基于机器视觉的植物水势测量装置设计

压力室法判断水势测量终点需要对待测样本截面渗液状况进行观察,但由于观察者的判断标准不一致,容易造成较大测量误差。为此,根据待测样本截面出现渗液时光线发生折射、截面图像的灰度值出现变化的现象,提出了利用机器视觉代替人眼进行水势测量终点判断的方法。该方法使用USB摄像头采集待测样本截面图像,通过控制系统软件计算采集到的图像平均灰度值变化来判断水势测量终点。根据该方法设计了一种基于机器视觉的植物水势测量装置,并进行了试验验证,结果表明:该方法可行,且提高了水势测量速度和测量精度。     

植物生长机器视觉无损测量研究综述

作为植物生长建模关键技术之一的机器视觉无损测量研究,对促进数字农业的快速发展具有重要的意义。本文概述了基于机器视觉的植物无损测量的研究意义、研究方法和国内外的研究进展,提出了急需解决的难点问题,展望了其研究前景。     

基于机器视觉与深度学习的西兰花表型快速提取方法研究

准确获取西兰花花球面积和新鲜度是确定其长势的关键步骤,本研究通过对深度残差网络ResNet进行改进得到一种新型的西兰花花球分割模型,并通过花球部位黄绿颜色占比判断其新鲜度,实现低成本高效准确地西兰花表型信息提取。主要技术流程包括：（1）基于地面自动影像获取平台拍摄西兰花花球正射影像并建立原始数据集;（2）对训练图像进行预处理并输入模型进行分割;（3）基于颜色信息用粒子群结构PSO和大津法Otsu对分割结果进一步进行阈值分割,获取其新鲜度指标。试验结果表明：本研究建立的分割模型精度优于传统深度学习模型和基于颜色空间变换和阈值分割模型,4个评价指标结构相似性指数(SSIM)、平均精度(Precision)、平均召回率(Recall)、F-度量(F-measure)结果分别为0.911、0.897、0.908和0.907,相比于传统方法提升了10%-15%,且对土壤反射率波动、冠层阴影、辐射强度变化等干扰具有一定的鲁棒性。同时,在分割结果的基础上采用PSO-Otsu法可以实现花球新鲜度快速分析,其精度超过了0.8。本研究结果实现了西兰花田间多表型参数的高通量获取,可以为作物田间长势监测研究提供重要参考。     

基于三维机器视觉的植物叶片萎蔫预测模型

采用基于激光斜射测距原理的三维扫描装置实时获取植株三维图像,从中提取叶面卷曲统计指数、分形维数和二维傅里叶变换直流分量作为萎蔫指数来定量研究植物的萎蔫程度,采用西葫芦、葫芦、南瓜及秋葵4种植物的嫩叶期体态变化检验了3种萎蔫指数与萎蔫程度的相关性,结果表明:3种萎蔫指数与萎蔫程度均具有较好的相关性,相关系数都达到了0.82以上。在此基础上,运用SPSS软件建立了3种萎蔫指数与环境饱和水气压差VPD及光合有效辐射的多元线性回归统计模型。     

植物叶片特征参数的机器视觉提取方法

介绍了应用机器视觉提取植物叶片参数的方法,通过一种新的曲线链码编码算法,对植物叶片的边缘形状进行表示.基于该链码对植物叶片的角点、周长、面积等参数进行提取.实验表明,该方法对识别叶片的形状特征具有很好的效果和实际应用价值.     

基于机器视觉的蜜柑横径测量方法研究

【目的】机器视觉技术具有无损、快速、准确、智能化程度高等优点,被广泛应用于水果检测中,替代人工对水果的检测分级,因此研究小组基于机器视觉技术,来探究蜜柑横径的测量方法和过程。【方法】研究小组在试验研究过程中,通过图像采集系统获取蜜柑样本图像,并对其进行灰度化、中值滤波等预处理,采用阈值分割的方法将蜜柑图像和背景图像进行分割。对蜜柑图像区域进行填充和形态学处理等,提取蜜柑的边缘轮廓图像;运用Canny算子的边缘检测技术,最终提取出蜜柑的轮廓;依据轮廓图像,采用拟合圆法,将拟合出的圆的直径作为蜜柑横径数据,并和人工实测的蜜柑横径数据进行比对和分析。【结果】从测试样本中随机取出9个蜜柑样本进行试验,通过相对误差数据表明,机器视觉技术能够比较合理、准确地计算出蜜柑的横径。【结论】将机器视觉技术应用到蜜柑横径的测量中,通过采用相关的图像处理方法和数据运算,探讨出了蜜柑横径的测量过程和方法,为蜜柑乃至柑橘类水果的智能化分级提供了方法理论和数据基础。     

基于机器视觉的穴盘苗检测试验研究

针对穴盘苗出现空穴和不合格坏苗,影响蔬菜种苗销售价格,不利于机械化移栽及后续栽培,而人工剔苗补苗费时费力的问题,提出了利用机器视觉技术检测穴盘苗空穴及不合格苗、传输检测结果的方法,为穴盘苗自动化剔除空穴与不合格苗及补苗作业提供技术基础。穴盘苗空穴及不合格苗检测硬件系统由工业相机、PC机及PLC构成,通过CKVisionBuilder软件对图像进行处理,获取每个穴孔区域的像素数量,判断幼苗状态,并将获取的判断结果传输至PLC中。试验结果表明:苗龄13天的72穴意大利生菜、白玫瑰白菜及广府1号油菜心穴盘苗坏穴的检测正确率达到95.8%以上。     

基于机器视觉的螺纹检测系统

本文应用机器视觉技术的螺纹检测,利用CCD作为螺纹几何要素的探测器件,借用小波变换去噪,模局部极大值进行边缘检测,解决了传统的不能在线检测的问题,同时提高检测速度和检测精度。     

基于机器视觉的麦田边界检测

针对不同时期麦田场景,提出了基于机器视觉的边界（田埂）检测算法。将摄像机安装在农田作业机械前方,在作业过程中采集麦田场景图像。根据麦田和田外区域的不同颜色及亮度特征,判断出田埂的位置以及田埂线的方向候补点群,使用过已知点的哈夫变换计算出田埂线的斜率。经过对多幅不同时期麦田图像的处理,证明本检测算法可以适应不同时期的麦田环境,并且具有速度快、抗干扰、准确性高等优点。     

基于机器视觉的母猪分娩检测方法研究

检测母猪分娩需对分娩限位栏内的仔猪进行目标识别,分析了母猪分娩视频图像特征,提出首先利用半圆匹配算法进行母猪目标分割,排除母猪运动干扰,基于改进的单高斯模型的背景减除法进行运动目标检测,根据运动区域的颜色和面积特征,对仔猪进行目标识别。试验表明:基于半圆匹配算法的母猪目标识别方法能够有效分割出母猪目标,基于改进单高斯模型的运动目标检测方法,对面积较大、运动缓慢的仔猪目标检测较为完整,适用于母猪分娩检测场景。     

基于机器视觉的农业植保技术研究进展

综述国内外机器视觉技术在农业植保领域的应用进展,分析机器视觉技术在农作物病虫害自动识别与诊断的应用前景,指出目前尚需解决的难点和研究方向。     

基于机器视觉的荔枝果实采摘时品质检测技术

为了在荔枝采摘时实时判断果实的品质状态,通过分析自然环境中荔枝不同生长期的图像,对荔枝果实未成熟、成熟、成熟后外表腐烂变质的3种情况进行了图像数据分析。选取了YCbCr颜色模型,利用探索性分析法对荔枝不同部位、不同光照、不同生长期的荔枝图像的Cr分量进行了数据分析与统计,确定了辨识荔枝果实未成熟与成熟的Cr分量的阈值范围;对于成熟的荔枝,采用边缘提取与Hough圆拟合方法对其Cr分量图进行处理,标记出图像的荔枝果实,然后利用纹理统计法、颜色特征与果实不同部分面积比值相结合的方法进行果实变质的判断,最终实现了未成熟、成熟以及腐烂变质的荔枝果实的视觉智能判断,建立了荔枝果实品质辨识的智能系统。试验结果表明,辨识荔枝品质状态的正确率达93%。     

基于机器视觉的条播排种器性能检测及分析

运用机器视觉技术实现条播排种器性能的自动化检测.研究表明,帧种子数分布相对于拍摄频率（帧频率）具有独立性.以该独立性为基础构造的机器视觉检测方法为：采用CCD摄像机直接拍摄条播排种器试验的动态种子流,对获得的样本进行图像标定、灰度化处理、非种子目标去除、二值化处理、滤波去噪、小目标去除、种子遮挡判别、排种模式识别等图像处理过程,估计排种量的分布和计算排种器性能指标.     

破损花菇机器视觉检测技术

为实现基于机器视觉技术的破损花菇自动检测,研究了基于曲线演化和花菇边缘灰度分析的破损检测方法以及破损花菇在线检测系统。去除花菇背景,跟踪花菇边缘,得到花菇边缘坐标曲线,对此曲线的内外部进行曲线演化,并计算内外部演化曲线与原始花菇边缘曲线接近的点的个数(Nin、Nout),以此参数可判定花菇的破损状况;利用形态学腐蚀的方法对花菇边缘进行采样,从采样灰度序列中提取均值(μ)、方差(ρ)、平均波峰宽度(Lp)和最大波峰宽度(Lmax)4个破损特征参数,进而使用模式识别的方法分析此4个破损特征参数,得出花菇的破损状况。结合曲线演化和边缘灰度分析的结果联合判断花菇的破损状况。对180个花菇样本进行测试,得出最终破损识别率为88.33%,检测速度为98个/min。     

基于机器视觉的花菇分选技术

为了实现花菇的自动分选,设计了一种基于机器视觉的花菇分选系统,并提出了相应的算法。针对花菇分选中花菇的菇柄长度、形状类别和菌盖面积这3个重要分选指标,提出了一种曲线结构特征分析的分选方法。跟踪花菇边界并计算曲率,根据边界上点运动变化模式判断曲线凹凸性,利用曲线类半径识别并定位菇柄的位置。使用极坐标意义下的线性插值重建去除菇柄的菌盖边界曲线,在重建曲线基础上提取9种形状特征参数和1个大小特征参数,利用主成分分析法从9个形状参数中提取相应的3个主分量,以这3个主分量作为输入,构建K近邻分类器作为形状分选模型。结合花菇的菇柄识别情况、形状等级和大小等级共同判定花菇的最终等级。试验表明,菇柄识别正确率为91.4%,且菇柄识别能显著提高形状分选的准确率,最终形状分选正确识别率可达95.6%,花菇等级分选正确率为92.2%。     

基于机器视觉的大田植株生长动态三维定量化研究

高通量植物三维表型的研究对判定植株表型特征至关重要。基于机器视觉的植株三维表型获取方法在温室中已广泛应用,能够动态监测植株生长过程,但在大田复杂环境中应用较少。以大田生长的玉米、大豆植株为研究对象,基于机器视觉分析方法对不同生长时期玉米、大豆植株进行个体和群体的三维重建,并基于手动测量值对叶长、叶最大宽进行精度评估。研究结果表明,叶长、叶最大宽的计算值与手动测量值的R2均大于0.97,精度较高,表明大田环境下此方法可以满足作物表型三维构建参数提取的精度要求,但是当冠层遮挡较严重时,三维重建精度将明显下降。进一步自动提取了株高、冠幅和器官生长动态,结果可为与基因型相关的表型高通量分析提供方法,并可进行株型与冠层辐射的精确评价。     

宽幅施药机械机器视觉辅助导航系统研究

为了实现宽幅施药机械喷幅的精确拼接,提出一种机器视觉辅助GPS导航方法。该方法首先对施药机械幅边喷洒泡沫剂并进行泡沫剂识别,识别过程中为了有效分割目标与背景,选定蓝色泡沫剂作为试验对象,提出使用超蓝色灰度化方案,并经过形态学滤波、行定位点的选取、Otsu分割提取泡沫剂信息,使用迭代的最小二乘法检测泡沫剂中心线的信息;然后给出了二维图形航向偏角和偏距的定义,并根据识别的泡沫剂信息进行航向偏角和偏差信息的提取,从而指导施药机械的行进方向。试验表明,所提方法可以较为准确地进行泡沫剂识别,根据泡沫剂信息识别得到的偏角计算值和实际测量值平均误差为1.58°,最大误差为2.5°,偏距计算值和实际测量值平均误差为5.4 cm,最大误差为8.4 cm,检测精度能够满足实际需求。