苹果采摘机器人激光视觉系统的构建

为了避免或减少自然光线的干扰,该文设计了一种用于苹果采摘机器人的激光视觉系统。基于飞行时间原理的LMS211激光测距仪可对目标距离进行测量,具有精度高、响应速度快等优点;研制的直线运动单元可自由调整其滑台的移动速度和行程,用来协助测距仪完成对目标场景的三维扫描。试验结果表明：在一定测量范围内,扫描数据能较理想地反映果实的曲面特性,选择合适的水平分辨率可提高数据的成像效果,生成的距离图像易于解析果实、枝叶的空间几何特性及相互间的层次关系,且效果不受光线变化的影响。该系统为后期果实的识别研究提供参考。     

气象条件对苹果品质影响的分析

本文利用模糊矩阵方法全面分析气象条件对苹果品质影响的权重,代替了经典相关统计的“相关”和“不相关”两个极端状况,可以较客观地提出生产优质苹果的气候条件和通过调节气象因子来提高苹果的品质.     

黄土高原地区苹果品质气候区划

利用黄土高原地区２７６个气象台站资料，应用动态聚类方法，对该地区的苹果品质进行气候分区。     

苹果、桃等农副产品品质检测与分级图像处理系统的研究

通过建立图像数据采集与分析系统及相关的农副产品图像数据库,实现对农副产品品质（表面颜色、形状、缺陷）的准确分级。使用该系统,对１００个富士苹果进行质量分级,检测优等果准确率达到９６％。对其它农副产品也可以通过建立其样本图像数据库,进行多种信息的综合分析与判断,实现对不同农产品品质的检测与分级。     

陕西省富士系苹果品质形态气候条件分析及区划

根据陕西省23个县富士系苹果品质资料与同期气象要素进行空间序列分析,筛选出影响品质因素的主要气象要素.以Citystar(3.0)软件为平台,利用500×500高程栅格数据,对所选定的区划因子进行网格推算,按评分标准进行图形叠加,获得GIS系统(Citystar)支持下的优质富士系苹果气候区划图,并分区进行评述.     

基于最小错误率贝叶斯决策的苹果图像分割

为了实现苹果分级完全自动化,对苹果图像的分割进行了研究。依据最小错误率贝叶斯决策理论,提出了一种基于最小错误率贝叶斯决策的图像分割方法。从图像的直方图中估计出服从正态分布的不同类别参数,对图像中每一像素点进行不同类别判断。通过对多幅图像试验,取得良好的分割结果。试验结果表明,该方法无须滤波而具有良好的抑制噪声的能力,在图像分割中是一种可行的方法。     

基于主成分与聚类分析的苹果加工品质评价

为了探讨苹果品种间理化品质的差异,给选育新品种和苹果合理加工利用提供理论支持,采集了30个苹果品种为试材进行模式识别分析。该试验所用苹果在2011年8-10月份按照苹果可采成熟度(九成熟)在辽宁省兴城市国家种质资源圃进行采集。试验测定了单果质量、体积、密度、果皮颜色、硬度、糖酸比、维生素C等20项理化品质指标,采用描述性统计、主成分和聚类分析方法对苹果品种和品质关系进行了分析。结果显示,30个品种苹果的密度、果型指数和含水率3项指标未表现出差异。对剩余17项品质指标进行了主成分分析,依据主成分解释总变量和碎石图提取了6个主成分反映原变量的82.3%的信息。第一主成分主要综合了可滴定酸、糖酸比及固酸比的信息即口尝品质因子;第二主成分主要综合了L值,a值和b值的信息,命名为颜色因子;其余主成分依次为甜度因子、质构因子、内在品质因子和果个大小因子。结合主成分得分图直观地显示了苹果品种和理化指标间关系:辽伏、理想、早金冠和瑞光分布在PC1和PC2的正向区间,糖酸比和固酸比值较大、口感好,但是果皮颜色较绿,是品质较好的早熟苹果;寒富、赤阳和红富士依次落在PC1和PC2第四区间,食用品质好、果皮颜色较红,是较为常见的晚熟苹果。分布在第二区间的普利阿姆,白星,Pvma果皮颜色绿且口感酸涩,不适宜鲜食,这些品种可能较为适宜进行加工。第三区间品种固酸比、甜酸比取值较小但是果皮颜色红,为选育果皮颜色受消费者喜爱且内在品质好的早熟品种提供了理论支持。聚类分析将30个品种苹果分为5类,聚类结果与主成分得分图结果基本一致,该试验初步判定30个品种苹果是否适宜鲜食,为苹果品种选育和加工应用利用提供理论依据。     

黄土高原沟壑区富士苹果适产与品质关系的试验

在黄土高原旱地条件下富士苹果适产与品质关系试验表明,在通常管理水平下,0.3kg/cm^2树干截面时产量,品质表现量好,单果重195g,34t/hm^2,树体氮,磷、钾含量适中,果实外观着色良好,内在品质亦最佳,应为最佳留果量,留量量大于或小于0.30kg/cm^2树干截面积下,产量下降,抗性亦随之下降。     

银色地膜覆盖对苹果产量及品质影响的研究

通过对红星苹果单叶的光-光合作用特征的测定和分析,了解了其光合量随光强变化的规律;在调查苹果树冠内辐照度分布规律的基础上,提出了采用银色地膜覆盖增加苹果树冠内辐照度,改善树冠的受光条件,从而增加树冠的光合量,提高苹果的单果重和总产量.此外,还观察到银膜覆盖使果实的品质有较大的改善.     

基于计算机视觉的水产动物视觉特征测量研究综述

作为水产养殖集成信息化管理的主要信息源,水产动物视觉属性信息的测量不仅是判定水产动物生长状况,调控水质环境的主要信息依据,也是对水产动物进行喂养、用药、捕获、选别和分级等操作的前提基础。近年来,计算机视觉技术作为一项快速、客观、无损的检测方法,已被逐渐用于水产动物视觉属性的测量中,许多研究学者开展了大量的研究工作。该文更新和总结了国内外近20多年来有代表性的相关研究和解决方案,在描述计算机视觉检测系统的概念和组成结构的基础上,围绕尺寸测量、形状分析、颜色识别和质量估计等方面详细分析了计算机视觉技术在水产动物（以鱼类为主）视觉属性测量方面的国内外研究现状,着重阐述总结了研究人员在水产动物视觉检测的图像采集、轮廓提取、特征标定与计算等方面的具体改进措施,并对基于计算机视觉测量的水产动物疾病诊断,识别分类等综合应用现状也进行了分析探讨,以评估计算机视觉技术在水产动物视觉质量检测领域的总体应用情况和现存的主要问题,同时给出了今后的研究趋势与发展方向。     

耦合全局与局部特征的苹果叶部病害识别模型

为充分利用苹果叶部病害图像类间差异小且类内差异大的特点,该研究基于全局与局部特征的交互式耦合对特征提取方法进行了优化,设计出一种苹果叶部病害识别模型。首先,在全局特征提取分支设计了一个注意力融合模块,以融合通道和空间上的信息而增强卷积提取到的特征图,并由增强后的特征图生成全局特征以及注意力激活图;然后,在局部特征提取分支,利用注意力激活图的引导,设计了一个裁剪模块对原图像进行裁剪,以得到可能包含病害信息的图像块且嵌入生成局部特征;最后,通过设计多头交叉注意力特征耦合模块,实现全局特征和局部特征的双向交叉耦合。基于苹果病害图像数据集的试验结果表明,将全局与局部特征进行交互耦合能有效提升模型对苹果叶部病害图像的特征提取能力,其识别准确率可达到98.23%,且较之单纯的局部或全局特征提取分支,准确率分别提高了3.39与4.61个百分点,所提模型可用于实现自然场景下的苹果叶部病害自动识别。     

基于多源机器视觉信息融合的番茄目标匹配

在番茄自然生长条件下利用计算机双目视觉获取的二维图像其处理必然会涉及到特征匹配不确定问题。该文利用近红外光谱和可见光谱各自有效的生物信息,在双目匹配搜索中,提取多源视觉融合图像的番茄有效形心点,采用极线约束和唯一性约束进行区域相关双向匹配。试验结果表明,基于此匹配方法可以实现果实的唯一匹配,准确率较高。     

基于计算机视觉技术的油菜冠层营养信息监测

为了探讨利用计算机视觉技术监测油菜长相长势的可行性,在大田自然条件下,用数码相机构建了计算机视觉系统,获取、分割图像,用逐步回归的方法建立了用颜色值监测叶绿素含量、全氮含量、碳氮比值的最优模型,模型具有较好的预测性。试验结果表明：在大田自然光照条件下,用数码相机采集油菜图像,监测冠层叶绿素含量、全氮含量、碳氮比等生理指标是可行的。     

面向苹果叶部病害识别的细粒度蒸馏模型

为了提高轻型卷积神经网络（convolutional neural networks,CNN）在苹果叶部病害识别中的精度,使其更加适于布署到智慧农业移动终端,该研究设计了一种细粒度知识蒸馏（fine-grained knowledge distillation,FGKD）模型。首先,利用上下文信息与空间-语义关系分别设计了上下文空间注意力（spatial attention,SA）与细粒度特征提取（fine-grained feature extraction,FGFE）模块,且将它们嵌入到Resnet50与设计的轻型CNN,分别作为教师与学生网络;然后,构造SA与FGFE知识蒸馏损失函数,以将教师网络中的特征提取与细粒度知识表示能力迁移到学生网络之中,以增强其对苹果叶部病害图像的局部特征提取能力与高层语义表达能力,使轻型学生网络在参数量很小的条件下,其性能接近复杂的教师网络。基于标准苹果叶部病害数据集的对比试验结果表明,经知识蒸馏之后的学生网络精度为98.60%,模型参数量仅0.75 MB,平均推理时间为25.51 ms,能够有效地满足实际智慧农业移动端对模型的需求,快速准确地实现苹果叶部病害自动识别。     

融合Transformer与原型自监督的苹果叶部病害识别

为了缓解苹果叶部病害（apple leaf diseases,ALD）识别存在“类内差异大、类间差异小”的问题,该研究设计了一种融合Transformer与原型自监督（fusion transformer and prototype self-supervised, FTPSS）的模型,以进一步提高ALD识别精度。首先,利用Resnet50作为骨干网络,以提取ALD图像的多级特征图谱;然后,构造了一个简化自注意力（simplified self-attention,SSA）机制,且将其与空间注意力引导可变形卷积（spatial attention guided deformable convolution,SAG-DC）相结合,设计了一种简化自注意力可变卷积Transformer（simplified self-attention and deformable convolution transformer,SSADC-TF）编码器,用于对主干网络提取的多级特征图谱进行交互融合,以增强模型对ALD图像中不规则病变区域的感知能力;最后,构造了一个原型自监督（prototype self-supervised, PSS）学习模块,即通过构造“正交”与“聚集”二个自监督损失函数用于约束模型的训练,以缓解ALD图像识别中存在的语义鸿沟问题。基于标准图像集与真实图像集的对比试验结果表明,ALD图像经SSADC-TF逐层特征融合与PSS学习之后,FTPSS模型识别精度分别达到98.61%与98.73%,较基线模型分别提高5.15与4.49个百分点,能够满足智慧农业ALD识别的应用需求。     

基于图像特征融合的苹果在线分级方法

苹果在线分级是提升苹果商品化价值的重要环节,需要同时满足分级准确度和速度要求。为进一步提高苹果在线分级效率,该文借助机器视觉技术动态采集苹果传输过程中的实时图像,提出改进的三层Canny边缘检测算法来提取苹果轮廓以克服采集图像中的光线噪声影响,通过分析苹果分级指标,采用判别树对苹果的果径、缺陷面积、色泽等特征进行初步分级判断,并采用粒子群参数优化的支持向量机对果形、果面纹理、颜色分布等特征进行模型构建与分级,最后,通过将两种分级判断结果进行决策融合来实现样本精确分级。同时,采取图像压缩和特征降维方法提高实时性。试验结果表明,基于图像特征决策融合的苹果分级准确率可达到95%,平均分级速率可达到4个/s。研究结果为水果的在线分级提供参考。     

应用计算机图像处理技术识别玉米苗期田间杂草的研究

利用计算机图像处理技术分析了玉米苗期田间杂草的特征量,识别出田间杂草并确定了杂草的位置和生长状况。研究中采用双峰法滤除了土壤背景,根据投影面积、叶长、叶宽识别出了杂草,并且根据杂草投影面积确定出了杂草密度。实验结果表明,此方法可有效地识别出玉米苗期田间细长的单子叶杂草。