香蕉假茎、球茎和根系动态生长模型构建研究

通过香蕉假茎、球茎和根系的表型生长模型及相关分析可为香蕉变量施肥作业提供数据基础。为解决人工测量球茎、根系外接圆难以确定问题,采用基于图像处理方法测量相关表型参数。通过测量广西宝岛蕉全生长周期内的20个阶段,采用图像处理表型测量方法测量假茎直径、球茎直径与根系水平分布长度,分别建立表型特征的生长模型并进行相关性分析。结果表明:假茎直径、球茎直径和根系水平分布长度表型生长模型均呈现“S”形,遵循作物的生长规律;香蕉假茎和球茎极显著正相关,相关系数为0.991 77(P<0.05);假茎和根系极显著正相关,相关系数为0.994 06(P<0.05);球茎和根系极显著正相关,相关系数为0.998 43(P<0.05),假茎、球茎和根系表型性状之间分别存在极显著正相关关系。由此表明,可通过测量香蕉假茎表型参数预测地下球茎和根系的表型参数,进而为变量施肥作业提供数据依据。     

锯材表面缺陷识别方法对比分析研究

锯材的表面质量对木结构制品的质量起着至关重要的作用。锯材的表面质量主要受锯材表面缺陷（如节子、虫眼、裂纹等）类型、分布、数量等综合影响。文中针对基于浅层学习网络和深度学习算法的2类图像处理方法,对比分析其在锯材表面缺陷识别中的研究现状、存在的问题及发展趋势;同时,结合准确率、平均识别精度均值和图像识别时间等目标检测评价指标,对比分析多种图像处理算法在锯材表面缺陷识别中的性能;最后,对未来锯材表面缺陷识别方法的发展趋势进行了展望。     

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。     

基于深度学习和图像处理的水果收获机器人抓取系统

首先,介绍了水果收获机器人抓取系统的总体架构;然后,利用深度学习对水果目标识别进行了研究,实现了一套基于卷积神经网络的目标检测算法;接着,利用图像处理技术实现了对目标物体定位的功能,可以引导水果收获机器人完成对目标水果的采摘。实验结果表明:水果收获机器人抓取系统对水果坐标的计算误差较小,且具备较强的水果识别和定位能力。     

基于神经网络的多特征结合法鲫鱼质量估计

质量不同的鱼摄食能力不同,准确估计鱼体质量有利于水产养殖中鱼类精准投喂,避免饲料浪费及水体污染。首先使用1元硬币作为参照物采集鲫鱼图像和体重数据,其次对图像进行预处理,提取鲫鱼和硬币的特征值,最后采用BP神经网络、Elman神经网络以及Numpy库构建的神经网络实现多特征的鲫鱼质量估计。结果表明：使用BP和Elman神经网络估计鲫鱼质量时决定系数分别为0.925 6和0.906 4,均方误差分别为0.003 68和0.004 55。采用Numpy库构建的神经网络估计时决定系数值为0.823 7,均方误差值为0.008 1。因此,使用BPNN-面积-周长和Elman-面积-周长方法能够快速、准确地估计鱼体质量,实现水产养殖中鱼类的精准投喂,以及在鱼类被捕捞后根据质量进行分级,推进渔业现代化的进展。     

基于改进YOLOv7的苹果生长状态及姿态识别

针对目前苹果在复杂环境下难以进行生长状态分类识别、姿态信息同步获取等问题,该研究提出了一种基于改进YOLOv7的苹果生长状态分类和果实姿态融合识别方法。首先改进多尺度特征融合网络,在骨干网络中增加160×160的特征尺度层,用于增强模型对微小局部特征的识别敏感度;其次引入注意力机制CBAM（convolutional block attention module）,改善网络对输入图片的感兴趣目标区域的关注度;最后采用Soft-NMS算法,能够有效避免高密度重叠目标被一次抑制从而发生漏检现象。此外,结合UNet分割网络和最小外接圆及矩形特征获取未遮挡苹果姿态。试验结果表明,改进YOLOv7的识别精确率、召回率和平均识别精度分别为86.9%、80.5%和87.1%,相比原始YOLOv7模型分别提高了4.2、2.2和3.7个百分点,与Faster RCNN、YOLOv5s、YOLOv5m相比,检测平均准确率分别提升了18.9、7.2和5.9个百分点,另外苹果姿态检测方法的准确率为94%。该文模型能够实现苹果生长状态分类及果实姿态识别,可为末端执行器提供了抓取方向,以期为苹果无损高效的采摘奠定基础。     

基于YOLOv5s-ESTC的肉苁蓉检测

为了解决因梭梭和红柳等宿主遮挡、样本分布密集、样本大小不均衡等造成人工种植肉苁蓉检测精度低以及模型参数量过大难以向嵌入式设备移植等问题,该研究提出一种基于改进YOLOv5s的人工种植肉苁蓉轻量化检测方法。首先,将YOLOv5s的主干网络替换为EfficientNetv2网络,以减少模型参数量和计算复杂度进而实现模型轻量化,便于后期将模型向嵌入式设备部署;其次,为了增强模型对小目标肉苁蓉特征信息的提取能力,将C3模块与Swin Transformer Block进行整合,得到C3STR模块,将其引入主干网络,并将其输出的特征图与Neck网络中的特征图进行融合;最后,在检测头前端与颈项加强网络之间添加CA注意力机制,以弱化背景信息、聚焦目标特征,提高网络检测性能。试验结果表明,本文模型对于肉苁蓉的检测精度和准确率分别为89.4%和92.3%,模型的参数量和计算量分别为5.69×10⁶ MB和6.8 GB,权重文件大小为11.9 MB,单幅图像推理时间为8.9 ms,能够实现实时性检测。同其他主流模型相比,改进后的模型的检测精度分别比SSD、Faster R-CNN、YOLOv3、YOLOv4、YOLOv5s、YOLOv6s、YOLOv7s和YOLOv8s高出1.1、3.0、10.8、10.3、8.5、1.6、1.2、1.4和0.5个百分点,能够准确识别不同形态下的人工种植肉苁蓉目标,同时模型具有最小的参数量、计算量和权重文件。将本文模型部署到移动端设备上,测试结果表明,本文模型具有较好的检测效果,在移动端设备上的检测时间为110.81 ms,相较于YOLOv5s模型提升了37.8%,平均检测精度相对YOLOv5s模型提升4.96个百分点,可为肉苁蓉智能化采摘装备研制提供参考。     

MATLAB在数字图像处理和分析中的应用

介绍如何利用利用Matlab开发平台强大的科学计算功能,快速实现图像处理,并通过一些例子来说明利用MATLAB平台来实现图像处理。     

窝眼轮排种器排种图像处理及性能分析

用视觉方法检测窝眼轮排种器的性能,通过采集窝眼轮排种口种子流样本视频文件,以MATLAB软件为图像处理技术手段,得到有清晰种子目标的二值化图片,并将每张图片中的种子数加以存储。通过判别种子数的多少来确定出漏播、合格、重播的型孔数目,从而得出该排种器的性能指标,实现了对窝眼轮排种器性能的无接触、无损伤、无污染、高效率和高精度检测分析。