胡萝卜自动分级机机械装置的研制

机械装置结合计算机视觉技术可以对胡萝卜等细长型蔬果进行自动分级。为此,设计了胡萝卜自动分级机的机械装置部分,主要由双级匀果装置、链条辊轮输送装置和直线电机打果装置3部分组成。匀果装置通过带有隔板的交错格输送带和差速带对胡萝卜进行初次和二次匀果,实现精确单果输送;辊轮输送装置推动单个胡萝卜自转进入计算机视觉系统的CCD相机视场,可获得胡萝卜全面的形状特性,使其分级精确;直线电机打果装置接收到胡萝卜等级决策信号后将胡萝卜按不同等级经U型导管推入包装箱,推果平稳、快捷,伤果率低。     

农产品安全生产管理系统新框架-Ajax+jQuery

为使基于Web的农产品安全生产管理系统具有良好的用户交互性,在介绍Ajax异步通信技术及jQuery框架的原理与优点的基础上,提出利用Ajax和jQuery框架实现基于Web的农产品安全生产管理系统.为此,详细阐述了系统的功能结构、整体架构、处理流程以及主要功能模块的具体实现.实际应用表明,采用此框架实现的系统具有比较好的用户交互性,且大大改善了网络性能,具有很好的实用价值.     

基于图像处理的胡萝卜青头须根与开裂的检测方法

为了实现基于计算机视觉的胡萝卜外观品质自动分级系统,基于图像处理的方法,参照国家标准(SB/T10450-2007),该文提出影响胡萝卜外观等级的须根、青头、开裂等关键参数的提取算法.须根检测算法通过提取骨架检测端点数来实现,青头检测算法通过R分量上二值化得到,开裂检测算法使用S分量结合区域标记的方法完成,在此基础上构建了须根数、青头比和开裂度3个量化标准,对试验随机采集的520个胡萝卜图像的青头、须根和开裂进行检测,正确率分别达到了97.5%,81.8%,92.3%,总体识别率91.3%.该文所构建的胡萝卜关键特征检测方法,对研究机器视觉的胡萝卜外观品质自动检测装置与分级生产线具有积极意义.     

茶树病虫害远程诊断系统的构建

为了快速、便捷地诊断茶树病虫害,减少病虫害造成的损失,根据茶树病虫害诊断与防治规律,将网络开发技术与农业信息相结合,基于JSP和Android技术,构建基于Web的茶树病虫害远程诊断系统,并介绍了系统框架、系统流程及各功能模块的实现.通过该系统用户可以进行茶树病虫害实时求助、快速诊断和信息检索,为茶树病虫害诊断提供一种便捷有效的途径.     

基于Android的茶树病虫害信息采集系统

为了快速、方便地进行茶树病虫害信息的采集与实时求助,减少病虫害造成的损失,该文基于An？droid平台的茶树病虫害信息采集系统,详细介绍了该系统的总体框架、主要功能及关键实现技术。重点围绕虫害信息浏览、虫害信息采集2个方面,分别就其中的一些关键技术点（经度纬度获取及分布图生成、照相功能、文件上传功能等）进行阐述,以期实现茶树病虫害实时求助、快速诊断和信息检索。     

基于计算机视觉的胡萝卜外观品质分级系统与装备

为了实现胡萝卜的自动化分级分选,在前期胡萝卜青头、须根、开裂检测算法研究的基础上,参照国家标准需求,进一步提出了胡萝卜外观等级规格,如弯曲、断折等缺陷,以及衡量异品种的锥形度参数的检测方法,并以此为基础设计了基于计算机视觉的胡萝卜外观品质实时分选生产线。该生产线由下位机控制系统、上位机软件系统和机械分级装置组成。通过对软硬件环境和机械系统性能的测试表明:该分选生产线每秒钟可检测20个胡萝卜的等级;对520个胡萝卜含有不同种类缺陷和异品种的胡萝卜进行分级检测,分级正确率达到了93.5%,能够满足胡萝卜外观品质分选实时检测的要求。该分选线能够同步实现胡萝卜等级规格、质量、各种缺陷的实时检测与在线分选。     

基于图像处理的玉米叶片姿态测量方法研究

为实现玉米叶片姿态的自动测量,针对玉米叶片形态特征,提出了基于图像处理的玉米叶片姿态自动测量方法。首先采用迭代方法对叶片图像细化,提取骨架图像上的各像素点,然后采用最大距离法计算叶片的弯曲度,通过测量叶片最高点与叶尖的垂直距离计算下垂度,最后对2种测量方法进行测试和分析。结果表明,所提出的叶片姿态测量的2种方法对样本叶片的测试准确率分别为92.4％和88.2％,能够有效描述和量化不同玉米品种的叶片弯曲程度,方法简单易行,且测量过程不需要标度校准。     

基于机器视觉的花生品种识别系统研究

为了实现花生品种自动识别,收集了12个花生品种的600粒籽仁作为实验样本,利用计算机视觉和图像处理技术对图像进行处理;然后,对每幅样本图像提取形态、颜色和纹理等3大类共48个特征,建立人工神经网络（ ANN ）和支持向量机（ SVM ）识别模型对这些特征进行分析识别,并基于 Visual C＋＋6．0环境构建识别系统。运行结果表明,SVM 方法识别效果比较稳定,对12个花生品种自我识别率达到100％,测试识别率达到83％;另外,基于Visual C＋＋的识别系统在识别效果与效率方面比Matlab 都有了较大的提高。该花生品种识别系统对于花生品种识别具有积极意义。     

基于Freeman链码的花生果嘴和果腰图像识别及其DUS性状定量分析

为实现花生荚果果嘴和果腰的自动识别,以及评价图像处理方法量化花生特异性(distinctness)、一致性(uniformity)和稳定性测试(stability)(简称DUS)性状的技术适用性,该文提出了基于Freeman编码的花生果嘴和果腰识别方法以及花生荚果DUS测试性状量化方法。首先提取荚果图像边界轮廓并进行Freeman编码,接着采用近似曲率法和局部曲率最大法确定内拐角点,然后采用位置判断法定位果嘴和果腰位置,最后对荚果缢缩程度、果嘴明显程度和荚果长度3个DUS性状进行量化。对600个花生样本的测试结果表明,该文提出的方法对果嘴和果腰的识别正确率分别为93.1%和95.5%,较其他角点检测算法在时间和准确率方面都有很大优势。同时能够有效地对相关DUS性状(荚果缢缩程度、果嘴明显程度和荚果长度)进行量化,对荚果缢缩程度和果嘴明显程度的分级准确率分别为92.4%和91.7%。图像处理具有高效、客观、低成本采集和量化花生荚果外观形状的能力,为花生外观性状的自动采集和测量提供了研究基础和依据。     

基于机器视觉的玉米叶片透射图像特征识别研究

【目的】建立玉米品种的叶片透射图像特征数据库,研究特征随品种的变化规律,分析各类特征的识别效果,为进一步研究玉米生长期间的机器视觉品种识别提供依据。【方法】以生产中推广的21个常规玉米品种为供试材料,分别采集拔节期、小喇叭口期、大喇叭口期、抽雄开花期4个生育时期的玉米叶片。在灯箱内,采集每一叶片的高画质透射图像,共计420张。基于Matlab R2009a开发了“玉米叶片特征提取与识别软件”,包括图像预处理、特征提取、神经网络识别和阈值选取4个功能模块。依据开发的特征识别平台,对玉米叶片透射图像进行图像预处理和特征提取。提取形态类、颜色类和纹理类共计48个特征,特征数据量共计20 160条。分析48个特征品种间的变异系数,研究玉米叶片透射图像特征随品种的变化规律。建立BP神经网络模型进行综合识别,分析不同时期单特征的识别效果,寻找玉米叶片透射图像中品种区分能力较强的重要特征。进一步分析不同时期3大类特征及其组合的识别效果。【结果】在玉米的4个生育时期,叶片透射图像3类特征品种间的变异系数差异比较明显,颜色类特征变异系数最大,其次是纹理类特征变异系数,形态类特征变异系数最小,并且这种差异随着玉米的生长十分稳定。在玉米的4个生育时期,叶片透射图像48个特征的品种识别率差异比较明显,为9.52%-29.33%。R分量的标准差、短轴长、H分量的标准差、等面圆直径、H分量的平均值、V分量的标准差、B分量的标准差、不变矩6、椭圆度、S分量的平均值、外接凸多边形面积、B分量的平均值、平滑度、S分量的峰度、S分量的标准差的识别率较高,平均识别率在18%以上。单类特征中,颜色类特征识别率最高,平均86.76%;纹理类特征次之,平均为78.05%;形态类特征最低,平均为68.67%。颜色类特征和纹理类特征识别的稳定性较高,纹理类特征识别效果更稳定一些。组合特征中,形态+颜色特征组合识别率最高,平均识别率为92.29%;颜色+纹理类特征组合次之,平均为90.29%;形态+纹理类特征组合识别率最低,但平均识别率也达到了87.43%。在拔节期,3类特征组合的识别率无明显差异,且都在91%以上。在小喇叭口期,颜色+纹理特征组合识别率大幅上升,形态+颜色特征组合识别率小幅下降,形态+纹理特征组合识别率下降较大,但是仍然维持在82%以上。在其他3个时期,形态+纹理特征组合和颜色+纹理特征组合识别率差别不大,并且形态+颜色特征组合识别率相对较高。【结论】研究结果为玉米叶片透射图像特征的研究与应用提供了比较系统全面的数据,为生长期间玉米品种的识别提供了新的方法和量化依据,也必将在其他作物的识别方面发挥很好的借鉴作用。