基于激光扫描三维图像的树上苹果识别算法

为消除不同光线和复杂背景的影响,提出了一种自动识别树上苹果的算法.使用激光视觉系统获取果树局部的三维图像,参考设定的场景知识对图像背景进行简化;采用基于平滑频率曲线的自动阈值检测方法实现图像的二值化;通过轮廓跟踪技术记录目标边界的走向,据此计算链码和与链码差,并根据两者在果树各部分的变化规律确立相应的准则,以提取苹果的轮廓像素点;利用随机圆环法获得果实的形状特征完成对苹果的识别.实验结果表明,该算法具有较好的实时性,当枝叶遮挡面积小于40％时,果实的正确识别率高于93.75％,且识别效果不受光照条件与果实表面颜色的影响.     

基于机器视觉的鸡胴体质量分级方法

提出一种基于机器视觉技术的鸡胴体质量分级方法。使用数码相机在肉鸡屠宰厂随机采集95幅鸡胴体图像,对采集图像预处理后,提取出鸡胴体投影面积、轮廓长度和胸宽等6个图像特征。然后以这6个特征参数为输入,利用95个样本为训练集,通过回归分析的方法,分别建立预测鸡胴体质量的一元线性回归模型和多元线性回归模型,找出预测质量的最佳模型,最后采集5组共100个样本为验证集,对最佳分级模型进行验证。结果显示,鸡胴体图像的6个特征参数中,基于投影面积的一元线性模型决定系数最大,为0.827;基于投影面积等4个特征量的多元线性模型决定系数最大,为0.880。根据样本数据的学生化残差剔除了8个异常点的数据,修正后的多元线性模型决定系数为0.933,并将其作为最佳模型。利用最佳模型对验证集样本进行质量分级,模型对鸡胴体质量等级判定的平均正确率可达89%。结果表明基于图像特征的鸡胴体自动分级方法是可行的。     

基于机器视觉的哈密瓜大小分级研究

采用机器视觉技术对新疆哈密瓜进行自动大小分级。线阵相机在线采集哈密瓜样本RGB图像,通过对哈密瓜RGB图像进行灰度化、中值滤波、二值化、去除果梗、特征提取等一系列处理,获得哈密瓜二值化图像。利用椭圆拟合算法对二值化图像进行椭圆特征提取,基于椭圆长轴和椭圆率建立了哈密瓜大小分级标准,并以固定阈值建立分级模型。通过哈密瓜分级机系统进行大小分级,分级准确率达90.29%。     

丘陵山地果树冠层体积激光测量方法与试验

树冠体积是农药变量喷施、肥料精准施用和果产预估等果园精细管理的重要因素。为了克服丘陵山地果园地面不平整和果树种植不规整等因素对果树冠层体积激光测量方法的影响,搭建了果树冠层体积激光测量平台,基于AHRS和DGPS实现定位定姿,通过空间坐标转换直接求取果树冠层激光扫描点在大地坐标系下的三维数据;并采用切片技术提取冠层点云的面、线信息,以累加方式计算果树冠层体积。测得的大地坐标系下的丘陵山地荔枝树冠层激光点云能较真实地反映果树冠层的形状特征;以3棵人工修剪的圆柱形绿篱树为靶标,冠层体积激光测量与人工测量相对误差约为5%。试验结果表明,依据果树冠层点云测量冠层体积具有较高的准确性和可靠性。     

基于单目视觉的谷物联合收获机产量测量方法

为准确获取农田中作物产量信息,以联合收获机刮板式升运器为研究对象,提出了一种基于单目视觉的联合收获机产量测量方法。首先,根据真实的升运器内部谷堆图像,提出了一种更加精确的刮板上谷物堆积模型。然后,基于视觉测量和图像处理技术,开发了一种谷堆体积测量方法。在辅助光源照射下,通过工业相机采集升运器内刮板和谷堆的侧面图像。采用邻域微分法提取图像感兴趣区域,再利用Otsu法和形态学处理方法从背景中准确分割出谷堆。根据相机成像模型,计算谷堆在世界坐标系中的实际侧面积,并通过谷堆几何模型得到谷物的体积。最后,将每个刮板上的谷堆体积累加求取产量。为验证所提方法的有效性,搭建了基于单目视觉的谷物测产系统,并在升运器试验台上开展了试验验证。试验结果表明,在不同的升运器转速工况下,所提方法测量的相对误差为-4.08%~3.41%,能够满足联合收获机产量测量精度要求。     

基于多视图特征融合的植物病害识别算法

近年来,基于传统机器学习和深度学习的叶片病害识别算法取得显著进展。然而现有病害识别模型大多采用单一类型特征,即对叶片病害图像提取颜色纹理等传统特征或采用深度学习自动学习特征。一方面采用深度学习自动学习特征需要大量样本,计算开销较大;另一方面传统特征往往应用于小规模病害数据集。因此提出基于多视图特征融合的病害识别算法,首先提取病害叶片图像的Gist特征以及基于深度学习预训练模型VGG16的深度特征,通过深度典型相关分析(DCCA)发掘传统特征与深度特征的相关性,获得更加鲁棒的特征子空间,从而提高识别效果。在Plant Village上的试验结果表明,采用DCCA融合传统特征和深度特征的识别方法比单类型特征识别法的识别精度要高,其平均识别精度可达88.45%。     

基于M-K聚类法的果树上下冠层体积比测算

果树冠层体积是决定果园施药量的重要指标。针对机载LiDAR探测技术(ALS)在冠层体积测量中存在下冠层信息缺失的问题,提出运用图像处理的方法对果树上下冠层体积比进行测量。该方法运用结合马氏距离和K-means算法的M-K聚类法对图像目标区域进行分割,通过旋转积分法求得上下冠层的像素体积之比。为解决该方法对单侧冠层图像处理存在误差(25.3%)较大的问题,对果树不同侧面的多幅图像进行测算,并对结果进行算术平均以提升方法的准确性与稳定性。运用所述方法对果园内23棵苹果树、20棵樱桃树进行实验,并将结果与人工测量结果进行对比分析,结果表明,该方法与人工法的测量结果间具有较好的一致性,两种果树的决定系数分别为0.775和0.832,能够用于果树冠层体积比的测量。     

基于图像处理的果树滴水线导航路径检测方法研究

针对果园开沟施肥,提出一种基于图像处理的果树滴水线导航路径检测方法。该方法采用垂直地面向上布置的CCD相机采集果树冠层投影图像,并实现果树冠层沿地面垂直投影轮廓的识别与滴水线平滑处理,进而对无人施肥装备沿果树环状行走路径进行确定。通过相机标定获取相机内部参数和畸变参数,对原始图像进行畸变矫正;通过对图像在RGB颜色空间的分布特征进行定量分析,使用平均值法对图像灰度处理,使用定阈值法进行二值分割;二值图像中由于存在大量的空间间隙,使用形态学膨胀操作,填充间隙,以凸显树冠投影边缘轮廓;使用边界跟踪算法,提取树冠轮廓边缘;引入Beseel曲线拟合方法,对轮廓边缘进行平滑处理,通过对比二阶、三阶、四阶、五阶拟合结果,得出使用三阶和四阶Beseel拟合结果较为符合导航路径要求。将相机固定在一个位置,分别在晴天和阴天拍摄条件下采集图像,进行滴水线导航路径提取,分别使用三阶和四阶Beseel曲线拟合晴天和阴天的图像边缘轮廓,使用四阶拟合结果较为符合实际要求,平均像素误差为19.5像素,平均像素相对误差为2.6%,平均每帧图像处理速度为27 ms,能较好地满足导航精度和实时性的要求,为施肥作业平台沿滴水线自动导航提供参考。     

激光测距在果树冠层三维重构中的应用

随着计算机技术的发展和果园果树精细管理的现实需求,果树冠层的三维重构问题成为研究热点。本文采用激光传感器在不同高度对果树靶标冠层进行水平扫描测距;将从果树不同方位测得的探测点坐标进行坐标转换,得到同一坐标系下的果树冠层三维点云;采用插值法重构模型树冠层三维轮廓。试验结果表明重构的冠层轮廓较为准确地反映了果树的外形轮廓。本文研究为采用激光传感器测距技术进行果树冠层三维重构与体积测量提供了前期研究基础。     

基于结构光视觉的联合收获机谷粒体积流量测量方法

针对谷物联合收获机工作过程中需要实时测量谷粒流量的问题,提出应用结构光视觉测量技术实现谷物联合收获机测量系统谷粒体积流量的测量。采用普通滑槽作为测量谷粒体积流量的输送器,应用滚轮与编码器测量谷粒在滑槽中的流动速度。根据激光三角法测量原理构建结构光三维视觉系统,测量滑槽中流动谷粒的截面轮廓,应用试验参数标定法建立物长与像素偏移值的关系。在对结构光图像进行预处理的基础上,通过阈值判定法获取谷粒流截面轮廓;采用梯形微元求和法分别建立谷粒流截面计算模型与体积计算模型。试验研究了滑槽倾角和图像采集帧率对谷粒体积流量测量误差的影响,结果表明,当滑槽倾角在15°～30°、结构光图像采集帧率在40～100 f/s时,4种谷粒体积流量的测量误差小于等于5.2%,重复试验变异系数小于等于0.021,均方根误差小于等于1.268 L;当测量体积为17.6 L、滑槽倾角为30°、结构光图像采集帧率为100 f/s时,测量误差最小,为0.74%;当测量体积为39.2 L、滑槽倾角为20°、结构光图像采集帧率为40 f/s时,测量误差最大,为5.2%。采用结构光三维视觉测量系统,应用梯形微元积分求和法建立谷粒流体积计算模型,可以实现滑槽输送谷粒体积的在线测量。     

基于无人机影像匹配点云的苗圃单木冠层三维分割

近年来较多的树冠提取算法以激光雷达数据为基础,然而激光点云数据量大、冗余多而且采集成本高。本文基于无人机影像匹配点云提取单木树冠轮廓,研究一种成本可控、能够补充甚至部分替代激光雷达的小范围森林制图方案。以福建省三明市某林场内苗圃地作为研究对象,在稠密的无人机影像匹配点云中截取2个25 m×25 m的样地作为测试样本。预处理后,首先构建植被冠层高度模型,以局部最大值法探测树冠位置并标记为种子点;从这些种子点形成的初始区域开始生长,迭代计算直到全部的影像匹配点云归并完毕;最后,将算法提取的树冠轮廓导入Arc GIS中获取树冠轮廓矢量边界,并与手绘参考树冠叠加,利用F测度实现精度的评定。依此方案,在2个林分范围内的树冠提取F测度均达到了89%以上,单木冠幅提取的误差在0.14 m以内。结果表明,该方案简单有效、精度可靠,适用于小范围、高精度的植被制图。     

基于图像自适应分类算法的花生出苗质量评价方法

为了能够快速、准确地获取花生出苗质量,提出了基于机器视觉的花生出苗质量评价方法。首先通过田间自走机器人获取花生图像信息,然后采用机器视觉的方法获取图像中花生苗的数量、花生苗冠层投影面积以及花生苗中心点坐标位置。将花生缺苗率和花生苗活力指数作为花生出苗质量评价指标,以花生苗数量结合花生苗坐标计算花生缺苗率,以花生苗叶片包络面积计算花生苗活力指数。针对花生图像识别易受环境干扰的问题,提出了鲁棒性强的花生苗提取算子,采用K均值聚类方法对花生苗提取算子进行分类,结合花生苗和土壤自适应分类算法,有效地将花生苗从土壤中提取出来。针对花生苗棵数误判现象,提出了采用图像全局分割和区域分割相结合的方法对图像进行分割,并基于形态学方法剔除田地杂草等噪声。试验结果表明:采用机器视觉识别花生苗数量的平均准确率为95.4%,花生苗株距计算平均误差为5.35 mm,验证了所提出的图像自适应分类算法的可行性。基于机器视觉所得花生缺苗率结果与人工测量结果两者之间的相关性为0.991(皮尔逊相关系数),人工评价与基于机器视觉评价具有较高的一致性。     

基于立方体格网法的树冠体积计算与预估模型建立

以北京地区10种常见乔木为研究对象,通过三维激光扫描仪获取其点云数据,利用树冠表面三角网配合立方体格网法计算其树冠体积,与点云中提取所得的林木因子分析建立树冠体积和胸径、树高、平均冠幅、冠高的预估方程,并检验其精度。以银杏为研究目标进行了实验,结果表明:银杏的树冠体积与胸径、树高、平均冠幅、冠高均显著相关,通过分析选取了银杏树冠体积的三因子(胸径、平均冠幅、冠高)最优模型,并对模型进行了检验,检验结果表明,模型拟合效果较好,预估精度达到90.5%,可以使用该模型进行银杏的体积估算;同时对所选其他树种进行三因子模型拟合,模型检验结果表明,三因子模型均能够较好地对该树种的树冠体积进行估测。     

基于机器视觉定位的家禽屠宰净膛系统设计与试验

针对国内家禽屠宰净膛作业中存在的劳动强度大、工作效率低、作业环境差等问题,设计了一种基于机器视觉定位的家禽屠宰净膛机械手系统。系统由家禽胴体悬挂输送装置、双直角坐标式机械手本体、机器视觉系统和PLC控制系统组成。通过视觉系统在线采集家禽胴体和膛口图像,采用中值滤波和灰度增强对胴体图像进行预处理,然后用全固定阈值法进行图像的二值化,设定面积阈值后通过闭运算以及孔洞填充得到分割掉家禽翅膀和腿部的二值图像,计算二值图像轮廓,获取质心坐标;采用最大内接圆法对家禽膛口进行定位,得到膛口中心坐标;坐标变换后将数据传输到PLC控制器中,指导机械手完成净膛工作。试验结果表明,该系统对家禽外形轮廓质心坐标、膛口中心坐标的重复定位精度分别达到±1.6、±1.52像素,净膛机械手能够准确抓取内脏,内脏平均残留率为7.63%,内脏平均破损率为23%。     

基于三维点云颜色特征的苹果树冠层光照分布计算方法

合理的果树冠层结构有利于获取充足的光照,对提升果实产量及品质具有重要意义。为了揭示果树冠层光照分布规律,以自由纺锤形苹果树为研究对象,以目标图像的颜色变化与光照强弱存在相关性为理论依据,首先利用Trimble TX5型地面三维激光扫描仪以"顶视法"获取叶幕稳定期苹果树冠层三维点云,按照实际苹果树冠层划分方法,提取三维点云空间不同区域的颜色特征,针对自然环境下苹果树冠层颜色特征具有复杂性和模糊性,不能采用精确、定量的符号对其进行描述的不足,构建以颜色特征为输入、相对光照强度为输出的模糊神经网络,以此作为苹果树冠层光照分布预测模型。试验结果表明:提出的基于三维点云颜色特征的光照分布计算方法具有较好的可行性,预测精度为80.57%,能够为科学合理的苹果树修剪和整形提供技术支撑。     

基于机器视觉的五坐标机床旋转轴误差检测方法

提出了一种利用机器视觉技术对五坐标机床旋转轴转角定位误差进行检测的方法。首先,通过制作特定的标志,用CCD相机获取标志图像;然后,通过数字图像处理技术对所获得的图像进行分析处理;最后,根据标志在不同位置处的相对转角偏差计算机床旋转轴的转角定位误差,实现五坐标机床旋转轴转角定位误差的辨识和测量。同时,将该方法与传统检测方法进行对比,实验结果表明,所提出的检测方法简单、高效,可以实现机床旋转轴误差的快速检测,并为五坐标机床旋转轴误差的补偿提供了计算依据。