肉牛体形参数计算机视觉检测

利用数字图像处理技术，对肉牛体形参数计算机视觉检测技术进行了研究。用基于色度的阈值分割算法对图像进行分割，对自然条件下获取的肉牛图像进行了分析和检测，对选择的特征参数进行了测量。试验表明，应用计算机视觉技术测量肉牛体形参数是可行的。在测量的6个特征参数中，最大平均相对误差为2.73％。     

机器视觉技术在温室营养液调控系统中的应用

现代设施农业趋向于采用无土栽培.无土栽培是一种采用灌溉营养液来栽培作物的方法.为此,介绍了国内温室无土栽培中营养液供给系统的研究现状,针对目前营养液供给控制存在的问题,将机器视觉技术应用到温室营养液调控中,利用作物的图像信息和环境信息,参考作物专家系统,提出控制策略,调整营养液配置参数,并阐述了系统的软硬件实现方法.     

基于计算机视觉技术的水果分级研究进展

较为全面地介绍了国内外基于计算机视觉技术的水果外观品质的单指标分级、多指标综合分级和水果内部品质检测分级的研究现状与方法,指出了现有研究中研究对象较单一、图像采集不全面、图像处理算法不多、精度不高等存在的主要问题.同时,提出了未来水果分级的发展方向,认为水果内外品质融合的一体化分级技术是未来的发展趋势.     

机器人在设施农业领域应用现状及发展趋势分析

机器人技术在设施农业领域的广泛应用,不仅大幅提升农业产量,也能够体现一个国家农业现代化科技水平。机器人操作系统ROS的兴起,逐渐成为国内外设施农业机器人研究开发的热点。对国内外机器人设施农业领域相关研究探讨分析,综述当前机器人在种苗嫁接移栽、喷药施肥、果蔬收获加工、畜禽健康养殖等设施农业领域方面的应用现状,总结归纳SLAM地图构建、自主导航、机器视觉三种机器人关键技术研究趋势,并对比分析路径规划中Dijkstra算法、BFS算法、A*算法的优缺点以及机器视觉在果蔬采摘分选等领域的发展趋势。面对农业向智慧农业方向发展,总结并展望设施农业机器人未来发展趋势。     

自主式移动机器人定位坐标平滑算法研究

为了提高基于全局视觉导航的移动机器人的全局绝对定位精度，提出了一种适用于较大工作空间的摄像机参数分区标定方法，并借用数字图像中邻域的概念，定义了小区域的8—邻域关系，利用模糊数学的方法确定了中心区域及其邻域的权值函数，有效解决了各小区域边界的定位坐标平滑过渡问题。该平滑算法是一种计算模板，计算量不会因小区域的面积和小区域的个数的增加而增加，对于区域的内部和边缘计算一样有效。     

基于计算机视觉的水果分选机实时控制系统

研究了一种基于计算机视觉的水果分选机实时控制系统。其利用计算机进行水果图像的采集、处理。利用单片机对分选台执行机构进行控制。工作时，光电传感器的脉冲信号触发图像卡采集图像，计算机进行图像处理后，其结果信号由串口发出，单片机接收到结果信号后向相应的电磁阀发出开关量信号，驱动执行机构动作，从而实现实时分选。     

计算机视觉在脱水姜片在线分选中的应用

目前,脱水姜片的分选主要靠人工完成,分选精度不高,结果不稳定.为此,研究设计了一套基于计算机视觉的在线分选装置;开发了基于物料颜色参数的实时算法,对物料图像进行特征提取和一系列处理;运用双缓冲技术提高系统运行速度.试验结果表明,分选出的成品中含有的合格姜片达到95.5%,系统测量速度快、分选精度高且运行稳定,满足在线实时分选要求.     

基于计算机视觉的规模化蛋鸡场产蛋计数方法

本文提出了一种基于计算机视觉和图象处理的规模化蛋鸡场产蛋量计数方法,通过分析摄像机获取的图像中鸡蛋和传送带背景信息来有效的检测鸡蛋个数.本方法经试验表明:鸡蛋计数的准确率为95%,并对统计鸡蛋枚数效率高,实用性强,克服了人工计数带来的不便,因而可以进行推广.     

玉米中耕除草复合导航系统设计与试验

为了实现玉米中耕除草过程中的自动导航作业,提高自动除草的效率和准确性,设计了一种玉米中耕除草复合导航系统。系统由基于GNSS的农机自动导航部分和基于机器视觉的农具自动导航部分组成,可通过GNSS位置信息进行农机自动导航,同时根据摄像头获取的玉米作物行信息控制农具铲刀进行行间除草。对农机的转向控制部分和前轮转角检测部分进行了机械改装,以PLC和步进电机驱动器为基础设计了农机转向控制电路和农具液压控制电路;以横向偏差和横向偏差变化率作为模糊控制的输入变量设计了自适应模糊控制方法;采用摄像头获取玉米作物行,通过扫描滤波方法进行作物行检测。农机独立导航除草试验和农机具复合导航试验结果表明：在车速为0.6 m/s时,农机自动导航最大横向偏差为10.04 cm,平均偏差为4.62 cm;农机具复合导航时的最大偏差为6.35 cm,平均偏差为2.73 cm;农机具复合导航系统能较好地满足玉米中耕除草的要求。     

基于视觉的苗期作物株间除草关键技术研究现状

基于视觉的苗期作物和杂草的图像分割技术逐渐成熟,通过视觉技术对苗期作物进行精准识别和定位,是实现株间除草的关键技术和难点。作物的精准识别首先需要利用颜色特征将图像中的作物、杂草和土壤背景进行分割;其次利用实际识别对象的位置特征,形状特征,纹理特征,光谱特征等构造新的特征向量,结合成熟的分类算法对作物和杂草进行特征分类识别。针对棉苗和大豆苗,主要提取位置特征、形状特征,多采用支持向量机为主分类算法;针对玉米,主要提取位置特征、纹理特征,多采用人工神经网络为主的分类算法;针对部分蔬菜苗,主要提取形状特征、光谱特征,多采用算法结合的优化算法,具体实现时需要根据离线样本学习的结果来平衡苗期作物的识别准确率与实时性。在目前的算法中,主要存在三方面的问题:作物特征提取效果易受到遮挡、光照等干扰;分类算法目前还不能得到非常令人满意的准确性和实时性;目前算法一般是针对某种时段的作物,不具有通用性。这些都是后续算法研究中需要进一步解决的问题。