Assessing exterior egg quality indicators using machine vision

ABSTRACT

1. The objective of this study was to develop a machine vision method for analysing exterior parameters of chicken eggs to automate the stage of primary sorting.

2. The developed algorithm based on predetermined thresholds calculated egg quality indicators, including geometric dimensions, shape index and the mottling grade. The algorithm was implemented with an experimental setup that combined the image-based and the candling methods. A total of 400 egg samples were analysed.

3. Comparison of results of the algorithm with those obtained using the traditional manual method showed that mean value of radii values difference was 0.095 ± 0.058 mm for the sharp and 0.080 ± 0.047 mm for the blunt end of the egg, with standard deviations of 0.58 mm and 0.49 mm, respectively.

4. The correlation coefficient between the shape index values determined by the two methods was 0.93; the standard deviation of absolute differences between corresponding values was 1.05%.

5. The results of mottling grade estimation were compared using F-measure and confusion matrix.

6. The results allow the possibility to perform the assessment of egg exterior quality factors in an automatic mode, independent of the expertise of a grader.     

农业机器人并联视觉云台研究

针对智能农用机器人对机器视觉工作范围的需求,提出了一种用于农业机器人的并联视觉云台设计方案。基于双摇杆的输入输出特性,提出了一种运动支链设计方法,用于构建二自由度全球面工作空间解耦并联机构。在此基础上,衍生出两种可行的运动支链P5R和PRR,基于这两种运动支链,设计了2种二自由度全球面工作空间并联视觉云台RRP5R和RRPRR。通过运动学分析,分别建立了2种机构的位置关系表达式;通过尺寸优化,得到了2种机构的最优杆长比;通过对比得出,RRP5R型并联视觉云台具有更好的输入输出性能;通过有限元分析,研究了载荷对RRP5R型并联视觉云台运动精度的影响。结果表明,RRP5R机构强度满足要求,但杆件的累积弹性变形导致运动副的位移偏差较大。     

A computer vision system for oocyte counting using images captured by smartphone

This work proposes a computer vision procedure for counting Twospot astyanax (Astyanax bimaculatus) oocytes in Petri dishes using images captured by smartphone. First, the proposed procedure uses simple linear iterative clustering (SLIC) to divide the images into groups of pixels (superpixels). Then, based on their color and space characteristics, the images are classified into light background, dark background, dirt, or oocyte by a machine learning algorithm. Five different types of machine learning algorithms were tested: support vector machines (SVM), decision trees using the algorithm J48 and random forest, k-nearest neighbors (k-NN), and Naive Bayes. To train the algorithms, 8.578 superpixels were classified by an expert into oocyte (n = 354), dirtiness (n = 651), dark background (n = 3.622), and light background (n = 3.951). Of the five learning algorithms, SVM obtained the best result with 97% correct oocyte recognition. Given the wide availability of smartphones, we therefore conclude that the presented procedure can be a valuable tool in future experiments and studies on fertilization and hatching success in Twospot astyanax.     

基于机器视觉的玉米秸秆行实时定位机器人设计

为了实现机器人玉米秸秆行的精确定位,对耕作玉米机器人的结构进行了改进,并提出了一种基于泰勒级数展开式的RSSI定位方法,提高了机器人玉米秸秆行的定位精度。定位系统使用高清晰度的摄像机采集图像,并采用PID闭环反馈的方式控制机器人的位移,利用PC主控端图像处理,实现了实时定位功能。为了验证机器人玉米秸秆行定位的可靠性,采用田间试验的方法对机器人的性能进行了测试。结果表明:RSSI定位方法的定位精度较高,且图像处理系统可以准确地标定玉米秸秆行,实现机器人在玉米田中的精确定位,避免了机器人在作业过程中对农作物造成损害。     

基于计算机视觉识别技术的甘蔗种植机械化研究

针对当前甘蔗种植机械化现状,优化机具设计,并应用计算机视觉识别技术,自动识别切种长度,预切甘蔗种,以便实现精密化、机械化的甘蔗种植。在计算机视觉识别技术支持下优化设计甘蔗种植设备,不仅可提升识别甘蔗茎节的正确率(提升80%),还可以提升甘蔗种植效益(提升20%),取得较好的经济效益。为此,设计了基于计算机视觉识别技术甘的蔗种植机械化设备,可提升甘蔗种植机械化水平,提高甘蔗预切种正确率,提升甘蔗机械化种植效益,产生积极影响。     

基于机器视觉的育肥猪分群系统设计与试验

为控制育肥猪出栏时的体质量差异,该研究开发了一套基于机器视觉技术的育肥猪分群系统,该系统通过机器视觉技术和卷积神经网络模型代替传统地磅对猪只体质量进行估测,可有效避免粪污对设备精度的影响及腐蚀;以前一天全部猪只体质量数据从小到大排列的第30%个数据作为当日的分群基准质量,将大于等于基准质量的视为长势较快的猪只,小于基准质量的视为长势较慢的猪只,每次采食按照猪只长势快慢分为2群进行饲喂;该系统依托于LabVIEW软件开发平台和物联网系统构建,平均每头猪只通过系统时间为6.2 s。为验证该系统的实际应用效果开展了为期30 d的现场试验,将饲喂于装有分群系统猪栏中的120头长白育肥猪作为试验组,由分群系统按猪只长势快慢分群饲喂;将饲喂于传统猪栏中的120头长白育肥猪作为对照组,按照传统人工调栏的方式进行饲喂。试验开始时试验组和对照组猪只平均体质量分别为32.21、31.76 kg,标准差分为别2.61和2.49 kg;结束时试验组和对照组猪只平均体质量分别为57.68、57.41 kg,标准差分为别5.26和5.51 kg,总料肉比分别为2.31和2.34,期间试验组猪只体质量的标准差小于对照组,但是2组猪只平均体质量、标准差、总料肉比均不存在显著差异,表明采用该系统对猪只进行分群饲喂控制猪只体质量差异效果等同于人工调栏,同时可以节省人力成本,缓解农业劳动力短缺的压力。该研究也可为母猪饲喂站、种猪测定站等智能化养猪设备的研发提供参考。     

基于机器视觉的马铃薯晚疫病快速识别

晚疫病是马铃薯的一种严重病害,可造成减产甚至绝收。因此马铃薯晚疫病的识别与控制对提高其产量有非常重要的意义。该文基于机器视觉技术对马铃薯叶部晚疫病进行检测,根据马铃薯叶片上晚疫病斑的颜色、纹理和形状特征参数的不同,提取叶片表面的特征参数,并建立数学模型对病害程度做出评价。在RGB、HSV颜色空间中,根据马铃薯叶片在患病早期叶片颜色发生变化且与健康叶片不同,利用颜色特征,建立马铃薯晚疫病的无病和患病模型,该模型对马铃薯患病早期的识别率为67.5%。利用灰度共生矩阵,采用纹理统计参数进行病害等级评价,用熵值和能量值描述晚疫病的严重程度,纹理特征对患病程度的识别率比较稳定,对患病中期与后期的识别率分别为72.5%与80%。利用形状特征的相对特征,根据病斑面积比进行晚疫病诊断,该方法对马铃薯叶片晚疫病患病后期的诊断取得较好效果,识别率为90%,但由于叶片患病早期的病斑面积小且分散,识别难度大,识别率仅为50%。针对颜色、纹理及形状特征在识别马铃薯叶片晚疫病时的优势与局限性,提出颜色纹理形状特征结合的识别方法,对患病中期与后期的识别率分别为90%和92.5%。通常马铃薯晚疫病的理化值检测法耗时数天,但利用机器视觉识别马铃薯晚疫病患病情况非常快速,根据颜色特征进行病害识别的时间约为4 s,纹理特征识别的时间为7 s,形状特征特征识别的时间为3 s,综合颜色纹理形状特征的识别由于计算量较大,识别时间为9 s。该研究可为基于机器视觉的马铃薯晚疫病的快速检测提供理论依据。     

玉米行间导航线实时提取

针对高地隙植保机底盘玉米田间植保作业压苗严重的现象,该研究提出了基于车轮正前方可行走动态感兴趣区域(Region of Interest,ROI)的玉米行导航线实时提取算法。首先将获取的玉米苗带图像进行像素归一化,采用过绿算法和最大类间方差法分割玉米与背景,并通过形态学处理对图像进行增强和去噪;然后对视频第1帧图像应用垂直投影法确定静态ROI区域,并在静态ROI区域内利用特征点聚类算法拟合作物行识别线,基于已识别的玉米行识别线更新和优化动态ROI区域,实现动态ROI区域的动态迁移;最后在动态ROI区域内采用最小二乘法获取高地隙植保机底盘玉米行间导航线。试验表明,该算法具有较好的抗干扰性能,能够很好地适应较为复杂的田间环境,导航线提取准确率为96%,处理一帧分辨率为1 920像素×1 080像素图像平均耗时97.56 ms,该研究提出的算法能够为高地隙植保机车轮沿玉米垄间行走提供可靠、实时的导航路径。     

基于机器视觉的饲料生产智能包装系统设计与应用研究

为提高饲料生产订单的包装效率、智能化程度、降低包装成本,文章基于机器视觉,从硬件选择与软件设计两个层面设计饲料生产智能包装系统。采用AutoMod软件对饲料生产智能包装系统进行仿真试验,检验整个包装系统效果。结果表明,该智能包装系统包装效率高、关键设备利用率高、系统可靠性、可行性良好。