基于机器视觉的棉种破损检测技术

研究了破损棉种的机器视觉识别方法,采用均值、方差、均方比等统计特性参数,计算棉种边界破损参数.通过实验确定均方比分类阈值为0.58,将棉种分为破损棉种和正常棉种.选取正常棉种330粒、破损棉种110粒,利用该检测系统进行检测,其识别精度达93%.     

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。     

基于机器视觉的脱绒棉种"破碎"特征检测技术

针对新疆地区存在的破碎棉种问题,基于机器视觉技术搭建了破碎棉种检测系统.通过对脱绒棉种图像进行分析和预处理后,提取出脱绒棉种的特征参数-面积、周长、圆形度和长短轴等,并对特征参数的分析研究,确定选取圆形度作为检测破碎棉种的特征.随机选取了100粒新陆早-24#棉种进行试验,检测精度达到了87.5%.     

不同密度原棉滑动摩擦分析

为了研究原棉摩擦力变化规律,以原棉为原料,利用提拉装置夹持原棉,数显推拉力计采集原棉与亚克力筒的摩擦力值,分析不同密度、不同接触面积以及不同电机频率条件下原棉与筒壁的摩擦力变化。     

分流式电磁振动棉花精密排种装置的研究

针对光籽棉种难以进行精播的问题,设计了一种分流式电磁振动精密排种装置.在电磁振动的作用下,棉种在排种盘上排列成队,然后按顺序依次进入分流装置,实现了棉种的分流回收.另外,对分流式电磁振动棉花精密排种装置进行了排种试验,试验结果表明,该排种装置能满足精密排种要求.     

电磁振动棉花精密播种装置的试验分析

针对光籽棉种难以进行精播的问题,设计了一种电磁振动式精密播种装置.在电磁振动作用下,棉种在排种盘上排列成队,按顺序依次进入分流通道,实现棉种的分流回收.通过对该装置进行排种试验,得出了影响排种速度的因素,确定了提高播种质量的实验方案.实验结果表明,该播种装置满足农艺要求.     

基于ANSYS的冲量传感器流固耦合模态分析

运用ANSYS软件对向日葵联合收获机气力输送结构的冲量传感器进行了流固耦合模态分析,研究了有无流固耦合、冲击板材料和冲击板固支方式对冲量传感器固有频率和振型的影响,分析了冲量传感器固有频率对收获机测产精度的影响。结果表明：冲量传感器固有频率越大,系统稳定性和灵敏性越好;流固耦合作用明显提高了冲量传感器的1阶固有频率,但并不改变固有振型;冲击板材料影响冲量传感器1阶固有频率,且冲击板材料特性相近时对振型影响较小,其中亚克力材料冲击板的冲量传感器1阶固有频率最大为46.913Hz;冲击板固支方式影响冲量传感器固有频率和振型,其中中间固支方式的1阶固有频率最大为35.548 Hz。通过向日葵测产试验台验证试验,得出亚克力冲击板的冲量传感器测量最大相对误差最小为2.1%,中间固支方式的冲量传感器测量最大相对误差最小为2.37%。由此验证了仿真分析的合理性。     

重组材板柸铺装均匀性检测装置的开发研究

针对棉秆重组材板柸铺装密度不均匀、传统检测手段设备昂贵和经济性差等不足,开发了一种在线无损伤棉秆重组材板柸铺装均匀性检测装置.该装置采用空气流作为检测介质,风速传感器作为主要检测装置,用喷胶装置标记板柸缺陷部位,人工在标记位置补充原料,以达到铺装均匀的目的。实验证明,当板柸铺装密度为0.07g/cm3,板柸铺装厚度在6~14cm,板柸运动速度为5cm/s,轴流风机出风速度为18.0~22.0m/s时,测量效果最佳。     

基于机器视觉的脱绒棉种染色特征的提取算法

针对种子活力四唑染色法检测中由于人工视觉疲劳、劳动强度大等因素引起的人工误判情况,提出了一种基于机器视觉的脱绒棉种染色特征的提取算法。此算法是在随机选取了庄稼汉品种的脱绒棉种进行四唑试验后进行的,通过对染色棉种进行图像采集,对图像进行灰度变换、HSI颜色空间转换、中值滤波、自动阈值分割等预处理,经去噪、补洞后得到整粒脱绒棉种的面积和染色部分的面积。同时,计算出图像染色比例,为脱绒棉种活力在线检测奠定理论基础。     

基于颜色特征的脱绒棉种电导率检测方法研究

主要探讨脱绒棉种颜色特征与种子活力之间的相关性,搭建脱绒棉种图像采集平台,并进行图像处理算法的研究。在RGB、HSV和I1I2I3颜色模型下提取颜色特征参数,同时进行脱绒棉种电导率的测定,采用SPSS19对各颜色特征参数与脱绒棉种电导率值进行相关性分析,结果表明脱绒棉种部分外观颜色特征参数与其电导率值之间相关性显著。基于BP神经网络的脱绒棉种内部品质检测模型,取脱绒棉种鼎丰10和新陆早45各300粒对模型进行训练,当鼎丰10和新陆早45隐含层的结点数分别选择为8和7时,网络均方误差和函数收敛效果较好,然后将脱绒棉种鼎丰10和新陆早45各取100粒对训练好的网络模型进行验证,结果表明用BP神经网络的检测精度分别可达到82.7%、86.1%。     

种子位置信息视觉检测系统开沟延时回土装置研究

针对机器视觉获取种子空间分布信息时,传统开沟器作业过程中,种子落入种床后,土壤快速回落覆盖种子,导致种床中种子原始图像采集困难的问题,设计了一种开沟延时回土装置,通过导土装置、压种装置和回土装置的配合作业,延长土壤回落时间,形成有利于原始图像采集的避让空间,并在图像采集完毕后将泛起土壤推回种床,保证土壤回填率,达到延时回土的目的。通过理论分析确定导土装置、回土装置等关键装置结构参数。以开沟速度、开沟深度、回土板转角为试验因素,开展土壤回填率离散元仿真试验,确定最优作业参数为开沟速度1.6m/s、开沟深度30mm、回土板转角40°。在最优参数组合下,进行土壤回填率田间试验和种子图像采集田间试验。结果表明,开沟延时回土装置土壤回填率为96.5%,开沟延时回土装置较未安装回土装置的开沟器土壤回填率提升39.6个百分点;工业相机可以在导土装置形成的避让空间中采集到种床中种子的原始图像。试验结果表明,设计的结构可以有效避免回落土壤对图像采集的影响,并保证土壤回填率,实现了种床中种子图像的采集,为计算机视觉技术检测播种作业质量奠定了基础。     

在线式玉米单粒种子检测分选装置设计与试验

针对农业生产中种子精选的需求,设计了在线式单粒种子检测分选装置,实现流水线式种子上料、检测和分选。该装置由上料装置、检测单元、分选单元和控制系统组成。上料装置通过两级振动实现籽粒的平铺,配合传输带完成籽粒的单粒化。检测单元由高速工业相机实时获取种子图像,并传送至上位机检测分析。控制系统根据检测结果和种子在图像中的位置,控制分选单元完成分选。利用搭建的装置采集了1200粒正常种子、1200粒霉变种子和1200粒破损种子的图像,使用HALCON软件提取了单粒种子的18个颜色和12个形态特征,通过偏最小二乘判别分析法进行判别分析,分别构建了种子霉变和破损的检测模型,并利用搭建的装置和模型进行了验证试验。试验结果表明：在线式单粒种子检测分选装置分选速率大于300粒/min;其中霉变种子的分选准确率高于95%,破损种子分选的准确率高于89%。     

在线式玉米单粒种子检测分选装置设计与试验

针对农业生产中种子精选的需求,设计了在线式单粒种子检测分选装置,实现流水线式种子上料、检测和分选。该装置由上料装置、检测单元、分选单元和控制系统组成。上料装置通过两级振动实现籽粒的平铺,配合传输带完成籽粒的单粒化。检测单元由高速工业相机实时获取种子图像,并传送至上位机检测分析。控制系统根据检测结果和种子在图像中的位置,控制分选单元完成分选。利用搭建的装置采集了1 200粒正常种子、1 200粒霉变种子和1 200粒破损种子的图像,使用HALCON软件提取了单粒种子的18个颜色和12个形态特征,通过偏最小二乘判别分析法进行判别分析,分别构建了种子霉变和破损的检测模型,并利用搭建的装置和模型进行了验证试验。试验结果表明：在线式单粒种子检测分选装置分选速率大于300粒/min;其中霉变种子的分选准确率高于95%,破损种子分选的准确率高于89%。     

基于深度学习目标测定的大蒜收获切根装置设计与试验

为研究适用于大蒜联合收获的智能化切根装置,提出了基于机器视觉的非接触式定位切根方法,设计了一种基于深度卷积神经网络的大蒜切根试验台.试验台采用深度学习的方法,对采集到的图像进行目标检测,利用APP完成人机交互和结果显示,由深度卷积神经网络给定切根的切入位置,电机控制系统自动调整定位双圆盘切根刀完成切根处理.目标比较试验...     

基于改进YOLO v4的玉米种子外观品质检测方法

针对玉米种子在外观品质检测中需要快速识别与定位的需求,提出了一种基于改进YOLO v4的目标检测模型,同时结合四通道(RGB+NIR)多光谱图像,对玉米种子外观品质进行了识别与分类。为了减少改进后模型的参数量,本文将主干特征提取网络替换为轻量级网络MobileNet V1。为了进一步提升模型的性能,通过试验研究了空间金字塔池化(Spatial pyramid pooling, SPP)结构在不同位置上对模型性能的影响,最终选取改进YOLO v4-MobileNet V1模型对玉米种子外观品质进行检测。试验结果表明,模型的综合评价指标平均F1值和mAP达到93.09%和98.02%,平均每检测1幅图像耗时1.85 s,平均每检测1粒玉米种子耗时0.088 s,模型参数量压缩为原始模型的20%。四通道多光谱图像的光谱波段可扩展到可见光范围之外,并能够提取出更具有代表性的特征信息,并且改进后的模型具有鲁棒性强、实时性好、轻量化的优点,为实现种子的高通量质量检测和优选分级提供了参考。     

基于CBAM-YOLO v7的自然环境下棉叶病虫害识别方法

针对自然环境下棉花叶片病害检测难度大和人工设计特征提取器难以获取与棉叶病虫害相近特征表达的问题,提出一种改进的注意力机制YOLO v7算法（CBAM-YOLO v7）。该模型在YOLO v7模型基础上,在Backbone与Head中间增加注意力机制CBAM,并在Head部进行4倍下采样,然后将CBAM-YOLO v7模型用于棉叶病虫害识别,并与YOLO v5和YOLO v7进行对比试验。试验结果表明：蚜虫和正常叶片检测方面,YOLO v7可取得好的检测结果;CBAM-YOLO v7对黄萎病、棉盲蝽、红蜘蛛棉叶病虫害图像检测的准确率高于其他模型。CBAM-YOLO v7的mAP为85.5%,相较于YOLO v5提高21个百分点,相较于YOLO v7提高4.9个百分点;单幅图检测耗时为29.26ms,可为棉叶病害在线监测提供理论基础。     

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。     

基于改进YOLO v4的笼养蛋鸭行为实时识别方法

蛋鸭行为模式是判断笼养鸭养殖过程中健康状况及福利状态的重要指标，为了通过机器视觉实现识别蛋鸭多行为模式，提出了一种基于改进YOLO v4 (You only look once)的目标检测算法，不同的行为模式为蛋鸭的养殖管理方案提供依据。本文算法通过更换主干特征提取网络MobileNetV2,利用深度可分离卷积模块，在提升检测精度的同时降低模型参数量，有效提升检测速度。在预测输出部分引入无参数的注意力机制SimAM模块，进一步提升模型检测精度。通过使用本文算法对笼养蛋鸭行为验证集进行了检测，优化后模型平均精度均值达到96.97%,图像处理帧率为49.28 f/s,相比于原始网络模型，平均精度均值及处理速度分别提升5.03%和88.24%。与常用目标检测网络进行效果对比，改进YOLO v4网络相较于Faster R-CNN、YOLO v5、YOLOX的检测平均精度均值分别提升12.07%、30.6%及2.43%。将本文提出的改进YOLO v4网络进行试验研究，试验结果表明本文算法可以准确地对不同时段的笼养蛋鸭行为进行记录，根据蛋鸭表现出的不同行为模式来帮助识别蛋鸭的异常情况，如部分行为发...     

种盘秧苗生产中图像处理与机器人技术

为提高蔬果类种盘秧苗生产系统的自动化程度,本文应用图像处理与机器人技术对其排种装置漏播的检出和补种方法进行了探讨。利用对播种前后的数字图像进行相减运算来提取种子的尺寸和灰度特征,从而对种盘种穴内的漏播情况进行判断。试验证明,此法可精确地检出黄瓜及丸粒化的莴苣种子的漏播。同时利用检出的漏播信号控制辅助播种机器人,能有效地对漏播的种穴进行补种作业,补种精度达到９９％ 。     

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。