基于机器视觉的储粮害虫智能检测系统硬件设计

介绍了基于机器视觉的储粮害虫智能检测系统的硬件组成，该系统主要取样传送机构，均匀光照室和视觉系统3部分组成，取样传送机构可吸取任意检测点的粮食样本，并自动单层呈现给视觉检测系统，光照室可为CCD摄像机的视区提供均匀，恒定的无影光照；视觉系统可实时采集粮食样本的序列图像信息，并由计算机进行处理与识别，现场试验验证了该系统的可行性。     

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%。     

西红柿采摘机器视觉中的图像采集技术

对机器视觉中现有的两种图像采集方法进行了比较分析,得出基于VFW的图像采集方法具有较大优点的结论,该方法为机器视觉系统的开发提供了新的途径.为此,介绍了VFW实现图像实时采集的基本过程;在基于VFW图像实时采集的基础上,完成了西红柿采摘机器视觉中的图像实时采集软件系统的设计.通过使用该系统对采摘物进行实时采集可知,其采集效果能较好地满足实际需要.     

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.     

基于机器视觉的精播排种器性能检测方法

介绍了采用机器视觉的精播排种器性能检测方法:通过CCD摄像机直接拍摄动态种子流,对获取的样本进行背景去除、二值化、图像平滑、特征量提取、图像标定等处理;构造了基于排种时间序列的型孔种子数频数统计方法,计算出排种器性能指标.试验表明,此方法检测误差小、速度快.     

基于USB摄像头的田间图像采集方法研究

高成本是制约机器视觉系统在农田中推广应用的重要因素。为此,通过对农田视觉系统的分析,提出了采用普通的USB摄像头代替专用视觉系统作为田间图像采集单元,基于C语言自行开发程序控制摄像头完成图像的采集与处理的方案。试验表明:此方法操作简单、成本低廉,采集、处理一幅640×480的实时图像耗时3 5 ms以内,能有效地满足田间作业的实时性,为农田智能机械的成品化开发提供了新的思路。     

基于土壤基质的播种精度检测试验

研究了一种基于土壤基质的播种精度检测方法.运动的土槽台车搭载播种机将种子播种到土槽土壤上,同时机器视觉系统动态采集序列图像.采用编码器和PLC等实现台车运动距离检测,控制触发面阵摄像机采集序列图像,完成序列图像的硬件拼接;再通过图像处理拼接算法完成种子的目标识别和序列图像的拼接,得出播种机播种精度结果.试验结果表明:匹配粒距率达85％以上,正确粒距率达70％以上;经多次重复试验后,系统检测的绝对误差在4％以内.     

基于机器视觉的火龙果自动分级系统设计

针对目前水果机械化分级效率低、效果差的现状和机器视觉技术在水果分级检测的应用前景,提出了利用机器视觉的技术对火龙果进行分级的方法。通过利用CCD摄像机和DSP处理器对火龙果进行缺陷检测及大小和色度的分级。试验结果表明:基于机器视觉的火龙果自动分级系统可以高效率、高准确率地实现对火龙果的自动分级,为后续产业化机器视觉水果分级系统提供了技术支持。     

农作物无损检测的机器视觉系统标定方法研究

基于机器视觉的无损检测是植物生长建模的关键技术之一,对图像采集系统进行标定是实现无损检测的基本步骤.目前,摄像机标定的方法有传统标定方法、主动视觉标定法、自标定方法等.为此,对现有标定方法分别进行了讨论与比较,结果表明,传统线性标定法可以满足农作物无损检测的要求.     

融合电子鼻和视觉技术的鸡肉新鲜度检测装置研究

为实现鸡肉新鲜度的快速准确检测,设计了一种基于电子鼻和视觉数据融合的一体化检测装置。装置由控制系统、视觉系统和电子鼻系统3部分组成,可同时通过电子鼻传感器阵列检测鸡肉散发的气体浓度并由摄像机采集鸡肉视觉图像,控制板传输数据至Jetson Nano上位机进行特征提取、融合与分析。由该装置获取不同新鲜度鸡肉样本的气味和图像数据,采用主成分分析方法进行降维处理,再基于支持向量机建立鸡肉新鲜度分级模型,准确率可达98.7%。该装置具有准确率高、便携和稳定性强等特点,可为肉品新鲜度检测提供技术支持。     

基于机器视觉的条播排种器性能检测及分析

运用机器视觉技术实现条播排种器性能的自动化检测.研究表明,帧种子数分布相对于拍摄频率（帧频率）具有独立性.以该独立性为基础构造的机器视觉检测方法为：采用CCD摄像机直接拍摄条播排种器试验的动态种子流,对获得的样本进行图像标定、灰度化处理、非种子目标去除、二值化处理、滤波去噪、小目标去除、种子遮挡判别、排种模式识别等图像处理过程,估计排种量的分布和计算排种器性能指标.     

基于机器视觉的储粮害虫智能检测系统软件设计

介绍了基于机器视觉的储粮害虫智能检测系统软件部分各主要环节的具体实现。该系统运用图像差分法及自适应图像增强法提高粮虫样本图像的质量，利用改进的直方图阈值将粮虫从背景中分割开来，并运用数学形态学处理法进行了滤波。以提取出的粮虫面积、周长、复杂度为特征，运用基于模糊决策的分类器对粮仓中常见的9种、7类害虫进行分类，识别正确率达到95.2%。     

基于机器视觉和PNN神经网络的鸭蛋表面缺陷检测研究

本章提出了一种基于概率神经网络（PNN）结合机器视觉的鸭蛋表面裂痕检测方法,配合背景光照法,结合灰度图像处理、图像高斯滤波处理、图像分割处理等算法去除图像杂质干扰,采用反锐化掩模局部对比度增强的分段增益改进算法来增强裂痕,收集裂痕、污点的相关信息作为数据集录入PNN神经网络,进行识别判断。本研究对1 600张鸭蛋图片样本进行采样分析,将鸭蛋分为好蛋、脏污蛋、裂纹蛋3种。试验表明,该系统对干净无损蛋、脏污无损蛋、裂纹蛋的检测准确率分别达到了95.1%、77.9%、95.3%,具有较好的泛化性和鲁棒性,符合复杂鸭蛋生产加工环境的应用需求。     

基于机器视觉的金银花图像识别处理算法研究

运用机器视觉和图像处理的方法可实现金银花的自动化采摘,提高采摘效率.首先通过摄像机对金银花进行图像采集,将采集到的金银花图像进行中值滤波处理,有效消除图中的噪音;然后对金银花图像进行RGB和HSV颜色分割,找出金银花与背景区分最明显的分量B;再对分量B进行阈值分割处理,设定阈值,将金银花从背景中提取出来,运用形态学运算...     

鸡蛋自动检测分级与包装装置的设计

设计了一种基于机器视觉系统的鸡蛋外部品质检测分级以及包装设备。本装置首先保证了鸡蛋平稳的输送,实现了对鸡蛋的动态实时检测和图像的采集;然后通过机器视觉检测系统进行鸡蛋的图像处理分析,判断出鸡蛋外部是否有裂纹和脏斑,并将判断指令传输给分级执行装置,从而将破损蛋剔除,完成鸡蛋的初步分级。同时,包装装置满足了各等级鸡蛋的装盘,实现了鸡蛋的自动包装。     

基于机器视觉的蜜柑横径测量方法研究

【目的】机器视觉技术具有无损、快速、准确、智能化程度高等优点,被广泛应用于水果检测中,替代人工对水果的检测分级,因此研究小组基于机器视觉技术,来探究蜜柑横径的测量方法和过程。【方法】研究小组在试验研究过程中,通过图像采集系统获取蜜柑样本图像,并对其进行灰度化、中值滤波等预处理,采用阈值分割的方法将蜜柑图像和背景图像进行分割。对蜜柑图像区域进行填充和形态学处理等,提取蜜柑的边缘轮廓图像;运用Canny算子的边缘检测技术,最终提取出蜜柑的轮廓;依据轮廓图像,采用拟合圆法,将拟合出的圆的直径作为蜜柑横径数据,并和人工实测的蜜柑横径数据进行比对和分析。【结果】从测试样本中随机取出9个蜜柑样本进行试验,通过相对误差数据表明,机器视觉技术能够比较合理、准确地计算出蜜柑的横径。【结论】将机器视觉技术应用到蜜柑横径的测量中,通过采用相关的图像处理方法和数据运算,探讨出了蜜柑横径的测量过程和方法,为蜜柑乃至柑橘类水果的智能化分级提供了方法理论和数据基础。     

基于信息融合的农业自主车辆障碍物检测方法

针对单一传感器在智能车辆环境感知中的局限性,提出一种基于摄像机与激光雷达信息融合的农业自主车辆前方障碍物检测方法。对单目摄像机获取的图像进行基于Ft（Frequency-tuned）算法的显著性检测,并生成显著图。同时对激光雷达反射点进行基于数据关联性评估的聚类分析,确定障碍物数量、边界与位置等先验信息。然后以激光雷达坐标相对应的图像像素坐标为种子点,由种子点激活经过处理的显著图,基于受限区域生长实现障碍物区域分割。试验结果表明,基于Ft算法的图像显著性检测具有更好的边缘检测效果,基于种子点的受限区域生长法可以有效地进行障碍物分割。在机器视觉的基础上融入激光雷达数据,可以更好地排除非障碍物的干扰,实现了障碍物的完整检出。     

基于机器视觉的柚子尺寸检测系统的研究

介绍了一种基于机器视觉技术的柚子外形尺寸检测系统。利用 CMOS 摄像头采集柚子正立图像;通过灰度转化、去噪、二值化等预处理获取检测目标图像。通过扫描法确定目标图像的上、下、左、右4个边界点,计算柚子的纵径与横径初测值;借鉴已有的机器视觉球状物体检测误差理论进行修正,获得最终检测结果。试验结果表明,该系统检测精度高且速度快。     

玉米果穗自动考种系统设计与试验

目前玉米考种主要采用传统的手工考种和基于机器视觉的半人工考种。基于机器视觉的半人工考种是由人工来完成玉米果穗的摆放,通过机器视觉的方法来实现玉米果穗特征参数测量,测量完毕后由人工收集玉米果穗,缺点是半人工、非全自动,测量效率受人工操作时间限制。针对上述问题,为实现玉米果穗考种过程中性状信息的自动图像采集处理及自动称量,设计了一种玉米果穗自动考种系统,主要包括直线振动喂料机、横向定位传输机构、气动夹取搬运机构、图像采集平台、称量平台、推送机构、可编程控制器（PLC）和计算机8部分,来实现玉米果穗的自动喂料、自动排序、自动图像采集处理和自动称量等功能。在此基础上对机构及控制系统进行了样机试制,试验结果表明,样机对玉米果穗的夹取、搬运及放置位置准确,图像采集处理方法可行,样机一个工作周期在6s以内,试验中,采用单相机时整穗的平均图像测量速度在600ms/穗以内。样机整体性能能够满足考种使用要求。     

穴播排种器试验与序列图像样本的采集

为开发自动化的排种器试验检测系统,基于种子坐标检测和平稳随机过程的穴播排种器排种质量机器视觉检测法,阐述了该机器视觉穴播排种器的试验目的、试验检测系统、试验设计以及试验实施。该土槽试验检测系统是以机器视觉方式采集了穴播种子流的12组序列图像样本,其呈现漏播、单粒播、二粒播、三粒播等多形态排种的丰富组合,基本代表可能产生的种子流类型。