基于机器视觉的玉米果穗性状参数测量方法研究

在玉米育种、田间测产和提高玉米产量的过程中,均需要对玉米果穗考种,即需要对玉米果穗的穗长、穗粗、穗行数、行粒数和穗粒数等性状参数进行测量。人工考种不仅花费大量的人力物力,而且在考种过程中普遍存在人工劳动强度大、观测效率低、人为干扰导致测试结果不客观及不准确等问题,在很大程度上限制了考种的速度与精度。针对上述问题,利用所研制的自动考种设备和机器视觉方法,通过USB工业相机获取玉米果穗单面性状彩色图像,利用|B-R|模型、（G+B）/2模型将彩色图像分别进行灰度化,利用改进后的一维最大熵阈值分割方法对灰度图像进行二值化,分别得到果穗轮廓二值图像和果穗特征二值图像;通过轮廓二值图像计算果穗放置后的倾斜角,实现果穗轮廓二值图像和特征二值图像的自动纠偏;通过相机标定,得到单位像素对应的实际值,进而得到穗长及穗粗;通过提取局部籽粒特征二值图像,利用水平黑背景点扫描及对扫描曲线的修正获取穗行宽度,通过穗行数修正模型得到果穗的穗行数;通过提取局部单行籽粒特征二值图像,利用垂直黑背景点扫描及对扫描曲线的修正得到行粒数;根据行粒数和穗行数得到穗粒数。试验结果表明,穗长和穗粗平均测量精度分别为98.05%和97.99%,穗行数测量正确率为95%,行粒数平均测量精度为96.29%,穗粒数平均测量精度为95.67%,和实际值相比,穗粗、穗长、行粒数及穗粒数的测量值差异无显著性。单穗玉米果穗机器视觉平均测量速度为600ms/穗,考种设备测量速度为6s/穗,能够满足自动考种设备的使用需求。     

基于计算机视觉的玉米果穗三维重建方法

提出了一种快速、准确、自动化的基于计算机视觉的玉米果穗三维重建方法。以一定角度间隔旋转果穗获取各视角下的图像,通过双目立体视觉技术重建各视角下的玉米果穗表面点云,计算重投影误差去除点云中的外点,寻找两相邻图像的对应匹配点,并由匹配点确定果穗表面点云中三维配准点的集合,计算两相邻视角下配准点的旋转矩阵与平移向量,采用RANSAC方法检验配准模型的一致性。依次对各视角下的点云配准拼接获得整个果穗表面点云,进行冗余点去除、网格简化、纹理贴图等后处理,获得最终果穗三维造型。实验结果表明:重建模型的体积与实测值不存在显著性差异,所述方法能够满足玉米果穗三维重建的需求。     

鲜食玉米果穗外观品质分级的计算机视觉方法

在HSI颜色模型下,通过计算机视觉检测技术实现对鲜食玉米果穗外观品质分级.提出垂直投影法确定秃尖位置并去除秃尖.对H值进行双向一次微分运算以实现缺陷的识别.在此基础上获取果穗缺陷比、穗长、果穗最大直径、长宽比和矩形度作为外观品质特征参数,并以此为输入向量构建广义回归神经网络对果穗外观品质分级.试验结果表明:秃尖位置、穗长和果穗最大直径的平均误差分别为2.27 mm、1.96 mm和0.54 mm,缺陷误判率为3.00%,分级平均准确率为95.91%.     

基于机器视觉的玉米收获机器人路径识别

我国玉米种植面积和产量都很大,在农业中占有重要的地位,但收获环节耗费的成本惊人。玉米收获机器人能提高作业效率,极大地降低生产成本,具有广阔的应用前景。路径识别能力是机器人环境适应性的一个重要方面,而机器视觉主要用于农业机器人的路径识别。为此,设计了一种基于机器视觉的玉米收获机器人路径识别方法,并进行田间的实时图像处理试验。结果表明:该路径识别方法具有较好的田间适应性和实用性,经过载机结构改进和内部参数优化后能为玉米收获的智能化和信息化提供技术支撑。     

鲜食玉米果穗外观品质分级的计算机视觉方法

在HSI颜色模型下,通过计算机视觉检测技术实现对鲜食玉米果穗外观品质分级。提出垂直投影法确定秃尖位置并去除秃尖。对H值进行双向一次微分运算以实现缺陷的识别。在此基础上获取果穗缺陷比、穗长、果穗最大直径、长宽比和矩形度作为外观品质特征参数,并以此为输入向量构建广义回归神经网络对果穗外观品质分级。试验结果表明：秃尖位置、穗长和果穗最大直径的平均误差分别为2.27mm、1.96mm和0.54mm,缺陷误判率为3.00%,分级平均准确率为     

基于机器视觉的玉米根茎导航基准线提取方法

提出一种在大田环境下快速、精确提取中晚期玉米行中心线作为农业机器人导航基准线的新方法。改进了传统的2G-R-B算法,实时地获取植株绿色特征。根据玉米垂直投影图生成根茎轮廓特点并采用峰值点检测算法生成玉米根茎候补定位点,再对候补定位点进行二次判别,提取玉米根茎定位点。利用最小二乘法对已知特征点进行拟合,得到作物行线。求取左右行斜率后,计算出实际需要的导航基准线。实验结果表明,与其它算法相比,处理一幅700像素×350像素的彩色图像平均耗时小于185 ms,实时性好。在多种环境下生成的导航基准线准确率在90%以上,有较强的鲁棒性,为农业自动导引车(Automated guided vehicle,AGV)在中后期玉米大田中的自主行走提供了一种可靠的导航方法。     

基于机器视觉黄瓜果实自动分级方法

为实现黄瓜果实快速准确分级,以摄像头为视频采集模块、DSP核心处理器为主控制模块、机械手为执行模块,并借助质量控制、电机传送等辅助单元,构建了自动化分级平台。参照国家标准NY/T1587-2008,利用图像处理方法对黄瓜果实图像的瓜长、把长、横径差、弓形高度进行了提取和计算。选取长春密刺、龙杂黄七号、露秋一号3个品种240根黄瓜果实作为试验样本,抽取每个品种的20个样本作为图像提取数据分析,其余60个样本作为自动分级平台测试。测试结果显示:该平台的平均分级精度为96.7%,每分钟约检测35根果实,相较人工分级具有快速、无损、准确、客观的特点,为机器视觉技术应用于椭长形果实自动化分级提供了重要依据。     

基于机器视觉的工件自动分拣系统研究

对工件识别过程中,对于机器视觉技术的应用进行了一定的分析,并且简要地介绍了主要图像处理算法。在此基础寻求有效方法,对自动分拣系统决策方面提供一定的支持。     

基于机器视觉的农业机械无人驾驶系统

为实现农业机械的无人驾驶,研究基于机器视觉的农业机械运动控制具有重要的意义.为此,介绍了基于机器视觉的农业机械无人驾驶的工作原理和实现方法,通过对视频图像的处理,识别出农业作业环境路径特征的位置和方向,采用模糊控制方法实现了农业机械的运动控制.试验证明了基于机器视觉的农业机械无人驾驶系统的可行性及控制算法的可靠性,对未来视觉伺服研究的方向进行了总结.     

基于机器视觉的哈密瓜大小分级研究

采用机器视觉技术对新疆哈密瓜进行自动大小分级。线阵相机在线采集哈密瓜样本RGB图像,通过对哈密瓜RGB图像进行灰度化、中值滤波、二值化、去除果梗、特征提取等一系列处理,获得哈密瓜二值化图像。利用椭圆拟合算法对二值化图像进行椭圆特征提取,基于椭圆长轴和椭圆率建立了哈密瓜大小分级标准,并以固定阈值建立分级模型。通过哈密瓜分级机系统进行大小分级,分级准确率达90.29%。     

基于机器视觉的五坐标机床旋转轴误差检测方法

提出了一种利用机器视觉技术对五坐标机床旋转轴转角定位误差进行检测的方法。首先,通过制作特定的标志,用CCD相机获取标志图像;然后,通过数字图像处理技术对所获得的图像进行分析处理;最后,根据标志在不同位置处的相对转角偏差计算机床旋转轴的转角定位误差,实现五坐标机床旋转轴转角定位误差的辨识和测量。同时,将该方法与传统检测方法进行对比,实验结果表明,所提出的检测方法简单、高效,可以实现机床旋转轴误差的快速检测,并为五坐标机床旋转轴误差的补偿提供了计算依据。     

基于机器视觉的大米外观品质检测装置

设计了一套基于机器视觉的大米外观品质参数检测装置,实现了对垩白度、垩白粒率、黄粒米和粒型参数的检测。该系统基于嵌入式计算机系统,应用改进的流域分割算法实现了粘连籽粒图像的分割,应用BP神经网络实现了垩白米的检测,应用色度实现了黄粒米的检测,应用极坐标下的长短轴快速检测算法实现了粒型的检测。试验结果表明,该装置对垩白粒率的检测精度为±2%,垩白度的检测精度为±1%;对黄粒米的检测精度为±5%;粒型的检测精度为±4%。     

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。     

基于机器视觉的鸡胴体表面污染物在线检测技术

基于机器视觉技术设计了鸡胴体表面污染物在线检测及处理系统。通过工业相机+滤光片+计算机的方式在线采集鸡胴体表面波长500 nm和710 nm的特征图像,采用中值滤波、灰度增强进行图像预处理,然后采用Otsu法自动确定阈值并获得二值化图像,再对图像进行腐蚀、膨胀、空洞填充以及异或操作,分割得到鸡胴体表面污染物区域并以此判断鸡胴体表面是否存在污染物,然后对鸡胴体表面的污染物进行喷淋处理。试验结果显示,利用该系统进行鸡胴体表面3种污染物(盲肠粪便、血液、胆汁)检测,检测总体平均正确率为90.5%,表明该系统可实现鸡胴体表面污染物的在线检测和正确识别。     

基于机器视觉的大田环境小麦麦穗计数方法

基于机器视觉技术研究了一种低成本、针对局部小范围的小麦麦穗计数方法。通过部署的田间摄像头采集大田环境下小麦麦穗低分辨率群体图像,实现了复杂大田环境下小麦麦穗图像的降噪增强处理;提取麦穗的颜色、纹理特征,采用SVM学习的方法,精确提取小麦麦穗轮廓,同时构建麦穗特征数据库,对麦穗的二值图像细化得到麦穗骨架;最后通过计算麦穗骨架的数量以及麦穗骨架有效交点的数量,即可得到图像中麦穗的数量。经过2014年5月和2015年5月在方城县赵河镇示范区的试验测试,以小麦麦穗图像640像素×480像素（约250穗）为例,小麦麦穗计数平均耗时1.7 s,准确率达到93.1%,满足大田环境下小麦麦穗计数要求,可以为小麦估产提供可靠的参考数据。     

基于单目多视角视觉的珍珠品质检测

利用单目多视角摄像装置直接获取5个不同视角的珍珠表面图像,对其进行图像预处理并按照成像规则进行融合拼接,从融合拼接的珍珠全景图像中提取出珍珠表面颜色、光泽度及均匀度等特征参数;依据与国家标准相一致的判断指标与相应的检测算法来识别和检测珍珠品质。实验结果表明,设计的基于单目多视角机器视觉装置能保证在一个统一的颜色系统中一次获得珍珠整个球体表面的图像,可实时完成珍珠的颜色、光泽度及均匀度等外观品质指标的视觉检测与分类,各个指标的检测精度均达到了80%以上。     

基于机器视觉和信息融合的邻接苹果分割算

提出了利用亮度和颜色的信息融合来分割邻接苹果的方法.首先使用Lab模型对苹果图像进行分割.然后计算分割后每个区域的面积,并判断其是否为邻接苹果区域.接着在邻接区域内计算亮度信息,利用亮度产生的亮斑对邻接苹果进行分割.这样,在邻接区域以外的部分,亮度信息产生的噪声被Lab模型的信息屏蔽,而邻接区域以内的部分,具有惟一性的亮度信息可以较好分割经Lab模型处理后的邻接苹果.实验表明,此算法对邻接苹果识别非常有效,识别率大于92.89%,而且算法简单快速,平均每幅图片识别时间小于0.5 s.     

基于机器视觉的玉米种粒破损识别方法研究

针对玉米种粒在收获、脱粒、贮藏时因各种因素造成损伤和人工选种耗时耗力的问题,提出了一种基于机器视觉的玉米种粒破损检测方法。首先,利用图像获取装置得到单粒玉米种粒图像,通过差影法确定图像噪声种类,采用中值滤波方法对图像进行降噪;其次,标记图像边界,运用灰度阈值法完成玉米种粒图像分割。根据玉米种粒的形态特征分别提取玉米种粒的周长、面积、周长面积比、长轴长、短轴长、长宽比6个几何特征和矩形度、圆形度、紧凑度、7个Hu不变矩10个形状特征,共16个特征。完整玉米种粒和破损玉米种粒图像各50幅作为训练样本,将提取的16个特征分量作为输入量,对支持向量机(Support Vector Machine,SVM)进行训练,输出量为1、0,分别代表"合格""不合格",训练完成后获得玉米种粒的SVM识别模型;另取完整的玉米种粒和破损的玉米种粒图像各50幅作为测试样本,对训练好的SVM模型进行测试。结果表明:该检测方法对玉米种粒破损识别准确率达95%以上,识别100幅玉米种粒图像的时间为1.27s。研究结果为玉米种粒的实时破损检测提供了参考。