一种基于偏好免疫网络多特征辨识的油茶果分选识别方法

针对油茶果采摘、脱壳后机器视觉分选效率不高的问题,提出一种多特征偏好人工免疫网络算法,该算法应用人工免疫网络的多目标优化与偏好数据库特征,提取油茶目标的颜色、形态多特征输入免疫网络进行仿真测试。试验结果表明,本文提出的多特征偏好免疫网络的识别率最高达到90%以上。相比单特征分选方法有了较大的提升,证明本文分选方法的有效性,并为农林业目标智能化分选辨识提供一种可行的方案。     

作物行识别算法的虚拟试验方法

针对作物行识别算法的传统开发过程对田间作物生长周期依赖性较强，错过适当的田间图像采集时期将直接导致算法开发周期延长等问题，提出一种基于虚拟场景的作物行识别算法测试方法，即在虚拟环境下模拟农田作物行场景和图像采集系统，运用虚拟作物行图像测试作物行的识别算法。该方法在虚拟现实环境下建立作物行场景模型；提出一种融合建模法，根据作物和杂草的几何特征建立对应的三维几何模型；根据实际田间作物的空间分布特征，建立株距、行距可调的田间作物行模型；以Vega Prime为视景仿真工具，通过配置投影模式、渲染模式、视点位姿和图像采集规格，构建图像采集系统，输出作物行场景图像。以苗期棉花作物行为建模对象，对一种经过田间试验验证的双目视觉作物行识别算法进行测试试验。对比实际棉田图像对应的试验结果，同一作物行识别算法的识别正确率、偏差角和图像处理时间均相近。结果表明，本文建立的虚拟棉田作物行与实际棉田作物行场景相近，能够用于作物行识别算法的测试。     

农业机器人并联视觉云台研究

针对智能农用机器人对机器视觉工作范围的需求,提出了一种用于农业机器人的并联视觉云台设计方案。基于双摇杆的输入输出特性,提出了一种运动支链设计方法,用于构建二自由度全球面工作空间解耦并联机构。在此基础上,衍生出两种可行的运动支链P5R和PRR,基于这两种运动支链,设计了2种二自由度全球面工作空间并联视觉云台RRP5R和RRPRR。通过运动学分析,分别建立了2种机构的位置关系表达式;通过尺寸优化,得到了2种机构的最优杆长比;通过对比得出,RRP5R型并联视觉云台具有更好的输入输出性能;通过有限元分析,研究了载荷对RRP5R型并联视觉云台运动精度的影响。结果表明,RRP5R机构强度满足要求,但杆件的累积弹性变形导致运动副的位移偏差较大。     

基于边缘检测和区域定位的玉米根茎导航线提取方法

基于玉米根茎图像信息，提出一种基于边缘检测和区域定位的玉米根茎导航线提取方法。首先，利用最大类间方差法自动分割2G-R-B灰度图像，得到二值化图像，结合形态学处理、位置/面积去噪方法提高二值化图像质量，对去噪图像按列累加得到列像素累加曲线；针对传统方法得到的特征点中伪特征点较多的问题，引入高斯滤波器平滑累加曲线，并运用极值法减少玉米根茎伪特征点的干扰，在提取玉米茎秆边缘直线时，提出基于最远茎秆成像宽度的双侧边缘判别思路，通过扫描每条边缘直线的四边形封闭邻域有效剔除伪边缘直线；最后，根据边缘直线二次定位玉米的根茎区域范围，并剔除伪特征点，采用最小二乘线性拟合方法准确提取导航线。试验表明，本文算法处理一幅1280像素×720像素图像耗时约236ms，特征点拟合准确率为92%。与传统方法相比，本文算法精度高、实时性好，在缺苗、杂草较多和株距不标准的情况下仍具有较强的鲁棒性。     

基于双目立体视觉的重叠柑橘空间定位

果实的精准识别和定位是智能采摘面临的难题之一。基于双目立体视觉，提出了一种针对户外重叠柑橘的三维空间定位方法。首先，从双目左右图像中提取重叠柑橘果实轮廓并进行高斯平滑，通过曲率分析，找出异常的轮廓像素点；其次，依次连接相邻两个异常像素点，分析该线段上的像素点到柑橘轮廓的距离，在相邻两正常线段的交点处完成重叠柑橘轮廓分割，并通过寻找异常线段剔除对应的非柑橘轮廓像素点；再者，采用最小二乘椭圆拟合方法重建柑橘目标轮廓，并获取柑橘的中心；最后，根据双目极线约束和图像相似度，对重叠柑橘中心点进行匹配，并基于视差原理计算柑橘中心的深度值及三维空间坐标，确定重叠柑橘的遮挡关系。户外实验结果表明,所提出的方法定位误差为6.38 mm，满足柑橘采摘机器人户外采摘作业的定位精度要求。     

人字形板式换热器流道传热特性及参数优化

为实现田间条件下快速、准确识别棉花与杂草，该文以自然光照下田间棉花与杂草为研究对象，采用垂直向下拍摄的方式获取棉花杂草视频，按1帧/s的速率从视频中提取图像，在人工去除冗余度过多的图片后，建立1 000幅图片的数据集。对比了Faster R-CNN和YOLOv3 2种典型卷积神经网络，将Faster R-CNN卷积神经网络的深度学习模型引入到棉花杂草图像识别中，并提出一种结构优化的方法，使之适用于复杂背景下的棉田杂草识别。该文选用残差卷积网络提取图像特征，Max-pooling 为下采样方法，RPN网络中引入特征金字塔网络生成目标候选框，对卷积神经网络结构进行优化。在使用700幅图片进行训练后，通过200 幅田间棉花杂草图像识别测试，结果表明：该方法的平均目标识别准确率达95.5%，识别单幅图像的平均耗时为1.51 s，采用GPU 硬件加速后识别单幅图像的平均耗时缩短为0.09 s。优化后的Faster R-CNN卷积神经网络相对于YOLOv3平均正确率MAP高0.3以上。特别是对于小目标对象，其平均正确率之差接近0.6。所提方法对复杂背景下棉花杂草有较好的检测效果，可为精确除草的发展提供参考。     

鳜视觉和侧线感觉调控捕食行为的动态观察

鳜（Siniperca chuatsi）具有独特的捕食习性。为研究鳜捕食行为相关主要感觉——视觉和侧线感觉调控的捕食行为特征，利用高速摄像与感官抑制技术对鳜的独特捕食行为进行了分析，将实验鳜分为4组：G_C（对照组，视觉与侧线感觉均具备），G_V（只有视觉），G_L（只有侧线感觉）和G_DS（视觉、侧线感觉均不具备）4组。对各组鳜投喂饵料鱼，并利用高速摄像技术对单位时间内鳜的捕食行为进行动态观察与分析。结果表明，鳜在捕食行为中表现出5种捕食模式：直接攻击型、跟踪-弹射型、跟踪-偏移型、弹射型、偏移型，其中，直接攻击型、跟踪-弹射型、弹射型捕食模式主要由视觉控制，跟踪-偏移型、偏移型主要由侧线感觉控制。在视觉、侧线感觉均具备时优先利用视觉捕食，捕食行为趋于简化，相反，鳜仅利用侧线感觉捕食时，捕食行为变得复杂而多样；鳜在捕食时所表现出的各种捕食行为模式是其具有独特摄食习性的重要原因。上述研究为解读鳜特殊捕食行为的形成机制提供了重要资料。     

A computer vision system for oocyte counting using images captured by smartphone

This work proposes a computer vision procedure for counting Twospot astyanax (Astyanax bimaculatus) oocytes in Petri dishes using images captured by smartphone. First, the proposed procedure uses simple linear iterative clustering (SLIC) to divide the images into groups of pixels (superpixels). Then, based on their color and space characteristics, the images are classified into light background, dark background, dirt, or oocyte by a machine learning algorithm. Five different types of machine learning algorithms were tested: support vector machines (SVM), decision trees using the algorithm J48 and random forest, k-nearest neighbors (k-NN), and Naive Bayes. To train the algorithms, 8.578 superpixels were classified by an expert into oocyte (n = 354), dirtiness (n = 651), dark background (n = 3.622), and light background (n = 3.951). Of the five learning algorithms, SVM obtained the best result with 97% correct oocyte recognition. Given the wide availability of smartphones, we therefore conclude that the presented procedure can be a valuable tool in future experiments and studies on fertilization and hatching success in Twospot astyanax.     

基于机器视觉的小粒咖啡豆的检测技术

设计搭建了基于机器视觉的小粒咖啡豆检测分级系统,系统由进料部、匀料筛分部、色选部、气动部、收料部以及电控箱组成。开发了基于OpenCV和visual studio的系统分析与控制软件,实现咖啡豆果径宽度和烘焙程度的检测分级。基于Blob分析方法对小粒咖啡生豆进行图像分割,利用最小外接矩形方法对果径宽度进行特征提取,采用HSV颜色空间模型提取小粒咖啡豆的颜色特征值,最终将小粒咖啡生豆分为5个等级,将烘焙程度分为浅度、中度、深度3个程度。系统运行验证试验结果表明,对小粒咖啡生豆的果径宽度检测的平均误差为1.275%,烘焙程度检测的准确率为88.9%。     

猕猴桃外观尺寸在线检测分级系统设计与试验

目前市场上存在的猕猴桃分级机械主要是针对质量特征进行分级的大型机械,而消费者在购买猕猴桃时往往更注重它的外观品质,且大型设备难以在以农户小规模营销为主的市场环境下得到普及。为了实现猕猴桃外观品质的自动分选,适应广大猕猴桃种植农户的需求,设计了一种基于机器视觉的小型移动式猕猴桃外观尺寸在线检测与分级系统。该系统主要由输送机构、检测机构、分级执行机构和控制系统组成。输送机构采用倾斜式输送带方案,结构简单,便于实现猕猴桃的输送和分级;检测机构采用图像处理的方法得出猕猴桃的大小等级信息;分级执行机构借助猕猴桃的重力与旋转磁铁的开合实现猕猴桃的分离。对样机进行了试制和验证试验,结果表明:该系统的平均分级成功率为96.3%,单个猕猴桃分级时间约为2.5s。该猕猴桃检测分级系统的设计为今后完成多特征指标的融合分级提供了基础和依据。