基于机器视觉的田间水稻苗列识别算法的研究

利用YUV色彩空间模型,以完全查表法对水稻秧苗列图像进行灰度化,通过基于傅里叶变换指导生成图像形态学运算的结构元素,提出一种结合傅里叶变换进行膨胀和腐蚀的方法,提取秧苗列轮廓,采用改良的逆投影变换对苗列图像进行垂直俯视投影,得到实际田间苗列位置,进而利用苗列实际走向信息,实现机器视觉导航系统跟踪苗列行进。对摄像机不同角度获取的苗列图像的处理结果表明,在容许识别定位误差小于50像素点、角度偏差小于6°的前提下,对苗列中心线识别与提取导航基准线的准确率为95.2%,可较好地实现田间自然环境下秧苗图像背景分割和苗列中心线提取。     

基于机器视觉的农田作物识别算法的研究

综合运用计算机数字图像处理技术与机器视觉技术,通过编程实现了以RGB颜色模型为基础的直方图双峰法、迭代法和最大类间方差法,并分析比较了它们在农作物与背景物识别应用中的优缺点。试验结果表明,最大类间方差法识别作物区域的准确率可达80%以上。     

农业机械机器视觉导航研究进展

总结了近十几年来农业机械视觉导航中作物行定位与导航参数提取的方法及研究进展,并提出一些符合我国农业机械导航发展的研究方向和有关方法。     

基于机器视觉的温室作物行间杂草的识别

根据温室行间植物的位置特征,应用空域中值滤波对图像进行预处理,然后运用色度法和最大方差自动取阈值法对图像处理,最后应用种子填充法将杂草和作物进行分割。结果表明,机器视觉技术在对温室杂草的识别方面具有一定的优越性。     

基于机器视觉图像的多目标提取识别

为了实现农作物图像多目标的准确识别,提出了四连通或八连通的连通域判别法.利用MATLAB的数值计算、图形处理和可视化建模以及动态仿真等功能,对黄瓜植株花朵图像预处理,去除干扰目标,对目标处理结果进行整合,进而得到多目标处理结果.结果表明该方法依据图像信息即可有效地实现多目标的分离和识别.     

基于机器视觉的茶叶等级区分

提出利用机器视觉和matlab图像处理技术来区分茶叶的等级。以4个等级的绿茶为实验对象,通过提取不同等级茶叶的图像形状特征参数,采用多类逐步分析法进行特征优化并建立区分模型,实现了室内条件下茶叶等级的区分,正确率达81.25%。     

机器视觉技术在农业机械上的应用

随着计算机和图像处理技术的发展,机器视觉技术的研究和应用已扩展到农业工程领域,并取得了许多重要研究成果.介绍了该技术在播种、喷雾和移栽等方面的研究和应用情况,指出了机器视觉技术在我国农业机械检测和自动导航中具有广阔的应用前景.     

基于机器视觉金鱼游动方向监测算法的研究

针对金鱼游动方向自动监测,提出了一种基于机器视觉金鱼游动方向的监测算法。金鱼图像首先通过阈值分割得到分割图像,然后通过分割图像或者腐蚀后的分割图像提取金鱼的像素点,再分别使用最小二乘法拟合一次、二次曲线从而得到金鱼的游动方向。15幅金鱼图像的实验表明在室内单条金鱼监测中通过分割图像提取像素后一次曲线拟合得到的结果最好,仅6.67%的误差。     

机器视觉识别田间成熟番茄的研究

为正确识别自然条件下田间成熟番茄,顺利完成其自动采摘,研究了基于颜色特征的田间番茄识别方法。对采集的100幅自然条件下田间番茄图片进行颜色特征提取和理解的基础上,建立了利用成熟番茄与背景(未成熟番茄、枝叶等)在I2颜色指标上的差异进行番茄识别的颜色模型,并利用Ostu法将成熟番茄从背景中分割出来。通过在顺光条件和逆光条件下进行试验,结果表明该模型可以较好地实现自然条件下田间成熟番茄的识别。     

机器视觉表型识别技术的研究现状

随着智慧农业的推广与发展,机器视觉技术在农业生产中得到了广泛的应用,机器视觉技术主要通过对作物冠层光谱进行分析反演出作物的各项生长参数,以此精准预测作物长势、营养、病虫害、产量等方面的情况。本文阐述了机器视觉技术的基本原理,分析了机器视觉技术在大豆品质检测、大豆田病虫草害防治、大豆生长过程中幼苗识别和花荚检测中的应用,提出了机器视觉表型识别技术中存在的问题及未来发展方向。     

基于机器视觉的智能种子分选机设计

针对目前市场上种子分选装置多以传统机械式、半自动式为主,智能化程度不高、分拣准确率较低的问题,基于机器视觉技术设计一种智能种子分选机,主要由传输系统、供料系统、图像采集系统、种子筛选系统和控制系统五大部分构成。以‘郑丹958’玉米种子为研究对象,以种子气流下斜抛的水平距离和传送带传输速度为寻优条件进行试验,确定最优气泵压力值和控制器脉冲频率。对960个种子样本（优质、劣质种子分别为824和136 个）通过目标检测模型进行质量识别,判别种子质量,对种子状态进行标注框选和坐标记录。使用PLC（SIMATIC S7-200 CN,CPU224XP）分选模块控制直动式电磁阀组,对种子进行分选试验。结果表明：1）最优组合气泵压力值为0.3 MPa,控制器脉冲频率为3 175 Hz。2）优质、劣质种子识别率分别为93.69%和91.91%,种子分选率为89.6%。该分选机能够有效满足种子分选要求。     

基于支持向量机的小麦条锈病和叶锈病图像识别

为了解决生产中小麦条锈病和叶锈病症状难以区分的问题,提高识别率和精度,提出了一种基于支持向量机和多特征参数的小麦条锈病和叶锈病图像分类识别方法。利用图像裁剪方法获取典型症状的子图像,采用中值滤波算法对图像进行去噪,利用K_means硬聚类算法实现病斑分割,提取病斑区域的形状、颜色和纹理特征空间的50个特征参数,设计支持向量机分类器进行分类识别。根据优选的26个特征参数,利用以径向基函数作为核函数的支持向量机对这2种小麦锈病图像进行识别。结果表明:训练样本识别率均为96.67%,测试样本识别率均为100%;与其他核函数相比,径向基核函数最适合于这2种小麦锈病的识别。所提出的基于支持向量机的方法可有效地进行小麦条锈病和叶锈病的图像识别。     

基于机器视觉的脐橙品质在线分级检测系统

针对脐橙自动分级检测中存在正确识别率偏低、实时性不强的问题,提出一种综合特征提取方法:在对图像颜色模型进行转换后,用H分量图像提取脐橙的大小特征;S分量图像通过背景分割、边缘灰度补偿、整体亮度变换后提取脐橙的果面缺陷特征;采用R、G、R-G3个分量的均值和标准差提取脐橙的颜色特征。以脐橙的大小特征、果面缺陷特征和颜色特征为支持向量机(Support vector machine,SVM)的试验输入向量,进行脐橙分级检测试验,以实现提高脐橙自动分级正确识别率和增强实时。试验结果表明:该SVM分类器对脐橙分级的正确识别率为91.5%,处理时间为160ms,适合于实时环境下的分级检测。     

基于机器视觉的条播排种器性能检测精度的研究

现有的各种条播排种器性能检测方法各有优缺点,而且受到检测过程复杂、成本较高和精度低等局限.将机器视觉技术运用于条播排种器的性能检测,是条播排种器性能检测的一种新方法.以手工处理的结果为参照,分析视觉检测精度,得出小麦样本帧种子数频率分布的绝对误差在0.016～0.116粒·s-1之间,相对误差在33%～965%之间.对小麦样本程序处理与手工处理的差异显著性进行检验,结果表明,程序结果与手工结果大约80%是拟合的,说明机器视觉检测方法可以满足实际应用的需要.     

基于机器视觉的穴盘幼苗识别与定位研究

【目的】设计一套机器视觉系统,用于实时测量各穴孔中幼苗叶片面积、判断是否适合移栽作业、确定适合移栽幼苗的抓取位置,为实现穴盘幼苗自动移栽作业奠定基础。【方法】用CCD数字摄像机采集番茄幼苗图像,转换成灰度图像,将幼苗与背景分割得到二值图像,去噪处理后,通过计算每个穴孔中幼苗叶片的面积来确定适合移栽的单元,并用形心法确定机械手抓取位置。【结果】采用1.8G-1.5R-1.8B灰度化因子、Otsu法分割幼苗与背景图像效果较好;采用单连通区域法统计幼苗叶片面积,经修正后相对误差小于1.0%,相对误差值平均下降了87.6%。【结论】设计的机器视觉系统具有较高的测量精度,能够满足穴盘幼苗自动移栽作业要求。     

基于机器视觉的管道通径内检测技术

管道通径内检测可以提前发现管道安全隐患,在确保管道安全运行方面发挥着重要作用。在机器视觉技术的基础上,将视觉测量技术中的Radon变换应用于激光光源投射成像方法中,提出了基于视觉的管道通径测量计算方法。该方法利用激光发生仪投射与管道内部形状完全吻合的激光环,由相机采集管壁上的光环图像,并将其进行边缘检测和细化处理,最终获得管道的截面轮廓曲线。通过Radon变换得到两条反映管道内径信息的光带,经细化处理提取光带中心线,进而根据中心线之间的距离计算得到管道在所有方向角上的内径数据。研究结果表明:该测量计算方法高效快捷,能够一次性获取管道截面在所有方向角上的内径信息,具有很高的实际应用价值。     

基于机器视觉的稻田灌溉用水铜离子浓度检测

为实时、快速地监测稻田灌溉用水的质量,确保粮食生产安全,提出了基于机器视觉的稻田灌溉用水铜离子浓度检测方法.利用搭建的机器视觉检测试验装置,设计了不同浓度铜离子溶液的机器视觉检测试验,通过提取试纸图像的特征值,运用指数回归、对数回归、2阶多项式回归和线性回归等方法建立铜离子浓度的预测模型,减少了人为认知对检测结果的影响.试验结果表明,在0～300 mg/L范围内,基于机器视觉的试纸检测水中铜的方法训练集和预测集的相关系数分别达到0.9438和0.9191,均方根误差分别为19.9563、9.7889 mg/L,误差控制在8％以下,基本上达到了对稻田灌溉用水进行实时快速检测的要求,为进一步开发实用的稻田灌溉用水监测设备提供了依据.     

基于机器视觉的大豆细菌斑点病粒检测

文章基于机器视觉,通过图像获取系统得到大豆的表面颜色特征,应用SAS对大豆表面颜色特征进行LOGISTIC回归后,应用BP神经网络对大豆进行标准粒与细菌斑点病粒的分类。经过网络训练后,选用收敛效果好的网络对数据进行仿真预测,共计160粒,其中标准大豆80粒,细菌斑点病80粒。得到的测试识别率为:标准大豆96.3%、大豆菌斑粒98.8%。本研究为大豆菌斑粒的在线识别提供了一定的依据,有利于实现大豆的在线缺陷粒检测。