自动导引车视觉导航的路径识别和跟踪控制

视觉导航AGV利用机器视觉获取路径信息.经图像处理得到导航参数.为保证路径识别的鲁棒性和实时性,对路径图像进行滤波、二值化、数学形态学运算和实时性处理;并设计了PID控制器,根据导航参数控制电动机以实现AGV对路径的跟踪.仿真和实验结果表明.采用此种图像处理和控制方法的AGV具有较为准确和可靠的路径识别和跟踪效果.     

基于位姿状态的全向运行型AGV路径跟踪优化控制方法

自动导航车自主移动的关键是精准的路径跟踪,针对Mecanum轮全方位移动AGV的路径跟踪,提出了一种基于位姿状态和有限控制步数的路径跟踪优化控制方法。在系统约束条件下,通过建立系统的运动学模型,将连续的系统离散化。在目标函数中只包含速度控制量,同时通过最小化目标函数,得到系统控制量的控制序列,从而避免了最优控制的加权矩阵选择难的问题。此外,有限步的控制序列也有利于实时嵌入式控制器的滚动控制。仿真和实验表明,对于不同速度,该算法均能快速、同步、稳定地消除位姿偏差,且计算量小、方便。     

复杂光照条件下视觉导引AGV路径提取方法

针对复杂光照条件下视觉导引AGV的路径提取问题,提出一种基于光照色彩模型的自适应图像照度分区阈值分割方法。首先研究光照照度与图像亮度分量的关系,通过统计复杂光照条件下的图像色彩分布建立光照色彩模型。其次根据光照色彩模型将导引路径图像划分为不同照度区域。然后在RGB色彩空间对低照度区域进行图像增强以还原路径色彩信息,在高亮光区域对色度分量Cb与Cr进行差分运算以抑制共模照度干扰,最后对不同照度区域分别进行自适应阈值分割。大量实验结果表明,在光照环境中同时存在高反光和暗阴影的运行路面,该路径提取方法具有较强的复杂光照适应性,可显著降低在高反光和暗阴影区域的欠分割及过分割误差,对导引路径的识别率为98%。     

农业车辆杂草环境下视觉导航路径识别方法

在普通环境导航路径识别方法的基础上,分析了株间杂草和垄间杂草对农业车辆导航路径的影响.针对影响较大的垄间杂草环境,提出一种基于BP神经网络的杂草环境下导航路径识别方法.田间实验证明,该方法对杂草的影响具有较好的适应性,能够快速、可靠、准确地提取导航路径特征,识别率为97%,单幅图像平均耗时560ms.     

“京蜜八号”哈密瓜成熟等级分类研究—基于机器视觉和神经网络

目前,新疆哈密瓜在采摘期成熟等级判定主要采用人工方式,容易混淆级别,影响销售质量。为此,提出了一种基于机器视觉和主成分分析优化神经网络的哈密瓜成熟等级识别方法。首先,利用田间哈密瓜图像采集系统获取了采摘前不同成熟期的哈密瓜图像,利用图像处理技术获得了感兴趣区域;其次,提取能表征哈密瓜不同成熟等级的外观特征,包括H分量图像的色调累积频度、纹理特征、几何特征;最后,利用主成分分析法优化特征,构建并验证基于BP神经网络的哈密瓜成熟等级预测模型。研究表明,基于机器视觉和主成分分析优化神经网络预测哈密瓜成熟等级是可行的,准确率达86.59%。     

农业车辆视觉实际导航环境识别与分

分析了对路径识别影响较大的变光照环境、杂草环境和阴影环境对农业车辆导航路径的影响,提出一种实际环境中的农业车辆视觉导航研究方法,即先采用神经网络算法对农田环境进行自动分类,然后再相应的选择不同的路径识别方法进行处理.环境识别与分类试验结果证明,该方法能够提高农业车辆视觉导航系统的实用性和可靠性,导航环境的分类准确率为95%,单幅图像平均耗时23 ms.     

基于路径规划与跟踪的自动泊车系统研究

为了降低泊车系统控制器的建模难度,更好地完成自动泊车操作,提高泊车控制器对环境的适应能力,通过对自动泊车流程和控制进行研究,采用路径规划与跟踪方法,设计了一种自动泊车系统。     

基于机器视觉的自走式喷药机械的田间路径识别研究

机器视觉是自走式喷药机械进行田间路径识别的一种主要方式.对农田图像进行超绿特征分割、二值化、滤波等预处理后,利用Hough变换得出自走式喷药机械的行走路径.这种算法简单有效,可以满足实时要求,为自走式喷药机械研发提供依据.     

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。     

基于颜色特征的棉株株顶识别研究

针对棉花机械打顶存在的问题,运用机器视觉技术通过对棉株株顶的精确识别实现精确打顶。对采集的棉株图像利用MATLABR2011a软件进行棉株图像处理,分割出棉株株顶和叶片等其它部分;提取棉株株顶和叶片等其它部分的R,G,B等3通道的均值、方差与标准差,作为棉株株顶区别于叶片等其它部分的特征;最后,利用BP神经网络对棉株株顶进行识别。结果表明,颜色特征能够很好地区分出棉株株顶和其它部分。     

基于双池化与多尺度核特征加权CNN的典型牧草识别

针对自然背景下牧草难识别的问题,提出一种基于双池化与多尺度核特征加权的卷积神经网络牧草识别方法。双池化特征加权结构通过将卷积层输出的特征图分别进行最大值池化和均值池化得到两组特征图,引入特征重标定策略,依照各通道特征图对当前任务的重要程度进行加权,以增强有用特征、抑制无用特征;多尺度核特征加权结构通过在卷积层中同时使用3×3和5×5两种卷积核,并将网络的前几层特征复用后进行加权,以提高重要特征的利用率。对10类牧草图像进行识别实验,结果表明,该方法识别率为94.1%,比VGG-13网络提高了5.7个百分点,双池化与多尺度特征加权有效提高了牧草识别精度。     

基于多层信息融合和显著性特征增强的农作物病害识别

现有基于深度学习的农作物病害识别方法对网络浅层、中层、深层特征中包含的判别信息挖掘不够,且提取的农作物病害图像显著性特征大多不足,为了更加有效地提取农作物病害图像中的判别特征,提高农作物病害识别精度,提出一种基于多层信息融合和显著性特征增强的农作物病害识别网络(Crop disease recognition network based on multi-layer information fusion and saliency feature enhancement, MISF-Net)。MISF-Net主要由ConvNext主干网络、多层信息融合模块、显著性特征增强模块组成。其中,ConvNext主干网络主要用于提取农作物病害图像的特征;多层信息融合模块主要用于提取和融合主干网络浅层、中层、深层特征中的判别信息;显著性特征增强模块主要用于增强农作物病害图像中的显著性判别特征。在农作物病害数据集AI challenger 2018及自制数据集RCP-Crops上的实验结果表明,MISF-Net的农作物病害识别准确率分别达到87.84%、95.41%,F1值分别达到87.72%、95....     

基于注意力机制和特征融合的葡萄病害识别模型

植物病害是造成农作物减产的主要原因之一。针对传统的人工诊断方法存在成本高、效率低等问题,构建了一个自然复杂环境下的葡萄病害数据集,该数据集中的图像由农民在实际农业生产中拍摄,同时提出了一个新的网络模型MANet,该模型可以准确地识别复杂环境下的葡萄病害。在MANet中嵌入倒残差模块来构建网络,这极大降低了模型参数量和计算成本。同时,将注意力机制SENet模块添加到MANet中,提高了模型对病害特征的表示能力,使模型更加注意关键特征,抑制不必要的特征,从而减少图像中复杂背景的影响。此外,设计了一个多尺度特征融合模块(Multi-scale convolution)用来提取和融合病害图像的多尺度特征,这进一步提高了模型对不同病害的识别精度。实验结果表明,与其他先进模型相比,本文模型表现出了优越的性能,该模型在自建复杂背景病害数据集上的平均识别准确率为87.93%,优于其他模型,模型参数量为2.20×10⁶。同时,为了进一步验证该模型的鲁棒性,还在公开农作物病害数据集上进行了测试,该模型依然表现出较好的识别效果,平均识别准确率为99.65%,高于其他模型。因此,本文模型...     

基于主成分分析与BP神经网络的参考作物腾发量预测

为解决采用神经网络模型预测参考作物腾发量研究中预测能力不足的问题.将气象因子包括最高、最低和日平均温度、日照时数、气压、水汽压、相对湿度和风速进行主成分分析.提取主成分,建立了基于主成分的三层BP神经网络模型.选取新疆昌吉市气象站2006年3-6月的日气象资料.采用Matlab神经网络工具箱进行模型训练与预测,并以传统BP网络模型作为对照.结果表明,主成分网络模型能够很好地反映诸多影响因子与参考作物腾发量之间的关系,尤其时训练样本以外的验证样本,主成分网络模型具有显著优于传统BP网络模型的识别能力,取得更为可靠的预测结果.