基于机器视觉的奶牛发情行为自动识别方法

及时检测奶牛发情、适时人工授精、减少空怀奶牛,是奶牛养殖场增加产奶量的关键手段。针对基于运动量和体温等体征的接触式奶牛发情识别方法会造成奶牛应激反应且识别准确率不高的问题,提出了一种非接触式奶牛发情行为自动识别方法。该方法首先使用改进的高斯混合模型实现运动奶牛目标检测,然后基于颜色和纹理信息去除干扰背景,再利用AlexNet深度学习网络训练奶牛行为分类网络模型,识别奶牛爬跨行为,最终实现对奶牛发情行为的自动识别。在供试数据集上的试验结果表明,本文方法对奶牛发情的识别准确率为100%,召回率为88.24%。本文方法可应用于奶牛养殖场的日常发情监测中,为生产管理提供辅助决策。     

基于机器视觉的导航定位技术

对导航定位中的曲线导航问题进行研究,采用单目视觉导航定位的方法采集多幅导航线图像,首先进行了远距离标定,建立实际行走的距离与偏航角度以及目标物偏离中心位置的距离与像素大小的数据库,再用得到的数据库,根据几何的方法计算出导航精度,在本实验中,基本依靠单目视觉技术完成了曲线导航的任务。     

基于机器视觉的喷雾定位系统设计

为实现温室封闭环境下的自动化农药喷洒作业,设计一种基于机器视觉进行喷雾目标检测、以机械臂为喷药执行单元的精准施药系统。该系统可对目标作物大小及位置进行实时获取,并通过DSP控制机械臂完成施药动作。为尽可能保证目标作物位置检测的准确性,本文针对目标作物冠层视觉检测时的特殊性,提出采用基于冗余组合的图像分割算法和引入方差分量的改进SAD(Sum of Absolute Differences)匹配算法。算法在抑制田间背景噪声和提高匹配算法适应性上取得较好的实验效果,可以为喷雾臂控制提供稳定准确的空间三维坐标。     

基于机器视觉的田间杂草定位技术

采用摄像机弱透视模型,对采集的标定靶图像进行处理,获取48个靶点质心的像素坐标,利用DLT的最小二乘法获取摄像机隐参数矩阵.室内土槽的有序杂草和无序杂草定位试验表明,利用建立的摄像机隐参数矩阵,有序杂草和无序杂草的质心定位误差分别为19.2 mm和22.8 mm,可以满足除草剂精确喷施的要求.     

基于机器视觉的田间杂草定位技术

采用摄像机弱透视模型,对采集的标定靶图像进行处理,获取48个靶点质心的像素坐标,利用DLT的最小二乘法获取摄像机隐参数矩阵。室内土槽的有序杂草和无序杂草定位试验表明,利用建立的摄像机隐参数矩阵,有序杂草和无序杂草的质心定位误差分别为19.2mm和22.8mm,可以满足除草剂精确喷施的要求。     

基于机器视觉的嫁接苗移栽实时定位研究

针对自动化育苗流程中的嫁接苗移栽环节,提出了一种基于机器视觉的嫁接苗移栽实时定位系统。该系统能根据点云信息定位每次移栽嫁接苗时穴孔的位置,并且在穴盘受迫移动后重新定位穴孔的位置。具体的方法是通过RGB传感器与红外传感器获取工作区域内的点云信息,利用点云信息,首先离线标定传送带平面方程,进而根据实时的位置信息完成穴盘与背景的在线分离;接着从分离出的穴盘点云得到对应的二维掩膜,从掩膜中的单连通区域推算出每个穴孔的位置;针对穴盘移动之后的重定位,使用了基于随机采样一致算法的单应矩阵计算方法,由历史单应矩阵从初次定位的穴孔坐标计算出当前的穴孔位置。实验表明,该定位系统能有效定位穴孔的位置,满足嫁接苗移栽要求。     

基于机器视觉的瓶装饮料液位识别与定位

为实现饮料生产线PET饮料瓶液位检测系统集成化和简单化,使用机器视觉方法取代传统传感器触发PET饮料瓶装液位检测程序,实现生产线PET瓶装饮料液位快速识别定位,提出了基于改进YOLOv7的生产线PET瓶装饮料液位快速识别与定位方法。在原YOLOv7的基础上,将原SPPCSPC池化金字塔结构改进为更快的SPPFCSPC结构,并使用SIoU损失函数对原有损失函数进行改进。通过实测实验,改进YOLOv7液位识别模型对包含有色彩失真和噪点的PET饮料瓶身、瓶装液位识别精度为98.9%、96.3%,且单幅图像识别并框定时间均长为12.1ms。且模型能在采集图像样本色彩失真、多噪点和图像旋转情况下仍能实现高精度液位识别与定位。     

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。     

基于机器视觉的香梨雌雄自动识别方法

为实现香梨雌雄的自动识别,利用香梨的花萼特征和外形特征进行分类。通过相机采集香梨图像,对图像进行灰度化、分割、旋转、边缘处理和轮廓提取等预处理,获取花萼处的圆度和香梨长径短径等特征。将获取的特征通过神经网络训练得到分类器模型,用以判断香梨雌雄。所提出的方法能够有效地提取香梨特征,快速识别香梨雌雄,准确率达到92%。      

草莓采摘位置机器视觉与激光辅助定位方法

以地垄栽培模式下的草莓为作业对象,针对草莓果实娇嫩易损的特点,采用直接撷取果柄的采摘方案,提出了一种图像处理与激光辅助测距相结合的草莓采摘位置自动定位方法.采用镜像匹配法计算草莓果轴的平面位置信息,进而在扇形激光束的辅助下,利用几何光学计算采摘位置在深度方向的距离.对自然环境下生长的长圆锥型草莓进行了试验,结果表明,对于机器人锁定采摘位置所需的导航数据,该方法的平均计算时间为381ms,测距最大误差为1.6mm,平均误差为0.5mm.     

基于机器视觉的玉米秸秆行实时定位机器人设计

为了实现机器人玉米秸秆行的精确定位,对耕作玉米机器人的结构进行了改进,并提出了一种基于泰勒级数展开式的RSSI定位方法,提高了机器人玉米秸秆行的定位精度。定位系统使用高清晰度的摄像机采集图像,并采用PID闭环反馈的方式控制机器人的位移,利用PC主控端图像处理,实现了实时定位功能。为了验证机器人玉米秸秆行定位的可靠性,采用田间试验的方法对机器人的性能进行了测试。结果表明:RSSI定位方法的定位精度较高,且图像处理系统可以准确地标定玉米秸秆行,实现机器人在玉米田中的精确定位,避免了机器人在作业过程中对农作物造成损害。     

基于机器视觉黄瓜果实自动分级方法

为实现黄瓜果实快速准确分级,以摄像头为视频采集模块、DSP核心处理器为主控制模块、机械手为执行模块,并借助质量控制、电机传送等辅助单元,构建了自动化分级平台。参照国家标准NY/T1587-2008,利用图像处理方法对黄瓜果实图像的瓜长、把长、横径差、弓形高度进行了提取和计算。选取长春密刺、龙杂黄七号、露秋一号3个品种240根黄瓜果实作为试验样本,抽取每个品种的20个样本作为图像提取数据分析,其余60个样本作为自动分级平台测试。测试结果显示:该平台的平均分级精度为96.7%,每分钟约检测35根果实,相较人工分级具有快速、无损、准确、客观的特点,为机器视觉技术应用于椭长形果实自动化分级提供了重要依据。     

基于机器视觉的育苗穴盘定位与检测系统

针对嫁接苗自动移栽机器人,提出了一种基于器视觉的育苗穴盘定位与检测系统.该系统不仅能够确定育苗穴盘在传送带上的位置,而且能够获得各穴孔内的基质深度和三维形状信息.其方法是利用彩色图像与深度图像的注册,从彩色图像中检测穴盘轮廓,结合穴盘规格,实现深度图像中穴盘各穴孔的分割;利用分割后的深度图像对每个穴孔生成三维点云,结合最近邻算法与主成分分析算法计算各点的法向量,基于该法向量实现穴孔侧壁与穴底基质的分割,进而获得基质的深度.试验表明,该系统能够有效定位穴盘并检测基质深度,平均定位误差为3.5 mm,深度检测误差为4.9 mm,满足嫁接苗自动移栽机器人的控制要求.     

果实定位的机器视觉技术研究现状

机器人对果实的采摘中,面临着野外工作环境多样、果实形态复杂、定位距离受限等挑战,实现对果实的精确定位十分重要。基于此,课题组综述了果实视觉定位技术在目标检测、标定、定位算法方面的研究现状,分析了对果实采用不同目标检测方法的效果与不足,探讨了标定方法与标定工具的发展路线、使用的硬件对果实定位方法的研究与定位方法的技术路线,介绍了基于颜色和形状特征的传统果实目标检测方法和新兴的深度学习目标检测方法,讨论了单目、双目、激光辅助等定位技术在果实定位中的应用情况,总结了果实视觉定位技术在目标检测、标定、定位等流程中的不足。研究结果表明,机器视觉定位技术可以快速、准确地识别出果实的位置和大小,提高果实采摘的效率和准确性,减少人工成本,降低劳动强度。     

基于机器视觉的鸡胴体质量分级方法

提出一种基于机器视觉技术的鸡胴体质量分级方法。使用数码相机在肉鸡屠宰厂随机采集95幅鸡胴体图像,对采集图像预处理后,提取出鸡胴体投影面积、轮廓长度和胸宽等6个图像特征。然后以这6个特征参数为输入,利用95个样本为训练集,通过回归分析的方法,分别建立预测鸡胴体质量的一元线性回归模型和多元线性回归模型,找出预测质量的最佳模型,最后采集5组共100个样本为验证集,对最佳分级模型进行验证。结果显示,鸡胴体图像的6个特征参数中,基于投影面积的一元线性模型决定系数最大,为0.827;基于投影面积等4个特征量的多元线性模型决定系数最大,为0.880。根据样本数据的学生化残差剔除了8个异常点的数据,修正后的多元线性模型决定系数为0.933,并将其作为最佳模型。利用最佳模型对验证集样本进行质量分级,模型对鸡胴体质量等级判定的平均正确率可达89%。结果表明基于图像特征的鸡胴体自动分级方法是可行的。     

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。     

基于机器视觉的高品质苹果在线计数方法

高品质苹果由计重分装转向计数分装对苹果在线计数技术提出新的需求。以黑色吸光材料作为图像采集背景,配有同轴投射光源的CMOS摄像头实时采集传送带上苹果区域的图像,采用前后时间帧图像相减,设定目标视频窗口以及基于灰度阈值的目标识别等图像处理技术使苹果识别率达到97.2以上。采用VC＋＋语言,基于开源视觉处理软件OpenCV实现具有独立知识产权的计算机图像处理软件。该系统采用低成本的视觉采集设备,算法成熟可靠,能够满足在规模化生产环境下对苹果实时计数的要求。