机器视觉在农产品检测与分级中的应用与展望

计算机技术的发展与计算机速度的提高和硬件成本的下降,使得机器视觉技术在农产品检测领域中的应用越来越广泛,论述了国内外机器视觉技术在农产品检测中的应用研究和发展情况,同时指出了进一步研究的方向。     

基于机器视觉的苹果品质在线分级检测

目前苹果分级自动化程度较低,为了实现苹果品质自动、快速、准确分级设计了一套苹果智能在线检测分级系统。以寒富苹果为测试对象,采用机器视觉技术对苹果分级进行研究。采用阈值分割的方法分割苹果正面图像,逐像素遍历法提取苹果外部轮廓,通过计算其各点到重心的距离提取苹果大小特征,同时计算苹果横径与纵径比提取果形特征。采用支持向量机方法分割侧面苹果图像,计算苹果红色像素占苹果像素的比例提取颜色特征,利用Fisher统计识别的方法提取苹果缺陷。实现了整个分级系统的硬件搭建以及软件的功能,利用该系统对400个苹果样本进行了分级试验,结果表明该系统分级的苹果总体正确率达到95%。设计的基于机器视觉的苹果智能在线检测分级系统克服了传统分级方法的不足,加快了苹果品质分级自动化速度,对水果品质分级等领域有重要研究意义。     

基于智能手机与机器视觉技术的立木胸径测量方法

针对现有森林资源调查中立木胸径测量工作劳动强度大、效率低,先进设备操作复杂、成本高等问题,结合相机标定、三维重建、机器视觉和近景摄影测量等技术,探索基于智能手机与机器视觉技术的立木胸径测量方法。通过智能手机获取待测立木的图像信息,运用Lab颜色空间模型(Lab color model)和3×3算子对图像进行卷积运算,得到立木图像的视觉显著图; 结合HSV颜色模型(色调H,饱和度S,明度V)中的H分量增强图像中立木树干部分的颜色对比度,通过图像分割算法识别并获取自然环境下的目标立木轮廓区域; 通过一种改进的带有非线性畸变项的相机标定模型标定智能手机的相机内、外参数,并借助相机参数和二维图像信息进行三维世界坐标重建,从而实现树干1.3 m处胸径的测量。经验证,一定距离内胸径测量结果的相对误差小于2.50%。该方法测量精度较高,符合森林资源调查对胸径测量的精度要求,可应用于森林资源调查。     

基于机器视觉技术的单粒葡萄质量与果径预测分级研究

[目的]采用机器视觉技术,针对新疆无核白和红提单粒葡萄的质量和果径大小进行预测和分级研究.[方法]在不同的颜色特征空间模型,预处理原始图像,采用最大类间方差法分割目标区域;采用数学形态学方法去除二值图像中部分果梗及噪声点,获得最佳二值图像;基于二值图像,分析获取单粒葡萄的几何特征;最后,分别采用一元线性回归法和偏最小二乘回归法预测单粒葡萄的质量和果径,采用二次判别分析法对单粒葡萄的质量和果径进行分级.[结果]利用短轴与果形指数特征相结合建立的偏最小二乘回归模型可有效预测单粒葡萄的质量和果径,预测决定系数达到0.98和0.945;基于该特征组合的二次判别分析法可用于单粒葡萄的质量和果径分级,准确率超过85;.[结论]机器视觉技术能够较准确预测单粒葡萄的质量和果径,并能对质量和果径进行分级.     

基于机器视觉的花生种子外观品质检测与分类方法研究

[目的]花生种子的有效分类是花生产业中选育良种的重要环节,为降低花生产业对人工的依赖程度,简化选种过程,提出了一种基于机器视觉的花生种子外观品质检测与分类方法.[方法]在相同环境下采集单粒花生种子图像,建立花生种子对象在图像中像素数与其实际质量的回归模型,以花生种子尺寸和外观颜色作为主要特征,采用支持向量机分类模型完成分类任务.[结果]使用该方法完成12个类别的分类,对批量花生种子的分类准确率达86％,符合实际生产中花生种子初步分类要求.[结论]该方法对花生种子图像代表性特征的选择和识别样本的简化使得分类系统更符合实际生产需要,对同品种花生种子的不同品质分类以及不同品种花生种子的直接分类有着积极意义.     

基于双目视觉的作物点云获取与分割定位方法

为了提高农业视觉导航系统对作物定位的精确性,提出了一种基于双目视觉的作物点云获取与分割定位方法。该方法采用ZED双目相机采集作物左右视图,通过视差原理获取作物的3D点云数据,利用点云离散程度和体素化网格方法对初始点云数据的离散点和冗余数据进行去除,然后在预处理后的点云图中利用基于点云法线角度差的区域生长分割出每株作物的点云簇,用每个点云簇中所有点的平均坐标值作为该株作物的三维坐标,结合视觉系统坐标系,计算出作物与相机的水平距离以及水平偏角,从而实现作物定位。试验结果表明,该方法测得的作物平均距离误差为1.89%,平均角度误差为2.17%,该算法可以对作物进行准确定位,为基于双目视觉导航的路径规划提供可靠的定位信息。     

自动监控技术在设施农业生产中的应用系冽（二） 机器视觉技术在设施生产中的研究与应用

机器视觉技术由图像获取技术、图像处理技术、图像存储技术和图像输出技术组成,其核心是图像处理技术,即把由二维数值数据给定的图像进行加工处理后输出为另外的图像或识别结果。机器视觉技术研究始于20世纪60年代,随着计算机技术进步,到70年代,机器视觉技术开始步入了一个活跃的研究阶段,但研究结果多用于工业生产和生物医学,仅少量用于农业工程领域,且其具体方法也仅为简单因素的视觉模拟。     

基于机器视觉技术的无精蛋鉴别研究

[目的]采用机器视觉技术鉴别无精蛋,提高孵化生产过程中剔除无精蛋的准确率和速度。[方法]首先用CCD照相机获取入孵蛋图像,再将入孵蛋图像传输到计算机主机,主机测控软件对图像进行灰度特征分析、比较等,对入孵蛋进行检测,主机输出信号给核心控制器,由核心控制器控制检测台对无精蛋进行分选。[结果]采用机器视觉技术可以在入孵后第6天快速准确地剔除无精蛋。[结论]利用机器视觉检测技术鉴别无精蛋,具有较高的理论价值和实际生产意义。     

计算机视觉测量中CCD摄像机参数的校正

在分析摄像测量坐标系的基础上，根据坐标变换的基本原理，建立了立体视觉中使用的ＣＣＤ摄像机几何模型，确定了校正系数和像距的分析与测量方法，并通过试验测得了校正系数，强调了影响校正系数测量的主要参数。     

基于机器视觉技术的田间籽棉品级抽样分级模型研究

【目的】客观评价田间籽棉质量。【方法】依据中国籽棉品级分级标准，基于机器视觉技术选取棉花尺寸、色泽特征建立田间籽棉品级抽样分级模型。【结果】相关分析表明：亮度修正后，图像特征与籽棉品级之间相关显著。贝叶斯判别分析结果表明：基于10折交叉验证建立的籽棉品级判别模型的识别率在75.00％～92.86％之间，模型的平均识别率达83.20％。基于“1个标准误差”规则选取较好的贝叶斯判别模型，它在独立数据集上的泛化精度达89.11％，其中，前3级籽棉的识别率均达到100％。【结论】基于机器视觉技术识别籽棉品级是可行的，有利于提高籽棉品级抽样分级模型精度。     

机器视觉技术在农业生产自动化领域中应用研究

分析机器视觉技术在农业生产自动化中的应用现状,提出应用中存在的问题,并分析研究此项技术的开发方向。     

机器视觉在植物叶片叶面积测算中的应用

利用机器视觉系统代替人工对叶片叶面积进行测算。运用Halcon图形开发工具,以VB 2008为基础开发平台,采用通过阈值分割与区域特征提取的方法来计算叶面积,并将结果显示到屏幕并保存到文件中。将具体图像采集设备与机器视觉系统连接,完成叶片图像采集、图像处理和结果显示的一体自动化。与手工测算的费时费力和使用专业设备的高昂费用相比,此系统能在保证测算结果精确度的基础上,对多种植株叶片进行快速准确、简单易行、经济实用的测算。     

农业机械机器视觉导航研究进展

总结了近十几年来农业机械视觉导航中作物行定位与导航参数提取的方法及研究进展,并提出一些符合我国农业机械导航发展的研究方向和有关方法。     

排种器试验台控制系统设计

排种器性能检测试验台主要由传送带系统、电机及驱动系统、机器视觉系统、PLC控制系统和控制中心5大部分构成。系统采用继电接触器和PLC实现电气控制,通过PLC控制变频器实现电机的无级调速,结合上位计算机可以实现电机速度的自动调节,控制精度较高。经过试验验证,整个控制系统性能稳定,运行安全可靠,满足了设计要求。     

基于机器视觉的青贮饲料质量监测系统设计与应用

设计了一套基于机器视觉的青贮饲料质量监测系统。系统在研究辨别青贮饲料质量关键因素的基础上,利用颜色明暗差别和纹理结构特征训练分类样本,采用聚类算法对传送带上饲料进行分类检测,实现了对青贮饲料质量的自动精准监测。该系统在剔除变质饲料的同时建立数据库统计优劣比率和饲料加工信息,为构建饲料质量可追溯体系奠定基础。     

精密排种器排种质量的机器视觉检测与分析

为开发具有较高效率和精度的精密排种器试验检测系统,研究了一种机器视觉检测技术,它采用视觉传感器采集排种口动态种子流下落时的序列图像,通过图像处理、排种时间检测、型孔种子数识别等过程,获得型孔种子数的频率分布,进而计算合格指数、重播指数、漏播指数等排种质量指标。研究结果表明,采用平稳随机过程模型描述排种时间和型孔种子数序列,采用帧间隔及最大帧种子时间与排种间隔合理匹配的图像采集模式以使种子重复成像,既可保留有用信息,又可在较宽范围内选用帧频率,能够在25~30 Hz常见帧频率下对单粒播和穴播排种器的排种质量进行有效检测。     

基于机器视觉和近红外光谱的壶瓶枣无损检测

以壶瓶枣为对象探讨用机器视觉和近红外光谱技术检测壶瓶枣内外品质。通过图像处理技术获取壶瓶枣投影面的边缘提取图像,然后使用最小外接矩形法求得图像的像素点个数,以此求得壶瓶枣投影面的面积。采用MSC对壶瓶枣近红外光谱进行预处理,然后分别采用偏最小二乘法(PLS)、主成分回归(PCR)和偏最小二成支持向量机(LS-SVM)3种建模方式对壶瓶枣可溶性固形物的含量进行预测。结果表明,使用LS-SVM模型获得了最优的预测结果,其预测集的相关系数和均方根误差分别为0.9901和0.328。研究表明,机器视觉结合近红外光谱技术能对壶瓶枣内外品质进行综合检测。