基于SIRI和CNN的苹果隐性损伤检测方法

苹果从采摘到销售过程中易发生机械损伤,需要及时剔除以避免腐烂变质。然而机械损伤早期苹果外观颜色变化不明显,通常表现为隐性损伤,检测比较困难。提出了一种基于结构光反射成像(SIRI)和卷积神经网络(CNN)的苹果隐性损伤检测方法。通过搭建SIRI系统,采集待测苹果调制的结构光图像,再利用三相位解调法提取交流分量,增强苹果隐性损伤对比度;然后利用交流分量图像制作苹果隐性损伤数据集,并使用基于CNN的语义分割网络FCN、UNet、HRNet、PSPNet、DeepLabv3+、LRASPP和SegNet训练损伤检测模型,多组试验结果表明上述模型均能有效地检测出不同情况下的苹果隐性损伤。其中HRNet模型精确率、召回率、F1值和平均交并比较高,分别为97.96%、97.52%、97.74%和97.58%,但检测速度仅为60 f/s; PSPNet模型检测速度较快,可达到217 f/s,但其检测精度略低,精确率、召回率、F1值和平均交并比分别为97.10%、94.57%、95.82%和95.90%。     

基于相移算法的苹果果梗/花萼检测方法

由于苹果表面缺陷与果梗/花萼具有相似的灰度特征,通过传统机器视觉方法难以对两者进行有效区分。为避免苹果果梗/花萼对其表面缺陷识别造成干扰,该研究提出了一种基于相移算法的苹果果梗/花萼检测方法。通过搭建条纹投影系统,投影仪投射三步相移条纹至苹果样本,摄像机同步采集经苹果表面调制的条纹图像;通过分析发现果梗/花萼区域的条纹图像凹凸性与正常区域存在明显差异,利用三步相移算法恢复条纹图像的截断相位,结合相位偏移、阈值分割和二维凸包算法便可检测出苹果果梗/花萼。试验结果表明：该方法能够有效地区分果梗/花萼和表面缺陷,识别出不同位置和角度的果梗/花萼,整体准确率可达到99.12%;同时能够满足在线检测需求,平均处理时间约为0.479s。该研究可为苹果外观品质检测提供技术支持。     

皖北地区芝麻种植全程机械化技术和装备应用研究

本研究在皖北地区临泉县试点开展了芝麻种植全程机械化技术和装备应用试验,选用宜机收、抗落粒芝麻新品种豫芝ND837进行种植,对机械化种植与人工种植作业效率进行对比分析。结果表明,机械化播种效率是人工播种的29倍,无人机植保作业效率是人工喷药植保的6倍,联合收割机收获效率是传统人工收获的576倍。相比人工种植作业,采用机械化种植在各生产环节均节本增效,可节约生产成本5 938元/hm2。试验结果为推动皖北地区芝麻产业升级起到了较好的示范作用,并为进一步改进芝麻机械化种植技术和装备提供了参考。