基于机器视觉的柑橘果形测控系统设计

针对柑橘果形特征中圆度和果径检测精度低、姿态定位时间长的问题,设计了一种嵌入式快速检测与控制系统。系统以STM32单片机为系统控制核心,测量了单目相机图像的半径误差和形状误差,并采用高斯滤波、数字图像形态学、Hu矩和Canny算法,对动态的柑橘图像进行姿态识别与柑橘果形检测。检测结果表明：视觉检测系统半径误差控制在1.8%以内,形状误差为2.71%～3.69%;在5个/s柑橘的检测速度下,柑橘圆度和果径的在线分级正确率分别为81%和91.92%。本研究结合机器视觉无损检测技术,实现了动态下柑橘圆度和果径特征的综合检测与分级。     

基于机器视觉的大米外特性评价

目前,我国稻米品质评价方法尚处于依靠肉眼观测阶段,如何按照国家实施的评价标准,通过外观品质的指标参数对不同品种稻米划分等级成为新的研究课题.为此,采用机器视觉的方法对大米的外观品质进行研究,在参照国家稻米外特性评价标准基础上,将各品种稻米划分等级,最后利用神经网络建立检测模型,从而为预测未知米样奠定了基础.     

基于机器视觉的干制红枣大小分级方法研究

为了实现干制红枣的大小自动分级,介绍了应用机器视觉的干制红枣自动分级方法,利用CCD摄像机获取红枣的样本图像,应用MATLAB软件编程实现了样本图像的灰度化、二值化、图像分割、图像滤波、图像形态学处理、边缘检测和特征量提取等处理,参照干制红枣分级标准完成了红枣自动分级。通过实验数据回归分析得出红枣实测纵径、果质量与识别值当量值之间的数学检测模型,其决定系数分别达0.995 5和0.948 1。实验表明,采用句法模式识别对数据进行红枣大小分级,分级准确率达85%。     

基于机器视觉的白菜种子精选方法研究

针对白菜种子,以北京小杂55号为研究对象,使用机器视觉技术获取种子10个颜色特征和6个形状特征,再通过单粒种子萌发试验确定种子活力,并使用曼-惠特尼U检验分析种子活力与图像特征的相关性。将显著相关图像特征与种子发芽实验结果组成数据集,结合偏最小二乘判别分析法建立分类模型,并通过MatLab软件进行了仿真分析。结果表明:白菜种子的R分量均值、R分量标准差、G分量均值、G分量标准差、B分量标准差、H分量均值、H分量标准差、S分量均值、S分量标准差和圆形度P与白菜种子活力显著相关。结合这些特征,使用偏最小二乘判别分析法建立分类模型,进行种子精选,可以将该批白菜种子发芽率由原始50.67%提升至69.43%。由此表明,可通过机器视觉技术对白菜种子进行精选,从而提高种子的活力。     

基于机器视觉的农业机械自动导航方法研究

目前,全球农业面临粮食生产效率提高和可持续性管理的挑战,自动导航技术成为提高生产力和资源利用效率的关键技术之一。基于机器视觉技术的基本原理,系统探讨了机器视觉技术在农业机械自动导航应用平台的构建,并提出一种基于颜色和纹理特征组合的田间障碍物识别方法,根据识别结果系统实现自动实时测距与信息反馈,从而实现农业机械的智能导航。     

基于机器视觉的田间飞行害虫自动检测方法

害虫数量的精准统计,对害虫的综合治理有重要的意义。传统统计害虫的方法是在固定植株上数害虫数量,难以统计受惊飞走的害虫。采用固定位置放置粘虫板捕捉害虫并自动识别,在害虫正常生活习性下,可有效解决飞行类害虫难统计、信息不准确的问题。同时利用自动阈值分割、目标粘连处理、目标识别和利用生物特征干扰去除等机器视觉方法,有效统计田间飞行害虫数量,识别准确率＞85%,为病虫害防治提供依据。      

基于机器视觉的槟榔分级方法研究

针对槟榔人工分级劳动生产率低、准确率低的问题,开展基于遗传神经网络的机器视觉槟榔分级研究。以4种类别的槟榔图像为研究对象,首先设计一个6层结构的遗传神经网络对槟榔进行分级,虽然分级准确率较高但是网络结构复杂。然后对运用主成分分析法降低图像特征的维数并将遗传神经网络简化为3层结构的方法进行研究。最后用400幅和100幅槟榔图像对这个3层神经网络进行训练和验证,经过调整网络的学习率等参数,训练和验证的准确率达到95%以上。通过神经网络模型测试试验,槟榔正确分级的准确率为90%。数据降维后的三层遗传神经网络能够实现对槟榔的实时分级,为机器分级提供了技术支持。     

基于机器视觉的母猪分娩检测方法研究

检测母猪分娩需对分娩限位栏内的仔猪进行目标识别,分析了母猪分娩视频图像特征,提出首先利用半圆匹配算法进行母猪目标分割,排除母猪运动干扰,基于改进的单高斯模型的背景减除法进行运动目标检测,根据运动区域的颜色和面积特征,对仔猪进行目标识别。试验表明:基于半圆匹配算法的母猪目标识别方法能够有效分割出母猪目标,基于改进单高斯模型的运动目标检测方法,对面积较大、运动缓慢的仔猪目标检测较为完整,适用于母猪分娩检测场景。     

基于计算机视觉的芒果检测与分级研究

针对目前芒果的外观品质分级主要采取人工方法所存在的不足,提出了一种基于计算机视觉和极限学习机神经网络(ELM)模型的芒果分级方法。首先,利用图像处理方法对拍摄的芒果图像进行预处理;然后,根据芒果的外观特征提取芒果面积、等效椭圆长短轴之比、H分量均值和缺陷面积所占百分比4个特征参数,作为模型的输入向量,并以芒果的3个等级级别为模型输出向量。在模型的建立过程中,采用粒子群优化算法(PSO)对ELM随机给定的输入权值矩阵和隐层阈值进行寻优,最后以实验获得的数据对模型进行训练和测试。结果表明:使用粒子群算法优化后的极限学习机模型(PSOELM)与单纯的ELM、传统的BP和SVM相比,具有更高的分级精度,为水果的等级分级提供了一种新的方法。     

基于机器视觉的试管液位检测方法研究

利用目前机器视觉技术,提出一种基于数字形态学结合Laplacian算子的边缘检测算法,将其应用到对试管液面检测中,得到了精度高、定位准的液面位置,从而可以得出液面高度与试管内试剂体积.通过CCD工业相机拍摄试管图像,对图像进行灰度化、滤波,图像增强后,利用LoG边缘检测算法结合数字形态学操作得到清晰的边缘图像,最后得出...     

基于计算机视觉和神经网络的芒果检测与等级分类

为了提高芒果检测与分类的准确率和效率,综合运用计算机视觉技术和BP神经网络技术,实现对芒果损伤的检测与分类。首先,通过计算机视觉系统获取芒果图像,利用图像处理去除噪声、图像分割和图像增强等多种基本图像处理的方法,对芒果损伤图像进行处理;其次,对芒果图像进行了特征分析,提取9个特征参数,将这9个特征参数作为输入,建立BP神经网络模型,对芒果进行分类。试验结果表明,模型对芒果识别的准确率达85.5%。     

基于机器视觉的嫁接用苗识别研究

设施农业自动化的实现有赖于对作业对象的正确识别.为此,引进了机器视觉技术,设计了视觉软件程序,快速分选出满足嫁接要求的幼苗,并向控制器输送数据,保证后续机构对苗的分选与移栽的顺利进行.结果表明:在保证拍照位置精度和选取到适当的定位模型的前提下,能够准确地识别并测量出幼苗的茎粗、茎高和子叶与水平方向的偏转角.     

基于机器视觉的澳洲坚果分级研究

应用机器视觉技术对澳洲坚果进行自然光线下的识别分级研究。通过试验,分析得出实测果重、果实直径与识别果实当量直径之间的数学模型,其决定系数分别达0.9468和0.9928。检测试验表明,果实尺寸平均相对误差仅为0.781%,果重平均相对误差仅为1.544%,能够通过机器视觉技术对坚果进行准确识别分级。     

基于机器视觉的茶陇识别与采茶机导航方法

为提高机器采摘茶叶整体质量及采摘效率,提出一种基于机器视觉的机采茶陇识别与采茶机导航的方法。在采茶机器的前方配置摄像头用于获取待采摘茶陇的视频图像,对安装在采茶机上的摄像机内外参数进行离线标定;对茶陇的视频图像用高斯滤波、颜色坐标系转换、局部OTSU多阈值法图像分割、最小二乘法直线拟合等算法进行处理,提取出茶陇的左右边缘线;根据标定结果计算出茶陇中心线,并在驾驶座的显示屏上标识出目前采茶机的采摘状态,包括茶陇中心线和采茶机的偏移情况,提示驾驶员根据识别结果进行适当调整。实验结果表明,提出的基于机器视觉的机采茶陇识别及采茶机导航的方法能有效解决目前机采茶叶老嫩茶叶一刀切下的弊端,为完全自动化采摘奠定了基础。     

基于计算机视觉的高速机器人芒果分选系统设计

针对目前芒果的外观品质分级采取人工方法所存在的不足,基于机器视觉、并联机器人等先进技术,构建了用于芒果品质动态、实时检测及分选的高速机器人系统,设计了芒果分拣的计算机视觉硬件系统,开发了高速分拣计算机视觉软件系统。工作时,芒果输送带将芒果按机器人动作节拍输送至图像采集区域由工业相机采集图像,识别系统对图像信息进行特征提取,建立图像特征与国家标准中的三级芒果的对应关系,将具有相应图像特征的芒果其所处位置信息及其级别对应的位置信息,通过单片机控制系统输送给高速分选机器人,从而完成芒果的高速分选。测试结果表明:高速分拣机器人系统可以高速、准确地完成芒果的分选工作。     

基于计算机视觉的玉米籽粒形态测量与研究

视觉技术目前被广泛应用于社会各生产领域,包括制造行业、文档分析、医疗诊断及农业品质检测等。为此,基于计算机视觉技术,设计出一种玉米品质自动检测分析方法,即玉米籽粒实时分析系统,具有客观、高效、准确的优势,解决了传统人工检测模式下主观、低效、误差大等问题。最后,设计出一种基于计算机线扫描技术和自动化控制技术相结合的玉米籽粒考种装置。     

基于机器视觉的紧固套缺陷检测方法估计

针对紧固套缺陷检测中人工检测效率低等问题,设计了基于机器视觉的紧固套缺陷检测方法.首先根据紧固套的特点搭建了图像采集平台,突出缺陷特征;然后基于Halcon设计了相应的缺陷检测方法:先通过模板匹配的方法对检测区域定位;再使用基于频域图像差分的方法抑制干扰,突显缺陷特征;然后使用改进的动态阈值法得到缺陷备选图;最后使用面...     

基于机器视觉的育秧盘裂缝缺陷检测方法研究

育秧盘因长期使用或运输不当等原因易出现破损,影响了工厂化自动育秧生产线的作业性能。针对水稻育秧盘的裂缝缺陷,采用机器视觉技术,利用图像灰度化、自适应阈值处理和形态学运算等方法对育秧盘的裂缝缺陷进行检测;利用平均值法对RGB图像进行灰度化,采用自适应阈值处理对灰度化后的图像进行二值化,然后通过形态学膨胀对断裂处的裂缝进行连通,以求得最大连通区域,再运用最小外接矩形把最大连通区域标记出来,实现对裂缝缺陷的识别。试验结果表明:对带有裂缝缺陷的育秧盘的正确识别率可达到94.38%。本文的研究为育秧盘裂缝缺陷的检测和判定奠定了基础。     

基于机器视觉的苹果大小自动分级方法

介绍了采用机器视觉的苹果大小自动分级方法,利用CCD摄像机获取苹果的样本图像,应用MATLAB软件编程实现了对样本图像的背景去除、二值化、图像平滑、特征量提取和图像标定等处理,参照苹果分级的国家标准完成了苹果自动分级.试验表明,此方法分级精度高,且速度快.