基于机器视觉运用于工业机器人抓取技术的研究

针对当前工业发展现状来讲,提升生产效率,加强经营管理质量是确保工业发展地位的重要因素。本文以提升工业生产效率为目的,结合机器视觉智能定位技术展开探讨,分析了机器视觉技术的概念和应用意义,阐述了机器视觉在工业机器人中的应用技术,提出了机器视觉应用在机器人定位抓取操作中的优化解决措施,仅供参考。     

基于机器视觉的枸杞产地识别研究

设计以枸杞图像的特征进行产地识别的可行性验证试验。选用3份枸杞样本,在光照箱拍照获得图像,经预处理后得到枸杞形态、颜色及纹理方面的54个特征;运用主分量分析法（PCA）优化得到13个主成分;通过建立支持向量机（SVM）模型,进行样本的训练和测试。结果表明,模型对3个不同产地的构杞正确识别率达到100％。研究结果对于枸杞品种及产地的识别及枸杞谱系研究具有一定参考价值。     

基于机器视觉的野生食用菌特征提取识别研究

为快速有效的识别野生食用菌,保证其食用的安全性。利用图像处理方法和机器视觉技术,提出改进的颜色空间融合形态特征提取方法。首先采用Retinex算法增强图像,通过中值滤波进行去噪完成图像预处理,其次提出两种改进的颜色空间量化方案,在HSV颜色空间特征提取的基础上与3个形态特征参数融合,最后采用综合评价指标方法对识别结果进行量化评价,进行特征提取识别试验。结果表明,颜色与形态特征的融合方法具有较好的识别能力,有效缩短特征提取的时间。图像特征提取的平均时间达到29.30 ms,速率提高3.51 ms,综合评价指标识别率达到90.78%,可以较好的识别野生食用菌,为食用菌种类的识别发展提供新方法和新途径。     

采摘机器人目标识别技术研究——基于机器视觉及深度学习

为了解决采摘机器人识别目标果实难的问题，提出了一种基于机器视觉及深度学习的采摘机器人目标识别技术，可结合图像采集、图像处理、SSD深度学习算法，实现对橘柑的精准识别。试验结果表明：采摘机器人目标识别技术对橘柑具有较高的识别率，证实了该方法的可行性，对采摘机器人研究具有一定的参考价值。     

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.     

基于机器视觉的手势识别系统设计与实现

机器视觉的手势识别系统,采用FPGA驱动摄像头OV7650采集视频图像,通过控制FT245RL实现与PC机之间的高速数据传输,在PC机上有运用OpenCV视觉库简单快速的识别手势,避免了高难度算法编程。通过大量实验验证,该系统开发周期短,识别率高。     

基于机器视觉的猪只饮水行为识别

猪只饮水行为往往与猪舍环境的舒适度以及猪只的健康水平密切相关,实时地监控猪栏中猪只饮水状况对猪舍管理和提高养殖福利具有重要意义。目前,主要采用RFID和机器视觉两种技术自动识别饮水行为,RFID方式需要给猪只佩戴耳标,存在对猪身有侵入和不便操作的缺点,机器视觉方法能非接触式监测和提取猪只饮水行为,拥有低成本易实施的优点。本文实现了基于机器视觉的猪只饮水行为自动识别,首先通过传统的阈值分割方法得到二值化图像来实现猪只从背景中的提取,接着引入图像占领指数对猪只饮水行为进行预判,最后探索了利用深度学习方法构造猪只头部检测器,更精准地判定饮水行为的发生。试验表明,该方法在本文构建的饮水视频数据集中识别准确率为92.11%,且能识别饮水猪只的身份,可应用到实际的猪只生产过程中辅助管理决策。     

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。     

基于机器视觉的甘蔗茎节特征提取与识别

为实现含有蔗芽的有效蔗种片段机器智能切断,引人机器视觉技术识别甘蔗茎节.以甘蔗图像HSV颜色空间的S分量经阈值分割、数学形态滤波处理作为模板,和H分量经阈值分割的反图像进行与运算得到合成图;将合成图划分为64个列块区域,提取质心比、粗度比和白点比等7个特征指标,再用支持向量机分类识别茎节与节间列块,得到茎节与节间的平均识别率为93.359%;对支持向量机分类出的茎节列块进行聚类分析,得到茎节数与位置的平均识别率分别为94.118%,91.522%.     

基于机器视觉的自然环境中猕猴桃识别与特征提取

研究了综合应用果实颜色和形状特征识别自然环境中猕猴桃果实及特征提取的方法.通过对比不同颜色空间,选用R-G色差分量;再采用基于误分割像素的分割评价方法来确定颜色特征nR-G中最佳分割系数n,最终选取0.9R-G颜色特征.利用0tsu法对其进行阈值分割,形态学运算去除掉残余噪声,实现了目标果实区域和背景区域的分割.然后利用Canny算子提取边界,最后对边界图像进行椭圆形Hough变换,逐个识别出目标果实,并提取出果实的形心坐标、长轴端点坐标和长短轴长度等特征信息.对49幅包含110个果实图像进行识别试验,试验结果表明:相互分离果实的识别率为96.9％,邻接果实识别率为92.0％,被枝叶部分遮挡果实识别率为86.6％,重叠的果实识别率为81.6％.     

茶叶嫩芽机器视觉识别算法研究

针对自主采茶机器人,研究了在茶园自然光环境下如何高效识别茶叶嫩芽。针对自然光条件下采集的茶叶图像含有大量噪声的情况,为了避免一些像素值变化剧烈的像素点,根据分析,最终选用双边滤波去噪算法,对茶叶原始图像进行平滑滤波的同时,还能有效保留图形的边缘等有用信息。采用一种新的基于颜色通道调换的算法来增大茶叶嫩芽和老叶以及环境的对比度,然后提取茶叶的颜色特征,进而分割提取出茶叶嫩芽。实验结果表明:基于颜色通道变换的算法具有高效稳定等优点,能够很好地识别茶叶嫩芽,可以满足自主采茶机器人对茶叶嫩芽识别的要求。该算法为后续自主采茶机器人的研发提供了技术支持。     

基于视觉的农业机械手抓取研究

提出一种基于视觉的农业机械手抓取方法,通过坐标系的建立和变换,确定前方物体位置,采用搜索树算法,建立了路径代价函数,并对算法进行了改进,对于抓取的难易程度分别设定加权因子,选择产生的采样点代价最小的路径抓取物体,最后通过实验达到了预期的结果.     

基于Hough变换的机器视觉目标检测技术研究

机器视觉技术在现代科技发展中已经被广泛的研究和应用,其实现的关键是目标检测,即应用图像处理方法分割和提取图像中的目标位置,获取所需要的信息。在此过程中,Hough变换技术以其独特的优势占据了重要地位,文章简要叙述了近年来Hough变换在机器视觉目标检测方面的应用及其发展,并对其存在的问题进行讨论,对其以后的发展趋势进行预测。     

基于机器视觉的苹果识别和形状特征提取

提出了利用色差R-G和色差比(R-G)/(G-B)相结合的苹果识别方法.在顺光、逆光等不同情况下对拍摄的苹果图像进行了识别,并对识别后的图像进行消除噪声、区域填充等预处理,获得苹果的轮廓图像.针对轮廓图像,采用遗传算法进行形状特征提取.采取多次运行遗传算法,并依次转换目标轮廓点为背景点的方法,处理果实图像邻接、重叠问题.实验结果表明:苹果识别方法在一定程度上消除了阴影、逆光、土壤等影响,识别率达97%.基于遗传算法的形状特征提取方法,可对邻接、重叠图像进行有效分割,快速、准确地实现苹果图像圆心坐标和半径的提取.     

基于机器视觉的帧种子数识别及其应用

首先,介绍了采用机器视觉的精播排种器性能检测方法;然后,在对获取样本图像进行处理的基础上,完成帧种子数的识别,利用采样频率和排种频率之间的关系,构造了帧种子数、帧型孔数和型孔种子数频数统计模型,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,精度高。     

基于机器视觉的自然环境中成熟荔枝识别

研究了自然场景下成熟荔枝的识别技术.通过分析荔枝彩色图像的颜色和灰度特征,选取YCbCr颜色模型进行处理,对其Cr分量图进行阈值分割去除复杂背景,并采用形态学和连通区域标注法消除分割后的随机噪声;然后结合一维随机信号直方图分析法与模糊C均值聚类法( FCM)对处理后的荔枝图像进行聚类和分割,实现荔枝果实和果梗的识别.不同光照条件下的识别实验结果表明,算法均能有效分割出果实和果梗,综合识别率达到95.5％.     

基于机器视觉的玉米收获机器人路径识别

我国玉米种植面积和产量都很大,在农业中占有重要的地位,但收获环节耗费的成本惊人。玉米收获机器人能提高作业效率,极大地降低生产成本,具有广阔的应用前景。路径识别能力是机器人环境适应性的一个重要方面,而机器视觉主要用于农业机器人的路径识别。为此,设计了一种基于机器视觉的玉米收获机器人路径识别方法,并进行田间的实时图像处理试验。结果表明:该路径识别方法具有较好的田间适应性和实用性,经过载机结构改进和内部参数优化后能为玉米收获的智能化和信息化提供技术支撑。     

基于机器视觉技术的畸形秀珍菇识别

提出了一种基于计算机图像处理技术的畸形秀珍菇识别方法。研究根据正常和畸形秀珍菇的形状特征,通过统计性分析,提取了分形维数、相对位移、菌盖圆形度、菌盖形状因子、菌盖凸性率、菌盖偏心率、菌柄弯曲度等7个特征参数。通过逐步回归筛选出分形维数、相对位移、菌盖偏心率、菌柄弯曲度等4个特征变量,并将这4个特征变量作为输入向量,采用支持向量机模式识别方法建立畸形秀珍菇判别模型,模型的独立样本预测集实测值识别率达96.67%。研究表明,利用机器视觉技术能很好地识别畸形秀珍菇,研究方法和结果为实现秀珍菇的在线分选提供技术支     

基于机器视觉的半干枣病害和裂纹识别研究

研究提出了一种基于机器视觉的病害和裂纹的识别方法。在H分量图中,依据半干枣在病害和非病害区域色调值差异提取病害区域,以提取的病害区域与枣表面积的比作为阈值确定较高的病害面积识别精度,可正确识别的感兴趣病害面积为16.87mm2,占枣投影面积的3.3%。为进一步提高在该病害面积识别精度的正确率,依据已确定的病害面积比阈值,将病害面积比值二值化,结合红枣区域颜色特征值H的均值和均方差,用SVM方法建立枣病害的识别模型,训练集和测试集的识别正确率分别为9 5.7 7%和9 5.7 9%。在I分量图中,对红枣区域进行Otsu’s阈值分割、图像局部属性统计和形态学处理,提取裂纹二值图像,依据裂纹图像不变距方法建立裂纹识别模型,训练集和测试集的识别正确率分别为94.90%和94.55%。     

基于机器视觉的番茄采摘器红外图谱识别研究

为了实现番茄分类自动化采摘,基于机器视觉和红外图谱技术设计了识别系统。基于可见光分析,分离番茄图像,对RGB和HSI通道强度进行分析,发现色调H可以有效区分除半熟和成熟阶段的番茄成熟度;引入红外图谱分析,采集810nm番茄图谱,发现灰度在半熟和成熟阶段区别明显。因此,建立半熟和成熟阶段区分模型,并以G、R、H、NIR强度以及4个因素标准方差为系统输入,基于色调H处理番茄图像,采用聚类算法计算番茄中心和半径。对成熟度判定与番茄半径精度进行测试,结果表明:成熟度分类准确率在94.8%以上,半径相对误差小于6%。