基于图像处理和模糊聚类方法的黄瓜霜霉病识别研究

综合运用图像处理和模糊识别技术,以黄瓜病害为研究对象,进行黄瓜霜霉病自动识别的试验研究。在自然光条件下拍摄黄瓜叶片图像作为实验数据,为减少干扰因素对病害特征的不利影响,对原始图像做预处理,并把病斑分离出来;在农业植保专家的指导下,分析了黄瓜霜霉病病害的典型特征,从病斑形状、纹理和颜色三方面提取了16个特征参数;对黄瓜霜霉病叶片图像进行有监督的样本训练,得到黄瓜霜霉病害的标准特征模式,再对待测样本进行模糊聚类测试,平均识别准确率为95.28%。试验结果表明,该方法对于黄瓜霜霉病的识别效果较好。     

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。     

基于改进SSD卷积神经网络的苹果定位与分级方法

为实现苹果果径与果形快速准确自动化分级,提出了基于改进型SSD卷积神经网络的苹果定位与分级算法。深度图像与两通道图像融合提高苹果分级效率,即对从顶部获取的苹果RGB图像进行通道分离,并提取分离通道中影响苹果识别精度最大的两个通道与基于ZED双目立体相机从苹果顶部获取的苹果部分深度图像进行融合,在融合图像中计算苹果的纵径相关信息,实现了基于顶部融合图像的多个苹果果形分级和信息输出;使用深度可分离卷积模块替换原SSD网络主干特征提取网络中部分标准卷积,实现了网络的轻量化。经过训练的算法在验证集下的识别召回率、精确率、mAP和F1值分别为93.68%、94.89%、98.37%和94.25%。通过对比分析了4种输入层识别精确率的差异,实验结果表明输入层的图像通道组合为DGB时对苹果的识别与分级mAP最高。在使用相同输入层的情况下,比较原SSD、Faster R-CNN与YOLO v5算法在不同果实数目下对苹果的实际识别定位与分级效果,并以mAP为评估值,实验结果表明改进型SSD在密集苹果的mAP与原SSD相当,比Faster R-CNN高1.33个百分点,比YOLO v5高14.23个百分点...     

基于颜色优势目标的机器视觉图像提取算法研究

图像是信息的主要载体,如何在大量且繁杂的信息中提取出足够而且准确的信息以供使用是实践中经常遇到的问题。为此,基于黄瓜植株中花朵目标与果实目标的不同特征来设计算法,得出对花朵的提取方法,以MATLAB为开发平台,结合数字图像处理技术,着重研究了机器视觉图像的处理算法。仿真结果表明:该算法程序运算时间短,返回结果稳定,在图像目标提取中取得了良好效果。     

基于机器视觉的蜜柑横径测量方法研究

【目的】机器视觉技术具有无损、快速、准确、智能化程度高等优点,被广泛应用于水果检测中,替代人工对水果的检测分级,因此研究小组基于机器视觉技术,来探究蜜柑横径的测量方法和过程。【方法】研究小组在试验研究过程中,通过图像采集系统获取蜜柑样本图像,并对其进行灰度化、中值滤波等预处理,采用阈值分割的方法将蜜柑图像和背景图像进行分割。对蜜柑图像区域进行填充和形态学处理等,提取蜜柑的边缘轮廓图像;运用Canny算子的边缘检测技术,最终提取出蜜柑的轮廓;依据轮廓图像,采用拟合圆法,将拟合出的圆的直径作为蜜柑横径数据,并和人工实测的蜜柑横径数据进行比对和分析。【结果】从测试样本中随机取出9个蜜柑样本进行试验,通过相对误差数据表明,机器视觉技术能够比较合理、准确地计算出蜜柑的横径。【结论】将机器视觉技术应用到蜜柑横径的测量中,通过采用相关的图像处理方法和数据运算,探讨出了蜜柑横径的测量过程和方法,为蜜柑乃至柑橘类水果的智能化分级提供了方法理论和数据基础。     

基于光谱成像技术的温室黄瓜识别方法

为实现温室环境下近色系果蔬的采摘识别,提出了一种基于统计方差结合人工神经网络的光谱选择方法对黄瓜敏感波段进行分析验证,并将选定的光谱组合作为温室黄瓜识别中光谱图像获取的参考依据。结果表明,利用所摄敏感波段的图像信息可有效地解决黄瓜目标与背景的区分问题。综合比较黄瓜作物(果实、叶、花)在不同光谱域的分光反射特性差异,利用方差分解方法获取果实信息的敏感波段,在敏感区域内进行主成分分析,将前4个主成分作为网络输入、作物器官类别作为输出,建立3层BP—ANN验证模型。将160个样本数据按比例分为建模集和预测集,模型对建模集120个样本的正确判别率为100%,对预测集40个样本的正确判别率为95%。说明敏感波段的选择能较好地反映黄瓜作物不同器官间的特性差异。     

基于高光谱成像技术的小麦条锈病病害程度分级方法

为了快速、准确地对小麦条锈病病害程度进行分级评估,提出了一种基于高光谱成像技术的小麦条锈病病害程度分级方法。首先利用Hyper SIS高光谱成像系统采集受条锈菌侵染后不同发病程度的小麦叶片高光谱图像,通过分析叶片区域与背景的光谱特征,对555 nm波长的特征图像进行阈值分割获得掩膜图像,并用掩膜图像对高光谱图像进行掩膜处理,提取仅含叶片的高光谱图像;然后用主成分分析法(Principal component analysis,PCA)得到利于条锈病病斑和健康区域分割的第2主成分(The second principal component,PC2)图像,采用最大类间方差法(Otsu)分割出条锈病病斑区域;最后根据条锈病病斑区域面积占叶片面积的比例对小麦条锈病病害程度进行分级。试验结果表明:测试的270个不同小麦条锈病病害等级的叶片样本中,265个样本可被正确分级,分级正确率为98.15%。该研究为田间小麦条锈病害程度评估提供了基础,也为小麦条锈病抗性鉴定方法提供了新思路。     

基于改进VGG16的大米加工精度分级方法研究

为了准确识别大米精度等级,结合超列技术（Hyper column technology,HCT）、最大相关-最小冗余（Max-relevance and min-redundancy,MRMR）特征选择算法和极限学习机（Extreme learning machine,ELM）,提出了基于改进VGG16卷积神经网络的大米分级检测方法。首先,使用机器学习中的OneHot格式进行编码,对数据进行归一化;然后采用VGG16卷积神经网络结合HCT技术作为特征提取器,从而保证从不同的深层结构中提取出局部鉴别特征,共提取5248个大米特征信息;采用MRMR特征选择算法剔除大量冗余的大米图像特征,筛选出最有效的500个特征;最后,利用ELM技术进行大米加工精度分级。将5848个样本图像按6∶3∶1的比例随机分为训练集、测试集与验证集,对模型进行训练与测试,结果表明,基于改进VGG16卷积神经网络的大米加工精度分级模型对1755个测试集大米样本分类的总体准确率达到97.32%,对大米加工精度的分级预测速度在85t/h以上,基本满足大米生产线的分级要求。     

基于深度学习与多尺度特征融合的烤烟烟叶分级方法

为实现烤烟等级的快速准确识别,降低人工分级中主观因素对分级结果的影响,提高烟叶分级的准确性和一致性,提出一种基于烤烟RGB图像和深度学习的多尺度特征融合的烟叶图像等级分类方法,采用ResNet50提取烟叶图像特征,并引入基于注意力机制的SE模块(压缩激发模块),增强不同通道特征的重要程度;同时,采用FPN(特征金字塔网络)对提取的由浅及深不同层级的烟叶特征进行融合,以实现烟叶多尺度特征的表达。采集皖南地区6068个烤烟的正面和背面图像用于建模和分析。结果表明,提出的烟叶分级方法的分级正确率比经典CNN(卷积神经网络)高出5.21%,分级模型在新批次7个等级烟叶上的分级正确率为80.14%,相邻等级的分级正确率为91.50%。因此,采用RGB图像结合深度学习技术可实现烤烟烟叶等级的良好识别,可为烤烟烟叶收购等级评价提供一种新方法。     

果实成熟度识别机器人设计——基于近红外线信号处理

为了提高采摘机器人自动识别果实成熟度的智能化水平,提高果实识别的准确性,实现机器人自主定位和自动规划路径能力,设计了一种新的自动化采摘机器人。该机器人利用图像分割技术和近红外信号处理技术,实现了果实成熟度的自动定位和判别。对采摘机器人的性能进行了测试,包括苹果图像的分割和提取、果实成熟度的判断和机器人路径规划。通过测试发现:机器人可以在复杂采摘背景下准确地识别苹果果实,并可以通过红外线探测实现果实成熟度的判别,最终规划出来合理的采摘路径,实现果实的精准采摘,为果蔬采摘机器人的研究提供了较有价值的参考。     

基于Mask-RCNN的自然场景下油茶果目标识别与检测

针对我国油茶果采摘过程中存在的自动化水平落后、采摘效率低、适采周期短的现状,应用于机器人收获技术的机器视觉技术受限于真实场景中复杂背景干扰从而导致识别精度较低的问题。以自然场景下的油茶果为研究对象,提出一种基于Mask-RCNN的自然场景下油茶果目标识别与检测算法,首先获取油茶果图像并建立数据集,利用ResNet卷积神经网络提取油茶果果实图片的特征,获得果实目标分割结果,再采用RPN对所得到的特征图进行操作,并增加全连接层,提取每个样本mask像素面积,并对目标类别进行预测。利用测试集分别测试油茶果的分割网络模型及目标识别算法,结果表明,网络模型的分割准确率为89.85％,油茶果目标识别的平均检测精度为89.42％,召回率为92.86％。本算法能够自动检测油茶果目标,并有效降低不同光照情况下叶片与花苞遮挡、果实重叠、果实色泽等因素干扰,为自然场景中果实自动化采摘提供可靠的视觉支持。     

基于树莓派及深度学习的柑橘识别系统设计

随着现代农业技术的发展,柑橘的生产与采收自动化是必然趋势,而柑橘的目标识别是实现采摘自动化的重要环节。提出一种基于树莓派的柑橘识别系统,以树莓派作为软件程序平台,应用Python语言构建卷积神经网络模型,利用TensorFlow平台实现柑橘的识别。通过机器视觉采集柑橘树的相关数据,结合深度学习算法,对柑橘树上的柑橘进行识别及计数。经过测试,识别正确率约为92.4%。此外,利用GPS模块进行识别位置定位,确定区域内的柑橘密度及使用光照强度传感器测量环境光照强度对图像进行直方图均衡化处理,降低光照对柑橘识别的影响。     

香梨自动称量分级系统

为提高香梨商品价值,将香梨分级是一种常用的做法。该文提出一种基于香梨称量指标的香梨分级设备,利用压敏传感器和AD转换器构成称量模块,由气动摆杆组成执行模块,实现香梨的分级。并且利用圆锥滚子的翻转能力和高速运动能力作为分级线的托盘,满足了高速分级的效果,同时可以为基于图像的香梨外部品质识别做好平台基础。试验验证分级线称量准确度在0.4 g以内,平均误差值在0.4%,精度符合要求。分级执行机构在电机运转＞15 Hz时,分级准确度接近100%,满足实际生产要求。      

基于RGB图像检测的水果分拣控制算法研究

以水果分拣控制过程为研究对象,基于RGB图像检测方法建立分拣控制算法.同时,利用异步图像采集模式进行水果图像获取,并借助中值滤波和高斯滤波器两种方式实现水果图像噪音去除;采用全局自动阈值分割法进行水果图像特征提取,从而实现水果颜色特征及表面区域特征的识别分类.将特征数据与设定好的特征阈值进行对比,从而实现水果等级的鉴定...     

自动对靶精准施药机研究——基于图像边缘检测和目标识别

为了提高施药作业的效率和实际着药量,降低喷药成本和给环境造成的负担,提出了准确精量的对靶施药系统的设计理念,并给出了施药平台的原理和结构构成,最后对施药平台的图像处理系统进行了重点设计。为了验证方案的可行性,以传统的施药机械为搭载平台,将PC图像处理器嵌入到了精准对靶控制系统中,选择地势平坦的果园为实验场地,对施药平台进行了实验研究。实验结果表明:基于图像边缘检测和目标识别的自动对靶施药平台即使在光线不好的条件下,仍可以准确地得到果树果实和枝叶的位置信息,施药平台的实际着药量要比传统施药平台更高,而成本却更低,从而验证了方案的可行性。     

基于PCA模式识别算法的收割机自主路径规划设计

为了更准确地对高分辨率可见光农田路标导航图像进行目标识别,将基于主成分分析(PCA 2 Principal Component Analysis)和模板匹配的方法引入到了联合收割机控制系统中,提升了收割机自主图像识别水平和路径规划能力。在识别过程中,采用PCA算法对分割图像进行特征提取和主成分分析,并将图像主轴旋转成水平方向和训练样本库进行匹配,最后识别出导航路标,并自动生成预设的路径。为了验证方案的可行性,将PCA模式识别算法嵌入到了收割机的控制系统中,在开阔平坦的农田里进行了实验测试,结果表明:采用PCA模式识别算法可以成功地识别农田里的导航路标,其识别准确率和效率都较高,且可以自动生成规划路径,对于现代收割机自动化作业能力的提升具有重要的意义。     

猕猴桃分级果实表面缺陷的检测方法

猕猴桃的自动化分级中最为复杂、费时的是表面缺陷检测.猕猴桃果实表面缺陷主要包括碰压伤、划伤和日灼,检测过程包括缺陷分割和缺陷识别两个阶段.猕猴桃机器视觉采集系统采用近红外光源采集图像,并对采集图像中值滤波法去除图像采集过程中受到的各种噪声的干扰;图像分析获取最佳阈值,最后图像分割得到猕猴桃果实表面的黑色斑点区域,包括真正的缺陷区域和梗萼区域.通过试验表明,近红外光源能有效提取猕猴桃果实表面的划伤、腐烂伤和日灼缺陷,而且近红外光源图像有效地避免了传统光源图像的反射亮斑区域,通过实验结果,分析针对分割出的可疑缺陷区域如何正确识别,可利用双金字塔数据形式的盒维数快速计算方法,提出描述该区域粗糙度和纹理方向性的特征参数,依此来区分真正缺陷和梗萼区域.     

基于计算机图像的采摘机器人结构优化研究

随着果蔬种植规模的扩大,果蔬采摘作业的需求量也逐渐提高.传统的果蔬采摘作业存在自动化程度低、采摘对象识别困难、采摘破坏性大等问题,导致采摘作业的效果较差、作业效率低.为此,引入了计算机图像技术,在深入研究了计算机图像技术原理的基础上,分析了计算机图像技术的成像原理,完成了采摘机器人的机械结构设计,并对采摘机器人的硬件总...     

黄瓜收获机器人避碰轨迹规划

提出了一种基于机器视觉和关节空间的黄瓜收获机器人障碍避碰轨迹规划新方法,描述了算法的实现过程。该算法中,障碍分为球体、正方体和长方体3类;根据黄瓜果实图像信息,按照距离由近及远原则,规划成熟黄瓜的采摘顺序;根据障碍类型,进行障碍判断和归类,构造障碍保护圆和障碍保护点;采用过中间障碍点的三次多项式插值函数进行描述黄瓜收获机器人相应阶段关节空间的运动轨迹。