基于智能称重的水果分级生产线设计

设计了一种基于智能称重的可以用于多种类球型水果实时、动态检测的分级生产线。整条生产线由水果输送装置、称重装置、控制装置、分级执行装置和托盘机构组成,水果输送装置将水果逐个输送到水果分级生产线的托盘机构,托盘机构随滑块循环运动至称重台上完成称重,质量信息传送至控制装置,控制装置根据国家标准判定每个水果的等级,发出指令传送给分级执行装置,完成水果的分级。     

基于改进YOLOv7模型的柑橘表面缺陷在线检测

柑橘表面缺陷是水果检测分级的重要依据,针对传统柑橘表面缺陷检测方法效率低、精度低等问题,该研究提出一种柑橘表面缺陷的实时检测方法。该方法首先对柑橘图像进行图像增强,然后利用提出的YOLOv7-CACT模型对柑橘表面缺陷进行检测,该模型在YOLOv7模型骨干网络中引入坐标注意力模块(coordinate attention, CA),从而提高模型对缺陷部分的关注度。在网络头部引入CT(contextual transformer,CT)模块,融合静态和动态上下文表征特征,从而增强缺陷部分特征表达能力。通过试验确定CA模块和CT模块的最佳位置。改进后的YOLOv7-CACT模型检测结果平均精度均值（mean average precision,mAP）相较于原始模型增加了4.1个百分点,达到91.1%,满足了实际生产中对柑橘缺陷检测精度的要求。最后将基于YOLOv7-CACT的柑橘检测模型通过TensorRT进行部署,试验结果表明模型的推理时间满足柑橘生产线10个/s的实时分选要求,总体的检测精度达到94.4%,为柑橘表面缺陷在线检测提供了一种精准的实时检测方法。     

基于类球形亮度变换的水果表面缺陷提取

针对基于机器视觉技术的水果表面缺陷因受到亮度不均影响而提取困难的问题,以阿克苏苹果为研究对象,采用可见-近红外双CCD成像系统,设计了一种无需预先建模的类球形亮度变换方法,对R分量图像进行亮度变换,变换后的图像使整个水果表面正常区域灰度趋于一致,而缺陷区域依然保留为低灰度区,增强了缺陷和正常果皮的对比度,提高了缺陷检测精度.使用共计100个样本评估算法的可行性,其中45个缺陷果的检测精度为93.3％,55个正常果的检测正确率为100％,整体检测精度达到97％.研究结果表明,利用基于类球形亮度变换结合单阈值分割方法提取水果表面缺陷是可行的.     

生鲜肉质量与安全无损检测关键技术研究

生鲜肉质量与安全无损检测技术具有不破坏检测样本、检测速度快、客观性强等优点,适于大规模产业化生产的在线检测和分级,易于实现自动化.为了跟踪国内外的最新研究成果,对生鲜肉质量与安全无损检测技术以生鲜肉食用品质、等级评判、微生物与污染物和异物排查4方面进行了分类综述,以期为无损检测技术在生鲜肉质量与安全检测方面更广阔的应用提供参考.     

高光谱成像技术和主成分分析识别玉米籽粒的胚

摘要：为了分割玉米籽粒的胚部分,本研究搭建了一套高光谱成像系统用于获取波段范围为500～900 nm的高光谱反射图像。主成分分析（PCA）方法对样本高光谱数据进行降维以便选择少量有效波长构建多光谱成像系统。研究发现,采用可见光（VIS）区域的3个有效波长510、555和575 nm获得的主成分（PC）图像获得了较好的识别结果。100个独立样本用于评估算法性能,结果表明,样本中97.0%的胚可以从玉米籽粒中正确分离。     

苹果糖度高光谱图像可视化预测的光强度校正方法

针对类球形水果表面曲率变化引起高光谱图像光响应强度差异较大,难以有效预测各部位的品质信息的问题,以富士苹果为研究对象,对高光谱图像进行黑白标定后,以糖度测试部位为感兴趣区域提取平均光谱并建立糖度的定量预测模型,校正集相关系数Rc为0.930 5,校正均方根误差RMSEC为0.433 1;高光谱图像经构建掩模消除样本背景噪声后,提出了高光谱图像光强度校正方法,比较校正前后的高光谱图像能量分布图可以发现光强度得到有效补偿,对校正后的高光谱图像标记空间信息并提取对应光谱,用已建立的苹果糖度模型计算各像素点对应的糖度值,绘制苹果糖度的伪彩色分布图。研究结果表明,高光谱图像经强度校正可以快速无损的预测苹果的糖度及其分布。     

类球形水果表皮颜色变化校正方法研究

针对类球形水果表面较大的曲率变化会引起表面亮度不均,从而导致水果颜色分级评价中存在误差大、准确率低等问题,提出了二维B样条水果表面亮度不均校正算法。利用该算法分别对原始RGB图像各单通道图像进行亮度校正,然后将校正后的RGB图像转换成HIS颜色空间图像,提取色调H和亮度I分量,通过对比校正前后H和I分量图像像素灰度标准差评价校正效果。对160幅橙图像处理结果表明,校正后的图像在色调和亮度上比原始图像更加均匀,色调H分量和亮度I分量的平均标准差分别仅为原始图像标准差的21.57%和33.94%,色调和亮度均匀性得到了明显的改善。     

轮式拖拉机在典型路况下轮胎受力仿真分析

为了研究轮式拖拉机在典型路况下轮胎的受力情况,该文采用多体动力学软件RecurDyn进行轮式拖拉机建模,建立了包含4个车轮、前轴、后轴以及车架的简化模型,并给前轴和后轴施加合理的质量。利用RecurDyn的Fiala轮胎模块建立了轮胎与地面的相互作用模型,分别对轮式拖拉机在上20°坡、上44°极限坡、下20°坡和下34°极限坡等情况下的轮胎位移和受力进行了仿真分析,同时比较了拖拉机在两种不同车速情况下的轮胎受力。结果表明,在不同的坡度下行驶时,轮式拖拉机前轮受到的冲击力差别明显,上44°坡时受到的最大冲击力比上20°坡时增加了67.73%,下34°坡时受到的最大冲击力比下20°坡时减少了8%;在相同的路面条件下,当拖拉机以0.678 m/s过圆柱形障碍物时,前轮受到的最大作用力比在车速1.356 m/s时减小了16.13%。仿真分析结果可为轮式拖拉机轮胎受力研究提供参考。     

基于YOLOv4模型剪枝的番茄缺陷在线检测

为解决番茄缺陷检测过程中的精确性和实时性问题,该研究提出一种基于模型剪枝的番茄表面缺陷实时检测方法。采用模型剪枝的方法在YOLOv4网络模型基础上进行模型优化,首先将3个连续检测工位采集的RGB图像拼接生成YOLOv4网络的输入图像,然后采用通道剪枝和层剪枝的方法压缩YOLOv4网络模型,从而减少模型参数,提高检测速度,最后提出一种基于L1范数的非极大值抑制方法,用于在模型微调后去除冗余预测框,从而精准定位图像中的缺陷位置,并将模型部署到分级系统上进行实时检测试验。结果表明,该研究提出的YOLOv4P网络与原YOLOv4网络相比,网络模型尺寸和推理时间分别减少了232.40 MB和10.11 ms,平均精度均值（Mean Average Precision,mAP）从92.45%提高到94.56%,能满足实际生产中针对缺陷番茄进行精准、实时检测的要求,为番茄分级系统提供了高效的实时检测方法。     

基于高光谱成像的苹果轻微损伤检测有效波长选取

为了确定可用于苹果早期轻微损伤检测的有效波长,以具有代表性的阿克苏苹果为研究对象,采用高光谱成像技术和分段主成分分析方法对损伤发生仅为半小时之内的苹果进行损伤检测研究,对比分析不同光谱区域主成分分析对识别结果的影响,优选出识别光谱区域(780～1000nm)。基于此光谱区域结合主成分图像权重系数获取2个有效波长(820和970nm),并利用这2个波长和全局阈值理论开发了多光谱轻微损伤提取算法。利用独立测试集中25个正常苹果和25个损伤苹果对算法的性能进行评估,结果表明,正常果的识别率为100%,损伤果的识别率为96%,整体检测精度为98%。该研究所获得的有效波长可为开发基于多光谱成像技术的苹果损伤检测系统提供参考。