基于机器视觉的水下河蟹识别方法

为了探测河蟹在池塘中的数量及分布情况,为自动投饵船提供可靠的数据反馈,提出了基于机器视觉的水下河蟹识别方法。该方法通过在投饵船下方安装摄像头进行河蟹图像实时采集,针对水下光线衰减大、视野模糊等特点,采用优化的Retinex算法提高图像对比度,增强图像细节,修改基于深度卷积神经网络YOLO V3的输入输出,并采用自建的数据集对其进行训练,实现了对水下河蟹的高精度识别。实验所训练的YOLO V3模型在测试集上的平均精度均值达86. 42%,对水下河蟹识别的准确率为96. 65%,召回率为91. 30%。实验对比了多种目标检测算法,仅有YOLO V3在识别准确率和识别速率上均达到较高水平。在同一硬件平台上YOLO V3的识别速率为10. 67 f/s,优于其他算法,具有较高的实时性和应用价值。     

双指型农业机器人抓取球形果蔬的控制器设计

现阶段针对苹果、番茄这类球形果蔬设计的采摘机器人末端执行器大多采用相似的双指结构,但是这类采摘机器人的抓取控制方法均是一对一的研究,研发成本偏高且产品不具有通用性。阻抗控制是常用的柔顺控制方法,能够将果蔬的受力—形变等效为环境导纳模型,不同的果蔬对应不同的导纳模型,但是基本的阻抗控制框架是一致的。因此,本文分别选取偏软和偏硬的两种球形果实,通过压缩试验模拟抓取过程,得到果实受力及形变数据,并以此计算得到果实等效刚度。接着,使用BP神经网络分别对原始数据进行训练及验证,得到各层权值。然后在Simulink中建立环境导纳模型并根据不同的果实选择不同的权值,并完成阻抗控制系统的搭建。同时,根据环境导纳模型中的等效刚度估计值实现在线调整阻抗控制器刚度参数。最后通过Matlab进行仿真验证,结果表明改进后方法对于抓取苹果和番茄两种果实,期望力超调分别为2.2%和1.5%,位置控制器输出最终分别稳定在0.55 mm和4.02 mm范围内,可验证所提方法在理论上能够实现农业机器人的柔性抓取。     

机器人采摘苹果果实的K-means和GA-RBF-LMS神经网络识别

为进一步提升苹果果实的识别精度和速度,从而提高苹果采摘机器人的采摘效率。提出一种基于K-means聚类分割和基于遗传算法(genetic algorithm,GA)、最小均方差算法(least mean square,LMS)优化的径向基(radial basis function,RBF)神经网络相结合的苹果识别方法。首先将采集到的苹果图像在Lab颜色空间下利用K-means聚类算法对其进行分割,分别提取分割图像的RGB、HSI颜色特征分量和圆方差、致密度、周长平方面积比、Hu不变矩形状特征分量。将提取的16个特征作为神经网络的输入,对RBF神经网络进行训练,以得到苹果果实的识别模型。针对RBF神经网络学习率低、过拟合等不足,引入遗传算法对RBF隐层神经元个数和连接权值进行优化,采取二者混合编码同时进化的优化方式,最后再利用LMS对连接权值进一步学习,建立新的神经网络优化模型(GA-RBF-LMS),以提高神经网络的运行效率和识别精度。为了获得更精确的网络模型,在训练过程中,苹果果实连同树枝、树叶一块训练;得到的模型在识别过程中,可一定程度上避免枝叶遮挡对果实识别的影响。为了更好地验证新方法,分别与传统的BP(back propagation)和RBF神经网络、GA-RBF优化模型比较,结果表明,该文算法对于遮挡、重叠果实的识别率达95.38%、96.17%,总体识别率达96.95%;从训练时间看,该文算法虽耗时较长,用150个样本进行训练平均耗时4.412 s,但训练成功率可达100%,且节省了人工尝试构造网络结构造成的时间浪费;从识别时间看,该文算法识别179个苹果的时间为1.75 s。可见GA-RBF-LMS网络模型在运行效率和识别精度较优。研究结果为苹果采摘机器人快速、精准识别果实提供参考。     

基于超像素特征的苹果采摘机器人果实分割方法

针对苹果采摘机器人在自然环境下对着色不均匀果实的识别分割问题,提出了基于超像素特征的苹果采摘机器人果实分割方法。首先,采用简单线性迭代聚类算法将图像分割成内部像素颜色较为一致的若干超像素单元;然后,提取每个超像素的纹理和颜色特征,并采用支持向量机将超像素分为果实和背景两个类别;最后,根据超像素之间的邻接关系对分类结果进行进一步修正。实验表明,该方法能够对大部分超像素单元进行正确分类,平均每幅图像被错误分类的超像素约为2.28个。与采用像素级特征的色差法和采用邻域像素特征的果实分割方法相比,采用超像素特征的果实分割方法具有更好的分割效果。在进行邻接关系修正前,该方法图像分割准确率达0.9214,召回率达0.8565,平均识别分割一幅图像耗时0.6087s,基本满足实时性需求。     

基于联动扩展神经网络的水下自由活蟹检测器研究

利用机器视觉技术检测池塘水下自由活蟹的形态位置和数量分布信息,是实现自动投饵船精准变量投喂的关键。本文设计了一种基于联动扩展卷积神经网络的实时轻量型水下活蟹检测器。首先,针对水下图像模糊和色彩不均的特点,以及稀疏分解后不同频率图像的信息组成特点,分别进行K-SVD降噪和Retinex色彩校正;然后,采用联动扩展网络宽度、深度和分辨率方式来协调精度和效率的轻量级Efficient Net作为主干网络;引入复合缩放因子,对堆叠两层加权双向特征金字塔结构的高效融合特征网络和堆叠三层卷积模块的类别/边界框预测网络进行全局联动扩展,以构建适用于有限资源的小型活蟹检测器;最后,在类别/边界框预测网络中利用正交Softmax层替代完全连接的分类层,确保检测器可从小样本数据中学习更多的区分特征,有效缓解小样本检测的过拟合问题。采用自建的20 625幅数据样本对检测模型进行训练和测试,实验表明,降噪、校正后的图像颜色均衡,且清晰度高,检测的平均交并比Iou提高近8个百分点。检测模型Efficient Net-Det0存储内存仅需15 MB,便可实现查准率96.21%和查全率94.86%,单幅图像检测延迟分别为10.6 ms(GPU)和35.0 ms(CPU)。浮点运算次数FLOPs减少至YOLOv3算法的1/15,CPU运行速度是其3倍,而准确性与YOLOv3算法相当,甚至略优。Efficient Net-Det0搭载在资源受限的自动投饵船上能够快速精准检测水下河蟹,并能实现对池塘自由活蟹分布的统计,为建立科学的投喂机制提供可靠的决策信息。     

基于蛛网结构和双曲线的定位算法

为提高蛛网定位算法的精度,提出了一种基于蛛网结构和双曲线的定位算法。首先按照蛛网拓扑结构放置射频参考标签,在蛛网中心安装阅读器;然后对蛛网结构的主弦和辅弦节点分别构造同心圆,找出距离待测标签最近的同心圆;接着采用最近同心圆上参考标签坐标和待测标签坐标的双曲线关系,利用最大似然估计法求出待测标签坐标;最后对提出算法的精度进行计算,与当前流行的蛛网定位算法进行对比试验,验证了该算法的有效性。     

苹果采摘机器人夜间图像降噪算法

苹果采摘机器人图像处理系统采集到的实时夜间图像含有大量的噪声,影响采摘效率。通过差影法对夜间图像进行噪声分析,判定其噪声类型为以高斯噪声为主,并伴有部分椒盐噪声的混合噪声。针对高斯噪声去除难题,将独立成分分析(independent component analysis,ICA)理论引入夜间图像降噪,并尝试采用粒子群优化算法(particle swarm optimization,PSO)对ICA进行优化,建立基于PSO优化的ICA降噪算法(PSO-ICA),以期最大限度地降低夜间图像的噪声污染。利用标准Lenna图像和自然光下的苹果图像,进行仿真试验,结果表明PSO-ICA方法降噪效果最为理想。然后对白炽灯、荧光灯、LED灯3种不同的人工光源下采集到10个样本点的夜间图像进行验证试验,结果表明,从视觉效果评价,在3种人工光源环境下,PSO-ICA降噪方法得到低噪图像均表现为噪点明显减少;从相对峰值信噪比(relative peak signal-to-noise ratio,RPSNR)看,在3种人工光源下的平均值,PSO-ICA得到的低噪图像,分别比原始图像、均值滤波降噪和ICA降噪得到的图像的相对峰值信噪比提高21.28%、12.41%、5.53%;从运行时间看,PSO-ICA方法较ICA方法的运行时间平均减少了49.60%。PSO-ICA方法用于夜间图像降噪有着独到的优势,为实现苹果采摘机器人的夜间作业打下坚实的基础。     

苹果夜视图像小波变换与独立成分分析融合降噪方法

对不同人工光源辅助下采集到的夜视苹果图像,通过噪声分析,判定苹果夜视图像的噪声以高斯噪声为主,并混有部分椒盐噪声。针对高斯噪声去除难题,将小波变换(Wavelet transform,WT)与独立成分分析(Independent component analysis,ICA)理论引入夜视图像的处理系统,为了最大程度地降低噪声污染,提出WT-ICA融合降噪方法。通过仿真实验,结果表明融合降噪效果较为理想。为了更好地评价夜视图像的降噪效果,以自然光下的图像为参照基准,提出相对峰值信噪比(Relative peak signal-to-noise ratio,RPSNR)的概念。对所采集到的不同的夜视图像进行多次重复实验,结果表明,从视觉上看WT-ICA降噪方法得到的低噪图像噪点明显减少;从RPSNR看,WTICA得到的低噪图像,分别比原始图像、小波软阈值降噪、ICA降噪方法平均提高29.94%、8.09%、7.54%;白炽灯下的图像处理后的RPSNR最高,适合作为人工光源。WT-ICA融合降噪方法通过连续处理,排除夜视图像的噪声干扰,得到的低噪图像更利于进一步识别,从而为实现苹果采摘机器人的全天候作业打下基础。     

池塘河蟹养殖精准投饵系统设计与试验

传统池塘河蟹养殖主要依靠渔民根据经验来估算投饵量,通过人工撑船投喂饵料,饵料利用率低且劳动强度大。由于河蟹具有领地意识且移动范围较小,池塘各处河蟹分布不均匀,因此河蟹养殖需要科学精准投饵。现有河蟹养殖投饵作业方式粗放,无法满足河蟹高效生态养殖需求。为了掌握河蟹生长规律,更加科学高效地投饵喂料,本文设计基于河蟹生长模型的精准投饵系统。利用灰色关联度分析法确定对河蟹生长发育影响最大的环境因子。在传统水产生物生长模型基础上,加入环境因子进行改进,从线性和指数两个角度对河蟹生长模型进行优化拟合。利用遗传算法（GA）-反向反馈神经网络（BP神经网络）(GA-BP神经网络)对精准投饵预测模型进行训练,通过输入水温、溶解氧含量、pH值等环境参数,推算出最佳环境影响因子数值。根据河蟹生长模型、养殖密度、养殖面积得出河蟹总质量,结合河蟹生长期存活率与投喂率便可得出总投饵量。根据池塘河蟹实际分布密度和水质参数,确定池塘各区域的饵料分配系数,将总投饵量科学地分配到池塘各个区域。通过仿真得出预测投饵量决定系数R²为0.990,预测模型具有较好的拟合效果。池塘投饵试验结果表明,基于河蟹生长...