基于约束Delaunay三角网的茶鲜叶几何参数识别

为自动识别不同方位茶鲜叶的几何参数,在鲜叶轮廓点均匀化、稀疏化的基础上,引入约束Delaunay三角网,对叶片区域进行三角剖分,然后根据端点三角形、跨接三角形及交汇三角形的特点,计算叶片中轴线及主干中轴线,据此确定茶鲜叶的方位并对叶片进行排序,与此同时,还计算了每张叶片的长度、宽度、面积以及叶柄间距,提出反映大宗茶原料粗老度的几何特征指标,探讨了质量等级细分的方法。通过对150幅图像中174根茶鲜叶的识别结果表明,识别正确率达94.2%,平均每根鲜叶的处理时间为74.7 ms。     

基于多特征与多分类器的鲜茶叶分类研究

机采茶中混有不同类型的鲜叶,传统的风选、振动筛选等分类方式准确度低,现有的基于计算机视觉的分选方式也无法满足对常见的单芽、一芽一叶、一芽二叶、一芽三叶四种类型鲜叶的准确分类。为解决茶叶机采后各类型鲜叶精确分类问题,提出了一种基于多特征与多分类器的鲜茶叶分类方法。首先,利用鲜叶的相对几何特征与纹理特征基于SVM构建鲜茶叶分类器;然后,对多边形拟合后的鲜叶图像进行特殊角点检测得到各特殊角点数量对应的各类别分类概率,并将特殊角点序列的距离矩阵相似度作为判断依据;最后利用KNN对上述两种方法的结果进行融合,得到最终分类结果。试验结果表明,该方法可以更好的利用不同类别鲜叶的特征进行分类,分类准确率达94.24%,取得了较好的分类效果。     

凸包在植物叶锯齿与叶裂位置识别中的应用

根据植物叶形态特征提取中识别锯齿与叶裂位置的需求,设计了基于凸包的识别方法,通过轮廓跟踪、求凸包顶点、求凸包距离、形态学处理、求局部极值5个步骤,实现了对锯齿与叶裂位置的识别。实验表明,该方法行之有效。该方法的设计思路也适用于其它需要对角点进行分类、分级检测的应用场合。     

Labview下实现棉田株间杂草实时识别与定位

从实时性和多特征的综合角度出发,基于虚拟仪器技术的软硬件平台,提出了一种颜色和形态特征相结合的棉田杂草实时识别与定位的方法.在HIS 颜色模型中,以色度H为特征量,用Otsu算法自动取阈值法将植物与背景分离;利用植株的形态特征,结合形态学腐蚀、膨胀方法及骨架长度与面积比得到的识别方法,将棉苗和杂草分离.同时,通过对图像的特征分析和坐标变换,完成准确定位,得到中心坐标等物理参数,从而为后续株间除草机器人控制系统的研究提供重要依据.系统采用Labview和NI-Vision软件平台搭建,多幅杂草图像研究结果表明:该系统杂草的正确识别率平均为85.32% ,处理1幅1024*768的图像平均只需196ms ,识别速度能满足实时除草要求.     

自锁式茶梗夹持器设计

为实现梗叶分离过程中茶鲜叶的整列夹持,设计了一种由曲柄滑块机构和RRR杆组构成的自锁式夹持器。理论分析表明,当机构参数选取不当时,可能产生夹爪回缩现象,不利于小直径物体的夹持,通过限制回缩高度可避免这一问题。通过机构分析,建立了夹持器各参数之间的依赖关系,在此基础上给出了夹持器关键参数的确定方法,将问题转变为一个超越方程组并用粒子群算法加以求解。试验结果表明,采用该方法设计的夹持器能较好地实现夹紧自锁的功能,且茶梗的夹持长度在5~15 mm之间较为适宜。     

基于特征融合和SVM的稻谷品种识别

为快速有效地识别稻谷品种,提出一种基于特征融合和SVM的稻谷品种识别方法。采集华南双季稻区4种不同的籼稻品种(象牙香占、江航丝苗、小农占和五优234),采用图像处理的方法对稻谷图像进行灰度化、二值化和形态学处理等预处理操作,提取稻谷图像的形状特征和颜色特征,建立单特征模型和融合特征模型,构建SVM分类器,进行稻谷品种识别试验,并进行模型选择和讨论。结果表明,两两品种差异性显著的6个形状特征参数为:面积、长轴长、短轴长、离心率、周长和形状因子;形状特征模型对于不规则形状和大小的谷粒品种具备较好的识别能力;与BP神经网络识别模型相比,SVM模型的识别率更高、时间更短。基于特征融合和SVM的稻谷品种识别获得较高的准确率99.50%和较短的识别时间0.165 s,可满足稻谷在线识别与质量检测的精度和实时性要求。     

基于近红外图像的温室小型西瓜采摘信息获取技术

为实现温室立体栽培模式下小型西瓜的识别与空间定位,研究了基于近红外图像的西瓜采摘信息获取方法。测定、比较西瓜果实与茎、叶的光谱反射率,确定波长850 nm附近波段为区分西瓜与背景的最佳波段,在光强差异较大的两时段内采集了最佳波段下的西瓜近红外图像;通过Otsu算法滤除背景信息,利用"米"字型模板检测得到"浓缩西瓜"区域,实现西瓜果实识别;使用形心坐标计算公式获得采摘点坐标;根据西瓜果梗生长特性,利用分块定位算法获得切割点坐标信息。在温室环境下随机选择拍摄50幅有西瓜图像和20幅无西瓜图像进行识别算法验证,并对识别成功的有西瓜图像进行采摘点与切割点提取算法验证。结果表明,有西瓜图像识别成功率为86%,无西瓜图像为95%;采摘点、切割点定位准确度分别为93.0%、88.4%。     

基于圆形模型的骏枣果梗检测方法

果梗有无的判别是骏枣分级系统中的一项重要指标,针对传统的膨胀与腐蚀操作不能达到果梗识别的要求,为此提出了基于圆形模型的骏枣果梗检测方法。通过图像预处理获取二值图像;构建一圆形模型,以目标图像的形心为圆心,以等效椭圆长半轴乘1个调整系数为半径,该圆形模型可以覆盖骏枣果肉部分图像,剩下图像部分主要为果梗;由于图像可能还含有噪声,为此进行中值滤波处理,最后即可提取果梗图像部分。对120帧图像进行检测试验,结果表明:每个图像的平均处理时间小于500ms,本次试验果梗识别准确率93%,基本满足红枣分级系统精度的要求。     

基于实例分割的番茄串视觉定位与采摘姿态估算方法

准确识别定位采摘点，根据果梗方向，确定合适的采摘姿态，是机器人实现高效、无损采摘的关键。由于番茄串的采摘背景复杂，果实颜色、形状各异，果梗姿态多样，叶子藤枝干扰等因素，降低了采摘点识别准确率和采摘成功率。针对这个问题，考虑番茄串生长特性，提出基于实例分割的番茄串视觉定位与采摘姿态估算方法。首先基于YOLACT实例分割算法的实例特征标准化和掩膜评分机制，保证番茄串和果梗感兴趣区域(Region of interest, ROI)、掩膜质量和可靠性，实现果梗粗分割；通过果梗掩膜信息和ROI位置关系匹配可采摘果梗，基于细化算法、膨胀操作和果梗形态特征实现果梗精细分割；再通过果梗深度信息填补法与深度信息融合，精确定位采摘点坐标。然后利用果梗几何特征、八邻域端点检测算法识别果梗关键点预测果梗姿态，并根据果梗姿态确定适合采摘的末端执行器姿态，引导机械臂完成采摘。研究和大量现场试验结果表明，提出的方法在复杂采摘环境中具有较高的定位精度和稳定性，对4个品种的番茄串采摘点平均识别成功率为98.07%,图像分辨率为1 280像素×720像素时算法处理速率达到21 f/s,采摘点图像坐标最大定位误差为3像素...     

基于边缘检测和区域定位的玉米根茎导航线提取方法

基于玉米根茎图像信息,提出一种基于边缘检测和区域定位的玉米根茎导航线提取方法。首先,利用最大类间方差法自动分割2G-R-B灰度图像,得到二值化图像,结合形态学处理、位置/面积去噪方法提高二值化图像质量,对去噪图像按列累加得到列像素累加曲线;针对传统方法得到的特征点中伪特征点较多的问题,引入高斯滤波器平滑累加曲线,并运用极值法减少玉米根茎伪特征点的干扰,在提取玉米茎秆边缘直线时,提出基于最远茎秆成像宽度的双侧边缘判别思路,通过扫描每条边缘直线的四边形封闭邻域有效剔除伪边缘直线;最后,根据边缘直线二次定位玉米的根茎区域范围,并剔除伪特征点,采用最小二乘线性拟合方法准确提取导航线。试验表明,本文算法处理一幅1280像素×720像素图像耗时约236ms,特征点拟合准确率为92%。与传统方法相比,本文算法精度高、实时性好,在缺苗、杂草较多和株距不标准的情况下仍具有较强的鲁棒性。