基于机器视觉的条播排种器性能检测及分析

运用机器视觉技术实现条播排种器性能的自动化检测.研究表明,帧种子数分布相对于拍摄频率（帧频率）具有独立性.以该独立性为基础构造的机器视觉检测方法为：采用CCD摄像机直接拍摄条播排种器试验的动态种子流,对获得的样本进行图像标定、灰度化处理、非种子目标去除、二值化处理、滤波去噪、小目标去除、种子遮挡判别、排种模式识别等图像处理过程,估计排种量的分布和计算排种器性能指标.     

机器视觉排种试验台的研制

系统介绍了黑龙江省农机院研制的新型排种器试验台。该试验台包括可模拟机械和气力两种精密排种器高速作业,并具有实现稳定承种的机械装置和控制系统。基于试验台的工作原理,给出了机械结构简图、监控系统电气原理图,并简述了机器视觉方法测量排种粒距的原理和程序流程。该方法具有精确、直观、实时的优点。     

基于机器视觉的精播排种器性能检测方法

介绍了采用机器视觉的精播排种器性能检测方法:通过CCD摄像机直接拍摄动态种子流,对获取的样本进行背景去除、二值化、图像平滑、特征量提取、图像标定等处理;构造了基于排种时间序列的型孔种子数频数统计方法,计算出排种器性能指标.试验表明,此方法检测误差小、速度快.     

机器视觉技术及其应用分析

首先概述了机器视觉技术的基本原理并分析了机器视觉系统的构建：接着论述了机器视觉技术的当前主要应用领域与情况;最后分析了现阶段机器视觉技术存在的问题。     

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。     

基于机器视觉的蒜种识别夹取试验台设计与试验

为实现大蒜的定向精确播种,提出一种基于机器视觉的蒜种精准识别与夹取方法,并设计蒜种识别夹取试验台,采用机器视觉方式确定蒜种的位置、朝向,使用机械臂夹取蒜种。采用阈值分割的方法分割蒜种和背景,对图像进行去噪,提取蒜种轮廓,根据识别像素点计算蒜种质心、朝向,经过识别训练和参数优化,确定识别阈值为110,识别成功率达到95%以上,平均识别时间0.06s。以金乡白皮蒜蒜种为试验对象,分析确定装置性能的指标为夹取成功率,影响因素为传送带速度、蒜种尺寸、种子夹取高度,通过三因素三水平正交试验分析,运用Design Expert软件对装置的关键结构参数进行优化,建立夹取成功率和各因素的回归模型,模型系数R₂²为0.9433。试验结果表明：当传送带速度0.11m/s、种子夹取高度3.5mm、选取投影尺寸510～540mm²时,夹取成功率为93.73%。研究结果可为蒜种分级和大蒜的定向播种提供一定的参考。     

基于机器视觉的自然环境中猕猴桃识别与特征提取

研究了综合应用果实颜色和形状特征识别自然环境中猕猴桃果实及特征提取的方法.通过对比不同颜色空间,选用R-G色差分量;再采用基于误分割像素的分割评价方法来确定颜色特征nR-G中最佳分割系数n,最终选取0.9R-G颜色特征.利用0tsu法对其进行阈值分割,形态学运算去除掉残余噪声,实现了目标果实区域和背景区域的分割.然后利用Canny算子提取边界,最后对边界图像进行椭圆形Hough变换,逐个识别出目标果实,并提取出果实的形心坐标、长轴端点坐标和长短轴长度等特征信息.对49幅包含110个果实图像进行识别试验,试验结果表明:相互分离果实的识别率为96.9％,邻接果实识别率为92.0％,被枝叶部分遮挡果实识别率为86.6％,重叠的果实识别率为81.6％.     

基于机器视觉的嫁接用苗识别研究

设施农业自动化的实现有赖于对作业对象的正确识别.为此,引进了机器视觉技术,设计了视觉软件程序,快速分选出满足嫁接要求的幼苗,并向控制器输送数据,保证后续机构对苗的分选与移栽的顺利进行.结果表明:在保证拍照位置精度和选取到适当的定位模型的前提下,能够准确地识别并测量出幼苗的茎粗、茎高和子叶与水平方向的偏转角.     

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.     

应用机器视觉技术识别田间杂草的研究

田间杂草的识别是准确使用除草剂有效的依据，对提高农作物产量、降低成本、生产出满足消费者需求的无害产品是非常重要的。为此，就如何利用机器视觉技术从复杂的土壤背景下分离出植物(作物和杂草)的方法进行研究，从而为杂草的识别做前期准备工作。     

基于机器视觉和支持向量机的温室黄瓜识别

针对复杂温室环境中的成熟黄瓜,采用脉冲耦合神经网络分割黄瓜图像,利用数学形态学方法处理,把黄瓜从图像背景中分离出来;提取各连通区域的4个几何特征值和灰度共生矩阵基础上的3个纹理特征值,作为最小二乘支持向量机(LS-SVM)的输入特征向量;利用训练好的分类器判别图像中的黄瓜。试验结果表明:用于试验的70幅黄瓜图像,正确识别率达82.9%,基于脉冲耦合神经网络分割结合LS-SVM的方法,适合复杂背景的温室黄瓜识别。     

基于机器视觉的甘蔗茎节特征提取与识别

为实现含有蔗芽的有效蔗种片段机器智能切断,引人机器视觉技术识别甘蔗茎节.以甘蔗图像HSV颜色空间的S分量经阈值分割、数学形态滤波处理作为模板,和H分量经阈值分割的反图像进行与运算得到合成图;将合成图划分为64个列块区域,提取质心比、粗度比和白点比等7个特征指标,再用支持向量机分类识别茎节与节间列块,得到茎节与节间的平均识别率为93.359%;对支持向量机分类出的茎节列块进行聚类分析,得到茎节数与位置的平均识别率分别为94.118%,91.522%.     

基于机器视觉的蔬菜种子包衣品质鉴定

蔬菜种子包衣工作参数的智能调节,能提高包衣加工效率和成品质量。为了研究包衣工作参数的智能调节,提出了基于机器视觉的蔬菜种子包衣品质鉴定方法。针对蔬菜种子包衣过程中种子包衣完整性、包衣颜色深浅、包衣颜色均匀性3个重要指标,提出依据单粒种子的种子包裹率、种子颜色及纹理特征将包衣种子分为合格与非合格两类。对于种子图像中粘连的问题,采用分水岭算法将图像分割为单粒种子。通过对单粒种子的多阈值分割,实现种子包衣完整率的计算。基于HSI颜色空间提取H、S分量的颜色矩特征与I分量的灰度共生矩阵特征,融合种子包衣完整率、颜色矩特征和灰度共生矩阵特征这3种特征为一个11维特征向量,构建基于径向基核函数的支持向量机分类器对包衣结果进行品质鉴定。实验选用包衣后辣椒种子验证算法,结果表明:包衣结果识别准确率为90.93%。该研究可为后续研究包衣机工作参数的智能调节奠定理论基础。     

基于机器视觉的嫁接幼苗特征识别方法

幼苗子叶方向的正确识别是瓜科嫁接机实现全程自动化的关键技术之一。该文研究了在自然光照条件下,对白籽南瓜砧木子叶方向特征的识别方法。首先对采集的幼苗图像进行预处理,提取出子叶边界;然后利用区域标记,依次提取目标幼苗子叶边界的最小外接矩形,在外接矩形内对幼苗边界进行椭圆形Hough变换,拟合两片子叶的轮廓曲线;最后依据子叶轮廓的椭圆形数学模型,求取幼苗子叶方向,幼苗生长点位置以及子叶叶片面积等特征信息。对100幅幼苗图像进行识别试验,成功率为85%。该文提出的方法可对嫁接南瓜幼苗的子叶方向特征进行有效的识别,并且通过调整参数,可用于其他幼苗的特征识别研究。      

基于颜色特征的油菜害虫机器视觉诊断研究

害虫的准确识别是针对性地施用农药以有效治理虫害的基础,而人工识别的劳动强度大且主观性强。为此,提出了一种利用颜色特征的害虫视觉识别技术。使用GrabCut算法从虫害图像中分割出完整的害虫主体图像并计算其最小外接矩形区域的H/S通道直方图,使用害虫基准图像对其进行直方图反向投影并计算交叉匹配指数。匹配指数和害虫标签共同组成的特征向量用于训练C4.5分类器。计算待检害虫图像的交叉匹配指数,输入分类器即可得到识别结果。实验结果表明:该技术可准确识别菜蝽、菜青虫、猿叶甲、跳甲及蚜虫5种害虫,准确率达到92%。     

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。     

机器视觉识别技术在活塞装配中的应用

将机器视觉识别技术应用于活塞装配,研制开发的活塞装配机器视觉识别系统成功地解决了发动机生产厂在活塞装配中存在的漏装、反装和混装问题,保证了活塞装配质量,减轻了工人的劳动强度。     

基于机器视觉的自然环境中成熟荔枝识别

研究了自然场景下成熟荔枝的识别技术.通过分析荔枝彩色图像的颜色和灰度特征,选取YCbCr颜色模型进行处理,对其Cr分量图进行阈值分割去除复杂背景,并采用形态学和连通区域标注法消除分割后的随机噪声;然后结合一维随机信号直方图分析法与模糊C均值聚类法( FCM)对处理后的荔枝图像进行聚类和分割,实现荔枝果实和果梗的识别.不同光照条件下的识别实验结果表明,算法均能有效分割出果实和果梗,综合识别率达到95.5％.