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。     

基于机器视觉的君迁子种子尖端特征识别方法研究

针对君迁子种子的外形特点,基于Ramer轮廓拟合算法,结合Halcon算法工具包,提出了一种基于Ramer算法的君迁子种子尖端识别方法。结果表明,该方法可以对种子轮廓进行拟合分割,确定种子的尖端位置。通过对5种不同品种君迁子的250粒种子进行识别,准确率达83.6%。     

基于机器视觉的葡萄自动识别技术

为了应用计算机对自然场景下的葡萄进行自动识别,根据机器视觉原理,进行图像采集.将葡萄的图像进行平滑、锐化等预处理后,在RGB颜色空间内计算葡萄颜色样本值,并根据样本值进行图像分割,最后利用分割的结果进行特征提取.仿真试验证明,这种方法对葡萄的识别效果较好,紫色、红色葡萄的准确率接近90%.     

基于机器视觉的果园成熟柑橘快速识别及产量预估研究

【目的】提供一种快速、准确的自然环境下成熟柑橘的识别及计数方法,解决传统的通过人工 采样的方法进行产量预估带来的成本高、时间长和精度低的不足,并为以后对柑橘进行自动采摘打下基础。 【方法】应用 RGB 相机采集柑橘园果树图像,并通过转换到 Lab 颜色空间,对与背景颜色有明显区别的柑 橘区分采用“a”分量,然后基于霍夫圆变换法应用 MATLAB 软件对剔除背景的柑橘进行计数,实现对柑橘 产量的预估。【结果】该图像处理方法与传统的水果与背景分离方法相比更简单快速,果实识别正确率达 94.01%,产量预估正确率达 96.58%,平均识别时间 1.03 s。选取 10 棵树共 20 个图片进行产量预估,将该算 法得到的柑橘数量与通过人眼计数得到的结果进行比较,其相关系数 R2 为 0.9879。【结论】该算法简单快速, 能精确实现水果的快速自动识别及产量预估,对果实的重叠性、果实遮挡有较好的鲁棒性,促进了机器学习 在现代农业的应用,具有较高的理论和实践意义,推动了果园智慧农业进一步发展。     

实现识别行间苗草的机器视觉系统设计

在耕作试验室的试验环境之下,开发并测试了能够识别行间苗草作物的机器视觉系统,硬件系统主要由速度可控制的土槽试验车装备、固定在可升降平台上可实时采集图像的imagesoure工业摄像头和作为控制台的工控计算机组成;机器视觉系统根据植物和背景的颜色特征二值化图像与田间作物的位置特征识别苗草。结果表明,采集并处理一副大小为640×480像素的彩色图像的平均时间为291 ms,在行驶速度为1.8 km·h-1条件下系统正确识别率达到了95%。     

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。     

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.     

机器视觉技术在金莲花灌溉中的应用研究

应用机器视觉技术研究了判断作物缺水状态的方法。在日光条件下采集了金莲花叶片图像,然后分别提取了红绿蓝（RGB）三色分量和它们的相对系数rgb及色度H。在RGB和HSI颜色模型下分析了各分量与作物缺水时间之间的相关特性．分析结果表明红色分量R、绿色分量G、蓝色分量B、以及r分量、b分量都与缺水时间之间有相当高的相关性,可以用作利用机器视觉快速判断金莲花缺水状况的指标,而其他分量与缺水时间之间没有明显的相关性。     

基于机器视觉的玉米叶片透射图像特征识别研究

【目的】建立玉米品种的叶片透射图像特征数据库,研究特征随品种的变化规律,分析各类特征的识别效果,为进一步研究玉米生长期间的机器视觉品种识别提供依据。【方法】以生产中推广的21个常规玉米品种为供试材料,分别采集拔节期、小喇叭口期、大喇叭口期、抽雄开花期4个生育时期的玉米叶片。在灯箱内,采集每一叶片的高画质透射图像,共计420张。基于Matlab R2009a开发了“玉米叶片特征提取与识别软件”,包括图像预处理、特征提取、神经网络识别和阈值选取4个功能模块。依据开发的特征识别平台,对玉米叶片透射图像进行图像预处理和特征提取。提取形态类、颜色类和纹理类共计48个特征,特征数据量共计20 160条。分析48个特征品种间的变异系数,研究玉米叶片透射图像特征随品种的变化规律。建立BP神经网络模型进行综合识别,分析不同时期单特征的识别效果,寻找玉米叶片透射图像中品种区分能力较强的重要特征。进一步分析不同时期3大类特征及其组合的识别效果。【结果】在玉米的4个生育时期,叶片透射图像3类特征品种间的变异系数差异比较明显,颜色类特征变异系数最大,其次是纹理类特征变异系数,形态类特征变异系数最小,并且这种差异随着玉米的生长十分稳定。在玉米的4个生育时期,叶片透射图像48个特征的品种识别率差异比较明显,为9.52%-29.33%。R分量的标准差、短轴长、H分量的标准差、等面圆直径、H分量的平均值、V分量的标准差、B分量的标准差、不变矩6、椭圆度、S分量的平均值、外接凸多边形面积、B分量的平均值、平滑度、S分量的峰度、S分量的标准差的识别率较高,平均识别率在18%以上。单类特征中,颜色类特征识别率最高,平均86.76%;纹理类特征次之,平均为78.05%;形态类特征最低,平均为68.67%。颜色类特征和纹理类特征识别的稳定性较高,纹理类特征识别效果更稳定一些。组合特征中,形态+颜色特征组合识别率最高,平均识别率为92.29%;颜色+纹理类特征组合次之,平均为90.29%;形态+纹理类特征组合识别率最低,但平均识别率也达到了87.43%。在拔节期,3类特征组合的识别率无明显差异,且都在91%以上。在小喇叭口期,颜色+纹理特征组合识别率大幅上升,形态+颜色特征组合识别率小幅下降,形态+纹理特征组合识别率下降较大,但是仍然维持在82%以上。在其他3个时期,形态+纹理特征组合和颜色+纹理特征组合识别率差别不大,并且形态+颜色特征组合识别率相对较高。【结论】研究结果为玉米叶片透射图像特征的研究与应用提供了比较系统全面的数据,为生长期间玉米品种的识别提供了新的方法和量化依据,也必将在其他作物的识别方面发挥很好的借鉴作用。     

基于机器视觉与图像处理的IC浅插检测研究与应用

电子产品中IC的pin脚需要准确插入插槽完成电路连接,但是在实际作业中往往存在一定程度的浅插,即电路连接不到位,不符合工业规定,造成不良多发。本系统基于机器视觉与图像处理,构建一个完整的工程。首先基于相机VB版SDK二次开发,完成图像采集。然后评价光源、镜头,构建视觉硬件平台。接着,基于C++、OpenCV开发浅插检测算法,封装成DLL在VB.NET的环境下调用。最后基于VB.NET开发软件UI,集成PMS功能、IO通信、USB读码功能。经过实验验证,与人工检测相比,本系统在速度、精度上有绝对优势,可应用于工程。     

基于计算机视觉技术的番茄叶部病害识别研究

针对番茄叶部病害的计算机识别问题进行深入研究,建立一套基于适用于番茄病害的颜色特征提取、纹理特征识别等模式识别方法,确定与病理对应的特征和特征组合模式,在此基础上进行了仿真研究和对比试验,结果表明,该方法能有效提高番茄叶部病害的自动识别水平。     

自然环境下山核桃果实的图像识别提取方法

研究了自然环境下成熟山核桃果实的机器视觉图像识别方法。通过分析顺光、逆光、遮挡等环境下拍摄的山核桃成熟待采时的果实图像,确定了2R-G-B色差模型,用最佳阈值函数进行图像分割,经形态学滤波后采用Canny算子进行边缘检测,提取出复杂背景下山核桃果实的轮廓。试验结果表明,该方法对山核桃果实的有效识别率达86.7%,可为山核桃采摘机器人的研发提供技术参数。     

基于色彩识别特征的柳杉锯材表面活节和死节的机器视觉识别系统．

利用色彩特征信息开发了柳杉锯材表面活节和死节的机器视觉自动识别系统.该系统由3部分组成:CCD工业摄像图像采集硬件系统、缺陷检出的图像处理模块和基于识别规则的缺陷识别模块.潜在缺陷区域可由大津自动阈值分割算法结合T-检验来完成,活节和死节的检出率分别为92.6%和97.1%.基于2个形状识别特征和6个色彩识别特征构建了缺陷的识别规则,利用构建的识别规则可实现活节和死节的识别率分别为92.0%和94.1%.系统整体检测准确率为87.6%,此结果表明基于识别规则的彩色机器视觉自动识别系统是检测柳杉锯材表面活节和死节的一个有效手段.     

基于SVM和颜色矩的竹条颜色分级方法

为了实现竹条颜色等级的自动识别,利用图像处理技术对竹条图像进行滤波、图像分割等预处理,得到去除背景的竹条图像;提取了图像H、S、V三分量的颜色矩特征参数,并用多分类支持向量机的模式识别方法来识别竹条等级,平均识别率达到93.5%。     

基于计算机视觉的水稻叶部病害识别研究

【目的】文章重点分析了病健交界特征参数、病害识别流程对提高病害识别准确率的影响。实现水稻叶部15种主要病害的准确识别,尤其是相似病害的判断。【方法】（1）病斑图像获取：水稻叶部病害图像来源包括水稻大田、病害图册和病害数据库,文中选用改进的mean shift图像分割算法提取病叶图像中的病斑并根据相关方程获取病斑特征信息。（2）特征参数的选择与设计：首先选取一至三阶颜色矩和颜色直方图作为病害的颜色特征参数,选取球状性、偏心率和不变矩作为病斑的形状特征参数,选取角二阶矩、对比度和相关作为病斑的纹理特征参数;然后针对相似病斑误报率高的问题提出一种病健交界特征参数,通过病斑内部、边缘和外围颜色上的差异描述该特征,并根据3个区域相互间归一化颜色直方图的欧氏距离计算该项特征参数,该参数可以用于描述病斑与健康部分交界处的特征。（3）病害识别流程的设计：根据病害在颜色、形状、纹理、病健交界4个特征上差异的显著程度设计完成病害识别流程,流程中首先通过颜色特征识别病害,对于通过颜色特征无法识别的病害再通过形态特征识别,倘若形态特征依然无法识别则通过纹理和病健交界特征进行最终识别。（4）病害识别模型的建立：将病害数据分成两部分,一部分用于建立模型,另一部分用于模型的验证;利用LibSVM程序包完成建模,其中svmtrain函数用于建立支持向量机模型,Grid程序用于优化参数,svmpredict函数用于对模型进行验证。【结果】15种水稻叶部病斑可以从复杂的背景中分割出来,并可快速准确的被识别,平均识别准确率为92.67%,平均漏报率为7.00%,最大漏报率和误报率分别为15.00%和25.00%;病健交界特征参数引入后,识别准确率提高了14.00%,平均漏报率降低了7.50%,漏报率最大降幅为20.00%,误报率最大降幅为65.00%;与用所有特征参数直接进行病害识别相比,采用本文提出的识别流程进行病害识别的准确率提高了12.67%,漏报率降低了9.33%,一些病害的漏报率和误报率降幅达30.00%以上;在识别流程各步骤中,颜色特征识别环节的平均准确率为96.71%,漏报率和误报率均未超过10.00%;形态特征识别环节的平均准确率为94.17%,漏报率和误报率均未超过15.00%;纹理和病健交界特征识别环节的平均准确率为91.50%,漏报率和误报率均未超过25.00%。【结论】利用mean shift图像分割算法可以准确分割水稻叶部病斑;基于支持向量机模型的分类方法可以对15种水稻病斑准确分类;论文中提出的病健交界特征参数以及病斑识别流程均提高了病斑的识别准确率;病健交界特征参数对提高一些相似病害的识别精度效果显著;将这些方法相结合可以有效对水稻常见叶部病害进行识别,为水稻病害的田间智能诊断提供技术支撑。     

基于机器视觉对高阶直立式鸡笼内蛋鸡的监视系统的开发

目前对饲养于高阶直立式鸡笼内蛋鸡的监控方式主要为人工监控,作业环境恶劣,且对鸡笼内的病、死鸡不能实现实时监控.将机器视觉识别技术应用于高阶直立式鸡笼内蛋鸡的自动化监视过程,通过对笼内蛋鸡进食时的腿部图像进行图像处理,建立以特征区域面积值作为判别鸡笼内是否存在病、死鸡的标准.利用虚拟仪器软件LabWindows/CVI结合RS-485总线,开发了远程、实时及自动判别鸡笼内是否存在病、死鸡的系统.