基于机器视觉的田间杂草形状特征识别技术研究进展

农田杂草总体上是指生长在田间、分布广泛、对农作物有危害、非人工有意栽培的草本植物。我国农田杂草危害面积大约为4000万hm^2，主要发生在水稻、小麦、玉米、大豆、棉花五大作物农田，造成严重减产。因此应对杂草及时地加以控制，以保证作物的产量和质量。     

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。     

基于机器视觉的苗期杂草实时分割算法

对利用植物的位置来识别作物苗期田间杂草的方法进行了研究。根据苗期田间植物的位置特征 ,建立了基于机器视觉的分割苗期田间杂草的算法 DBW。通过比较分析各种算法的分割效果图和所耗费的时间 ,运用超绿色法灰度化原始图像 ,然后应用最大方差自动取阈法二值化图像 ,最后运用种子填充算法分割作物和杂草。研究表明 ,算法 DBW在实时性方面表现出一定的优越性 ,处理一幅 5 4 4× 117像素的图像只需大约 6 0 ms     

基于机器视觉的杂草实时采集与处理算法的研究

随着计算机技术的不断进步,机器视觉技术在包括农业工程的各个领域的应用与研究中得到了广泛的发展,机器视觉在杂草实时采集与识别的技术研究中已成为科学工作者们的主要研究方向。为此,研究了杂草图像的实时采集、处理算法以及软件系统的开发,并利用现有的实验平台作为模拟试验系统。     

基于多特征融合的田间杂草分类识别

提出了一种基于模糊BP综合神经网络的田间杂草分类识别方法。对分类特征进行模糊化处理,充分考虑了杂草的分类特征本身存在的不确定性。使用遗传算法对网络结构进行优化处理,提高了该综合神经网络的收敛性和稳定性。并基于特征级数据融合方法进行杂草识别。对田间7种杂草进行识别的实验结果表明,7种杂草的混合识别率达到94.2%;另外,对玉米及其伴生杂草进行分类测试,混合识别率达到96.7%,具有较好的识别精度。     

基于机器视觉的自走式喷药机械的田间路径识别研究

机器视觉是自走式喷药机械进行田间路径识别的一种主要方式.对农田图像进行超绿特征分割、二值化、滤波等预处理后,利用Hough变换得出自走式喷药机械的行走路径.这种算法简单有效,可以满足实时要求,为自走式喷药机械研发提供依据.     

机器视觉识别技术在活塞装配中的应用

将机器视觉识别技术应用于活塞装配,研制开发的活塞装配机器视觉识别系统成功地解决了发动机生产厂在活塞装配中存在的漏装、反装和混装问题,保证了活塞装配质量,减轻了工人的劳动强度。     

机器视觉技术在畜牧业中的应用

随着机器视觉技术的发展,特别是2010年以后,我国的机器视觉技术逐渐受到市场的关注,机器视觉的应用呈逐年上升趋势.畜牧业也正在从传统放养向集约化、智能化方向转型,机器视觉技术与畜牧业结合交叉最早应用在20世纪六七十年代,由于受当时的养殖环境、图像处理技术和计算机硬件的制约,仅仅停留在初级研究阶段.如今,图形图像、视频信...     

机器视觉技术的发展和应用

1机器视觉系统的概述 机器视觉(又称计算机视觉)是指用计算机来实现人的视觉功能,也就是用计算机来实现对客观的三维世界的识别.简言之,机器视觉就是用机器代替人眼来做测量和判断.机器视觉系统是指通过机器视觉产品(即图像摄取装置,分CMOS和CCD两种)将被摄取目标转换成图像信号,传送给专用的图像处理系统,根据像素分布和亮度、颜色等信息,转变成数字信号;图像系统对这些信号进行各种运算来抽取目标的特征,进而根据判别的结果来控制现场的设备动作.     

农田杂草识别方法研究进展

杂草识别是实现精确除草的前提。为此,阐述了利用形态特征、颜色特征、光谱特征、纹理特征以及多特征融合方法识别杂草的原理、研究现状和难点。同时,介绍了模式识别等方法在杂草识别中的应用;分析并比较了行间、行内杂草识别方法的特点,指出行内杂草的识别远复杂于行间杂草识别,是精确除草的难点,对农田杂草识别和精确除草有较好的参考价值。     

基于计算机视觉的田间杂草识别方法研究

杂草对农作物的侵害一直是人们关注的问题。为此,利用计算机图像处理技术对复杂土壤背景下的田间杂草进行识别。研究中采用可变阈值法滤除了土壤背景,应用形态学方法识别出了杂草。同时,根据杂草投影中心的像素位置确定田间杂草的实际位置。实验结果表明,此方法可有效地从阔叶子植物中识别出窄叶子稗草。     

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.     

机器视觉高精度测量技术在农业工程中的应用

基于机器视觉的高精度测量技术在国内外已广泛应用于工业、医学、农业等领域,近年来在农业工程相关研究与应用中也得到了长足进展,应用对象涉及到蔬菜、水果、农作物和相关农业作业装备等。为此,从机器视觉定量检测和精确检测的角度出发,综述近年来机器视觉检测技术在农产品分级、农业机器人动作规划、植物生长参数检测和播种机排种性能试验等方面的应用以及进展,同时也简要讨论了该技术在非农业领域的应用现状和在农业工程领域的发展趋势,为农业现代化新技术的应用提供参考。     

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.     

栅条滚筒式红枣分级机改进与试验研究

为了保证红枣分级过程中不伤果,通过对传统的等螺距螺旋红枣分级机的改进与试验,确定较优的螺距及转速。采用二因素三水平的正交试验,研究了不同螺旋螺距和滚筒转速下对红枣混级率和生产效率的影响,得到内螺旋螺距变化影响较为显著。通过均匀试验得到改进后红枣分级机的主要参数为内螺旋螺距为40mm、滚筒转速为32r/min时分级质量和效率最好。     

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.     

温室大棚中杂草识别系统的应用研究

介绍了一种基于计算机视觉的快速杂草识别算法，能够快速正确地将杂草叶面从复杂的土壤背景中识别出来，从而满足实时地为后续变最控制提供信号的要求。利用AOI测试工具，采集了不同土壤、作物残留物以及各种光照条件下温室大棚内的杂草的图像进行处理，通过提取图像中每一个像素R、G、B的3个分量值计算出(2G-R—B)颜色特征值，将彩色图像转变成灰度图像显示。     

机器视觉排种试验台的研制

系统介绍了黑龙江省农机院研制的新型排种器试验台。该试验台包括可模拟机械和气力两种精密排种器高速作业,并具有实现稳定承种的机械装置和控制系统。基于试验台的工作原理,给出了机械结构简图、监控系统电气原理图,并简述了机器视觉方法测量排种粒距的原理和程序流程。该方法具有精确、直观、实时的优点。