基于欧氏距离的发芽马铃薯无损检测研究

根据发芽马铃薯的特点,提出了一种基于欧氏距离的算法对发芽马铃薯进行检测。首先利用机器视觉系统采集发芽马铃薯的图像,对获得的原始图像进行B通道灰度化、中值滤波和Otsu阈值分割等图像预处理;利用欧氏距离算法对发芽马铃薯进行检测,并结合形态学中的孔洞填充和移除小目标实现对发芽区域的准确分割并标记。结果表明:发芽马铃薯的正确识别率达94%;基于欧氏距离算法的发芽马铃薯检测方法方便可行,为研究马铃薯分级系统奠定了基础。     

基于高光谱成像的绿皮马铃薯检测方法

针对任意放置姿态下的轻微绿皮马铃薯难以检测的问题,进行了半透射与反射高光谱成像方式的不同检测方法比较研究,最终确定较优高光谱成像方式的检测方法。分别以半透射与反射高光谱成像方式对图像维提取RGB、HSV和Lab空间颜色信息,并采用等距映射、最大方差展开、拉普拉斯特征映射进行图像信息降维;分别以半透射与反射高光谱成像方式对光谱维提取感兴趣区域的平均光谱数据,并采用局部保持投影、局部切空间排列、局部线性协调进行光谱信息降维;然后分别建立不同高光谱成像方式下的图像与光谱信息的深度信念网络模型;对识别率良好的模型采用多源信息融合技术进一步优化,并建立基于图像和光谱融合或不同成像方式融合的模型。结果表明,基于半透射和反射高光谱的光谱信息融合模型最优,校正集和测试集识别率均达到100%,可实现轻微绿皮马铃薯的无损检测。     

基于曼哈顿距离检测的马铃薯畸形识别

使用曼哈顿距离检测法对马铃薯进行畸形识别。首先对采集的数据集进行灰度、二值化等图像预处理,获取马铃薯形状轮廓的最小外接圆,并提取所有轮廓曲线。使用Python库Skimagecanny算法遍历马铃薯图像边缘,从而获得其轮廓线像素的点坐标,并与已获取最小外接圆坐标数据构成二维坐标矩阵,即可快速计算矩阵中每一列上下对应两点间的曼哈顿距离值,并绘制曼哈顿距离坐标图。通过观察曼哈顿距离曲线的走势、波峰个数以及波峰最大值与最小值间的差值(波峰差),即可判断马铃薯是否畸形。测试数据表明,马铃薯畸形识别的准确率约为96%。该方法简单、速度快、准确率高,具有潜在应用价值。     

基于Shuffle-Net的发芽马铃薯无损检测方法

针对发芽马铃薯在线检测需求,提出使用轻量级卷积神经网络对发芽薯进行检测。首先将获取的马铃薯样本基于分级线进行图像采集,经过数据增强扩充样本。搭建Shuffle-Net轻量级卷积神经网络,对比了不同学习率与学习率衰减策略对模型的影响。试验发现,当学习率为0.001,衰减策略为W-EP时表现最佳,发芽薯与健康薯的总体识别准确率为97.8%,单个样本识别时间为0.14s,模型内存占用量为5.2MB。对实验结果进行评价,查准率为98.0%,查全率为97.1%,特异性为98.4%,调和均值为97.5%。选择VGG11、Alex-Net、Res-Net101模型与本文模型进行对比,发现本文模型识别准确率较VGG11与Alex-Net有大幅度提升,单个样本识别速度较Res-Net101提高5倍、较VGG11提高近7倍,模型体量较VGG11、Alex-Net、Res-Net101大幅度减少。将模型内部卷积进行了可视化分析并对结果进行了误判分析,发现当芽体颜色暗、较短且处于薯体边缘的情况下,会造成误判。由此可得本实验模型实现了发芽薯准确、有效的识别,同时还具有识别速度快、体量小、移植性强的优点,可为农产品外部无损检测分级提供理论支撑。     

基于机器视觉的马铃薯单薯质量检测技术研究

国内外关于马铃薯品质检测的机器视觉分级技术研究甚少,马铃薯单薯质量是马铃薯的重要指标.为此,通过对马铃薯图像进行预处理,提取相关特征参数,采用逐步回归分析方法对多个特征参数进行分析和筛选,用马铃薯俯视和侧视投影图像中的面积参数构建了单薯质量模型.利用该模型对300个马铃薯进行了检验,结果表明:该方法提取的参数个数少且检测误差小,满足了生产的需要.     

基于双目视觉的种植前期农田边界距离检测方法

针对目前基于全球导航卫星系统技术的农机自动驾驶地头转弯方法的局限性,提出了基于双目视觉的农田田埂边界的识别和测距方法,对具体方法的可行性、适用性及约束条件进行了分析。针对光照变化大、重复纹理多的农田环境,双目立体匹配的代价计算步骤采用了Census变换和截断梯度融合的方法、代价聚合步骤采用了多尺度代价合并的分割树算法,可快速得到良好的视差图。针对农田地面不平坦及作物生长高度不均的实际情况,对视差图构建的三维点云进行了自适应阈值点云提取和干扰消除等操作,实现了田埂边界的识别。另外,根据农田信息,对计算的平均边界距离进行了校正。实验表明,此算法可以实现早期作业农田的边界距离检测,对前方5～10 m的田埂识别率达到99%,测距精度随着检测距离的减小而提高,5 m时的测距误差约0.075 m。在NVIDIA Jetson TX2硬件平台上,算法运行时间约0.8 s,对于行驶速度小于1.5 m/s的农机可满足作业的实时性要求。     

基于灰度截留分割与十色模型的马铃薯表面缺陷检测方法

为探索基于计算机视觉的马铃薯表面缺陷检测新方法,该研究提出能将马铃薯表面疑似缺陷一次性分离出来的快速灰度截留分割方法和用于缺陷识别的十色模型。选择面积比率和十色比率作为缺陷判别特征,对分割出来的深色部位采用阈值法进行缺陷识别。采用基于快速G与亮度截留分割的2种方法对发芽进行识别。通过对326个马铃薯样本的652幅正反面图像进行试验,基于十色模型的缺陷识别方法对分割出来的深色区域的正确识别率为93.6%,基于快速G与亮度截留分割2种方法结合对有芽体图像的正确识别率为97.5%,马铃薯表面缺陷正确检测率为95     

高斯拉普拉斯算子检测马铃薯斑点缺陷研究

提出一种用高斯拉普拉斯算子的方法对马铃薯斑点缺陷进行检测,也称为"Lo G斑点"检测,该算法结合B通道灰度化及迭代阈值分割法可以有效地识别马铃薯表皮的干腐、结痂缺陷。实验采集了2 5 8个马铃薯样本的516个正反面图像,正确识别率94%以上。结果表明:该方法对检测马铃薯的干腐及结痂缺陷有效。     

基于卷积神经网络的马铃薯芽眼检测识别研究

为快速、准确识别马铃薯芽眼,提高种薯发芽率,提出一种基于卷积神经网络的马铃薯芽眼识别方法。针对多视角和不同程度重叠的马铃薯芽眼图像,通过数据增广及图像预处理建立数据库。在此基础上,利用YOLOv3网络的高性能特征提取特性,实现马铃薯芽眼的快速准确识别。结果表明：YOLOv3网络对含有单个无遮挡芽眼的样本、含有多个有遮挡芽眼的样本及含有机械损伤、虫眼及杂质的样本均能够实现良好稳定的识别,最终检测精确度P为97.97%,召回率R为96.61%,调和平均值F1为97%,识别平均精度mAP为98.44%,单张检测时间为0.018 s。对比分析YOLOv4-tiny及SSD等网络后可知,YOLOv3模型可同时满足马铃薯芽眼识别的精度与速度要求。因此,YOLOv3网络对马铃薯芽眼识别具有良好的鲁棒性,为马铃薯切种机实现自动化切种奠定基础。     

基于改进YOLO v4模型的马铃薯中土块石块检测方法

为实现收获后含杂马铃薯中土块石块的快速检测和剔除,提出了一种基于改进YOLO v4模型的马铃薯中土块石块检测方法。YOLO v4模型以CSPDarknet53为主干特征提取网络,在保证检测准确率的前提下,利用通道剪枝算法对模型进行剪枝处理,以简化模型结构、降低运算量。采用Mosaic数据增强方法扩充图像数据集(8621幅图像),对模型进行微调,实现了马铃薯中土块石块的检测。测试表明,剪枝后模型总参数量减少了94.37%,模型存储空间下降了187.35 MB,前向运算时间缩短了0.02 s,平均精度均值(Mean average precision, mAP)下降了2.1个百分点,说明剪枝处理可提升模型性能。为验证模型的有效性,将本文模型与5种深度学习算法进行比较,结果表明,本文算法mAP为96.42%,比Faster R-CNN、Tiny-YOLO v2、YOLO v3、SSD分别提高了11.2、11.5、5.65、10.78个百分点,比YOLO v4算法降低了0.04个百分点,模型存储空间为20.75 MB,检测速度为78.49 f/s,满足实际生产需要。     

基于三维外形尺寸和质量的马铃薯检测分级装置

介绍了一种依据马铃薯三维外形尺寸参数和质量参数进行检测分级的装置,主要包括驱动胶带轮、从动胶带轮及输送胶带。这种检测方法比单纯按照马铃薯外形尺寸或质量进行分级精度更高,检测分级方法更为先进,使不同档次块茎在生产中更好地得到利用。      

基于颜色特征的稻种霉变检测算法

根据机器视觉检测杂交水稻种子质量的要求，对单粒、静态稻种图像进行霉变分析识别。比较了提取颜色特征的3种方法，研究了基于颜色特征的稻种霉变检测算法，经试验验证，该算法对正常稻种、轻度霉变稻种、严重霉变稻种的检测准确率分别为92％、95％、83％。     

基于彩色空间距离优化的秸秆覆盖率检测算法研究

秸秆覆盖率是保护性耕作重要的评价指标之一。针对田间秸秆形态各异、细碎秸秆难以识别的难题,基于机器视觉技术,提出了一种基于K-means和彩色空间距离灰度化方法相结合的田间秸秆覆盖率检测算法。采用彩色空间距离方法对秸秆图像进行预处理,基于K-means算法实现秸秆和土壤背景的分类识别,使用数学形态学腐蚀和膨胀方法对识别后的图像进行处理,降低细碎秸秆对覆盖率的影响,最后计算秸秆图像的覆盖率。2022年10月,通过田间试验对北京小汤山国家精准农业研究示范基地采集的220幅玉米秸秆图像进行了算法验证。试验结果表明,对低秸秆覆盖率(0～30%)图像,识别准确率达到90%;对中等秸秆覆盖率(30%～60%)图像,识别准确率达到88%;对高秸秆覆盖率(60%以上)图像,识别准确率达到86%;整体秸秆覆盖率分等定级准确度达到98.18%。本研究设计的基于K-means和彩色空间距离灰度化方法相结合的田间秸秆覆盖率检测算法为保护性耕作评价提供了快速检测方法和手段。     

基于PLC控制的马铃薯漏播检测装置设计

马铃薯机械化播种过程中的漏播现象严重影响机具的作业性能。针对马铃薯漏播现象,设计出一种利用PLC与传感器进行马铃薯漏播检测的装置,该检测装置通过传感器与PLC之间的信号交换完成马铃薯漏播检测。通过试验测试得出该装置的平均漏种检测精度为99.64%,进一步证明该装置可靠性高,操作简单,同时该漏播检测装置可为后续补种装置的设计提供基础和支撑。     

基于高通滤波的马铃薯机械损伤机器视觉检测

马铃薯机械损伤检测是实现马铃薯自动化分级的必要步骤。为了克服人工检测方法低效且易受主观因素影响的缺点,提出了一种基于高通滤波的机器视觉检测方法。首先,根据马铃薯检测的需求,采集图像;然后,利用H分量图像分割算法得到马铃薯灰度图;接着,构造高通滤波器,通过与快速傅立叶变换后的马铃薯灰度图做卷积,得到高频部分;最后,通过Blob分析筛选得到目标区域。实验结果表明:该方法能够较准确识别马铃薯机械损伤缺陷,总识别率达95%。     

基于近红外光谱扫描的马铃薯内部品质检测装置设计

设计了一种近红外光谱扫描的马铃薯内部品质检测装置,其结构包括马铃薯输送机构、近红外光谱扫描装置、拨叉机构、计算机处理系统和信号传感系统。采用近红外光谱对马铃薯营养成分及有害物质进行检测,样品无须用任何化学或物理方法处理,可直接检测,且检测速度快、环保,检测过程无污染;对样品无损耗,测定后仍可作它用;仪器的构造比较简单,易于维护。      

基于机器视觉的马铃薯自动分级与缺陷检测系统设计

针对现有的马铃薯分级和检测需要大量的人力物力、检测效率不高,设计了基于机器视觉的马铃薯自动分级与缺陷检测系统.工作时,自动分级系统对大量马铃薯进行快速表皮去泥和分级工作,得到3种规格的马铃薯并逐个运输到缺陷检测系统进行马铃薯缺陷的识别检测;通过多种图像处理算法对比分析,以平均值法灰度化、中值滤波处理、大津法分割等方法得...     

基于改进YOLO v5s的马铃薯种薯芽眼检测方法

芽眼检测是马铃薯种薯智能切块首先要解决的问题,为实现种薯芽眼精准高效检测,提出了一种基于改进YOLO v5s的马铃薯种薯芽眼检测方法。首先通过加入CBAM注意力机制,加强对马铃薯种薯芽眼图像的特征学习和特征提取,同时弱化与芽眼相似的马铃薯种薯表面背景对检测结果的影响。其次引入加权双向特征金字塔BiFPN增加经骨干网络提取的种薯芽眼原始信息,为不同尺度特征图赋予不同权重,使得多尺度特征融合更加合理。最后替换为改进的高效解耦头Decoupled Head区分回归和分类,加快模型收敛速度,进一步提升马铃薯种薯芽眼检测性能。试验结果表明,改进YOLO v5s模型准确率、召回率和平均精度均值分别为93.3%、93.4%和95.2%;相比原始YOLO v5s模型,平均精度均值提高3.2个百分点,准确率、召回率分别提高0.9、1.7个百分点;不同模型对比分析表明,改进YOLO v5s模型与Faster R-CNN、YOLO v3、YOLO v6、YOLOX和YOLO v7等模型相比有着较大优势,平均精度均值分别提高8.4、3.1、9.0、12.9、4.4个百分点。在种薯自动切块芽眼检测试验中,改进Y...     

浑源县马铃薯晚疫病防治方法

分析了浑源县马铃薯晚疫病发生的原因,提出了预防防治方法。     

基于颜色传感器的玉米脂肪酸含量检测方法研究

玉米游离脂肪酸含量是判断玉米存储品质的重要指标.为此,提出了基于颜色传感器的玉米游离脂肪酸含量检测方法可实现现场快速检测.研究在提取玉米游离脂肪酸时使用了AOT-异辛烷溶液,较好地解决了常规有机溶剂提取游离脂肪酸的同时会提取出玉米色素的问题;同时,优化得到了玉米游离脂肪酸最佳提取及显色参数;构建了BP神经网络检测模型.研究结果表明:用基于颜色传感器的玉米游离脂肪酸含量检测方法来判断玉米陈化情况的正确率高达96.7%.