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。     

基于YOLO深度卷积神经网络的复杂背景下机器人采摘苹果定位

为提高苹果采摘机器人的工作效率和环境适应性,使其能全天候的在不同光线环境下对遮挡、粘连和套袋等多种情况下的果实进行识别定位,该文提出了基于YOLOv3(you only look once)深度卷积神经网络的苹果定位方法。该方法通过单个卷积神经网络(one-stage)遍历整个图像,回归目标的类别和位置,实现了直接端到端的目标检测,在保证效率与准确率兼顾的情况下实现了复杂环境下苹果的检测。经过训练的模型在验证集下的m AP(meanaverageprecision)为87.71%,准确率为97%,召回率为90%,IOU(intersection over union)为83.61%。通过比较YOLOv3与Faster RCNN算法在不同数目、不同拍摄时间、不同生长阶段、不同光线下对苹果的实际检测效果,并以F1为评估值对比分析了4种算法的差异,试验结果表明YOLOv3在密集苹果的F1高于YOLOv2算法4.45个百分点,在其他环境下高于Faster RCNN将近5个百分点,高于HOG+SVM(histogram of oriented gradient+support vector machine)将近10个百分点。并且在不同硬件环境验证了该算法的可行性,一幅图像在GPU下的检测时间为16.69 ms,在CPU下的检测时间为105.21 ms,实际检测视频的帧率达到了60帧/s和15帧/s。该研究可为机器人快速长时间高效率在复杂环境下识别苹果提供理论基础。     

气电混合驱动全天候苹果收获机器人设计与试验

提出了一种基于气电混合驱动且能够全天候工作的高效率苹果收获机器人。该机器人机械臂包含5个自由度,混合使用电动和气动两种驱动方式,同时保证机械臂的准确定位和末端执行器对果实的快速柔性抓取。机器人视觉识别系统结合了机器视觉和深度神经网络方法,在提高系统鲁棒性的同时优化了系统的整体检测速度。此外,机器人配备的夜间照明系统使其能够实现全天候工作。在实验室环境下进行了机器人视觉检测试验和苹果采摘试验,结果表明,视觉系统定位苹果的平均时间为44 ms,机器人的采摘率为81. 25%,平均每个苹果的采摘时间为7. 81 s。