水果采摘机器人视觉系统的目标提取

在田间对作物的果实图像进行实时、准确地目标识别提取，是采摘机器人视觉系统的关键技术，而目标提取的实质是图像分割。大部分水(蔬)果处于采摘期时，表面颜色与背景颜色存在较大差异。而同一品种果实表面颜色相近，体现为在色彩空间果实表面颜色和背景颜色存在着不同的分布特性。根据这一特性，提出了一种基于色彩空间参照表的适用于水果采摘机器人视觉系统果实目标提取的图像分割算法。该算法先由果实样本图像建立色彩空间参照表，再根据色彩空间参照表采用一种类似于“卷积”的方法进行图像分割。与现有其他方法比较，本方法基于彩色的信息处理，可将背景除去得更干净；对背景不做分割处理、无复杂运算，有利于机器人实时图像处理。采用该算法分别对草莓、橙子、西红柿的图像在L^*n^*6^*，Hsv，YCbCr色彩模型下进行了实验，结果显示该算法在这些色彩模型下均可取得理想的图像分割效果。     

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.     

基于轻量化YOLOv4的生猪目标检测算法

针对目前生猪目标检测算法模型较大,实时性差导致其难以在移动终端中应用等问题,将一种改进的轻量化YOLOv4算法用于生猪目标检测.在群养猪环境下以不同视角和不同遮挡程度拍摄生猪图像,建立生猪目标检测数据集.基于轻量化思想,在YOLOv4基础上缩减模型大小.结果表明,本研究算法的准确率和召回率分别为96.85％和91.75...     

基于全卷积网络的生猪轮廓提取

【目的】实现猪舍场景下非接触、低成本的生猪轮廓高效提取。【方法】以真实养殖环境下的生猪个体为研究对象,提出一种基于VGG16与UNET相结合的全卷积神经网络模型(VGG-UNET模型)。该模型采用批处理方法,迁移学习VGG16模型参数,通过在模型中构建复制通道深度融合图像深层抽象特征与浅层特征,实现对图像语义级别分割。在30头长白生猪的1 815张数据集上进行模型验证,通过设置不同批大小对比试验,并选取其中具有最佳效果的3组探讨批大小与评价指标值变化趋势间的关系。【结果】测试集上的对比试验结果表明,VGGUNET模型在像素精度与均交并比方面分别达到94.32%和86.60%,比单独采用UNET模型分别高出0.89%和1.67%。不同指标值变化情况与批大小间的关系不尽相同。在本文试验环境下,批大小对模型收敛速度的影响不明显。不同批大小条件下PA及MIoU指标值变化综合分析得出,VGG-UNET模型具有较强稳定性和较高鲁棒性;批大小为8的情况下VGG-UNET模型效果最佳。【结论】本文提出的生猪轮廓提取方法 (VGG-UNET模型)是有效的,能实现精确、稳定的生猪轮廓提取,且分割结果较为完整,同时模型具有较高鲁棒性,可为后续生猪个体识别研究提供参考。     

视频图像中目标轮廓的提取算法研究

本文研究了视频图像中目标边缘提取算法。首先在图像中确定出目标物体,并分析目标物体灰度与背景灰度的对比,对图像灰度的分布及对目标物体在图像的位置都要有充分了解,然后对灰度图像设定合适的阈值进行二值化图像的处理,使其满足图像测量的要求,再应用图像测量算法把目标物体的轮廓边缘提取出来,同时使用一些补偿算法,使图像的边缘更加平滑和清晰,使处理后的图像具有良好视觉的效果。实验表明,算法是有效的。     

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。     

一种基于模式匹配的目标点识别算法

设计了一种基于模式匹配的目标点识别算法.算法通过对图像中的目标进行模式匹配处理,自动识别目标,实现目标的计数功能.该算法避免了傅立叶变换滤波等计算量较大算法的使用,适用于利用图像处理进行目标实时计数的领域.     

加大生猪产业结构调整 实现“十五”发展目标

易门县加大农业产业结构调整力度，确立了“十五”期间实现年出栏肉猪20万头，生产销售仔猪40万头的生猪产业化建设目标。为实现这一目标，易门县……     

基于机器视觉的黄瓜等级自动判别研究

通过机器视觉研究黄瓜的形态特性,建立黄瓜量化分级评判标准,并总结出提取黄瓜特征值的理论算法。用Matalb软件实时采集读取CCD摄像机视频图像,再利用Matlab图像处理功能对采集到的图像进行图像滤波、图像分割处理,提取基于数学理论的表征黄瓜等级的特征值,建立人工神经网络的等级判别模型,训练神经网络,并进行泛化检测。结果表明,该等级判别模型的精度高达91.7%,具有一定的市场价值。     

基于camshift仿生机器鱼水下探测算法的设计与实现

提出了一种集成多个红外测距传感器,CMOS摄像头的仿生机器鱼,设计了仿生机器鱼的传感器网络,分析了仿生机器鱼在水面上与障碍物和目标物之间的几何关系.对漂移算法中的camshift算法进行了介绍,并把camshif算法运用到仿生机器鱼的视觉算法中.以模糊算法为基础设计了一种有效的路径规划控制算法.通过camshit算法与路径控制算法有效的结合,使机器鱼能够在水中自主躲避障碍物,并探测到目标物反馈信息.最后用试验验证了算法的有效性.     

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。     

基于机器视觉的叶菜类蔬菜菜垄识别算法

针对目前叶菜类蔬菜田间作业自动化程度低,缺乏适用自主导航技术等问题,提出一种基于机器视觉的叶菜类蔬菜菜垄识别算法。利用改进超绿算法(Gray=2Cg-Cr-Cb)对菜地图像进行灰度化,通过二值形态学变换和连通区域提取获得菜垄区域和边界,基于Huber损失函数进行边界曲线拟合,最终提取导航基准线。图像处理结果表明:1)本研究提出的识别算法在不同光照环境下具有较好的鲁棒性,自然综合光照条件下导航基准线提取成功率为97.5%;2)基于Huber损失函数获取到的导航基准线,平均均方根误差为0.668像素,比最小二乘法高72.5%,平均角度偏差为0.273°,比最小二乘法高72.6%,且处理速度与最小二乘法相似。试验证明本研究算法可实现在自然光照条件下对叶菜类蔬菜图像的菜垄识别和导航基准线提取。     

基于机器视觉的日本鲭定向装置设计与试验

针对现有鱼体定向整理装置工作环境嘈杂,工作稳定性差的问题,本研究设计了一种基于机器视觉的鱼体定向整理装置.采用卷积神经网络Resnet-18对鱼体头尾朝向进行识别,采用图像处理的方法提取鱼体轮廓并进行网格划分,通过比较灰度值大小判断鱼体的腹背朝向.当检测到鱼体尾部朝前时,气缸推杆将其推出剔除,实现鱼体头尾定向;当鱼体头...     

基于机器视觉的鲢鱼头加工装置设计及试验

针对目前国内淡水鱼鱼头加工装备缺乏、鱼头加工机械化程度低等问题,以鲢（Hypophthalmichthys molitrix）为研究对象,设计了基于机器视觉的鲢鱼头加工装置。鲢鱼头加工装置由鱼体输送装置、鱼体图像采集装置、鱼体翻转部件、立式夹持输送带、鱼头切割部件、鱼头剖切部件和装置控制系统等部分组成。鱼体图像采集装置获取输送装置上的鱼体图像,计算鱼头切割路径;鲢鱼体经鱼体翻转部件进入立式夹持输送带,在立式夹持输送带作用下向前移动;当鱼体到达鱼头切割位置,立式夹持输送带调整鱼体位置后停止,鱼头切割部件按照鱼头切割路径对鱼体进行切割后复位,立式夹持输送带带动鱼头继续前进;切割后的鱼头经过鱼头剖切部件将鱼头对半剖切。样机性能试验结果显示,鲢鱼头切割后,鱼体吻端分别至上切割点和下切割点的实际水平距离与预测水平距离的线性拟合的决定系数分别为0.911和0.985,均方根误差分别为6.31、2.61 mm;鱼头切割路径检测时间为（0.055±0.009） s,鱼头加工时间为（13.28±0.35） s,鱼头的外观评分为0.88±0.02,满足鲢鱼头加工的生产要求。     

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%。     

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。     

基于机器视觉的注水猪肉检测

通过对指定部位的生鲜猪肉,在特定的光照条件下拍摄图像,并以计算机图像分析为手段,采集猪肉的颜色参数。进而研究24位DIB图像的RGB颜色模型与被测猪肉的颜色变化的特征量。利用已测定的实验的数据和像素矩阵做差对比,判断被测猪肉是否为注水猪肉。     

基于机器视觉的玉米幼苗叶面积检测装置设计及试验

为了实现玉米幼苗叶面积的快速、无损、实时、高效检测,设计并搭建了基于机器视觉的玉米幼苗叶面积检测装置。该检测装置由框架、光源装置、顶升旋转系统、图像采集及分析系统、检测装置控制系统等部分组成,通过各部分协作完成玉米幼苗顶视图像与侧视图像的实时采集及分析处理,计算玉米幼苗的叶面积。以玉米幼苗为试验对象对装置性能进行测试,试验结果显示:在装置满载情况下,当相机在X方向和Y方向的移动速度分别为830、32 mm/s时,顶视图模式和侧视图模式下检测装置的平均运行时间分别为190、355 s,检测总耗时为545 s,单株玉米幼苗的平均用时为34 s,相机的平均定位准确率分别为92%和90%,相机定位精度较高;玉米幼苗顶视图、主视图和左视图叶面积与实际叶面积的Pearson相关系数分别为0.901、0.767和0.786,装置检测的玉米幼苗叶面积与实际叶面积相关性强,装置可以满足批量检测玉米幼苗叶面积的需要。     

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。