基于机器视觉的芒果果形评价方法研究

果形是芒果分级的重要指标.为避免人为主观因素对芒果分级的影响,采用图像处理技术对芒果果形进行自动检测,提出芒果果形评价指标及方法,对50个芒果的果形指标进行聚类分析,确定各评价指标的分级依据.并对该评价方法进行试验验证,结果表明采用芒果果形指数和饱满度相结合的方法对芒果果形进行评价其准确率可达92％ .     

柚子仿形热封切模的设计

柚子热封切模是柚子自动化包装最重要的环节。针对柚子的特殊形状经过多次试验,本设计将模具的主要件推板、导热块及热封切刀制作成柚子的半边仿形状,并将电热管置入导热块的孔内。实践表明,此设计能够更好地完成对柚子裹膜的热封切,在合理配置控制机构后实现流水线的自动化作业,降低薄膜的消耗,减轻劳动强度,提高生产率。     

基于机器视觉的柚子尺寸检测系统的研究

介绍了一种基于机器视觉技术的柚子外形尺寸检测系统。利用 CMOS 摄像头采集柚子正立图像;通过灰度转化、去噪、二值化等预处理获取检测目标图像。通过扫描法确定目标图像的上、下、左、右4个边界点,计算柚子的纵径与横径初测值;借鉴已有的机器视觉球状物体检测误差理论进行修正,获得最终检测结果。试验结果表明,该系统检测精度高且速度快。     

基于MATLAB的红枣图像处理研究

本实验应用MatLab7.0数字图像处理工具箱对红枣图像信息进行处理。从红枣的形状、大小、颜色入手,选出符合红枣外观品质检测的3个特征参数,分别是红枣果形指数、色泽、有无缺陷。大小特征提取中,红枣的果形指数采用最小外接矩形法获得;对于颜色特征,将RGB模型转化成HSI模型,然后进行提取颜色特征参数;缺陷特征的提取,先进行缺陷部位轮廓的提取,然后填充求缺陷部分的面积,根据该面积在图片中大小比例作为判断的依据。     

基于IFSSD卷积神经网络的柚子采摘目标检测模型

为了解决柚子采摘时传统水果检测模型对于小目标柚子漏检和将叶子误检为膨大期柚子的问题,设计了一种改进的特征融合单镜头检测器(Inception V3-feature fusion single shot-multibox detector,IFSSD)。该检测器以特征融合单发多盒探测器(Feature fusion single shot-multibox detector,FSSD)为基础检测器,以改进的Inception V3网络作为骨干网络代替超深度卷积神经网络(Very deep convolutional networks 16,VGG16),从而提高了计算效率,同时使用Focal Loss损失函数代替Multibox Loss损失函数,进而改善了由于正负样本不平衡导致的检测器误检情况。对测试数据集进行检测,结果表明,该模型的检测准确率为93. 7%(IoU大于0. 5),在单个NVIDIA RTX 2060 GPU上每幅图像检测时间为29 s。本文模型可以实现树上柚子的自动检测。     

雾滴图像粘连特征改进判断及分离计数方法优化

雾滴在靶标上常出现粘连的情况,为准确测量雾滴尺寸、掌握雾滴分布规律,需要判断雾滴是否粘连,并用图像处理技术将粘连雾滴分开。首先提出判断雾滴是否粘连的改进方法,该方法结合雾滴的形状因子和面积阈值对粘连雾滴进行判断和特征提取,并用极限腐蚀法和迭代开运算法对粘连雾滴进行计数处理,其次调用迭代开运算标记的分水岭算法分割,最后对分割后雾滴的连通域进行标记及形状圆整。试验结果表明：该方法可实现粘连雾滴的自动判断和特征提取,弱粘连准确率100%,强粘连可达97.2%以上。该算法获得的雾滴粒径参数与激光粒度仪试验测量结果接近,其尺寸测量准确度较Deposit Scan软件计算平均提高了7.67%。基于相同的样本,与人工计数标定结果对比表明,该方法获得的雾滴个数快速且精准度达97.06%以上。     

黄花梨品质检测机器视觉系统

以黄花梨为研究对象,比较了不同强度光源、不同背景对采集到的图像的影响,研制了一套适用于黄花梨及其他水果品质检测的机器视觉系统。试验结果表明,在白色背景、普通光源照明下,可以获得清晰度较高的图像,为进一步研究黄花梨的尺寸、形状和表面缺陷等的检测创造了条件。     

铲齿成型铣刀的设计原理与制造

0 前言 切削刀具形状取决于工件廓形的铣刀成为成型铣刀.成型铣刀的后刀面经过铲背成阿基米德螺旋面,在刃磨刀具前刀面时,这种后刀面的刀齿齿形保持不变.成型铣刀不用来加工直纹曲面和螺旋面,成型铣刀是一种应用广泛的刀具,它和成型车刀一样,可以将零件的各种形状表面在一次加工中完成,且操作方便,生产率较高,加工后的零件尺寸和形状精度好,尺寸和形状一致性较强.成型铣刀按齿背的形状,可分为尖齿成型铣刀和铲齿成型铣刀2种.     

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.     

基于双向极角的植物叶凸包生成算法

为了描述和提取植物叶的形状特征,需要生成植物叶的凸包.首先,通过图像分割,获得植物叶原始图像的二值图像;其次,利用轮廓跟踪算法,获得植物叶轮廓的简单多边形;最后,利用基于双向极角的卷包裹法,生成植物叶的凸包.该算法计算复杂度为O(Nh).试验表明,算法满足图像旋转不变性要求,适用于多种不同形状的植物叶.     

基于图像处理的果树滴水线导航路径检测方法研究

针对果园开沟施肥,提出一种基于图像处理的果树滴水线导航路径检测方法。该方法采用垂直地面向上布置的CCD相机采集果树冠层投影图像,并实现果树冠层沿地面垂直投影轮廓的识别与滴水线平滑处理,进而对无人施肥装备沿果树环状行走路径进行确定。通过相机标定获取相机内部参数和畸变参数,对原始图像进行畸变矫正;通过对图像在RGB颜色空间的分布特征进行定量分析,使用平均值法对图像灰度处理,使用定阈值法进行二值分割;二值图像中由于存在大量的空间间隙,使用形态学膨胀操作,填充间隙,以凸显树冠投影边缘轮廓;使用边界跟踪算法,提取树冠轮廓边缘;引入Beseel曲线拟合方法,对轮廓边缘进行平滑处理,通过对比二阶、三阶、四阶、五阶拟合结果,得出使用三阶和四阶Beseel拟合结果较为符合导航路径要求。将相机固定在一个位置,分别在晴天和阴天拍摄条件下采集图像,进行滴水线导航路径提取,分别使用三阶和四阶Beseel曲线拟合晴天和阴天的图像边缘轮廓,使用四阶拟合结果较为符合实际要求,平均像素误差为19.5像素,平均像素相对误差为2.6%,平均每帧图像处理速度为27 ms,能较好地满足导航精度和实时性的要求,为施肥作业平台沿滴水线自动导航提供参考。     

基于Kinect传感器的猕猴桃果实空间坐标获取方法

猕猴桃自动采摘机器人研究中,为了自动获取目标果实的空间坐标,提出了一种基于Kinect传感器的猕猴桃果实空间坐标获取方法。首先利用Kinect传感器的红外投影机和红外摄像机获取深度图像,利用彩色摄像机获取RGB图像,根据彩色图和深度图对应关系,转换成深度坐标;然后通过Map Depth Point To Skeleton Point函数得到以红外摄像机为原点的坐标系坐标。实验表明:该方法能够有效获取猕猴桃目标果实的空间坐标,其定位误差小于2mm。     

水果机器视觉质量综合分选机的设计

为满足水果外观品质和质量综合分选的实际需要,设计了一种集机器视觉与质量检测为一体的水果自动分选机.该分选机主要由机械系统、称重模块、同步控制系统和图像处理系统组成.为此,介绍了各部分的结构及工作原理,给出了水果同步检测过程的实现方法.通过这种综合设计,该分选机能实时检测水果的大小、质量、颜色、表面缺陷状况和果形等品质,并能根据预定标准综合评定水果的等级,对水果进行自动分级.     

番茄枝叶修剪机械手视觉伺服控制系统研究

为解决番茄枝叶修剪机械手无法准确找到番茄侧枝修剪点的问题，保证番茄枝叶修剪机械手工作效率，提出基于不同边缘类型的番茄侧枝特征点识别方法。在粒子群算法优化的神经网络(PSO-BP)的基础上设计“眼在手上”视觉伺服控制系统。通过对番茄植株横纵边缘分割，分别进行横向边缘和纵向边缘的提取，用阈值分割除去番茄叶片的短边缘，并记录其交点横纵坐标，限制交点分别在横向边缘的上边缘和下边缘，得到对偶的番茄侧枝点。试验结果表明，所设计的视觉伺服系统能成功的识别番茄侧枝点，仿真试验测试得到图像特征的实际值和期望值误差在3~5个像素之间，五自由度的机械手能在4 s内移动到期望位置，为农业修剪枝叶机器人进一步研究提供参考。     

水果品质机器视觉检测中的图像颜色变换模型

在水果品质的机器视觉检测过程中，水果形状导致的图像颜色失真直接影响最终的检测和分级结果。本文在6个位置分别采集了3种大小、19种不同表面颜色的标准实验球体的图像。在分析球体的大小、表面颜色和图像采集位置等因素对球体图像颜色的亮度、色调和饱和度的影响后发现，球体图像的颜色失真主要是颜色的亮度失真。建立了摄像视区中心球体图像的亮度校正模型，该模型的相关系数R^2为0．846。采用该模型在Matlab软件平台上构建了柑桔图像的颜色校正算法，实验结果表明，该颜色校正模型和算法是有效和可靠的。     

采摘机器人水果检测及定位研究——基于图像处理和卷积神经网络

首先,设计了一种采用K-means聚类算法和图像处理相结合的目标边缘识别算法,可以获得完整的目标边缘轮廓;然后,利用卷积神经网络和双目视觉技术实现了采摘机器人水果检测及定位方法。实验结果表明:该采摘机器人水果检测及定位方法较好,计算量小,处理速度快,误差较小,能够满足采摘要求。     

基于小波模极大值的水果大小检测方法

提出了一种基于小波模极大值的水果检测方法,对采集到的图像进行滤波处理,利用自适应阈值法进行二值化处理,通过小波模极大值法提取水果的边缘图像,得到水果的边界信息,最终确定水果的横径值。试验中将测试结果与实际的果径值相比较发现,该方法具有较高的准确性,从而可以用以区分水果的等级。     

基于茎基部分区边缘拟合的稻株定位方法

准确地定位稻株是水稻株间除草机械作业的前提,提出了侧位俯拍的图像采集方式获取稻株茎基部图像,采用茎基部分区边缘拟合的方法定位稻株,解决了除草期内水稻冠层接连引起的定位不准确问题。首先分析稻株生长形态,探究侧位俯拍稻株茎基部的相机安装参数设定,以及影响成像质量的相关因素,提出了遮光条件下采集图像的方法,构建了具有遮光功能的图像采集系统;其次采用2G-R-B彩色图像灰度化、自动阈值、形态学操作等方法处理并分割稻株图像,检测茎基部边缘并分析其形态特征,并提出了分区边缘拟合定位方法:划分拟合区间为3个子区间,在子区间内进行边缘拟合,以拟合边缘线段中点坐标均值作为子区间茎基部中点,根据中点拟合茎基部中线,以中线中点作为定位的茎基部中心。最后进行了基于茎基部与冠层的稻株定位精度田间对比试验,结果显示:插秧后10~20 d内,基于茎基部的稻株定位误差均在7.0 mm以下,其中10 d、15 d、20 d时的定位误差分别为6.9mm/6.8 mm、5.9 mm/5.8 mm、6.3 mm/6.5 mm(有水条件/无水条件);基于冠层的稻株定位误差在8.0 mm以上,其中插秧20 d后,定位误差超过15 mm以上。试验结果表明,所提出的基于茎基部分区边缘拟合的稻株定位方法,定位精度高,除草适用期长,可满足株间机械除草过程中对稻株精准定位的技术要求。     

基于深度图像的球形果实识别定位算法

为了解决近色背景果实识别困难问题,针对果实近球形的形态特性,提出了一种利用深度图像从果实形态角度进行果实识别定位的算法。该算法使用深度摄像头获取果树的深度图像,通过深度图像计算出各像素点的梯度向量,将梯度向量看作运动矢量场,并计算出矢量场的散度,根据散度最大原则,从矢量场中搜索出辐散中心点;然后利用果实和叶片等深图像的差异从辐散中心点中筛选出果实中心点,以果实中心点为起点采用八方向搜索方法搜索出果实边界点,将果实边界点依次连接后形成的封闭区域内的果实图像导入点云;最后根据果实图像部分点云利用RANSAC算法求出目标果实的拟合球形,进而得出果实的尺寸以及三维空间位置。该算法无需传统算法需要利用的颜色特征,而仅利用了深度图像中的深度信息进行果实识别定位,能够克服传统算法受色彩、光照等因素影响的弊端,并且由于该算法完全没有利用到彩色图像信息,因此不仅可以实现绿色果实的识别定位,还可以实现采摘机器人在夜间环境下正常工作,为复杂环境下的果实识别定位算法研究提供了技术支撑。     

果树快速定位采摘机器人设计——基于红外和激光扫描技术

为提高采摘机器人的自主导航能力和采摘效率,实现机器人的快速果树识别和定位,结合红外测距传感器与计算机图像处理技术,利用激光扫描传感器体积小、功耗低、速度快、抗干扰等特点,提出了一种非接触式测量果树深度信息的方法;并结合计算机图像处理对果树进行了标定,实现果树的快速识别与定位,为采摘机器人运动轨迹规划提供了自主导航的参数。为了验证该方法的可靠性,在采摘机器人试验样机上安装了红外线测距和激光扫描快速定位装置,并通过左右两侧果树的导航路径拟合,得到了机器人的行走路径,通过对比红外线测距和激光扫描的结果发现,其拟合路径基本吻合,从而验证了该方法测量数据的可靠性。根据不同的树高对应的枝叶密度,利用计算机图像处理对果树进行了标定,最后利用激光扫描方法对标定后的果树进行了快速定位,并将结果和全站仪的结果进行了对比,结果表明:激光扫描和全站仪之间的最大误差仅为20mm。这说明,激光测量的精度较高,可以满足设计的需求。