葡萄图像检测技术研究进展

葡萄是我国重要的栽培水果之一。随着计算机技术的进步和我国智慧农业概念的提出和推广,图像处理技术现已被广泛应用于葡萄检测中,具有高效、便捷、无损伤的优点。本文综述了图像检测技术在葡萄叶片(病害、营养物质)和果实上的研究进展,提出了现存的不足,并对未来图像处理在葡萄检测技术中的应用进行了展望。     

基于改进YOLOv3的果园复杂环境下苹果果实识别

为使采摘机器人能够全天候的在不同光照、重叠遮挡、大视场等果园复杂环境下对不同成熟度的果实进行快速、准确的识别，该研究提出了一种基于改进YOLOv3的果实识别方法。首先，将DarkNet53网络中的残差模块与CSPNet（Cross Stage Paritial Network）结合，在保持检测精度的同时降低网络的计算量；其次，在原始YOLOv3模型的检测网络中加入SPP（Spatial Pyramid Pooling）模块，将果实的全局和局部特征进行融合，提高对极小果实目标的召回率；同时，采用Soft NMS（Soft Non-Maximum Suppression）算法代替传统NMS（Non-Maximum Suppression）算法，增强对重叠遮挡果实的识别能力；最后，采用基于Focal Loss和CIoU Loss的联合损失函数，对模型进行优化，提高识别精度。以苹果为例进行的试验结果表明：经过数据集训练之后的改进模型，在测试集下的MAP（Mean Average Precision）值达到96.3%，较原模型提高了3.8个百分点；F1值达到91.8%，较原模型提高了3.8个百分点；在GPU下的平均检测速度达到27.8帧/s，较原模型提高了5.6帧/s。与Faster RCNN、RetinaNet等几种目前先进的检测方法进行比较并在不同数目、不同光照情况下的对比试验结果表明，该方法具有优异的检测精度及良好的鲁棒性和实时性，对解决复杂环境下果实的精准识别问题具有重要参考价值。     

基于改进YOLOv7模型的马铃薯种薯芽眼检测

芽眼精准检测是实现马铃薯种薯智能化切块的前提，但由于种薯芽眼区域所占面积小、可提取特征少以及种薯表面背景复杂等问题极易导致芽眼检测精度不高。为实现种薯芽眼精准检测，该研究提出一种基于改进YOLOv7的马铃薯种薯芽眼检测模型。首先在Backbone部分增加Contextual Transformer自注意力机制，通过赋予芽眼区域与背景区域不同权值大小，提升网络对芽眼的关注度并剔除冗余的背景信息；其次在Head部分利用InceptionNeXt模块替换原ELAN-H模块，减少因网络深度增加而造成芽眼高维特征信息的丢失，更好地进行多尺度融合提升芽眼的检测效果；最后更改边界框损失函数为NWD，降低损失值，加快网络模型的收敛速度。经试验，改进后的YOLOv7网络模型平均准确率均值达到95.40%，较原始模型提高4.2个百分点。与同类目标检测模型Faster-RCNN(ResNet50)、Faster-RCNN(VGG)、SSD、YOLOv3、YOLOv4、YOLOv5n、YOLOX相比，其检测精度分别高出34.09、26.32、27.25、22.88、35.92、17.23和15.70个百分点。...     

基于多光谱图像和数据挖掘的多特征杂草识别方法

为满足变量喷洒对杂草识别正确率的要求,提出一种基于多光谱图像和数据挖掘的杂草多特征识别方法。首先对多光谱成像仪获取的玉米与杂草图像从CIR转换到Lab颜色空间,用K-means聚类算法将图像分为土壤和绿色植物,随后用形态学处理提取出植物叶片图像,在此基础上提取叶片形状、纹理及分形维数3类特征,并基于C4.5算法对杂草分别进行单特征和多特征组合的分类识别。试验结果表明,多特征识别率比单特征识别率高,3类特征组合后的识别率最高达到96.3%。为验证该文提出方法的有效性,将C4.5算法与BP算法以及SVM算法进行比较,试验结果表明C4.5算法的平均识别率高于另2种算法,该文提出的田间杂草快速识别方法是有效可行的。该文为玉米苗期精确喷洒除草剂提供技术依据。     

苹果采摘机器人中的图像配准技术

为了减少自然环境下的光线干扰,采用一个彩色相机和一个深度相机获取目标物的图像,利用多源传感器信息融合与互补方法,实现多目标图像的精确配准。基于TOF（time of flight）技术的PMD（polarization mode dispersion）相机,能实时获得强度图像和深度信息。以苹果树为研究对象,采用Harris检测提取特征点,在归一化互相关系数法的基础上运用邻域的支持强度实现了PMD图像与彩色图像的同名点配准。对自然场景中共50组图片进行试验验证,该方法顺光条件下正确匹配率达到85.75%,逆光条件下的匹配率是79.57%,能满足光线变化的图像精确配准的要求。     

利用改进的YOLOv5s检测莲蓬成熟期

为解决莲田环境下不同成熟期莲蓬的视觉感知问题,该研究提出了一种改进YOLOv5s的莲蓬成熟期检测方法。首先,通过在主干特征网络中引入BoT(bottleneck transformer)自注意力机制模块,构建融合整体与局部混合特征的映射结构,增强不同成熟期莲蓬的区分度;其次,采用高效交并比损失函数EIoU(efficient IoU)提高了边界框回归定位精度,提升模型的检测精度;再者,采用K-means++聚类算法优化初始锚框尺寸的计算方法,提高网络的收敛速度。试验结果表明,改进后YOLOv5s模型在测试集下的精确率P、召回率R、平均精度均值mAP分别为98.95%、97.00%、98.30%,平均检测时间为6.4ms,模型尺寸为13.4M。与YOLOv3、 YOLOv3-tiny、 YOLOv4-tiny、 YOLOv5s、YOLOv7检测模型对比,平均精度均值mAP分别提升0.2、1.8、1.5、0.5、0.9个百分点。基于建立的模型,该研究搭建了莲蓬成熟期视觉检测试验平台,将改进YOLOv5s模型部署在移动控制器Raspberry Pi 4B中,对4种距离范围下获取的莲蓬场景图像...     

苹果采摘机器人对振荡果实的快速定位采摘方法

为解决由于果实振荡影响采摘机器人采摘效率的问题,该文研究了苹果采摘机器人在果实振荡状况下的快速采摘方法。首先对振荡果实进行动态连续采集,其次对所采集的图像进行振荡果实识别并提取其二维质心坐标,然后由FFT建模,求取果实的振荡周期,在测得振荡果实的深度距离后,计算出采摘机器人直动关节的行程速度,随即开始采摘,抓取时果实正处于平衡位置。最后通过试验可知,采摘成功率达到84%,对于果实静态状况下采摘速度较快的采摘机器人来说,采摘振荡果实,该研究方法明显优于以往采摘方法,能够显著提高采摘机器人果实采摘的整体速度。此外,该采摘方法简单、通用性好,可满足苹果等类球状果实采摘机器人的需要,对实现其实用化和商品化提供参考。     

白鲢质量与截面积沿体长方向分布模型

该研究的目的是研究白鲢(Hypophthalmichthys molitrix)沿体长方向的质量与截面积分布规律,为白鲢在前处理加工中的运动与受力分析、加工设备结构参数与工艺参数选择提供依据。采集100条质量在800～1050g之间的白鲢,80条作为建模样本,20条作为验证样本。采用切片称质量技术得到白鲢体长方向质量分布模型,利用机器视觉和数字图像处理技术建立白鲢体长方向截面积分布模型,并对预测模型进行验证。结果表明:白鲢沿体长方向,其质量和截面积均表现出极显著的三次多项式分布特征(P<0.01),所建立的质量百分比和截面积沿体长方向的分布模型用于预测的平均相对误差值分别为6.04%和2.81%。这表明该文所建立的模型能较好地表征白鲢的质量和截面积分布特征。     

基于K-means聚类的植物叶片图像叶脉提取

植物的叶片是植物最基本、最主要的生命活动场所。叶脉的提取与分析对叶片和整株植物结构的分析有一定的应用价值。该文提出一种基于K-means聚类(clustering)的叶脉提取算法。该算法首先对叶片图像的HSI彩色空间中的I信息进行K-means聚类处理,根据聚类的结果提取叶片边界,并将叶片图像分为受光均匀和受光不均匀的2类。对于受光均匀的叶片图像在聚类结果中直接提取叶脉,而受光不均匀的叶片图像则需去除部分叶肉后再进行一次K-means聚类提取叶脉。结果表明:该算法能有效地降低叶脉提取的错分率。     

基于达芬奇技术的收割机视觉导航图像处理算法试验系统

为缩短收割机视觉导航系统研发周期、降低确定图像处理算法的试验成本,该文阐述了达芬奇技术软件框架,分析了H.264视频编解码算法工作原理,研制了基于达芬奇技术的收割机视觉导航图像处理算法试验系统。该系统以双核数字视频处理器DM6446为核心,在达芬奇平台上实现了田间试验视频图像编码采集和室内视频图像解码与处理的功能模块。经试验验证,编码后的视频压缩率可达47～103倍,解码后视频帧率30帧/s,系统实时性高、工作稳定可靠,同时可进行多种图像处理算法试验。该试验系统对于收割机视觉导航图像处理算法研究提供了有效的分析手段。