葡萄采摘机器人采摘点的视觉定位

针对葡萄采摘机器人在自然环境下采摘点定位困难的问题,本研究提出了一种基于分水岭果梗图像分割和最小角度约束的采摘点定位方法。第一,将采集的葡萄果实图像变换到YUV颜色模型,对U通道灰度图进行均衡化处理,然后进行双阈值分割和形态学开操作去掉干扰区域,再对二值图像进行填充;第二,以检测到的葡萄果实位置为参考,确定葡萄串果梗感兴趣区域,对该感兴趣区域进行分水岭操作;第三,对果梗二值图像进行角点检测,然后分别对每个果梗检测到的角点数据进行线性回归,将拟合到的直线分别与垂直于地面直线进行角度计算,将夹角角度最小的拟合直线所在的果梗确定为葡萄串所连的果梗;第四,对该果梗检测到的角点数据进行K均值聚类分析,聚类中心为最佳采摘点。对采集于晴天顺光、晴天逆光和晴天遮阳这3种条件下各40幅夏黑葡萄图像进行验证,采摘点定位成功率为89.2%,单张葡萄图像的采摘点平均定位时间为0.65 s。说明该方法可以为葡萄采摘机器人提供准确的采摘点坐标信息。     

基于机器视觉的葡萄自动识别技术

为了应用计算机对自然场景下的葡萄进行自动识别,根据机器视觉原理,进行图像采集.将葡萄的图像进行平滑、锐化等预处理后,在RGB颜色空间内计算葡萄颜色样本值,并根据样本值进行图像分割,最后利用分割的结果进行特征提取.仿真试验证明,这种方法对葡萄的识别效果较好,紫色、红色葡萄的准确率接近90%.     

基于机器视觉判别的葡萄植株对靶系统分析

以福建省巨峰葡萄栽培为研究对象,设计了葡萄植株对靶系统.该系统运用计算机视觉技术和判别分析算法,对图像信息进行采集和分析.系统的输入部分由CCD摄像头、激光传感器和超声波模块组成,分别完成葡萄植株的形态识别、位置定位和机械结构插补定位.输出部分采用六自由度的机械臂作为对靶传动结构.结果表明,葡萄植株对靶系统对葡萄植株的平均识别率为85.7%,平均对靶距离为42.3 mm,对靶距离平均误差为15.4%.     

基于机器视觉技术的单粒葡萄质量与果径预测分级研究

[目的]采用机器视觉技术,针对新疆无核白和红提单粒葡萄的质量和果径大小进行预测和分级研究.[方法]在不同的颜色特征空间模型,预处理原始图像,采用最大类间方差法分割目标区域;采用数学形态学方法去除二值图像中部分果梗及噪声点,获得最佳二值图像;基于二值图像,分析获取单粒葡萄的几何特征;最后,分别采用一元线性回归法和偏最小二乘回归法预测单粒葡萄的质量和果径,采用二次判别分析法对单粒葡萄的质量和果径进行分级.[结果]利用短轴与果形指数特征相结合建立的偏最小二乘回归模型可有效预测单粒葡萄的质量和果径,预测决定系数达到0.98和0.945;基于该特征组合的二次判别分析法可用于单粒葡萄的质量和果径分级,准确率超过85;.[结论]机器视觉技术能够较准确预测单粒葡萄的质量和果径,并能对质量和果径进行分级.     

基于机器视觉葡萄叶片还原糖含量的检测系统

[目的]针对传统农业生产中,测定葡萄叶片还原糖的方法效率低、成本高的问题,本文提出了基于机器视觉的葡萄叶片还原糖含量的检测系统。[方法]通过对田间葡萄叶片进行采集,以光谱化学实验方法测得的葡萄叶片还原糖含量为基础,利用LabVIEW和MATLAB软件平台开发了一种葡萄叶片还原糖含量的检测系统。采用颜色一阶矩、二阶矩和灰度共生矩阵的综合特征参数来提取葡萄叶片颜色和纹理特征,并将该特征向量作为输入向量构建以径向基为核函数的支持向量机(SVM)分类器模型,利用SVM分类模型对采集到的480幅葡萄叶片进行实例分析。[结果]该系统测试结果正确率达88.125%,颜色和纹理各特征分量与还原糖含量之间具有高度相关性。[结论]本系统测试结果精度高,耗时短,系统工作稳定,为农田葡萄叶片含糖量的测定提供了有效的检测手段,对提高田间农作物实时测试效率具有重要意义。     

基于机器视觉的成熟柑橘自动识别研究

针对自然生长状态下成熟柑橘图像的识别问题,采用2R-G-B色差分量,通过Ostu自适应阈值算法进行图像分割,用面积阈值的方法消除噪声来获取成熟柑橘图像的目标区域,然后利用最小二乘拟合方法拟合出目标区域的质心及半径等特征参数。结果显示,识别正确率在90%以上。     

基于机器视觉的苹果重量检测研究

苹果的采后分级能够提高其经济价值和市场竞争力,为了实现基于重量的无接触苹果智能分级,提出了基于机器视觉的苹果重量检测方法.首先,采集苹果图像进行预处理,得到平滑无噪声的苹果二值图像.然后,用最小外接矩形方法获得苹果的横径和纵径等主要几何外形特征,建立以苹果外形几何特征为参数的重量检测回归模型.结果表明,苹果重量检测值相对误差低于2％,最大绝对误差不超过4 g,检测准确性较高.采用非接触式的检测可以克服传统机械式接触对苹果造成的损害,能保证分级后苹果的质量,满足苹果分级生产要求.     

基于机器视觉的核桃仁动态分级研究

【目的】基于机器视觉技术研究出一种适合新疆核桃仁动态分级处理的方法。【方法】利用实时采集且已经完成图像预处理的样品核桃图像得到核桃仁特征集合,运用mRMR特征选择算法筛选原始特征集并对特征的重要性进行排列,通过对支持向量机、决策树和朴素贝叶斯三种机器学习算法进行模型训练和测试,得出最佳分级方法,设计核桃仁自动追踪方法和动态分级流程,构建的核桃仁自动分级系统。【结果】在使用特征bin19、K₁和bin15训练朴素贝叶斯分类器时,核桃仁的分级正确率达到最大为97.33%,在动态条件下运用构建的核桃仁自动分级系统对150个核桃仁进行分级测试,正确率为81.33%。【结论】基于机器视觉研究出的核桃仁特征提取与分级方法、核桃仁动态分级处理动作方法,可以有效完成对核桃颜色和完整度的分级。     

基于机器视觉的烟尘在线监测的研究

针对目前烟尘浓度测量方法中存在取样难、精度低等问题, 提出了一种基于机器视觉的在线监测烟尘排放及分析烟尘排放浓度的方法. 文章应用机器视觉理论, 采用了边缘检测和阈值分析算法对烟尘图像进行特征提取和图像分析, 通过现场实验表明: 该烟尘浓度检测算法正确, 能有效提高检测精度, 实时得到烟尘排放浓度.     

基于机器视觉的烟尘在线监测的研究

针对目前烟尘浓度测量方法中存在取样难、精度低等问题,提出了一种基于机器视觉的在线监测烟尘排放及分析烟尘排放浓度的方法．文章应用机器视觉理论,采用了边缘检测和阈值分析算法对烟尘图像进行特征提取和图像分析,通过现场实验表明,该烟尘浓度检测算法正确,能有效提高检测精度,实时得到烟尘排放浓度．     

基于机器视觉的百合切花分级方法研究

为了提高百合切花分级生产自动化程度,依据百合切花分级国家标准,对百合切花的花蕾数目与花径长度的识别进行了分析研究.搭建了百合切花图像采集系统,对采集图像进行背景分割,利用超绿特征(2g-r-b)建立切花的花蕾分割模型.采用Matlab软件编程进行花蕾目标图像的计数,分析了花蕾计数误差产生的原因,并采用小面积去除与图像骨架化方法提出花蕾修正计数方法,给出利用分割后的花蕾图像计算花径的简单方法.本分级方法在试验中按照国家标准进行百合切花分级的平均精度为82.3%.     

基于机器视觉的黄瓜等级自动判别研究

通过机器视觉研究黄瓜的形态特性,建立黄瓜量化分级评判标准,并总结出提取黄瓜特征值的理论算法。用Matalb软件实时采集读取CCD摄像机视频图像,再利用Matlab图像处理功能对采集到的图像进行图像滤波、图像分割处理,提取基于数学理论的表征黄瓜等级的特征值,建立人工神经网络的等级判别模型,训练神经网络,并进行泛化检测。结果表明,该等级判别模型的精度高达91.7%,具有一定的市场价值。     

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。     

基于机器视觉的禽蛋图像分割方法研究

探讨了一种新的图像分割算法,可对禽蛋表面图像中脏斑、血斑等信息进行高效、准确的分割.文中将由CCD摄像机获取的禽蛋图像首先采用改进的中值滤波方法去除噪声,然后将去噪后的图像使用Sobel边缘检测算子检测边缘,运用分裂合并算法对去噪图像进行多区域分割,从而得到较为明显的多区域图像,最后利用图像融合技术将Sobel算子检测...     

基于机器视觉的金鱼监测分割特征研究

金鱼监测是水体环境监测的新手段。研究了H、r和R3种用于金鱼监测的分割特征,试验结果表明r特征的分割效果较好。     

基于机器视觉的花生大小检验

获取大小不一的花生图像,调整图像大小,并进行二值化处理,求出图像中花生象素和,通过SPSS软件找出花生图像象素和A和大小S之间的数学关系,编制基于MATLAB的花生大小检测软件,通过自动求象素和从而求得花生的大小.     

基于机器视觉的核桃仁分级方法

机器视觉检测技术在农产品的检测中应用越来越广泛,核桃在脱青皮、干燥、储藏过程中可能发生变质,核桃仁表皮的色泽会发生变化,破壳取仁的过程也可能造成核桃仁碎裂。本研究通过机器视觉的方法代替人工对核桃仁从颜色与完整度上的分级,对核桃仁图像进行预处理与分割,并提取色调、饱和度、核桃仁轮廓面积与最小外接圆面积之比等特征,通过机器学习的方法建立决策树模型对核桃仁样本进行预测,总体正确率达到92%,为核桃仁的自动分级提供了参考。     

基于机器视觉的马铃薯病害识别系统

设计出一种基于机器视觉的马铃薯病害识别系统,该系统主要包括病害识别部分、服务器端、客户端。识别部分采集病害叶片图像,并进行小波去噪。利用OTSU阈值算法分割图像,提取病害的颜色、形状、纹理特征并利用SVM分类器进行识别。基于VS 2010搭建服务器端,提供包含REST API的Web Service与客户端进行信息交互。基于Android SDK设计病害识别系统的手机客户端,通过3G或无线网络对服务器端进行访问。通过实地测试,能准确识别出马铃薯的几种主要病害,且识别率大于92%。     

基于机器视觉的茶叶等级区分

提出利用机器视觉和matlab图像处理技术来区分茶叶的等级。以4个等级的绿茶为实验对象,通过提取不同等级茶叶的图像形状特征参数,采用多类逐步分析法进行特征优化并建立区分模型,实现了室内条件下茶叶等级的区分,正确率达81.25%。