基于机器视觉的穴盘幼苗识别与定位研究

【目的】设计一套机器视觉系统,用于实时测量各穴孔中幼苗叶片面积、判断是否适合移栽作业、确定适合移栽幼苗的抓取位置,为实现穴盘幼苗自动移栽作业奠定基础。【方法】用CCD数字摄像机采集番茄幼苗图像,转换成灰度图像,将幼苗与背景分割得到二值图像,去噪处理后,通过计算每个穴孔中幼苗叶片的面积来确定适合移栽的单元,并用形心法确定机械手抓取位置。【结果】采用1.8G-1.5R-1.8B灰度化因子、Otsu法分割幼苗与背景图像效果较好;采用单连通区域法统计幼苗叶片面积,经修正后相对误差小于1.0%,相对误差值平均下降了87.6%。【结论】设计的机器视觉系统具有较高的测量精度,能够满足穴盘幼苗自动移栽作业要求。     

基于吊蔓绳的温室番茄主茎秆视觉识别

为了精确识别番茄植株以供精确对靶喷施,该文提出一种基于温室吊蔓绳对番茄主茎进行检测识别的算法。通过分析番茄作物图像在HSI颜色空间的分布特性,基于H分量应用Otsu分割算法对番茄作物图像进行二值化处理,以突出图像中吊蔓绳区域。利用细化算法提取出吊蔓绳区域离散特征点簇,并采用最小二乘法直线拟合特征点簇获取吊蔓绳位置。试验结果表明,处理分辨率640×480像素的图像平均用时0.16s,对100张图像进行识别试验,正确率达93%,该算法提取吊蔓绳和番茄主茎间的最大距离偏差为48像素单位,能够准确识别番茄主茎秆,具备较强的鲁棒性。     

不同成熟度芡实的力学性能试验分析

随着芡实种植和消费量的增大,芡实生产的机械化要求逐渐成为芡实发展的瓶颈,其中芡实破壳机械设备的研制成为芡实产后加工过程中的一个关键问题。为给芡实破壳机械设计提供依据,对不同成熟程度芡实进行了压缩和剪切试验,分析芡实的成熟程度及受力方向对其力学性能的影响。试验结果表明,芡实在压缩和剪切试验中破裂所产生的受力载荷—变形曲线是相似的,但裂纹的产生部位和扩展方式不同;芡实破裂时的破壳力、变形量、应变能及应变能密度都随其成熟度的增加而增大;理论上垂直于芡实脐眼方向进行剪切破壳加工相对较容易。试验结果为芡实破壳机械设备的研发提供了参数依据。     

基于CFD模型的温室温度多指标GA优化控制

建立了基于CFD模型的温室温度多指标优化闭环控制系统.采用GA优化算法,在综合考虑温度平均值、温度均匀性和控制代价3项指标下,通过循环迭代构建了温度系统的闭环形式,获取了自然通风模式下的最佳控制量(入口和天窗开度),使得系统在多指标条件下达到最优.仿真实验表明:基于CFD模型的设计方法可将温室整体纳入控制系统之中,区别于传统的“点”控制形式,通过多指标体系的GA算法寻优,可使温室作物的区域性生长差异和能量消耗减小,提高温室控制精度,丰富温室控制系统的设计方法.     

田间小麦叶片无损监测方法的实现及旗叶几何表型定量(英文)

[目的]对田间小麦叶片进行无损监测,从数字图像处理的途径探讨田间小麦旗叶几何表型的测试方法,以期建立小麦旗叶几何表型与氮肥管理的关系。[方法]以宁麦 13 为试验材料,对其进行不同的氮肥处理,并采用数码相机及辅以数字图像处理的技术手段,探讨小麦旗叶的叶面积、长度和平均宽度与施氮量的关系。[结果]肥料处理是影响小麦旗叶几何表型的重要环境因子,不同的氮处理可令旗叶面积变化达 4 倍,小麦旗叶长度也可从 15.87 cm 增长到 25.33 cm,因此小麦旗叶几何表型是鉴定前期肥料供应量的显著特征。旗叶表型与氮处理之间的高精度拟合关系表明该无损检测技术是研究小麦田间表型、氮肥及环境因子响应规律的可靠技术手段。[结论]该研究表明使用带标尺刻度的动态背景板数字图像处理技术是获取田间无柄及小叶作物几何表型的有效手段,其为田间条件下作物叶片器官生长动态的无损监测提供了一个可行的技术方案。     

基于逆向工程的谷粒三维模型的构建

【目的】构建谷粒的三维模型,为更加精确地分析谷粒在介质中的力学特性及运动规律提供参考。【方法】运用逆向工程理论,使用三坐标测量机获得谷粒的点云数据,导入Pro/E中进行数据处理,采用NURBS方法重构曲线,最后生成谷粒实体,得到谷粒的三维模型。【结果】重构稻谷谷粒三维模型与实物的对比结果表明,其三轴尺寸及体积误差均在5%以内。【结论】构建的稻谷谷粒三维模型在稻谷清选、分级和输送过程的力学与运动学分析中具有重要的应用价值。     

单株小麦生理生态控制的等距单粒线播法研究

[目的]拟探讨等距单粒线播技术用于定量种间距对小麦前、后生育期的影响,以此论证等距单粒线播的技术特征及优势.[方法]选用宁麦13为田间试验材料,采用免耕等距单粒线播法,分别于2017和2018年进行稻茬小麦的免耕种植试验,设置粒距1.5、3.0和4.5 cm 3个处理(T1.5、T3、T4.5),行距20 cm.分别从...     

基于改进YOLOv4算法的苹果叶片病害检测方法

准确识别苹果叶片病害种类以进行及时防治对于苹果增量增产具有重要的意义,为解决同时检测苹果叶片多种病害目标结果不准确的问题,提出一种改进的YOLOv4目标检测算法(MC-YOLOv4)对苹果叶片常见的5种病害(斑点落叶病、褐斑病、灰斑病、花叶病、锈病)进行检测。为方便迁移到移动终端,首先,该算法将YOLOv4网络结构中的主干特征提取网络CSPDarknet53换成了轻量级的MobileNetV3网络,并在加强特征提取网络结构中引入深度可分离卷积代替传统卷积;其次,为提高检测精度,将卷积注意力机制模块CBAM融合至PANet结构中,可增强对有用特征信息的提取;最后,为了使锚框更适应本研究的数据集,通过K-means聚类算法将模型的锚框信息更新。结果表明,MC-YOLOv4模型在检测中的平均精度为97.25%,单张图像平均检测时间为13.3 ms,权重文件大小为55.5 MB。MC-YOLOv4模型对于同时检测苹果叶片多种病害目标的问题上具有识别速度快、识别精准度高、可靠性强等特点,该研究为苹果叶片的病害检测提供了一种更优的方法,有助于实现精准施药,提高苹果的产量和品质。     

基于深层卷积神经网络的初生仔猪目标实时检测方法

针对初生仔猪目标较小、分娩栏内光线变化复杂、仔猪粘连和硬性遮挡现象较为严重等问题,提出一种基于深层卷积神经网络的初生仔猪目标识别方法。将分类和定位合并为一个任务,以整幅图像为兴趣域,利用特征金字塔网络(Feature pyramid network,FPN)算法定位识别仔猪目标;对比了不同通道数数据集以及不同迭代次数对模型效果的影响;该方法支持图像批量处理、视频与监控录像的实时检测和检测结果多样化储存。实验结果表明:在数据集总量相同时,同时包含夜间单通道和白天3通道的数据集,在迭代20 000次时接近模型最优值。模型在验证集和测试集上的精确率分别为95. 76%和93. 84%,召回率分别为95. 47%和94. 88%,对分辨率为500像素×375像素的图像检测速度为53. 19 f/s,对清晰度为720 P的视频检测速度为22 f/s,可满足实时检测的要求,对全天候多干扰场景表现出良好的泛化能力。     

T型开合槽型辅推机械式取苗末端执行器设计

设计了一种以夹紧取苗、张开推苗为工作模式的单驱动机械多针钳夹式取苗末端执行器,利用一个机械动力控制机械手指开合进行夹钵取苗,并驱动推苗环随动推钵放苗。应用解析法,确定了取苗末端执行器的夹持机构和推苗机构结构参数关系。试制末端执行器,将其安装在凸轮-连杆-滑槽组合式取苗机构上,以番茄穴盘苗为对象,进行对穴夹钵取苗性能测试。当取苗末端执行器对苗钵的夹取深度为30mm、夹取角度为12°、夹持力度为3N时,在40株/min取苗工作频率下,该取苗末端执行器自动取苗平均成功率为92.13%,取苗效果满意。