基于视觉技术的林木生长状态无损测量方法

为提高林木生长状态测量的准确性,克服传统测量方法的不足。从视差处理的角度出发,将图像处理技术与视觉理论有机结合,根据不同时间点采集到的树木图像信息,判断出一段时间内树木生长状态的变化情况。试验过程中,将待采集图像的树木上标出红色的矩形信息点,并利用双摄像机针对标出的特征点进行采集,然后将2幅树木图像进行对比研究, 分别计算出在一定时间间隔内树木上信息点空间信息,从而确定该段时间内信息点的位置变化。试验结果表明,针对标定的信息点,传统测量方法在高度和粗度分别增长5.63 mm和5.75 mm,二者数值相近,与林木生长实际不符;而基于视觉技术的测量,高度和粗度分别增长2.4 mm和1.5 mm,高度变化是粗度变化的1.6倍,与林木的实际增长过程是一致的。所以,基于视觉技术的测量方法,能够很好地实现对树木的无损测量研究,判断出树木的生长状态变化情况。     

基于双目视觉与深度学习的番茄本体特征检测系统

[目的]设计基于双目视觉与深度学习的番茄本体特征检测系统,实现番茄本体特征的自动无损检测,为水肥一体化和智慧农业提供技术支持.[方法]采集4000张番茄图像作为研究样本,利用基于深度学习SSD_MobileNet卷积神经网络的番茄主要器官检测算法,对番茄植株、茎、花、果实和叶进行检测.基于双目视觉的图像测量算法对各器官目标区域中株高、茎直径、果径和叶面积进行特征提取.[结果]利用SSD_MobileNet网络模型对研究样本进行训练和测试,调用训练好的模型对番茄各器官进行识别和定位,对番茄植株、茎、花、果实和叶的检测准确率分别为98.5%、99.0%、99.5%、99.5%和98.0%.利用基于双目视觉的图像测量算法对番茄本体特征进行测量,通过实践证明该系统对株高、茎直径、果径和叶面积测量的相对误差可分别控制在1.5%、1.0%、1.2%和1.3%以内,可实现番茄本体特征的精确检测,较常见系统的鲁棒性和精度有了明显提升;整套系统在番茄大棚中已稳定运行半年,完成了对番茄全生命周期的本体特征检测,并可将数据保存于数据库,实现对番茄本体特征的自动、无损监测.[建议]优化番茄特征遮挡问题,丰富训练数据集,优化网络模型,提高识别率和鲁棒性;建立番茄特征数据共享云平台,实现番茄疫病的提前预警;确定本体特征与番茄长势的关系,以快速判断施肥量,实现大棚番茄自动精确施肥.     

基于双目视觉的测树方法研究

树木参数是林业调查的重要指标。依据双目视觉原理和图像处理技术提出一种基于双目视觉的测树方法研究,利用经纬仪和CCD代替双CCD,减少计算误差,再经图像处理和识别提取出树木参数。     

基于双目视觉的测树方法研究

树木参数是林业调查的重要指标。依据双目视觉原理和图像处理技术提出一种基于双目视觉的测树方法研究,利用经纬仪和CCD代替双CCD,减少计算误差,再经图像处理和识别提取出树木参数。     

基于双目视觉的无人补料装置测距技术

基于双目视觉技术,研究一种适用于无人补料设备的目标检测及测距技术,设计了高精度的目标检测识别和双目测距方法,并进行了相关仿真实验。实验结果表明,使用改进后的识别定位算法平均准确率为99.53%,双目相机在距离补料装置40～90 cm时,测距相对误差为0.59%～1.26%,可以有效辅助近距离定位补料装置,较好地满足了补料装置与料仓的对接功能要求,对提高补料装置的自动化水平具有积极意义。     

基于双目视觉的手势识别研究

搭建了一个便利有效地双目视觉系统,结合深度信息,精准地提取手势信息。采用模板标定法对双目相机进行标定,精确地获取了相机的参数,标定的像素误差为0.67个像素;在立体匹配阶段,利用BM算法快速准确地实现了左右相机图像的匹配,获得被测手势的视差;结合三角测距原理,从而生成较为稠密的深度图;最后将深度信息重新映射到原彩色图像上,实现三维重建,生成三维云图,根据云图信息双目视觉系统能有效地从复杂背景中分割手势,并换一种手势进一步验证了所搭建的双目视觉系统从复杂背景中分割手势的可行性。     

基于双目立体视觉的草坪植株高度测量

计算机视觉现已被广泛应用于诸多农业领域,有助于精准农业的发展,提高劳动生产效率。针对坐骑式零转弯半径(ZTR)割草机刀盘高度无级调节问题,利用双目立体视觉对草坪植株高度进行测量可推动其智能化发展。首先对地毯草灰度图像中的V分量进行图像增强、形态学处理、阈值分割等预处理提取出植株图像。本研究提出一种结合高通滤波与Foerstner的特征点检测算法,对提取后的植株图像进行特征点检测,该方法可有效去除伪角点,准确率在98%以上。利用双目标确定后的参数对左右2幅图像进行角点匹配,选取z轴方向数值最小的3个点构造假想地面并最终计算植株均高。结果表明,该高度测量系统可识别测量不同草种,且总体相对误差为1.5%,有效地提高了测量精度且适用范围较广。     

基于双目视觉的叶片形态无损测量方法

利用数码相机实现对植物叶片形态的无损测量,是掌握植物生长规律、科学指导生产以及实现植物生长柜智能化控制的关键技术之一.针对叶片弯曲以及拍照过程中容易出现的几何失真等问题,提出了利用两个相互垂直的数码相机来采集图像,从侧面图像分析叶片的弯曲角度,对正面图像进行失真校正;然后根据投影原理统计出叶片的像素数目,从而得到对应的形态数据.结果表明,该方法能够有效地解决图像的二维图像失真问题,降低叶片数据计算的误差,对于促进农业科技进步、加快现代化发展具有十分重要的意义.     

基于机器视觉的稻田灌溉用水铜离子浓度检测

为实时、快速地监测稻田灌溉用水的质量,确保粮食生产安全,提出了基于机器视觉的稻田灌溉用水铜离子浓度检测方法.利用搭建的机器视觉检测试验装置,设计了不同浓度铜离子溶液的机器视觉检测试验,通过提取试纸图像的特征值,运用指数回归、对数回归、2阶多项式回归和线性回归等方法建立铜离子浓度的预测模型,减少了人为认知对检测结果的影响.试验结果表明,在0～300 mg/L范围内,基于机器视觉的试纸检测水中铜的方法训练集和预测集的相关系数分别达到0.9438和0.9191,均方根误差分别为19.9563、9.7889 mg/L,误差控制在8％以下,基本上达到了对稻田灌溉用水进行实时快速检测的要求,为进一步开发实用的稻田灌溉用水监测设备提供了依据.     

基于双目视觉的主从式果园作业车辆自主跟随系统设计

将黑白棋盘格特征板固定于引导车辆作为跟随特征,通过固定于跟随车辆的双目视觉系统,获取黑白棋盘特征板上各角点的三维信息,分析该信息,得到引导车辆相对于跟随车辆的车辆间距、横向偏移及航向偏角,利用该导航信息实现跟随车辆的自动跟随,建立了主从式果园作业车辆的跟随系统。双目视觉系统在不同光强下静态性能测试结果表明,双目系统生成导航参数偏差与日间光强无明显相关性,体现出双目系统对外界光环境变化有良好的适应性。在果园环境下,对该系统进行性能测试,结果系统导航信息生成频率为4.0 Hz,横向偏移平均偏差为3.68 cm,车辆间距平均偏差为8.24 cm,航向偏角平均偏差为2.32°,表明所构建的跟随系统能实现对引导车辆的自动实时跟随。     

基于极限学习机的玻璃瓶口缺陷检测方法研究

针对目前玻璃空瓶回收再生产过程中造成瓶口缺陷破损的在线实时检测难题,提出一种基于极限学习机(Extreme Learning Machine, ELM)的检测算法。首先对采集的瓶口进行预处理,通过研究表面缺陷,提取灰度方差等6种表面特征。然后运用遗传算法对极限学习机的输入层层的阈值和权值进行优化,提高算法的检测精度。最后现场选取569个样本对所设计ELM分类器进行训练学习与测试,并与LVQ算法、BP分类器对比实验。结果表明该算法能够满足对机器视觉检测系统缺陷检测高速高精度的要求。     

基于图像的人体参数测量系统的设计与实现

给出一种基于图像的人体参数自动测量方法,并设计与实现人体参数测量系统.通过2个数码相机拍摄人体的正视图和侧视图,运用图像分割和特征提取等图像处理方法提取2幅图像上的人体特征点;利用三维标定架标定相机的内外参数;利用双目视觉原理从2幅图像上的特征点计算出人体的测量点,完成人体尺寸参数计算.试验结果表明：与传统手工测量相比,本方法能实现自动测量,缩短了测量时间,提高测量的精度和效率;与三维非接触测量相比,本方法测量设备简单和便携,测量速度更快,操作更加方便.     

基于计算机视觉技术的红火蚁蚁巢探测

为探讨基于计算机视觉技术对红火蚁蚁巢进行探测识别的可行性,研究了利用数字图像处理技术提取红火蚁蚁巢特征参数,通过数学形态学对数字图像进行目标提取和识别。采用图像识别红火蚁蚁巢土建立了HSV彩色空间模型。研究结果表明,各红火蚁蚁巢土和普通土样本的H分量差异明显,特别是普通土H分量明显大于红火蚁蚁巢土,一般土壤H值大于30,而对于红火蚁蚁巢土土壤的H值小于30。因此,H分量可作为识别红火蚁蚁巢土的一项特征参数。当色调通道的平均值H30时,即可判定为红火蚁蚁巢土。研究结果说明基于计算机视觉技术对红火蚁蚁巢进行检测识别是可行的。     

基于人眼视觉的农产品图像分割方法

为实现利用机器视觉技术进行农产品检测分级，对农产品检测图像的分割进行了研究。考虑到农产品图像色彩相似性情况下的分割，提出一种基于人眼视觉特性的农产品图像分割方法。实验证明，该方法能够避免过分割，并能被人眼的视觉感官所接受。     

基于机器视觉的温室作物行间杂草的识别

根据温室行间植物的位置特征,应用空域中值滤波对图像进行预处理,然后运用色度法和最大方差自动取阈值法对图像处理,最后应用种子填充法将杂草和作物进行分割。结果表明,机器视觉技术在对温室杂草的识别方面具有一定的优越性。     

基于机器视觉的管道通径内检测技术

管道通径内检测可以提前发现管道安全隐患,在确保管道安全运行方面发挥着重要作用。在机器视觉技术的基础上,将视觉测量技术中的Radon变换应用于激光光源投射成像方法中,提出了基于视觉的管道通径测量计算方法。该方法利用激光发生仪投射与管道内部形状完全吻合的激光环,由相机采集管壁上的光环图像,并将其进行边缘检测和细化处理,最终获得管道的截面轮廓曲线。通过Radon变换得到两条反映管道内径信息的光带,经细化处理提取光带中心线,进而根据中心线之间的距离计算得到管道在所有方向角上的内径数据。研究结果表明:该测量计算方法高效快捷,能够一次性获取管道截面在所有方向角上的内径信息,具有很高的实际应用价值。