计算机视觉描述缺素番茄叶片颜色变化的研究

利用计算机视觉系统代替人眼对番茄缺素进行自动识别的方法，通过对缺素番茄叶片彩色图像的分析研究，利用图像处理技术中的颜色分析方法，分析缺N和正常叶片的特征量随着缺素时间的变化规律．提出用G体均值、H色调均值来定量描述缺N叶片随时间的变化。结果表明：利用计算机视觉能定量描述缺N叶片颜色随缺素时间的变化。     

基于Matlab的挖掘机工作装置动力学方程

根据机械手结构原理，将液压挖掘机工作装置机器人化。运用拉格朗日功能平衡法，结合Matlab软件编程运算，构造了工作装置的动力学模型。输入已知参数即可由程序快速、准确地输出动力学方程，为进一步研究自动控制和仿真问题奠定了基础。     

铰链密封式传动滚子链的道路试验研究

通过30000km道路行驶试验研究表明，密封滚子链的磨损形式，对销轴和套筒而言是以疲劳磨损为主,伴随有粘着磨损与磨粒磨损；对链板和O形圈而言主要是疲劳磨损，并且O形圈的磨损要比链板的磨损严重得多。销轴和套筒表层磨损后产生了循环硬化特性，有利于提高其铰链副的耐磨性。     

基于桌面虚拟现实系统车辆运动仿真的立体视觉实现

设计了一套桌面虚拟现实系统，在该系统下实现了立体视觉，并给出了车辆运动仿真的一个实例。虚拟现实技术为车辆运动仿真提供了一种新的方法。     

机器视觉技术在精细农业中的研究进展

精细农业以节约投入、增加产出、提高投入物利用率、减少环境污染为目的.快速、准确地采集各种农田信息,有效地监测农业对象是实施精细农业的重要基础.机器视觉技术由于其非破坏性、精度高、成本效率高、信息量大、灵活等特点,在精细农业中得到了广泛的应用.为此,通过对大量参考文献进行分析,发现机器视觉在精细农业中的主要研究方向集中在农业机械自动导航、作物生长信息检测、变量控制等方面.同时,对机器视觉技术在上述领域中的研究情况进行分析和总结,并讨论了未来机器视觉技术在精细农业中应用存在的问题以及发展前景.     

汽车中控锁执行器性能检测试验研究

对汽车中控锁电动执行器性能检测进行了深入研究。通过力学分析与试验，对交变试验力的特点及产生原因进行了分析，得出盘簧机构相对电动执行器是交变负载，从而提出了以中控锁自身作为检测负载的方案。为解决在恒温箱内测量主动驱动力的困难，采用了间接测量工作电流的方法；此外还进行了耐久性试验和驱动时间的测量。全套检测装置已成功应用于生产中。     

基于计算机视觉的冷却牛肉新鲜度评价方法

利用计算机视觉技术对冷却牛肉的新鲜度进行了分析研究，应用BP神经网络对牛肉脂肪组织进行了分割，分割正确率可达97％以上。选取图像原始颜色信息作为评价新鲜度的特征值组成特征向量，采用HSI、RGB和CMYK3种彩色模型评价冷却牛肉的新鲜度，其准确率分别为82．1％、78．6％、75．0％。基于计算机视觉技术的冷却牛肉新鲜度评价方法与实验室分析方法相比，评价准确率有明显提高，并且没有繁琐实验过程，是一种更高效的牛肉新鲜度评价方法。     

宽幅施药机械机器视觉辅助导航系统研究

为了实现宽幅施药机械喷幅的精确拼接,提出一种机器视觉辅助GPS导航方法。该方法首先对施药机械幅边喷洒泡沫剂并进行泡沫剂识别,识别过程中为了有效分割目标与背景,选定蓝色泡沫剂作为试验对象,提出使用超蓝色灰度化方案,并经过形态学滤波、行定位点的选取、Otsu分割提取泡沫剂信息,使用迭代的最小二乘法检测泡沫剂中心线的信息;然后给出了二维图形航向偏角和偏距的定义,并根据识别的泡沫剂信息进行航向偏角和偏差信息的提取,从而指导施药机械的行进方向。试验表明,所提方法可以较为准确地进行泡沫剂识别,根据泡沫剂信息识别得到的偏角计算值和实际测量值平均误差为1.58°,最大误差为2.5°,偏距计算值和实际测量值平均误差为5.4 cm,最大误差为8.4 cm,检测精度能够满足实际需求。     

小型农产品分选机设计与试验

针对家庭农场及小规模营销的需要,设计了基于机器视觉的小型农产品分选机。农产品在平胶带上形成多通道阵列式输送,以DSP作为机器视觉单元的核心,采集一帧图像可分析多个通道,并根据农产品的形状、颜色等图像特征进行分选。在水平输送速度为9.2 cm/s、农产品输送间隔为16 cm、4通道并行输送的条件下,选用核桃、红枣及栗子3种农产品进行了分选机性能测试。试验表明,机器能够可靠工作;核桃、红枣和栗子的分选准确性分别为91.66%、94.79%和97.39%;分选速度达8 800个/h。因此采用DSP芯片作为小型分选机的机器视觉核心是可行的,可以为农产品分选机的小型化、低成本提供技术支持。     

基于计算机视觉的大米外观品质检测

开发了一套基于计算机视觉技术的稻谷品质检测系统，采用灰度变换、自动阈值分割、区域标记等方法从采集的稻米群体图像中提取单体米粒图像，对单体米粒的裂纹、垩白特征进行了统计和检测方法研究。提取了米粒的面积、周长等10个特征参数作为整精米检测特征，并进行了主成分分析，确定了判别整精米的优化阈值。检测试验结果表明：裂纹米粒识别的准确率为96．41％；垩白米粒识别的准确率为94．79％；整精米识别的准确率为96.20%。