基于标记的极半径极值红枣形状识别方法

形状是分级的最重要参数之一,本文采用标记法对红枣形状进行了识别。通过图像预处理获取红枣二值图像,通过边界追踪获取目标边界笛卡尔坐标,并将其转化为极坐标,对目标图像进行缩放旋转使均值圆成为基线,切割的4部分边界曲线能完整表达。对边界曲线进行多项式拟合,获取极值点坐标,将其映射回被拟合曲线上,获取对应极值点坐标。若两极小极半径差值大于阈值,则红枣畸形;若两极大极半径附近区域极半径过渡平缓,判红枣为规整,否则为较规整。取53粒红枣进行检测,其中16粒畸形,17粒较规整,20粒规整。检测结果表明:畸形枣识别准确率达100%,较规整枣的识别准确率94%,规整枣识别准确率95%,可基本满足红枣分级系统精度的要求。     

基于MATLAB图像处理的圆度误差数据采集方法

研究基于MATLAB的图像降噪处理,利用定点裁切法消除原始图像中的无关因素,提高图像降噪的处理效率,得出一种零件图像轮廓圆度误差的评定方法。此法在传统图像降噪法的基础上,对含有曲线数据的图像采用降噪流程,得到精确的零件轮廓二值图像。用最小二乘法对零件轮廓进行拟合,对得到的最小二乘圆度数据进行评定,并将所有采集的黑点的坐标进行计算,计算的结果与参考数值的误差仅为0.5μm,符合国标中对圆度公差值的要求。     

基于动态网格和分区域聚类的玉米苗带识别算法研究

针对基于计算机视觉的玉米苗带中心线提取受自然环境干扰严重的问题,提出基于6×6动态网格与分区域特征点聚类的玉米行定位算法。首先将获取的玉米苗带图像进行像素归一化,采用改进的过绿特征和最大类间方差法分割玉米苗带与土壤背景,得到二值图像;然后通过动态网格扫描二值图像,获取候选玉米苗带特征点,并对候选玉米苗带特征点采用分区域聚类算法,得到玉米苗带特征点;最后通过最小二乘法对特征点进行线性拟合得到玉米苗带中心识别线。田间试验表明,该算法具有较好的抗干扰性能,能够很好的适应较为复杂的田间环境。玉米苗带识别准确率为93.4%,处理一幅分辨率为1 920像素×1 024像素的图像平均耗时320 ms。     

基于计算机视觉的水下海参识别方法研究

海参识别是海参捕捞自动化和智能化的前提和关键。海参生活环境复杂且海参体色随环境变化,为解决复杂多变环境下海参识别的难题,提出基于视觉图像和海参特性的水下海参识别算法。利用海参体色随环境变化而海参刺颜色稳定呈黄绿色的特点,在图像预处理的基础上设计图像融合算法突出海参刺,然后通过边缘检测获取海参刺轮廓并计算轮廓质心坐标,进而通过椭圆拟合实现海参的识别。不同于已有的利用海参主干进行海参识别的方法,提出的基于直接最小二乘的海参刺质心椭圆拟合识别算法以海参刺的分割和椭圆拟合为途径,解决海参体色随环境变化而引起的识别率降低的问题。试验结果表明,该算法对自然环境下的海参识别平均准确率为93.33%,具有一定的实用价值。     

基于最小二乘支持向量回归的小零件精密测量技

以圆销式齿形链板为研究对象,提出了结合图像处理技术和最小二乘支持向量回归的小零件精密测量方法.以CCD作为传感器采集图像,通过去噪和二值化等图像预处理技术获得待测零件单像素边缘轮廓信息.根据零件特点确定待测区域,并取出该区域中图像点的坐标作为最小二乘支持向量回归的训练点集,进行直线和圆的亚像素回归.对回归结果进行处理得到待测直线间夹角、圆孔直径、圆度误差和圆心距等几何参数.实验结果表明提出的方法不仅收敛速度快,而且精度高、稳定性好.     

基于视觉的玉米苗期作物识别与定位方法研究

基于视觉的苗期作物目标识别技术逐渐成熟,对作物进行准确识别和精准定位,是实现株间除草的技术关键和难点。本文以苗期玉米为研究对象,提出了一种苗期作物的识别与定位方法,通过作业车辆的图像采集装置来实时获取田间作物的苗期图像,基于HSV色彩空间对输入图像进行预处理,根据作物与土壤背景颜色差异,选取固定取值范围的三通道阈值,通过二值化处理去除土壤背景,再通过深度开运算来去除杂草噪声,对得到的苗期作物提取轮廓信息,经过骨架提取算法后得到作物骨架,并以此确定作物茎秆位置坐标,从而实现对作物的精准定位。作物图像中幼苗的识别率为98.3%,定位误差距离在10 mm以内的定位精准度为85.9%,基本可以满足智能除草机器人实时除草作业要求。     

基于图像处理的微小塑料齿轮轮廓优化

通过计算机视觉系统的构成、图像预处理、图像分割和数字图像的像素连通性理论与技术的研究,提出微小塑料齿轮的二值图像噪声点去除及齿轮轮廓提取方法,用数学形态学方法提出轮廓的简化算法,并给出了关键技术的原理及实现方法.发现通过删除曲线上多余点,可以达到用最少的点来表示一条曲线的目的.实验结果表明,该优化轮廓的简化算法,可获得准确的齿形检测数据,能满足工程测量的实际需要.     

基于多层约束立体视觉的采棉机器人视觉系统研究

大田成熟棉花的识别和定位是采棉机器人作业的基本前提。为此,提出一种采棉机器人视觉系统解决方案。首先根据棉纤维颜色特点,将彩色棉田图像分离为RGB 3个通道,分别进行预处理和阈值分割,最后合并为彩色图像,继而检测大面积区域的轮廓并计算其质心点;在轮廓附近区域对预处理过的棉田图像进行FAST角点检测,使用SUFT特征描述并进行四层约束立体匹配,结合隐式定标参数可计算出特征点的空间坐标;最后,建立了一种考虑镜头缩放影响的轮廓面积/最小外接圆面积比值的成熟度估计模型。实验结果表面:本方法可在准确识别和定位大田棉花的同时判断棉花的成熟度。     

手持式精准立木树高测量装置设计与试验

为解决森林资源调查中树高测量误差大,复杂林分环境树高测量难,倾斜立木树干长度测量不准等问题,以测量学、测树学、电子信息技术、传感器技术和图像处理技术为基础,研制了手持式精准立木树高测量装置。该装置集成了中央处理器、激光测距仪、高清摄像头、高精度陀螺仪传感器、液晶显示屏、存储器等元器件,利用激光测距传感器获取测量装置与被测树根间的距离,同时获取该装置的仰角信息,再利用图像中心确定树顶位置后获取第2个仰角信息,通过距离信息和角度信息解算测量树高。使用设备贴紧树干测量树干倾斜角度,对于干型弯曲的树木,利用边缘检测算法识别图像树干轮廓边缘,以轮廓近似法提取树干轮廓边缘点,获得树干边缘离散点坐标信息,将线性拟合求得的直线斜率转换为树干倾斜角,利用角度补偿算法完成长势倾斜立木的树长测量。试验结果表明树高测量精度可达98.04%,倾斜立木测量精度为96.89%,满足国家森林资源调查的精度要求。     

基于计算机视觉的成熟番茄识别研究

以番茄图像为研究对象,提出一种成熟番茄识别方法。首先,以HSI模型中的色调分量为基础进行图像分割,提取出成熟番茄目标图像;然后,再采用最大方差自动取阈值法进行分割处理,对得到的目标图像进行轮廓提取;最后,对轮廓曲线采用Hough变换的方法进行识别,以同一个轮廓圆识别的多个极值点的均值作为最终识别结果,在Hough变换之前采用最小外接矩形法进行有效区域标记,提高了Hough变换的效率。通过多幅番茄果实图像的仿真测试表明:本算法对果实遮掩度为0、小于50%、大于50%这3种情况的识别率分别为78.7%、6 8.1%、4 1.9%,平均识别率达到7 0.6%。本算法对于成熟番茄可以较好识别,尤其对于存在重叠情况的番茄,识别准确率较高。     

自然场景下树上柑橘实时识别技术

采用G-B色差分量,通过Otsu自适应阈值分割算法分割成熟柑橘图像,采用基于距离变换的分水岭分割将遮挡、重叠柑橘逐个分开,利用凸包算法修复遮挡区域,设定圆度阈值去除误分割区域,然后提取柑橘轮廓,并运用基于Tukey权重函数的最小二乘圆拟合特征圆,提取了柑橘的中心坐标及半径.对87幅图像中592个柑橘进行了识别试验,总体识别率达87.2%,遮挡或重叠柑橘识别率均超过80%.     

基于图像轮廓分析的堆叠葡萄果粒尺寸检测

提出一种堆叠葡萄果粒尺寸检测算法:首先通过8 -邻域轮廓跟踪提取果穗轮廓曲线,然后基于改进的曲线旋转和局部极值判断方法搜索曲线上的凹点,从而将曲线分割成分段圆弧以实现果粒的分割和识别,进而采用最小二乘分段曲线拟合计算果粒直径.通过对巨峰葡萄的检测试验表明,该算法对葡萄果穗的果粒正确识别率在35％左右,用于统计葡萄的平均果粒直径,平均误差为0.61 mm,最大误差为1.69 mm,根据果粒大小分级的准确率为72.7％.     

基于语义分割的矮化密植枣树修剪枝识别与骨架提取

为了实现休眠期枣树自动选择性剪枝作业,针对复杂树形结构修剪枝难以识别的问题,研究了基于语义分割网络实现自然场景中枣树修剪枝识别与骨架提取。通过RGB-D相机搭建的视觉系统获取不同天气情况下枣树的点云信息,根据距离阈值去除复杂的枣园背景,并构建枣树前景数据集。利用DeepLabV3+和PSPNet 2种深度学习模型分割枣树枝干同时获取其修剪枝的掩膜,并进行结果对比。对修剪枝掩膜进行二值化,依据二值图像的面积去除噪声,对去噪后的连通域标记,并提取修剪枝骨架,最终确定修剪枝数量,建立修剪枝数量真实值与预测值之间的线性回归模型。结果表明：基于ResNet-50特征提取网络的DeepLabV3+模型识别结果最好,平均像素准确率（mPA）、平均交并比（mIoU）分别为89%和81.85%,其中枣树主干、修剪枝2个类别的像素准确率（PA）和交并比（IoU）分别为90.36%、80.98%和80.34%、66.69%;在3种典型天气（晴天、阴天、夜间）情况下,晴天枣树枝干的mPA（91.97%）略高于阴天（91.81%）和夜间（90.98%）,同时,预测的修剪枝与真实值的R2（0.8699）也高于阴天（0.8373）和夜间（0.8120）,并得到最小的RMSE为1.1618。     

基于计算机视觉的农田残膜定位研究

介绍利用计算机单目视觉技术对农田残膜进行定位的方法。通过图像处理对残膜目标区域进行识别;利用最小外接矩形法确定残膜目标区域的形心,并基于形心点特征将识别后的残膜图像与原图像形心坐标进行匹配;最后对这两种坐标进行最小二乘拟合,获取匹配函数。结果表明,该方法所确定的残膜形心位置的偏差被控制在1.2cm以内,说明单目视觉技术可以较准确地定位农田中残膜的位置。     

基于OpenCV的齿轮自动识别研究

利用OpenCV图像处理技术对工业中齿轮图像进行自动识别检测,并在图中用矩形框标注出轮廓。运用了灰度化处理、边界检测的方法对图像进行平滑模糊处理,再运用二值化、腐蚀膨胀、轮廓检测的方法获得齿轮的外形数据,并对最后识别结果进行分析。     

基于VUE的智能采摘机器人前端开发框架研究

以智能采摘自动识别定位方式为研究对象,对葡萄自动采摘前端的图像采集和分析处理过程进行分析,利用VUE自底向上逐层构建的方式,设计一种能够对目标进行自动识别定位的智能采摘机器人识别定位算法。采用高清相机对采摘目标图像进行采集,将原始图像进行二值化处理,获取图像灰度等级,并采用葡萄图像分割的方式获取葡萄采摘点,最后通过最小角度拟合的方式确定葡萄果梗采摘点。试验结果表明:智能采摘机器人前端识别定位方法平均运行成功率高于90%,平均运行时间0.65s,能够快速准确地进行采摘对象识别定位,可为智能采摘机器人技术的推广提供理论基础。     

基于图像处理的小麦病害诊断算法

通过小波变换和纹理矩阵计算,强调了小麦病害部位.由自动阈值处理获得病害部位的二值图像;通过二值图像与原图像的匹配,计算出病害部位的颜色特征值;以待测病害图像与库存病害图像之间颜色特征值差值最小为原则,检索出库存病害图像.算法对小麦病害图像的诊断准确率达90%.     

基于计算机视觉的水稻杂株识别

针对水稻的杂株识别,设计了一种基于计算机视觉的水稻杂株识别系统。系统主要由图像获取系统、特征提取系统和模式识别方法系统组成,可利用颜色特征识别图像中的杂株,并对图像进行阈值分割获取二值图像,提取形状特征和纹理特征,通过DS融合理论程序实现水稻杂株的识别。试验结果表明:系统可以准确识别水稻杂株类型,准确率达到了92%以上,能够满足农业人员对水稻杂株识别系统的要求。     

基于计算机视觉的香蕉贮藏过程中颜色和纹理监测

利用计算机视觉技术对香蕉在贮藏过程中颜色和纹理的变化进行研究。以第1阶段的青香蕉为研究对象,在贮藏过程中每天获取其图像,并将图像二值化,以其为模板分别与灰度、R、G和B分量图像点乘进行背景分割,提取彩色分量的均值作为颜色指标;预处理后灰度图像的共生矩阵由不规则的生成方式提取,并获取其纹理二阶矩、对比度和均匀度3个纹理指标。实验结果表明,结合R和G均值的变化曲线可对香蕉在第6阶段之前的表面状况进行描述,采用基于灰度共生矩阵的对比度和均匀度的变化曲线对香蕉在第6阶段之后的表面状况进行描述。     

基于机器学习的中耕期甘蔗幼苗识别定位*

针对甘蔗中耕培土过程中,由于甘蔗植株种植垄间距的改变,导致中耕培土机难以兼顾左右两侧垄的甘蔗植株而引起甘蔗植株培土不到位、不充分的问题,即“火山口”现象,结合多功能甘蔗中耕培土机械的开发,提出一种基于机器学习的中耕期甘蔗幼苗识别定位和坐标分类计算方法。该方法通过YOLOv4网络建立识别网络模型,对中耕期甘蔗幼苗根部和土壤接触的局部区域进行识别定位和坐标获取,然后采用支持向量机将坐标数据分成两组,并分别对每组坐标数据进行实时计算处理,得到两组坐标数据的倾斜值,后续中耕设备将根据倾斜值的数值大小进行调整,改变供土量和供土方向。试验结果表明,采用基于YOLOv4识别网络模型对甘蔗幼苗的识别准确率可达95.50%,采用支持向量机对甘蔗幼苗坐标分类的准确率可达92.60%,实现了对中耕期甘蔗幼苗的实时动态识别及分类计算,为智能甘蔗中耕植保联合作业机械的开发提供数据基础。