视觉技术在农业采摘机器人中的应用及发展

介绍了农业采摘机器人的视觉技术及其工作原理,并进一步探讨了农业采摘机器人视觉技术的应用及其发展前景。     

基于改进Mask R-CNN的笼养死鸭识别方法

针对规模化笼养肉鸭舍内死鸭识别采用人工作业方式时,存在作业效率低、劳动强度大、养殖成本高等问题,以层叠式笼养肉鸭为研究对象,提出了一种基于深度学习的笼养死鸭识别方法。为了采集数据,首先面向立体层叠式养殖环境设计了一款适用于肉鸭舍的自主巡检装备。针对笼养肉鸭舍铁丝网遮挡严重的问题,基于机器视觉对笼网进行修复,基于OpenCV对图像进行增强处理。构建了一种基于Mask R-CNN的死鸭识别模型,采用Swin Transformer对模型进行优化,解决了Mask R-CNN网络缺乏整合全局信息能力的问题。对比分析了SOLO v2、Mask R-CNN和Mask R-CNN+Swin Transformer模型识别笼内死鸭准确率。实验结果表明,在平均精度均值为90%的条件下,Mask R-CNN+Swin Transformer模型对笼内死鸭总体识别准确率可达95.8%,在自主巡检装备上的检测效果优于其他主流的目标检测算法。     

基于计算机视觉的花生品质分级检测研究

【目的】建立能够对花生进行品质分级的计算机视觉无损检测方法。【方法】同步拍摄和扫描11类品质,每类品质100颗和100宗,每宗100颗不同等级的花生籽粒的正反面图像;参照国家标准量化花生品质籽粒的11个限制性检测项目,设计花生规格和品质等级的判别方法;测量每个籽粒的形态、纹理、颜色共3大类54个外观特征,采用主分量分析(PCA)进行特征优化,构建并比较BP神经网络(ANN)和支持向量机(SVM)品质检测模型;分别应用Matlab和Spss工具软件实现检测过程和对结果进行统计分析。【结果】前16个主分量的SVM模型,能够鉴别95%以上的不完善粒、霉变、杂质、异品种等不同品质的籽粒,与人工检测结果吻合度达到了93%,对100宗待检样品进行检测,规格和等级检测完全正确率达到了92%。【结论】研究结果为花生的品质分级检测提供了比较系统全面的量化标准和检测方法,该方法可推广应用于花生品质鉴别、分级筛选加工和商品分级定价等领域。     

Design of Vision System Based on Service Robot

A vision system based on the service robot is involved. In the system, picture signal is acquired by the picture sensor OV7635. Frame memory AL422B is used as data buffer memory, while CPLD controlled the time order DSP performed. In the software system of image processing, to accomplish color image segmentation and recognition, the threshold vector judgment and improved seed-fill algorithm is introduced, and the image geometric moment is calculated during the segmenting. In order to achieve a vision servo system which composed of image-based feedback and adaptive compensation, the deduced matrix-based Jacobian from the image moment is taken as image feature. Adopted the TFT LCD is adopted to straightly disolav the result of vision recognition and vision tracing.     

一种快速判别梨果梗的方法

果梗完好与否是梨品质检测的指标之一,因而对果梗情况进行准确判别具有重要意义。为此,通过计算机视觉系统摄取梨的图像,利用图像处理技术提出了一种能快速判别梨果梗有无的算法。该算法的识别正确率达90%,识别速度大约在20～30ms,实现了对梨果梗进行高速检测的目标。     

基于计算机视觉的大米外观品质检测

开发了一套基于计算机视觉技术的稻谷品质检测系统，采用灰度变换、自动阈值分割、区域标记等方法从采集的稻米群体图像中提取单体米粒图像，对单体米粒的裂纹、垩白特征进行了统计和检测方法研究。提取了米粒的面积、周长等10个特征参数作为整精米检测特征，并进行了主成分分析，确定了判别整精米的优化阈值。检测试验结果表明：裂纹米粒识别的准确率为96．41％；垩白米粒识别的准确率为94．79％；整精米识别的准确率为96.20%。     

基于计算机视觉系统的溶液浓度快速检测方法

基于计算机视觉系统的RGB色度学理论,提出一种测定有色溶液浓度的数字色度法,并开发了与之配套的软件检测系统。该方法与分光光度计相比,大大提高了检测效率,理论上每分钟可完成上百个样品浓度的同时测定。通过软件系统分析样品色度信息,实现自动显示被测溶液浓度的良好效果,为一次性成批检测溶液浓度提供了一种简捷快速的新思路。     

西兰花选择性采收作业平台识别切割装置设计与试验

针对当前人工采收西兰花存在季节性劳动力需求强、劳动强度大以及成本高等问题,该研究基于西兰花的农艺特性与形态特征设计了一种西兰花选择性采收作业平台,旨在能够实现对西兰花的自主识别切割作业。首先,该平台采用“识别-采收”一体化作业模式,通过对采收作业平台的关键部件进行设计与选型,建立了西兰花的视觉识别系统和定心切割机构。其次,根据西兰花茎秆与割刀之间的相互作用关系,采用对数螺线作为切割曲线设计了一种等滑切角割刀,确定了割刀滑切角40o、切割半径135 mm、割刀长度260 mm等关键切割参数。根据西兰花茎秆的材料属性参数,基于ANSYS Workbench/LS-DYNA软件对茎秆切割过程进行显式动力学仿真分析,以割刀刃角和转速为控制因子,以最大切割力为试验指标,利用正交试验优化设计,确定了茎秆切割过程的最优参数组合为割刀刃角20°、转速1 rad/s,在此参数下最大切割力为725.82 N,切割质量较优。最后,对采收作业平台进行性能试验,结果表明视觉系统能够有效识别自然环境下的成熟西兰花植株,检测效果良好;定心切割机构可快速平稳的切入并切断西兰花茎秆,切断表面平整光滑;采收作业平台整体漏收率在10%以下、检测准确率为90%、切茎合格率为88.9%,可满足西兰花选择性采收的作业需求。本研究可为西兰花选择性采收作业装备的设计开发提供理论参考和实际借鉴。