基于机器视觉的育秧盘裂缝缺陷检测方法研究

育秧盘因长期使用或运输不当等原因易出现破损,影响了工厂化自动育秧生产线的作业性能。针对水稻育秧盘的裂缝缺陷,采用机器视觉技术,利用图像灰度化、自适应阈值处理和形态学运算等方法对育秧盘的裂缝缺陷进行检测;利用平均值法对RGB图像进行灰度化,采用自适应阈值处理对灰度化后的图像进行二值化,然后通过形态学膨胀对断裂处的裂缝进行连通,以求得最大连通区域,再运用最小外接矩形把最大连通区域标记出来,实现对裂缝缺陷的识别。试验结果表明:对带有裂缝缺陷的育秧盘的正确识别率可达到94.38%。本文的研究为育秧盘裂缝缺陷的检测和判定奠定了基础。     

基于DeepLabV3+的稻田苗期杂草语义分割方法研究

稻田杂草位置获取是靶向喷施除草剂和机械智能除草的基础,为实现自然光照环境和水田复杂背景下稻田苗期杂草的信息获取。以稻田恶性杂草野慈姑为研究对象,提出一种基于全卷积神经网络的稻田苗期杂草语义分割方法,利用DeepLabV3+对秧苗和杂草进行语义分割进而获取的杂草位置信息。首先人工田间采集稻田苗期杂草野慈姑的RGB图像,通过图像标注工具LabelMe人工标注图像中秧苗、杂草和背景的各个像素点,70%数据集用于DeepLabV3+网络模型参数的训练,30%数据集用于测试DeepLabV3+性能。然后与FCN和U-Net两种语义分割方法进行比较,所提出的DeepLabV3+语义分割方法准确率、均正比、频权交并比和F值等性能指标都最优,试验得出：DeepLabV3+模型像素准确率最高达到92.2%,高于U-Net和FCN方法的准确率92.1%和84.7%。所提出的方法能对稻田苗期杂草、秧苗和背景像素进行准确分割,满足智能除草和除草剂靶向喷施的实际应用需求。