基于颜色信息和形状特征的棉桃识别方法

为了给机械手自动采摘棉桃提供运动参数,提出了一种棉桃识别方法,可以从背景环境中准确识别棉桃,获取棉桃准确的位置信息。通过对棉花不同部分颜色数据的分析,建立了基于色差信息的识别模型,为进一步提高识别准确性,利用形状特征建立动态Freeman编码方法去除噪声。实验结果表明这种方法具有良好的棉桃识别效果,识别率达到85%。     

基于特征融合的果园非结构化道路识别方法

针对果园道路无明显边界且道路边缘存在阴影、土壤和沙石干扰等问题,提出一种基于特征融合的果园非结构化道路识别方法。通过相机标定获取畸变参数对采集到的图像进行畸变矫正,并提出一种基于滤波与梯度统计相结合的动态感兴趣区域(ROI)提取方法对HSV颜色空间S分量进行ROI选取,采用最大值法将颜色特征与S分量多方向纹理特征掩膜相融合并进行二值化与降噪处理。根据道路边缘突变特征寻找特征点,并提出一种基于距离与位置双重约束的两级伪特征点剔除方法。为更好贴合非结构化道路不规则边缘,引入分段三次样条插值法拟合道路边缘,以此实现道路识别。试验结果表明,在晴天、阴天、顺光、逆光、冬季晴天和雨雪天气6种工况条件下,S分量、纹理图像和融合图像的平均纵向偏差均值分别为2.43、39.71、1.36像素,平均偏差率均值分别为0.99%、18.02%和0.54%,相较于S分量与纹理图像而言,使用本文方法构建的融合图像其平均纵向偏差与平均偏差率均得到有效减少。最小二乘法、随机采样一致性法(RANSAC)与分段三次样条插值法拟合边缘的平均偏差均值分别为2.64、3.16、0.66像素,平均偏差率均值分别为1.02%、1....     

基于纹理和位置特征的麦田杂草识别方法

以化学防除适期麦田杂草为研究对象,对利用条播作物的位置和纹理特征识别田间杂草的方法进行了研究。根据条播作物小麦作物行的间距相对固定等位置特征,利用植物像素直方图法确定作物行的中心线和行宽,并识别行间杂草。然后,以作物行中心为基准来选取纹理块,计算量化级数为8级的H颜色空间的共生矩阵,提取5个纹理特征参数,利用K均值聚类法判别分析各块的类别来识别行内杂草。研究结果表明,杂草的正确识别率约为93％,作物的错误识别率约为7％。     

基于机器视觉技术对烟叶部位识别方法的研究

为探究机器视觉技术对烟叶部位的识别,通过对专家分级烟叶样本进行图像采集,提取样本烟叶图像中烟叶的颜色、形态等特征,采用不同的分类方法对训练集进行训练建模,再利用分类模型对测试集进行预测分类。结果表明：提取图像中烟叶的颜色、形态等特征能够较好地区分烟叶部位,采用朴素贝叶斯分类器判别其分类效果最好,准确率可达88.89%。该结果为实际工业分级的机器视觉技术运用提供了理论基础和数据来源。     

基于机器视觉的玉米种粒破损识别方法研究

针对玉米种粒在收获、脱粒、贮藏时因各种因素造成损伤和人工选种耗时耗力的问题,提出了一种基于机器视觉的玉米种粒破损检测方法。首先,利用图像获取装置得到单粒玉米种粒图像,通过差影法确定图像噪声种类,采用中值滤波方法对图像进行降噪;其次,标记图像边界,运用灰度阈值法完成玉米种粒图像分割。根据玉米种粒的形态特征分别提取玉米种粒的周长、面积、周长面积比、长轴长、短轴长、长宽比6个几何特征和矩形度、圆形度、紧凑度、7个Hu不变矩10个形状特征,共16个特征。完整玉米种粒和破损玉米种粒图像各50幅作为训练样本,将提取的16个特征分量作为输入量,对支持向量机(Support Vector Machine,SVM)进行训练,输出量为1、0,分别代表"合格""不合格",训练完成后获得玉米种粒的SVM识别模型;另取完整的玉米种粒和破损的玉米种粒图像各50幅作为测试样本,对训练好的SVM模型进行测试。结果表明:该检测方法对玉米种粒破损识别准确率达95%以上,识别100幅玉米种粒图像的时间为1.27s。研究结果为玉米种粒的实时破损检测提供了参考。     

基于机器视觉的苗期杂草实时分割算法

对利用植物的位置来识别作物苗期田间杂草的方法进行了研究。根据苗期田间植物的位置特征 ,建立了基于机器视觉的分割苗期田间杂草的算法 DBW。通过比较分析各种算法的分割效果图和所耗费的时间 ,运用超绿色法灰度化原始图像 ,然后应用最大方差自动取阈法二值化图像 ,最后运用种子填充算法分割作物和杂草。研究表明 ,算法 DBW在实时性方面表现出一定的优越性 ,处理一幅 5 4 4× 117像素的图像只需大约 6 0 ms     

基于视觉显著性图的黄瓜霜霉病识别方法

为提高黄瓜霜霉病叶部病害机器自动识别的准确性和鲁棒性,提出了一种基于视觉显著性图的黄瓜叶部霜霉病识别方法。首先将图像从RGB色彩空间变换到HSV色彩空间中进行色彩修正,再变换回RGB空间利用R、G、B分量的线性组合生成视觉显著性图,最后通过对生成的视觉显著性图进行阈值分割以识别病害区域。利用从北京市北部郊区日光温室采集到的50幅具有典型霜霉病特征的黄瓜叶片原始图像进行实验,结果表明,该方法能较为准确地从叶部彩色图像中识别出霜霉病病斑区域,平均误分率为6.98%,优于K-means法(11.38%)和OTSU法(15.98%);平均运行时间0.661 4 s,少于K-means法的1.424 9 s;运行时间的均方根误差为0.051 5 s,鲁棒性优于K-means硬聚类算法。     

基于颜色特征的棉田中铁苋菜识别技

基于不同的颜色特征,利用机器视觉技术自动识别棉田中铁苋菜.分别对棉花和杂草铁苋菜的色差法(R-G,R-B,G-B)、超绿法(2G-R-B)、色度法(H)等5种特征图像进行对比,确定色度法利用最大方差进行二值化的效果最佳.创建与二值图像相对应的0、1双精度型矩阵,并分别与R、G、B三基色分量图相乘,获取前景是R、G、B三基色分量图,背景是黑色的灰度图像.分析棉花、铁苋菜前景R、G、B的标准差,确定R的标准差与B的标准差差值小于5作为判断铁苋菜的阈值.识别结果表明,棉花的判断准确率为71.4%,铁苋菜的判断准确率为92.9%,总体准确率为82.1%.     

基于机器视觉的水下河蟹识别方法

为了探测河蟹在池塘中的数量及分布情况,为自动投饵船提供可靠的数据反馈,提出了基于机器视觉的水下河蟹识别方法。该方法通过在投饵船下方安装摄像头进行河蟹图像实时采集,针对水下光线衰减大、视野模糊等特点,采用优化的Retinex算法提高图像对比度,增强图像细节,修改基于深度卷积神经网络YOLO V3的输入输出,并采用自建的数据集对其进行训练,实现了对水下河蟹的高精度识别。实验所训练的YOLO V3模型在测试集上的平均精度均值达86. 42%,对水下河蟹识别的准确率为96. 65%,召回率为91. 30%。实验对比了多种目标检测算法,仅有YOLO V3在识别准确率和识别速率上均达到较高水平。在同一硬件平台上YOLO V3的识别速率为10. 67 f/s,优于其他算法,具有较高的实时性和应用价值。     

基于色差信息多色彩模型的黄羽鸡快速分割方法

快速准确分割出复杂背景下的鸡只图像,是应用机器视觉系统快速识别实际饲养环境下病鸡的关键步骤。以某鸡舍散养的黄羽肉鸡为分割目标,提出了一种基于色差信息的多色彩模型鸡只分割方法。首先对200幅自然环境下拍摄的图像在常用的色彩模型下,分析了鸡冠、鸡身羽毛、鸡肚羽毛以及背景的颜色特征,利用背景在RGB色彩模型的R、G、B三分量色差信息特征进行一次分割,去除大部分的背景,然后转换到HSV色彩模型,获取黄羽鸡不同部位的H分量阈值,再由H阈值范围提取鸡身、鸡冠实现二次分割,最终得到分割目标。实验结果表明所提方法实际分割正确率为86.3%,优于L*a*b*色彩模型聚类的78.4%。所提方法复杂度小,运算时间短,适用于实时分割场合。     

基于颜色和形状特征的机采棉杂质识别方法

机采棉的含杂识别分类检测能够提高棉花加工设备效率,减少棉花纤维损伤,并为棉花收获设备的改进提供指导。提出了一种基于颜色和形状特征的机采棉杂质识别分类方法,对大杂质和小杂质检测采取不同的图像处理方法。颜色特征主要采用基于彩色梯度图像的分水岭变换与改进模糊C均值聚类方法融合的方法;形状特征主要采用机采棉杂质的面积、周长、离心率和矩形度特征。通过对100幅机采棉图像试验表明,该方法对各类杂质的平均识别正确率为89%。     

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。     

基于机器视觉的苹果识别和形状特征提取

提出了利用色差R-G和色差比(R-G)/(G-B)相结合的苹果识别方法.在顺光、逆光等不同情况下对拍摄的苹果图像进行了识别,并对识别后的图像进行消除噪声、区域填充等预处理,获得苹果的轮廓图像.针对轮廓图像,采用遗传算法进行形状特征提取.采取多次运行遗传算法,并依次转换目标轮廓点为背景点的方法,处理果实图像邻接、重叠问题.实验结果表明:苹果识别方法在一定程度上消除了阴影、逆光、土壤等影响,识别率达97%.基于遗传算法的形状特征提取方法,可对邻接、重叠图像进行有效分割,快速、准确地实现苹果图像圆心坐标和半径的提取.     

基于遗传规划的树皮纹理图像识别

图像纹理识别广泛应用于农业、林业和纺织业等领域,自动图像纹理识别是发展方向,人们不断在研究探索图像纹理识别方法。为此,选用了5类树皮纹理图像作为识别图像集,以灰度共生矩阵方法提取图像特征,用遗传规划分类算法进化图像纹理识别器,完成了图像纹理识别测试,取得了比较理想的图像纹理识别结果,为遗传规划在图像纹理识别的应用做了有益的尝试和探索。     

基于机器视觉的玉米收获机器人路径识别

我国玉米种植面积和产量都很大,在农业中占有重要的地位,但收获环节耗费的成本惊人。玉米收获机器人能提高作业效率,极大地降低生产成本,具有广阔的应用前景。路径识别能力是机器人环境适应性的一个重要方面,而机器视觉主要用于农业机器人的路径识别。为此,设计了一种基于机器视觉的玉米收获机器人路径识别方法,并进行田间的实时图像处理试验。结果表明:该路径识别方法具有较好的田间适应性和实用性,经过载机结构改进和内部参数优化后能为玉米收获的智能化和信息化提供技术支撑。     

基于机器视觉的枸杞产地识别研究

设计以枸杞图像的特征进行产地识别的可行性验证试验。选用3份枸杞样本,在光照箱拍照获得图像,经预处理后得到枸杞形态、颜色及纹理方面的54个特征;运用主分量分析法（PCA）优化得到13个主成分;通过建立支持向量机（SVM）模型,进行样本的训练和测试。结果表明,模型对3个不同产地的构杞正确识别率达到100％。研究结果对于枸杞品种及产地的识别及枸杞谱系研究具有一定参考价值。     

基于多源图像融合的自然环境下番茄果实识别

蔬果采摘机器人面对的自然场景复杂多变,为准确识别和分割目标果实,实现高成功率采收,提出基于多源图像融合的识别方法。首先,针对在不同自然场景下单图像通道信息不充分问题,提出融合RGB图像、深度图像和红外图像的多源信息融合方法,实现了机器人能够适应自然环境中不同光线条件的番茄果实。其次,针对传统机器学习训练样本标注低效问题,提出聚类方法对样本进行辅助快速标注,完成模型训练;最终,建立扩展Mask R-CNN深度学习算法模型,进行采摘机器人在线果实识别。实验结果表明,扩展Mask R-CNN算法模型在测试集中的检测准确率为98.3%、交并比为0.916,可以满足番茄果实识别要求;在不同光线条件下,与Otsu阈值分割算法相比,扩展Mask R-CNN算法模型能够区分粘连果实,分割结果清晰完整,具有更强的抗干扰能力。     

融合电子鼻和视觉技术的鸡肉新鲜度检测装置研究

为实现鸡肉新鲜度的快速准确检测,设计了一种基于电子鼻和视觉数据融合的一体化检测装置。装置由控制系统、视觉系统和电子鼻系统3部分组成,可同时通过电子鼻传感器阵列检测鸡肉散发的气体浓度并由摄像机采集鸡肉视觉图像,控制板传输数据至Jetson Nano上位机进行特征提取、融合与分析。由该装置获取不同新鲜度鸡肉样本的气味和图像数据,采用主成分分析方法进行降维处理,再基于支持向量机建立鸡肉新鲜度分级模型,准确率可达98.7%。该装置具有准确率高、便携和稳定性强等特点,可为肉品新鲜度检测提供技术支持。