基于视觉的茭白自动分级包装设备研究与开发

为降低茭白品质分级的劳动成本,建立统一分级标准,提高茭白分级包装的准确率及效率,开发一种基于机器视觉的茭白自动分级包装设备,利用深度学习技术获取茭白大小、形状、颜色、病虫害情况等表型特征对茭白进行品质分级。设备包含控制系统、上料模块、品质分级模块、分拣包装模块,具备自动分料、传输、品质分级、分拣包装功能。完成分料移送机构和归整机构设计以约束茭白位置实现单根有序稳定传输。机械臂4自由度协同控制确保茭白分拣包装有序进行。经现场测试,茭白品质分级的准确率为95.62%,分级包装效率达3 s/根,且稳定性良好。结果表明,该设备能自动、准确地完成茭白的品质分级和分拣包装,可为实现“机器换人”的转化和提升农业智能化水平提供技术支撑。     

基于深度学习的半监督图像标注系统设计与实现

针对深度学习研究中标注训练样本费时费力的问题,以食用菌为研究对象,设计一种基于深度学习的半监督图像标注方法。该方法将深度学习目标检测模型与迭代图像标注工作有效结合,采用“检测模型训练—目标自动检测—人工标注修正—检测模型更新”的迭代操作,实现半监督方式的图像标注。基于所设计的方法构建了半监督图像标注系统,在试验中对系统进行性能评测和分析。结果表明:迭代更新后的检测模型在测试集上的检测准确率为98.1%,召回率为88.5%,平均准确率为88.3%;利用所构建的半监督图像标注系统可以实现15s/幅的标注速度,单幅图像的标注耗时仅为纯手工标注耗时的2.5%,图像标注时间代价大幅降低。研究结果为深度学习研究中的训练样本标注提供了高效的标注方法和工具,有助于提高图像标注效率,减少人力成本投入。