基于机器视觉的番茄多目标提取与匹配

果实的提取和匹配是番茄采摘机器人进行番茄定位和采摘的基础。为解决获取图像中多个成熟番茄粘连或被遮挡的情况下果实的提取和匹配问题,该文提出了使用局部极大值法和随机圆环变换检测圆算法结合进行目标提取,再使用SURF算法进行目标匹配的算法。该方法首先基于颜色对番茄进行分割提取,然后使用局部极大值法对番茄个数进行估计,结合番茄区域面积进行半径估计,之后通过随机圆环变换算法检测番茄中心和半径进行目标定位,再使用SURF算法进行双目目标匹配的算法。该方法在一定程度上解决了复杂自然环境下,多个番茄的提取和图像特征匹配的问题,并通过试验验证了其有效性和准确性,可为采摘机器人目标识别技术的研究提供参考。     

基于机器视觉的水下鲆鲽鱼类质量估计

为了更好地解决水下鲆鲽类等底栖鱼的质量估计问题,本研究获取了半滑舌鳎（Cynoglossus semilaevis）在不同生长阶段的图像和质量数据,利用图像处理技术测量出鱼的面积,并将面积与质量进行数据拟合建立模型。结果表明面积与质量的相关性可达到0.9682,测试平均相对误差为6.17%。由于鱼的质量还受其他形状参数的影响,同时测量了等效椭圆长短轴比和圆形度因子,对面积、等效椭圆长短轴比和质量,面积、圆形度因子和质量分别进行三维拟合,质量估计的平均相对误差分别为5.50%、5.62%。通过验证表明,对水底鱼拍摄的图像经过水底模板校准后的处理结果,与水外面拍摄处理后的结果一致,因此在不捕捞的情况下可以实现水底活体鲆鲽类鱼的质量估计。     

基于机器视觉的温室番茄裂果检测

该文通过对温室番茄果实进行定位及裂果检测,可为番茄裂果率预估及后续裂果自动筛选提供参考。针对自然光照下采集的各类番茄图像,在相关颜色空间中进行阈值预分割,利用前期支持向量机训练得到的纹理特征分类器对预分割区域进行二次判别;之后在前景区域利用显著性角点分割构造边缘轮廓集,利用基于最小二乘法修正的改进霍夫变换拟合单个番茄目标;最后利用二维Gabor小波算子对拟合的单个番茄区域进行纹理特征提取及裂果判别。文中共采集82幅番茄图像,其中50幅图像作为训练集图像,32幅图像作为验证集,所提算法对测试集中总共128个番茄的果实正确检出率为91.41%,对其中35裂果的正确判别率为97.14%,裂果判别部分平均耗时21 ms。试验结果表明,该方法具有较好的鲁棒性与可靠性,对成熟期番茄裂果率的估计研究及采摘过程中裂果的自动分级筛选具有较好的指导意义,为未来实现温室番茄果实生长状态在线监测提供参考。     

基于机器视觉的多个玉米籽粒胚部特征检测

为了利用机器视觉进行多个玉米种子品种的自动识别,该文提出了一种针对多个玉米籽粒进行胚部检测的方法。该方法基于阈值分割和形态学,在RGB空间,采用自动屏蔽0值像素的大津法（Otsu法）,根据B分量值对多粒玉米籽粒扫描图像进行分割,并采用改进的开闭运算对分割后的图像进行修整,最终得到多个玉米籽粒胚部区域。以4个黄玉米品种各45个籽粒为实验对象,以此方法进行胚部检测,为了验证所得胚部区域有效,提取胚部区域面积、周长分别与手工测量的面积、周长进行线性回归分析,R2的均值分别达到0.9834、0.9578;进一步提取所得胚部区域的形状参数,进行聚类识别,不同品种间的差距值反映了不同品种胚部视觉效果上的差异大小,4个品种中1种识别率为97.8%,其余3种均为100%;多个玉米胚部检测较每个籽粒单独处理的效率提高了29.59%。试验结果表明本文提出的多个玉米籽粒胚部检测方法可行。此研究结果为进一步研究玉米籽粒的胚部特征提供了有利条件,也为实现玉米品种的快速准确分类提供了参考。     

机器视觉的烟叶物理特性表征方法

为了研究梅州地区各等级烟叶的外观特征与物理特性间的关系,找到一种通过烟叶外观特征表征其物理特性的方法,选取了梅州6个产地、12个等级的初烤烟叶共977片。使用机器视觉设备和质构仪分别检测了烟叶样本的外观特征和物理特性。选取其中781片烟叶样本作为训练集,使用了弹性网络、极端随机树、支持向量机等回归模型以及模型融合技术分别构建了基于烟叶外观特征的最大拉力、剪切力和撕裂度的表征模型。选取196片烟叶样本作为测试集,以平均绝对误差为模型评价指标,评估了3种表征模型的泛化性能。结果表明,对于最大拉力的表征模型而言,模型在测试集上的预测值与真实值的相关系数超过0.73,拟合优度为0.54;对于剪切力的表征模型而言,模型在测试集上的预测值与真实值的相关系数超过0.78,拟合优度为0.60;对于撕裂度的表征模型而言,模型在测试集上的预测值与真实值的相关系数超过0.75,拟合优度为0.56。烟叶的外观特征对于烟叶的最大拉力、剪切力和撕裂度具有一定的表征能力。     

基于机器视觉的玉米施肥智能机器系统设计概述

分析了采用机器视觉识别大田玉米的生长状况进而实现大田玉米定时、定点、变量精确施肥和实现农业机组的视觉自主导航和无人驾驶的机理。重点介绍了开发研制的玉米施肥智能机器系统的总体设计和所采取的相关技术的概况。     

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。     

基于机器视觉和BP神经网络的超级杂交稻穴播量检测

为了保证秧盘上每穴超级稻种子数量一致,实现精密播种作业,需对播种性能进行准确检测,但超级杂交稻播种到秧盘中,多粒种子存在粘连、重叠、交叉等情况,传统的面积、分割算法对上述情况播种量检测精度低,因此需提高上述情况种子播种量检测精度。考虑到种子连通区域的形状特征反映种子数量,该文提出一种基于机器视觉和BP神经网络超级杂交稻穴播量检测技术。针对超级稻颜色特征,采用RGB图像中红色R和蓝色B分量组成的2×R-B分量图和固定阈值法获取二值图像;投影法定位秧盘目标检测区域和秧穴;提取连通区域10个形状特征参数,包括面积、周长、形状因子、7个不变矩,建立BP神经网络超级稻数量检测模型,检测连通区域为碎米/杂质、1、2、3、4和5粒以上6种情况;试验结果表明,6种情况的检测正确率分别为96.6%、99.8%、97.2%、92.5%、86.0%、94.3%,平均正确率为94.4%,每幅图像平均处理时间0.823s,满足精密育秧播种流水线在线检测要求;研究结果为实现精密恒量播种作业提供参考。     

基于热传递过程的薄层水流流速测量方法及装置

基于薄层水流中的热传递过程,提出测量水流流速的示踪方法,并设计对应的测量系统。在室内试验坡面上,设计不同试验工况(坡度为5°,10°,20°,流量为2,5,8 L/min),以盐示踪法为对照,研究热示踪测量薄层水流流速的可行性及其影响因素。结果表明,测量系统能准确地测得热示踪剂的运移过程;热与盐2种示踪剂测得流速范围为0.408～1.522 m/s,线性拟合斜率为1.006,R²为0.993,表明两者具有显著的线性关系,热示踪法具有较高的可靠性;由于物理属性差异,部分水力工况下示踪剂的释放方式对盐和热的测量结果影响显著,表明此时2种示踪剂测量流速的代表性不同;可采用盐与热联合示踪的方法,取二者测量结果的均值作为薄层水流的平均流速,以提高测量结果的代表性。研究结果可为复杂下垫面、盐渍化和禁用化学成分等特殊坡面上薄层水流流速的准确测量提供新方法和理论参考。薄层水流流速的准确测量对地表水文和土壤侵蚀领域的研究具有重要意义。     

基于水下机器视觉的大西洋鲑摄食行为分类

根据鱼群摄食行为状态进行水产养殖精准投喂控制,是有效提高饵料利用率降低水体污染的关键技术。目前,大多数基于机器视觉的鱼类摄食行为研究都是在实验室对真实养殖环境进行模拟并采用水上摄像机获取数据,由于光照条件和养殖环境的影响,该数据无法反映大西洋鲑在实际生产状况下的摄食行为,因此应用范围有限。为解决此问题,该研究提出一种基于真实工厂化养殖环境的鱼类摄食行为分类算法。该算法使用水下观测方式并采用视频序列作为样本,首先利用变分自动编码器对视频序列样本进行逐帧编码以产生所有帧对应的高斯均值和方差向量,分别联立所有均值和方差向量得到均值特征矩阵和方差特征矩阵。然后将特征矩阵输入到卷积神经网络中,实现对鱼群的摄食行为分类。试验结果表明,在真实的工厂化养殖环境下,该研究所提出的方法综合准确率达到了89%,与已有的基于单张图像的鱼类摄食行为分类方法相比,综合准确率提高了14个百分点,召回率提高了15个百分点。研究结果可为基于鱼类摄食行为的鱼饵精准投喂控制提供参考。     

基于机器视觉的马铃薯晚疫病快速识别

晚疫病是马铃薯的一种严重病害,可造成减产甚至绝收。因此马铃薯晚疫病的识别与控制对提高其产量有非常重要的意义。该文基于机器视觉技术对马铃薯叶部晚疫病进行检测,根据马铃薯叶片上晚疫病斑的颜色、纹理和形状特征参数的不同,提取叶片表面的特征参数,并建立数学模型对病害程度做出评价。在RGB、HSV颜色空间中,根据马铃薯叶片在患病早期叶片颜色发生变化且与健康叶片不同,利用颜色特征,建立马铃薯晚疫病的无病和患病模型,该模型对马铃薯患病早期的识别率为67.5%。利用灰度共生矩阵,采用纹理统计参数进行病害等级评价,用熵值和能量值描述晚疫病的严重程度,纹理特征对患病程度的识别率比较稳定,对患病中期与后期的识别率分别为72.5%与80%。利用形状特征的相对特征,根据病斑面积比进行晚疫病诊断,该方法对马铃薯叶片晚疫病患病后期的诊断取得较好效果,识别率为90%,但由于叶片患病早期的病斑面积小且分散,识别难度大,识别率仅为50%。针对颜色、纹理及形状特征在识别马铃薯叶片晚疫病时的优势与局限性,提出颜色纹理形状特征结合的识别方法,对患病中期与后期的识别率分别为90%和92.5%。通常马铃薯晚疫病的理化值检测法耗时数天,但利用机器视觉识别马铃薯晚疫病患病情况非常快速,根据颜色特征进行病害识别的时间约为4 s,纹理特征识别的时间为7 s,形状特征特征识别的时间为3 s,综合颜色纹理形状特征的识别由于计算量较大,识别时间为9 s。该研究可为基于机器视觉的马铃薯晚疫病的快速检测提供理论依据。     

高速摄影技术分析射流式鱼泵流量对鱼运动规律影响

采用高速摄影技术初步研究了草鱼、团头鲂和鲫鱼等3种鱼类在射流式鱼泵内的运动规律,分析了鱼类逆流游动率、逆流游动过泵时间、姿态变化率及鱼类与泵壁面碰撞所受力与工作流体流量之间的关系。试验研究表明:在5种工作流体流量工况下,随着工作流体流量的增加,鱼类逆流游动率逐渐降低,过泵时间逐渐减少,姿态变化率逐渐升高,所受碰撞力逐渐升高;在工作流体流量较低时,鱼类逆流游动率超过85%,过泵时间均超过300 ms,姿态变化率均小于6%,所受碰撞力在1～3 N的范围内;在工作流体流量较高时,鱼类逆流游动率在50%～85%之间,过泵时间在125～175 ms之间,大多数情况下姿态变化率9%～18%之间,所受碰撞力在5～7N的范围内;在试验所用3种试验鱼中,草鱼的过泵时间最长,姿态变化率最高,并在大部分工况中所受碰撞力最大。     

基于机器视觉技术的尖椒冠层SPAD值测定仪的开发

为了快速准确地测量尖椒的冠层植被指数值,该文在理论分析的基础之上,开发了一套基于机器视觉技术的用于测量尖椒冠层SPAD(soil and plant analyzer development,SPAD)值的仪器。该仪器利用步进电机控制载有绿波段和近红外波段两片滤光片的转台,实现滤光片在CCD相机镜头前的切换,从而得到冠层的绿色波段图像和近红外波段图像。制作了近红外反射率在尖椒冠层和土壤背景之间的参照板,并以其为阈值结合冠层的近红外图像来分离尖椒冠层和土壤背景。通过建立图像灰度值和反射率之间的动态模型,计算作物冠层在相应波段的反射率,得到冠层植被指数,将作物冠层的SPAD值作为对比进行分析。经过试验建立该仪器测得的冠层植被指数GNDVI(green normalized difference vegetation index,GNDVI)值和冠层实际SPAD值之间的模型,结果表明两者之间具有较高的相关性,决定系数R2=0.8768。表明该仪器适用于尖椒冠层SPAD值的测定。     

基于机器视觉的板栗分级检测方法

为实现合格和缺陷板栗的分级,研究了1种基于BP神经网络与板栗图像特征的板栗分级方法。试验以罗田板栗为研究对象,提取的颜色及纹理等8个特征值,通过主成分分析提取相应的主成分得分向量构成模式识别的输入。利用BP神经网络方法建立了板栗分级模型。试验结果表明,在图像信息主成分因子数为3,中间层节点数为12时,建立的模型最佳,模型训练时的回判率为100%,预测时识别率达到了91.67%。研究结果表明基于机器视觉技术的针对缺陷板栗分级检测方法是可行的。     

基于机器视觉的玉米种粒定向定位摆放装置研制

为实现玉米定向、定位播种,基于图像处理技术研制了一种玉米种粒定向定位摆放装置。在介绍装置的组成和工作原理的基础上,设计了关键部件的结构,通过试验分析和理论计算,确定了关键部件的尺寸参数和安装方位,测试了导向定位管的定位精度,分析了凹型定位槽连续有效作业的条件,并结合作业精度要求,设计了控制方式并设置了控制参数。同时结合金博士郑单958种粒样本的特点,改进了合格种粒胚芽正反面和尖端朝向的图像检测算法。试验结果表明,胚芽正反面检测准确率为98%,尖端朝向检测偏差小于8°,凹槽定位准确率为97%,定位吸取准确率为94%,定位摆放准确率为99%,摆放后角度偏差不大于10°,满足设计要求。该研究可为实现种粒的定向包装以及后续的定向播种提供参考。