斜入式穴盘苗移栽手爪工作参数优化及试验验证

为实现低伤苗率下的盘间移栽作业,该文设计了一套斜入式穴盘苗移栽手爪,并对其关键参数进行了试验研究,以期提高移栽成功率。该手爪采用单驱动源下的联动机构实现斜入式取苗方式,可降低对穴苗钵坨的损伤,保证其在提取后有较好的完整性。通过对取苗过程进行分析,得到了影响移栽成功率的关键性因素。以红掌穴苗为试验对象,选取钢针插入点距离、钢针插入深度以及钢针插入角度为影响因素,以穴苗极限破坏力为优化指标,利用响应曲面方法进行优化试验设计。试验结果表明,当钢针插入点距离为11.5 mm,钢针插入深度43 mm,钢针插入角度为14°时,可以达到最大极限破坏力3.89 N。应用此参数组合进行斜入式移栽手爪性能测试验证,试验结果表明优化后的移栽手爪的移栽周期为4 s,移栽成功率可达98%,能够应用到实际生产当中。该研究结果可为盘间移栽领域自动化移栽机的研制与开发提供参考。     

穴盘苗移栽机自动取喂系统的设计与试验

该文针对新疆地区吊篮式移栽机手工喂入效率低的问题,设计了穴盘苗移栽自动取喂系统。该系统采用穴盘步进移位机构提供穴盘的横向和纵向移位,由翻转摆位式取苗机械手进行取苗和穴盘苗的转移,利用柔性链输送喂入机构对穴盘苗逐个投放,能够对穴高45 mm、上边宽31.75 mm、下边宽13 mm的吸塑成型的软穴盘苗进行自动取苗并向两个栽植器投苗。整个系统由PLC（programmable logic controller）程序控制,采用气压驱动,工作气压0.5～0.8 MPa,耗气量60.65 L/min,单组取喂系统结构独立,质量小于110 kg,不增加原有移栽机地轮负荷,即能与新移栽机配套生产,也能对现有移栽机进行自动化改造。系统中穴盘步进移位机构在柔性链输送喂入机构的侧上方倾斜放置,使穴盘上表面与水平面的夹角105°,缩小了机器水平占用空间。采用苗龄58 d的"红安6号"辣椒苗进行室内取苗试验,试验结果显示,系统取喂苗总可靠率达98.92%,平均基质损失质量9.26%,取喂速度达70株/min,未见明显伤苗,能够满足设计要求。     

基于红外结构光三维技术的土壤表面粗糙度测量

土壤表面粗糙度是一项重要的土壤物理参数,已有的各种测量方法存在测量效率和误差难以兼顾的问题。为了在一定精度下提高野外测量工作效率,该研究基于红外结构光技术设计了一套便携的土壤表面粗糙度测量系统。该系统主要包括红外结构光扫描仪、便携式计算机、支架等,具有3.2 mm空间分辨率和3 mm的距离分辨率的性能。通过水平面板测量试验,发现本系统相对误差较小,相对误差最小区域中0.5个测量单位以内的误差（e≤1.5 mm）占87.87%,1个测量单位以内的误差（e≤3 mm）占99.58%,而大于1个测量单位的误差仅占0.42%。通过土壤表面粗糙度测量试验,发现本系统绝对误差较明显,其测量结果低于1 mm 分辨率的土壤粗糙度值。通过误差分析发现：该系统的测量误差包括固有误差和随机噪声,呈特定的规律性分布;导致绝对测量误差的主要原因为该系统的性能;由于系统的随机噪声,基于水平面板距离图像的土壤表面距离图像校正存在不确定性。该研究结果为进一步降低红外结构光三维技术测量土壤表面粗糙度的误差提供了依据。     

基于线结构光源和机器视觉的高精度谷物测产系统研制

针对精准农业中谷物产量信息的高精度获取需求,设计了基于计算机视觉的谷物测产系统,由工业相机、线结构光发生器、电感式接近开关和工控机等组成。提出了基于线结构光的谷堆厚度测量方法,根据所建立的谷物几何模型计算出谷堆的体积,并采用电感式接近开关克服了传统光电式谷物测产系统存在的误触发问题。同时,研究了不同转速下结构光测量误差,建立了基于转速的线结构光测量修正模型,使得测量误差从1.1%减小为0.33%。在室内台架上进行了测产试验,试验结果表明,未使用线结构光修正模型的最大测产误差为12.73%,在使用了线结构光测量修正模型之后,相对测产误差在4.27%以内,该研究可为谷物测产研究提供理论依据。     

基于垄线平行特征的视觉导航多垄线识别

为有效快速地识别农田多条垄线以实现农业机器人视觉导航与定位,提出一种基于机器视觉的田间多垄线识别与定位方法。使用VC++ 6.0开发了农业机器人视觉导航定位图像处理软件。该方法通过图像预处理获得各垄行所在区域,使用垂直投影法提取出导航定位点。根据摄像机标定原理与透视变换原理,计算出各导航定位点世界坐标。然后结合垄线基本平行的特征,使用改进的基于Hough变换的农田多垄线识别算法,实现多垄线的识别与定位。使用多幅农田图像进行试验并在室内进行了模拟试验。处理一幅320×240的农田图像约耗时219.4 ms,室内试验各垄线导航距与导航角的平均误差分别为2.33 mm与0.3°。结果表明,该方法能有效识别与定位农田的多条垄线,同时算法的实时性也能满足 要求。     

组培苗光合速率测量系统的研制与试验

光合生长模型是组培微环境调控的依据，组培苗光合速率测量系统是定量研究生长模型所必备的实验装置。现有成熟的植物光合速率测量系统，如Li-6400不能适用于组培苗的测量。该文在综合分析国外现有测量系统的基础上，兼顾国内在大型组培育苗设施类型选择上的经济可行性，采用CO₂传感器和自动控制技术，研制了半开放式组培苗光合速率测量系统。该系统自动化程度高，能够实现整个生长过程在线连续测量，测量误差小，不干扰组培微环境，数据真实性好，所建立的光合模型可以直接应用于半开放式组培设施环境的调控系统。以阶段Ⅲ甘薯组培苗为实验材料，采用本测量系统对其第8 d的光合速率进行了测定，并建立了CO₂浓度和光合光量子通量密度的2因子光合生长模型。     

计算机视觉系统在图形面积测量及形状分析上的应用

探讨利用计算机视觉系统对目标物体平面图形面积和面积惯性矩的测量方法。文章注重计算机视觉系统编程实践。     

基于双目立体视觉的机械手移栽穴盘定位方法

为了解决自动化机械手移栽过程中穴盘放置偏斜和底部局部"凸起"而引起的移栽效果不理想的问题,为机械手提供穴盘精准坐标,对穴盘准确定位方法进行研究。首先,根据机械手移栽特点提出穴盘定位总体方法及图像获取手段。其次,利用单目相机获取的图像采用像素标记法和Radon变换法计算穴盘中心坐标和角度,完成穴盘平面定位。再次,对双目相机获取的图像采用SIFT(scale invariant feature transform)特征匹配的算法获得匹配点对坐标,并提出区域整合匹配点的方法。最后,利用整合的区域双目匹配点坐标配合相机标定结果重建匹配点的三维世界坐标,并且与穴盘平面定位结果相结合完成穴盘空间位置重构。试验结果表明,提出的穴盘定位方法能够真实地恢复穴盘空间姿态,中心像素横纵坐标相对误差分别在(-7,+7)和(-6,+7)像素内,角度检测值与实测值相对误差值在(-0.51°,+0.53°)内,利用SIFT特征匹配算法匹配双目图像,在2×4区域内对8对整合匹配点进行三维世界坐标重建,其中7个坐标的三个维度与测量值相对误差在2 mm内,1个坐标与测量值相对误差为4.6 mm内。该方法所应用的算法成熟,可以满足机械手移栽实际应用处理要求。     

基于双目视觉的植物叶片三维形态与光照度同步测量

植物叶片的生长与光照度密切相关,尤其在温室大棚内,对光照度的控制要求更高。为同时获取叶片的三维形态与光照分布,该文提出了一种基于双目视觉的纹理植物叶片三维形态与光照度同步测量方法。利用双目视觉原理结合数字图像相关技术,实现叶片三维形态测量;通过植物叶片光照度与图像灰度关系推导,实现三维光照分布测量。该文以网纹草为例,对上述方法进行验证。试验表明:参考子区半径为57 pixels、计算间隔7 pixels时三维形态测量效果最佳;对叶片实施均匀光照,照度仪测量值与图像测量平均值相对误差在6%以内;对叶片实施非均匀光照,测量的光照分布真实反映了叶片光照分布。该方法具有非接触、方便、快捷等优点,为植物叶片的三维形态与光照度测量提供了一种方法,为温室大棚的智能光控提供了数据支撑。     

基于良序集和垄行结构的农机视觉导航参数提取算法

根据田间作物垄行间杂草离散的特点,基于图像矩阵,运用像素子集的良序性,结合垄宽先验知识得到垄行轨迹中心。同时,系统选择图像的绿色成分为目标特征空间,滤掉了非绿色的背景噪声,为寻找垄行子集奠定了基础。在摄像头参数结构的可线性化映射区(图像中间约1/3区域),考虑移动平台的速度和系统图像采样间隔,在系统处理速度大于平台移动速率条件下,建立了单目视觉导航系统的动态方程。试验结果表明：航向角和位置参数平均误差分别约为1°和1 mm。该算法设计简洁,实现容易,可有效避免杂草等噪声的影响,对光照也有一定的适应性。     

基于机器视觉的猪体体尺测点提取算法与应用

无应激获取猪体的体尺、体质量,是猪福利养殖中的一个重要任务,为解决机器视觉提取自然站立姿态下猪体的体尺测点识别率低的问题,该文通过在线摄像机获取120d龄长白猪的彩色图像,以猪体体尺传统的测量位置为研究基础,结合猪舍现场实际情况,提出了复杂背景下猪体个体信息提取的算法、基于包络分析的猪体头部和尾部的去除算法以及具有一定弯曲姿态的复杂猪体体尺测点坐标提取的算法,并利用Matlab2010软件实现了其算法。验证试验结果表明:通过背景减法和去除噪声算法可去除背景干扰,有效识别猪体信息;测点提取算法可准确提取自然姿态下猪的个体轮廓,识别其体尺测点,实现了猪体的体长、体宽等体尺量算的9个体尺测点的坐标提取,经验证,对猪体体长的实测值平均相对误差最小,其平均相对误差仅为0.92%;其次为腹部体宽,其平均相对误差为1.39%;而对猪体肩宽和臀宽的检测误差较大,平均相对误差分别为2.75%和3.03%。本研究可应用于猪体无应激量算体尺、估算猪体体质量,为开展福利养殖提供了一种新方法。     

基于双目视觉的香蕉园巡检机器人导航路径提取方法

为实现移动机器人香蕉园巡检自动导航,研究提出了一种基于双目视觉的香蕉园巡检路径提取方法。首先由机器人搭载的双目相机获取机器人前方点云,进行预处理后对点云感兴趣区域进行二维投影并将投影结果网格化,得到网格地图;然后采用改进的K-means算法将道路两侧香蕉树分离,其中初始聚类中心通过对网格地图进行垂直、水平投影以及一、二阶高斯拟合确定;最后基于最小包围矩形提取导航路径,将道路两侧网格以最小矩形框包围,提取两包围框中间线作为期望导航路径。测试结果表明,改进的K-means算法聚类成功率为93%,较传统方法提高了12个百分点;导航路径提取平均横向偏差为14.27 cm,平均航向偏差为4.83°,研究方法可为香蕉园巡检机器人自动导航提供支持。     

基于机器视觉的草地蝗虫识别方法

为了准确、自动地提取蝗虫信息进行蝗灾测报,提出了一种基于机器视觉的草地蝗虫识别方法,用于超低空蝗灾预警系统所自动采集的视频中草地蝗虫头数信息的提取。该方法先根据跃起草地蝗虫的背景构成,把原始图像分为天空子图像和草地子图像;然后,采用帧间差分法检测两子图像中的运动区域;最后,运用蝗虫的形态特征因子对检测的运动区域进行再分类,识别跃起蝗虫。把自动识别的跃起蝗虫头数,带入建立的跃起蝗虫头数与和地面蝗虫头数之间的数学模型中,从而得到地面蝗虫的数量,进行地面上草地蝗虫的间接计数。试验结果表明:跃起草地蝗虫的识别率为80%～100%,由建立跃起蝗虫和地面蝗虫的之间模型计算的地面草地蝗虫的精度大于80%。因此,基于机器视觉的草地蝗虫识别方法能满足蝗虫精准测报的要求。     

基于机器视觉的菊花生长自动无损监测技术

本研究采用机器视觉及图像处理技术对多株植物生长信息进行了监测研究。该监测系统使用的CCD相机被安装在四周均布10株被测植物的精密旋转云台上,相机的镜头前安装了近红外滤片,在相机顶部安装了近红外光源。旋转云台按一定时间间隔自动定角度旋转,旋转到设定角度后,CCD相机对被测植株进行取像。利用该系统,可以长时间自动连续对多株植物进行监测。为了提高测量精度,实验过程中在被检测对象的茎节叶腋处粘贴反射亮片,在图像分析处理过程中,采用一种基于亚像素和区域匹配的误差消除估计算法EEC图像分析的处理方法,有效地提高了检测精度。并且,通过研究发现在图像匹配过程中,参考模板的最小尺寸应大于15×15 pixel。利用该系统对菊花的茎长生长进行了监测分析,发现白天菊花的茎长生长率要小于夜间的生长率。该研究为利用机器视觉技术连续非接触监测植物的生长信息提供了技术理论基础。     

基于多方位视觉的果实形状特征的提取研究

针对传统瓜果分级中捕捉单幅果实图像来分析果实特征时信息较少的缺陷,提出了一种基于多方位视觉系统的果实形状特征提取算法。同步采集3个方向的果实图像信息,经OHTA空间上的图像分割和改进的BLOB算法去噪声等处理后,分别给出果实的多方位的图像特征信息。运用统计学原理,设计了线性分类器,对3个方向的图像特征信息进行了互补性融合,得出分级判别准则。利用开发的智能瓜果精选分级试验样机,验证了该算法的有效性, 试验结果证明识别成功率达到97％,达到了实用的要求。     

基于计算机视觉的牛脸轮廓提取算法及实现

计算机视觉技术已越来越多地应用于检测牛个体行为以给出养殖管理决策,牛脸轮廓的提取及形状分析能够进一步提高牛身份鉴别,咀嚼分析及健康状况评估的自动化程度。为实现基于计算机视觉的无接触、高精度、适用性强的肉牛养殖场环境下的牛脸轮廓提取,提出用自适应级联检测器定位牛脸位置,用统计迭代模型提取牛脸轮廓的方法。该方法采集牛脸正面图像,用级联式检测器定位出牛脸的位置,并分别采用监督式梯度下降算法(supervised descent method,SDM),局部二值算法(local binary features,LBF)和主动外观模型算法(fast active appearance model,FAAM)3种算法被用于提取牛脸轮廓。对20头肉牛共拍摄800幅牛脸正面图,随机选取训练数据720幅和测试数据80幅。结果表明,主动外观模型算法准确率最高,其轮廓提取误差为0.0184像素,适于应用在轮廓提取精度要求较高的场合,而局部二值算法的运行效率最高,在分辨率为744像素(水平)×852像素(垂直)的牛脸图像中轮廓提取时间为0.35 s,更适于应用在实时性要求较高的场合。该方法可实现养殖场中肉牛的无接触精确的面部轮廓提取,具有适用性强、成本低的特点。     

基于机器视觉的鲜食玉米品质检测分类器设计与试验

设计一种基于机器视觉的鲜食玉米品质检测分类器。利用计算机视觉技术,通过小波分析方法对不同角度拍摄的鲜食玉米图像进行纹理特征分析;在获取玉米图像纹理特征的基础上,采用最大熵函数对纹理图像的分离度进行度量,并结合重量判据设计鲜食玉米品质检测分类器,实现对不同品种、尺寸以及破损程度的鲜食玉米进行分类,有效剔除病虫害污染的玉米产品。该设备可有效减少因工人主观经验水平的参次不齐等主观因素导致产品质量检测分类不均的现象。经实验验证,该品质检测分类器能够有效完成不同重量、尺寸的鲜食玉米的产品品质检测与分类,有效分类率可达到99%以上。     

基于计算机视觉的稻谷霉变程度检测

为了实现无损检测稻谷储藏中的霉变,该研究以引起稻谷霉变的5种常见真菌(米曲霉、黑曲霉、构巢曲霉、桔青霉和杂色曲霉)为对象,首先进行真菌培养,制成悬浮液,然后将悬浮液接种到稻谷样品中,对稻谷样品模拟储藏,确定不同霉变程度的稻谷类型,划分为对照组(无霉变)、轻微霉变组和严重霉变组。利用计算机视觉系统对三组稻谷样品进行图像采集和图像处理,提取灰度、颜色和纹理特征,共获取68个图像特征。采用支持向量机(support vector machines,SVM)和偏最小二乘法判别分析(partial least squares discriminant analysis,PLS-DA)构建模型,分别用于无霉变稻谷与霉变稻谷的区分和稻谷霉变类型区分。为了降低模型复杂度和数据冗余,利用连续投影算法(successive projections algorithm,SPA)来消除原始数据变量间的共线性,优选特征值。结果表明:利用所有参数构建的SVM模型能够很好的区分对照组与霉变组,其中建模集和验证集总体区分准确率分别为99.7%和98.4%;SVM模型对于稻谷严重霉变类型的区分效果要优于轻微霉变稻谷,其中对稻谷轻微霉变类型建模集和验证集总体区分的准确率分别为99.3%和92.0%,对稻谷严重霉变类型区分的总体准确率分别为100%和94%,且整体上SVM模型的效果要优于PLS-DA模型。而基于SPA优选特征构建的模型区分结果表明,SVM模型区分效果优于PLS-DA模型,其中,在建模集和验证集中,对无霉变和霉变稻谷总体区分准确率分别为99.8%和99.5%,对稻谷轻微霉变种类区分总体准确率分别为99.8%和90.5%,对稻谷严重霉变种类区分总体准确率分别为100%和95.0%。因此,基于计算机视觉对稻谷霉变检测是可行的,而且SPA优选特征能够较好反映稻谷霉变特征,基于优选特征和SVM模型能够较好地稻谷霉变进行识别和区分,结果较好,可以为实际应用提供技术支持和参考。