持向量机(support vector machine,简称SVM)、K-近邻(K-nearest neighbor,简称KNN)及朴素贝叶斯3种识别方法对8个特征进行训练,得到相应的病虫害识别分类器。结果表明,SVM分类器的分类效果优于其他分类器,因此本研究最终选用SVM分类器对验证集图像进行分类,得到分类正确率达90%以上。     

猪舍智能监控系统中猪只识别算法研究

猪只识别是猪舍智能监控系统中一个重要的环节。提出了一种运用色彩空间聚类模型的猪只识别算法。该算法首先根据YCrCb色彩空间里的Cb分量进行灰度化处理,接着运用最大类间方差法进行阈值分割,最后运用形态学方法去除噪声与区域判断法去除非猪只区域,得到图像中猪只的位置。使用猪场采集的50张现场图像对该算法进行验证,结果表明单只猪正确识别率达到80%。     

基于ROI快速检测与融合特征的马铃薯病害识别

【目的】针对在原始马铃薯病害图像上提取特征时计算量大、病害识别准确率低以及传统病害区域分割算法速度慢等问题,提出了一种新的基于关键特征点的病害感兴趣区域(ROI)快速检测与融合颜色和纹理特征的识别方法。【方法】对马铃薯病害图像作适当预处理后,首先提取ORB特征点,当其特征点数目小于给定阈值时提取SIFT特征点,再对所提特征点的坐标值按水平和垂直方向排序,并通过计算K个近邻点的均值来确定病害区域的坐标并提取ROI。然后融合病害ROI的HSV颜色直方图和UPLBP纹理直方图构成总特征向量。最后采用非线性SVM识别马铃薯病害。【结果】利用该方法对240幅马铃薯叶部、果实和茎部10种混合病害图像进行识别实验,结果表明,每幅病害图像ROI检测平均时间为0.013 s,平均识别正确率达95.83%,最高达100%,平均运行时间为0.083 s。【结论】基于ORB和SIFT关键特征点的病害ROI检测方法原理简单、易实现且实时性好。本文方法可实现对10类马铃薯病害的快速识别且准确率高,为其它农作物病害识别提供了参考价值。     

一种基于神经网络的扇贝图像识别方法

为了满足计算机视觉辅助下应用机器人进行扇贝自动分拣的实时性和鲁棒性要求,提出了一种基于神经网络的扇贝识别和分级方法.首先对图像进行灰度化处理,并用canny算子检测目标边界,然后用8-连通邻域追踪算法提取目标边界像素坐标,最后计算目标边界到中心点的平均距离及其绝对平均误差,并作为特征信息训练BP神经网络,实现对扇贝图像识别和分类.实验结果表明,该方法可以快速实现扇贝的自动识别和分级工作.     

基于SURF与BBF的棉花图像匹配算法

在棉花图像分割与识别的基础上,为获得棉花三维空间位置信息,需要对双目采集的棉花图像对进行精确的匹配。采用加速分割检测特征、加速鲁棒性特征和BBF方法匹配棉花图像对。首先采用FAST检测图像角点,并计算各角点的SURF描述向量,然后采用BBF方法搜索匹配点对,最后利用RANSAC和极线约束剔除误匹配点对,为下一步准确定位棉花三维空间位置信息奠定基础。     

实现识别行间苗草的机器视觉系统设计

在耕作试验室的试验环境之下,开发并测试了能够识别行间苗草作物的机器视觉系统,硬件系统主要由速度可控制的土槽试验车装备、固定在可升降平台上可实时采集图像的imagesoure工业摄像头和作为控制台的工控计算机组成;机器视觉系统根据植物和背景的颜色特征二值化图像与田间作物的位置特征识别苗草。结果表明,采集并处理一副大小为640×480像素的彩色图像的平均时间为291 ms,在行驶速度为1.8 km·h-1条件下系统正确识别率达到了95%。     

基于机器视觉的穴盘幼苗识别与定位研究

【目的】设计一套机器视觉系统,用于实时测量各穴孔中幼苗叶片面积、判断是否适合移栽作业、确定适合移栽幼苗的抓取位置,为实现穴盘幼苗自动移栽作业奠定基础。【方法】用CCD数字摄像机采集番茄幼苗图像,转换成灰度图像,将幼苗与背景分割得到二值图像,去噪处理后,通过计算每个穴孔中幼苗叶片的面积来确定适合移栽的单元,并用形心法确定机械手抓取位置。【结果】采用1.8G-1.5R-1.8B灰度化因子、Otsu法分割幼苗与背景图像效果较好;采用单连通区域法统计幼苗叶片面积,经修正后相对误差小于1.0%,相对误差值平均下降了87.6%。【结论】设计的机器视觉系统具有较高的测量精度,能够满足穴盘幼苗自动移栽作业要求。     

基于图像颜色特征的高粱胚芽鞘识别及定位方法

利用图像颜色特征,分割高粱胚芽鞘种子图像,确定高粱种子轮廓矩,根据其轮廓矩确定高粱种子质心坐标,然后根据高粱胚芽鞘图像颜色特征对图像进行颜色分割,获取高粱胚芽鞘图像,计算高粱胚芽鞘轮廓极点坐标,再选取距离质心最远的2个坐标作为高粱胚芽鞘轮廓近似直线端点,连接2个端点作为胚芽鞘近似直线。最后根据高粱种子轮廓质心坐标、胚芽鞘近似直线和切割距离(给定)确定胚芽鞘的姿态和高粱胚芽鞘的切割点位置。该方法能获得高粱胚芽鞘和种子较为完整的图像,并能准确得出胚芽鞘的切割位置及姿态等相关信息。该研究方法为高粱胚芽鞘的识别与分析提供了准确、快捷、可视的技术手段,为构建胚芽鞘智能识别、定位的视觉系统及自动化切割装置提供了技术支撑。     

基于图像处理和特征优选的玉米品质识别

为实现玉米籽粒的品种识别与品质评估,根据籽粒图像特征参数较多、参数间有一定相关性的特点,采集原始图像并进行必要的预处理,提取图像的颜色特征、形状特征及纹理特征共30个;以主成分分析法对指标集进行精简,在保证识别精度的前提下去除冗余信息,降低图像计算复杂度,使特征集精简为10个;以支持向量机进行分类识别,结果证实品种平均识别率为93.3%,不合格粒平均识别率为94.5%,识别精度较高,可满足玉米籽粒的无损识别、分类、检测及评估需求。     

基于血线纹理特征和GA-BP神经网络的鸡种蛋性别鉴定

为了对鸡种蛋孵化早期胚胎性别进行鉴别,构建机器视觉图像采集系统,在LED光源下获取186枚种蛋孵化第4天的图像。采用对鸡种蛋图像进行分量提取、去背景化和二值化等预处理方法,利用自适应直方图均衡化、高低帽变换增强图像,通过迭代阈值分割和"与"运算凸显血线纹理。运用差分计盒法、灰度共生矩阵法、灰度直方图统计法和几何法提取图像的11维特征参数,并构建鸡种蛋胚胎性别识别的BP模型(back propagation neural network,BPNN),利用遗传算法(genetic algorithm,GA)优化BP神经网络的初始权值和阈值。试验结果表明,GA-BP模型的训练集识别综合准确率为99.73%,预测集识别综合准确率为82.80%。     

基于颜色特征和差直方图的苹果叶部病害识别方法

识别苹果病害是一个重要的研究课题,该研究成果对大面积苹果病害监测具有重要意义。针对苹果常见的3种叶部病害,提出一种基于颜色特征和差直方图的苹果叶部病害识别方法。首先采用改进的mean-shift图像分割算法分割病害叶片图像的病斑,然后计算病斑的颜色特征和差直方图作为病害的分类特征。该特征不仅反映病斑图像的灰度统计信息,还反映病斑图像的空间特征和灰度的渐变度,而且对病斑图像的光照、平移、旋转具有不变性。最后利用支持向量机识别病害类型。在3种常见苹果叶部病害叶片图像数据库上的试验结果表明,该方法能够有效识别苹果常见的叶部病害,平均识别率高达96%以上。该方法为苹果病害的智能诊断系统提供了技术支撑。     

基于图像特征的小麦胚芽鞘识别

利用图像颜色特征,首先分割小麦种子图像进而确定小麦种子轮廓矩,根据其轮廓距确定小麦种子质心坐标,然后根据小麦胚芽鞘图像颜色特征对胚芽鞘图像进行分割、获取小麦胚芽鞘图像,其次利用Zhang-Suen并行快速细化算法对小麦胚芽鞘进行细化获取胚芽鞘骨骼线,进而获取骨骼线图像(单像素)上所有点对胚芽鞘骨骼线进行多段直线曲线近似,最后根据小麦种子轮廓质心坐标、胚芽鞘骨骼线近似曲线和切割距离(给定)确定胚芽鞘的姿态和对小麦胚芽鞘切割点位置进行定位。通过对小麦胚芽鞘30幅图片进行图像处理验证。结果表明,该方法能完整地提取小麦种子和胚芽鞘图像、小麦胚芽鞘姿态及位置信息。基于图像颜色特征的小麦胚芽鞘识别及定位方法,为小麦胚芽鞘的识别与分析提供了准确、快捷、可视的技术手段,对于构建胚芽鞘智能识别、定位的视觉系统及自动化切割装置的研究意义重大。     

任意姿态玉米种子定位方法研究

为准确提取玉米种子不同区域色彩特征和形状特征,解决机器视觉检测中需以特定装置固定种子位置以及人工规则摆放的问题,提出一种任意姿态玉米种子定位的方法。该方法首先对采集的任意姿态的玉米种子彩色图像进行预处理,实现对单粒玉米种子图像的分割提取;然后利用B通道阈值对单粒种子图像进行分割,计算黄色部分像素面积比例,判断出种子无胚芽侧面并对其归类;其次,对种子轮廓图像坐标以遍历方式计算轮廓间最长距离的方法获取种子尖端点坐标,并通过一阶中心矩提取质心坐标,得到玉米种子图像倾斜度,求得图像旋转角度θ°;最后,对玉米种子图像进行θ°仿射变换(Affine transformation)旋转,获取玉米种子水平放置图像,为进一步提取色彩特征和形状特征提供准确定位。试验表明,该方法可将任意姿态的玉米种子进行有效旋转定位,具有较好的实用性,同时该方法对于其他需要定位的种子图像同样适用。     

基于神经网络的土密实度检测

为了通过神经网络预测土密实度,搭建了土密实度检测装置,采集了土的激光图像,并提取了土的吸收系数、散射系数、激光图像的纹理特征参量和图像的灰度变化率共13个特征参数,通过SPSS降维处理,提取了5个主成分因子作为输入特征;并利用BP神经网络预测密实度.结果表明:经过31次测试后达到了误差要求,预测值与环刀法结果比较的平均绝对误差为7.14%和平均相对误差为7.71%,所建立的预测模型可行;最后通过试验对预测模型进行验证,其预测值与环刀法结果比较的平均绝对误差为8.62%和平均相对误差为8.76%,说明用神经网络预测土密实度是可行的.     

成品油上倾管道油水两相流相分布识别方法

成品油携水沿上倾管道流动会产生复杂的流动型态,准确识别油水两相在上倾管道中的分布特征是深入认识油携水规律的基础。针对实验中采集的上倾管油水两相流图像,提出一种基于图像处理的上倾管道油水两相分布特征识别方法:将原始图像转化为灰度图像,剔除图像中的无用信息;调整图像的灰度,以提升对比度,凸显图像细节;对图像进行中值滤波处理,消除图像拍摄过程中的随机噪声;对图像进行边缘检测,分割出油水两相边界,识别出相分布特征。该方法可以分割出清晰的油水两相边界,从而识别出管道中油水两相流的相分布特征。研究成果适用于各种工况下油水两相相分布特征识别,为多相流图像处理特别是流型识别提供了指导。     

基于计算机视觉的实木表面智能化分选系统设计

设计一种集实木传送、图像定位与采集、实木板材表面识别与分选的智能系统,系统通过传送带运送实木板材,CCD摄像头获取板材图像,在触摸屏工控机TPC700-9190T上应用MFC与OpenCV编写分选程序对板材图像进行分析,识别结果通过STM32单片机控制电磁阀完成实木板材的分类。在图像定位与识别算法中,采用积分投影算法确定板材边界,动态采集板材表面图像;在颜色分类方面,利用L*a*b*空间颜色分量的均值、方差和斜度3个低阶矩表达颜色;在缺陷检测方面,提出了基于纹理填充的缺陷分割方法,通过获取纹理掩膜图像,然后利用板材背景颜色淡化纹理,最后应用加权阈值法完成缺陷分割,分割后计算缺陷面积、边缘灰度均值、内部灰度均值和长宽比等特征表达缺陷信息;在纹理识别方面,提出了基于Contourlet变换的纹理特征提取方法,通过对纹理图像进行Contourlet变换3层分解,得到1个低频子带、6个中频子带和8个高频子带,分别计算低频和中频系数矩阵的均值和方差,并与高频系数矩阵的能量组成22个特征表达纹理信息;最后设计SVM分类器,分别对颜色、缺陷和纹理进行识别。采用300个柞木样本进行实验,板材传送速度在小于1.5 m/s范围内,颜色识别准确率为100%;活节、死结和裂纹识别准确率分别为92.2%、95.6%和93.3%;直纹、弯纹识别准确率分别为93.9%、92.8%。实验结果表明,分选系统具有实时、高效、准确的特点。