基于3D的马体尺测量及数据修正方法设计

马的体尺数据是衡量马生长发育及科学饲养、育种的重要依据。区别于人工测量方法,基于机器视觉的马体尺测量系统在测量的安全和高效方面具有显著优势。基于CINEMA 4D软件的骨骼设计,依据线性回归方程的建模思想,首先完成焉耆马体高、体长、胸围、管围的数据采集;然后分别讨论马体站姿不标准的2类情况下,相应体尺数据的修正方法;最后利用Matlab软件初步完成马体测量系统的仿真测试。结果表明,基于3D图像的机器视觉测量方法,对于马站姿不标准时体尺数据的采集具备测量依据,利用线性回归理论预测马体尺的数据对相关体测系统的开发具备借鉴意义。     

基于Kinect传感器的羊体体尺测量方法

在基于机器视觉的羊体体尺测量中,当受到光线、背景等干扰时,彩色图像无法精确提取羊体轮廓。此外,羊体站姿的变化也会造成测量误差。为解决彩色镜头受背景干扰的问题,采用Kinect传感器采集羊体彩色、深度图像,利用深度信息不受光干扰的特点,提出彩色与深度图像相结合的方法提取羊体轮廓;在特征点提取中,采用U弦长曲率得到臀部点,位置关系扫描得到前蹄点、后蹄点、耆点;为解决站姿干扰问题,利用传感器深度信息建立羊体空间轮廓线拟合平面,并计算其与像平面夹角,进行体位站姿纠偏,计算出羊体体尺数据。最后,基于VS2010软件搭建测量系统,经过实地测试,准确测量得到羊体体尺数据,且相对误差小于4.3%。     

基于拐点的羊体测量点提取及体尺计算

在畜牧业养殖中,进行非接触式测量,无应激获取羊体的体尺参数是一个研究热点。本文通过CCD摄像机对羊以传统的体尺测量位置进行拍摄,得到羊体的彩色图像。利用MATLAB对羊体图像实时处理,进行图像二值化、形态学去噪、填充孔洞及目标轮廓的提取。在提取拐点的基础上搜索羊体的测量点,对羊体轮廓序列进行计算,确定臀部测量点;提取羊体的左轮廓线和上轮廓线,经计算确定耆甲测量点、胸骨前缘测量点和臀部最高点;在此基础上,计算空间分辨率,最后得出羊体体尺参数的实际值。实验表明该测量方法可应用于羊体无应激测量体尺参数,虽然存在一定误差,但相对误差较小。     

基于机器视觉的黄花菜干菜分选方法研究

针对黄花菜干菜分选设备缺乏、人工分选效率低、产品附加值不高等问题,研究基于机器视觉的黄花菜干菜分选方法。设计搭建了试验平台和图像采集系统,构建了干菜图像及尺寸信息基础数据库;基于数据转换、背景差分、全局阈值、轮廓提取等方法提取目标区域,采用外接矩形算法测量干菜相关尺寸。试验结果表明,本研究采用的方法能够准确测量黄花菜干菜长度,通过长宽比判断干菜品质的正确率较高,满足实际使用要求。     

基于CCD视觉系统的刀具磨损测量方法

为保证刀具磨损测量能够在指定的周期内完成,本文提出了一种测量不同刀具磨损参数的测量方法。该系统由光源照射工具、CCD相机、激光二极管(用于轮廓深度评估)、线性投影仪、抓拍器和PC机组成,通过在刀具表面投影激光光栅线来确定轮廓深度。利用本文提出的方法,无需使用非常复杂的测量系统,即可获得三维图像。与其他能测量二维轮廓的技术相比,它具有明显的优势。     

北方日光温室智能监控系统的设计与实现

建立日光温室智能监控系统,能够推动我国北方日光温室设施园艺现代化,对日光温室的智能监控有助于提高设施园艺的产量,实现对日光温室的现代化管理。针对中国北方日光温室设施农业环境数据的监测与环境控制需要,设计了一套以ST公司的STM32单片机为控制核心并符合北方日光温室环境的智能监控系统,该系统综合运用传感器技术,自动检测技术和通讯技术等实现对日光温室温度、湿度、光照度、CO2浓度的采集、存储、显示、监测和控制,并对采集到的温室环境因子数据进行了线性回归分析。完成了对环境温室的实时遥测,遥调和遥控,同时能提供各温室环境因子的历史记录和数据。运行结果表明:该智能监控系统运行稳定,测量结果准确可靠,扩展性强,可以满足控制要求,具有良好的应用前景。     

基于机器视觉的犁体锻件轮廓测量

犁体轮廓是犁体曲面的边界,对犁体的很多性能都有影响。为了实现高温热态犁体锻件的快速、精确、非接触、自动化在线实时测量,提出计算机双目立体视觉犁体轮廓测量的解决方案;设计基于形态学的抗噪型边缘检测算子,实现犁体锻件的亚像素边缘提取;在对原始图像重投影和立体校正的基础上,研究亚像素二次校精校正算法,提高左右图像立体匹配的质量和速度。以犁胫为试验对象,采用双目立体视觉和图像处理,在HALCON和MATLAB平台上,开发基于机器视觉的犁体锻件轮廓测量系统,实现犁体轮廓的边缘提取、边缘重构、边缘拟合和数学描述,解决犁体轮廓尤其是热态锻件犁体轮廓测量难的问题,为犁体轮廓的检验、测绘、描述、制造和设计提供了新的途径。在Intel(R)Core(TM)i7-5500U CPU@2.40 GHz处理器上运行,测量精度1.44mm,相对误差1.4%,耗时468ms。试验结果表明:以机器视觉和图像处理为手段对犁体轮廓进行测量,具有一定精度和可行性,可以提高犁体设计、制造、检验的效率,与传统的三坐标测量仪和手工测绘相比,具有一定的优势。     

线性模型与机器学习模型对牦牛体重预测的比较

本研究测定革吉那布地区102头2岁龄的牦牛相关体尺性状(体高、体长和胸围)与体重,按不同比例划分训练集和测试集,利用传统的一般线性模型方法和机器学习方法(高斯过程回归、支持向量机)分别构建体尺性状与体重之间的回归预测模型,比较线性回归模型与机器学习模型在利用体尺性状预测体重时的准确性。结果表明,随着训练集数据的增加,线性回归模型的预测结果较稳定在0.71～0.80之间,而机器学习方法的预测准确性最高可达0.91。在训练集数据充足的情况下,相比于一般线性模型的方法,利用机器学习方法进行预测具有更高的准确性。     

线性模型与机器学习模型在牦牛体重预测比较

本研究旨在比较线性回归模型与机器学习模型在利用体尺性状预测体重时的准确性。测定102头革吉那布地区两岁龄牦牛相关体尺性状(体高、体长和胸围)与体重,然后将数据按照不同比例梯度分为训练集和测试集,利用传统的一般线性模型方法和机器学习方法(高斯过程回归、支持向量机)分别构建体尺性状与体重之间的回归预测模型。每个比例均重复5次,将体重的真实值与预测值之间的相关系数均值作为当前比例下的模型准确性结果。结果显示,随着训练集数据的增加,线性回归模型的预测结果较稳定在0.71至0.80之间,而机器学习方法的预测准确性最高达到0.91。故在训练集数据充足的情况下,相比于一般线性模型,利用机器学习方法进行预测具有更高的准确性。     

基于Kinect相机的猪弯曲体尺测量算法研究

为解决猪体弯曲状体尺测量难、需借助标定尺还原真实体尺的问题,以长白猪为研究对象,基于Kinect相机获取猪体俯视和侧视深度图像,提出一种无需标定尺的猪体弯曲体尺测量方法.利用凸包络和最大外接轮廓,分别提取猪体头尾部、肩臀部和体高体尺测点,测算生猪体尺参数(体长、肩宽、臀宽、体高).结果表明,在猪体正常弯曲范围内(0°～40°),肩宽测量精度最高,平均相对误差不高于1.92％,臀宽、体高和体长平均相对误差不高于2.00％、2.64％和2.93％;在猪体非弯曲状态下,肩宽、臀宽、体高和体长平均相对误差分别为1.29％、1.26％、1.92％和2.33％,测量精度均优于现有猪体体尺测量方法.综上,文章提出的方法可实现猪体自然状态下体尺测量,且精度较高,同时具有良好普适性和鲁棒性,满足生猪实际生长状况监测需要.