脱绒棉种分选关键技术研究现状——基于机器视觉技术

棉种的优劣直接影响棉花的产量和质量,而机器视觉技术在种子的检测与分级中发挥重要的作用.为此,基于机器视觉技术,分析了脱绒棉种分选系统在硬件方面关键技术的研究现状,总结了脱绒棉种在图像处理中的分选算法,并随着分选的自动化与智能化的不断提高,提出了今后的发展趋势.     

基于机器视觉的脱绒棉种染色特征的提取算法

针对种子活力四唑染色法检测中由于人工视觉疲劳、劳动强度大等因素引起的人工误判情况,提出了一种基于机器视觉的脱绒棉种染色特征的提取算法。此算法是在随机选取了庄稼汉品种的脱绒棉种进行四唑试验后进行的,通过对染色棉种进行图像采集,对图像进行灰度变换、HSI颜色空间转换、中值滤波、自动阈值分割等预处理,经去噪、补洞后得到整粒脱绒棉种的面积和染色部分的面积。同时,计算出图像染色比例,为脱绒棉种活力在线检测奠定理论基础。     

基于机器视觉的棉种破损检测技术

研究了破损棉种的机器视觉识别方法,采用均值、方差、均方比等统计特性参数,计算棉种边界破损参数.通过实验确定均方比分类阈值为0.58,将棉种分为破损棉种和正常棉种.选取正常棉种330粒、破损棉种110粒,利用该检测系统进行检测,其识别精度达93%.     

基于机器视觉技术的棉籽破损检测

种子质量对增产丰收具有十分重要的意义。提出一种基于机器视觉提取单粒棉籽,自动识别破损棉籽的方法。试验用最大类间法自动选择阈值结合膨胀处理和区域属性度量函数提取单粒棉籽图像;基于改进阈值的小波去噪对图像进行增强;通过对多幅单粒棉籽图像的研究找到对破损区域进行阈值分割的最佳阈值,对整个棉籽进行阈值分割的最佳阈值;进而对分割后的图像进行相乘和数学形态学处理等方法得到破损区域特征;最后利用获取连通区域的方法实现破损棉籽的识别并将此方法用Matlab App Designer设计成软件。试验表明,此系统对破损棉籽的平均准确率达到89%。优于软阈值函数、硬阈值函数和软硬阈值折衷函数的平均准确率83.5%、85%和87.5%。     

基于DSP的脱绒棉种色选机光电检测系统的设计

光电检测系统是脱绒棉种色选机的核心系统,他对色选机的色选精度有直接的影响,合理设计检测系统是设计色选机所要解决的关键问题。主要论述了脱绒棉种色选机光电检测系统的两大部分即光学系统和数字信号处理系统的设计方法。     

基于FPGA的脱绒棉种色选机实现

通过对当前脱绒棉种分选实现方法的对比,给出了一种双CCD(Charge-coupled device)检测FPGA(Fieldprogrammable gate array)分选实现的方法。通过图像采集模块、数据传输模块和分选模块的分析与设计,结合仿真分析和测试试验,验证了色选机系统效果。其中,图像采集模块采样彩色线阵CCD对脱绒棉种进行成熟度信息采集、黑白线阵CCD对棉种进行完整度信息采集;数据传输模块完成采集数据的传输任务;分选模块依据成熟度和完整度信息对棉种进行判别分析。试验结果表明,色选机系统能够完成对棉种特征信息的采集、数据传输以及分选判别工作,能够满足色选机设计要求。     

脱绒棉种的物料学特性研究

针对棉花种子的物料学特性对棉花精密播种技术的影响,测定了3种脱绒棉种的几何尺寸、形状、千粒质量、摩擦特性、种子载荷与变形的关系等,得出棉种的粒型介于圆锥形和椭圆形之间,棉种的尺寸差异较大,棉种包衣后摩擦性能有所增大,棉种的载荷强度随与种子的饱满度增大而增大。研究结果对棉花精密排种器的研制有指导性意义。     

脱绒棉种色选机双CCD检测系统设计与仿真分析

设计了一种脱绒棉种双侧双CCD(Charge coupled device)色选检测系统。通过对该检测系统的光学子系统、图像采集子系统和处理子系统等的分析与设计,结合仿真分析和测试试验,验证了系统效果。其中,图像采集子系统采用彩色线阵CCD对脱绒棉种进行成熟度信息采集、黑白线阵CCD对棉种进行完整度信息采集;图像处理和分析用于提取关键特征信息做棉种类型的判别分析。试验结果表明,检测系统设计的光学子系统模块能够得到特征清晰的图像,处理子系统能满足双图像采集子系统CCD正常采集物料特征信息,系统能够保证分选的实时性和稳定性要求。     

基于BP神经网络的脱绒棉种品种识别

为了提高脱绒棉种品种识别的准确率,提出了基于BP神经网络的非线性识别方法。本文以新路早36、中棉50、惠远710三个品种为研究对象,基于图像处理技术提取了脱绒棉种的颜色和形状特征参数,后又通过对特征参数进行单因素分析选取了差别较明显的9个特征参数参与网络的训练,提高了训练速度。经训练比较得出,当训练目标为0.02,训练次数为3000,隐含层的结点数为12时,模型的训练误差最小。经过对测试集进行测试,得出综合测试准确率为90%,证明了该方法是可行的,提高了脱绒棉种的识别准确率。     

脱绒棉种活力检测系统的设计与实现

为了实现脱绒棉种活力的快速无损检测,利用VS2010和Open CV混合编程方式开发一套脱绒棉种活力在线检测系统分析软件,应用BP神经网络原理构建活力预测模型。软件系统主要包括图像采集模块、参数记录模块、图像处理分析及活力检测模块,主要实现了图像采集、图像特征提取与分析、脱绒棉种活力预测及参数记录等功能。选取新陆早50、鼎丰10号、神农11号3个品种进行活力预测试验,准确率分别达到90.29%、84.27%、8 6.8 0%。软件系统的开发为脱绒棉种活力实现快速无损检测分级奠定了基础。     

基于机器视觉的田间杂草定位技术

采用摄像机弱透视模型,对采集的标定靶图像进行处理,获取48个靶点质心的像素坐标,利用DLT的最小二乘法获取摄像机隐参数矩阵.室内土槽的有序杂草和无序杂草定位试验表明,利用建立的摄像机隐参数矩阵,有序杂草和无序杂草的质心定位误差分别为19.2 mm和22.8 mm,可以满足除草剂精确喷施的要求.     

基于机器视觉的双圆盘式棉花打顶装置设计与试验

为降低人工打顶的劳动强度,减少化学打顶的环境污染,改善“一刀切”式打顶机构的过打顶情况,通过分析手工打顶过程,设计了一种双圆盘式打顶机构,并基于机器视觉,设计打顶装置单行样机,实现棉花打顶的全程自动化控制。该装置主要由打顶机构、视觉检测机构、运动机构和棉花顶尖识别及控制系统组成。基于棉田调研、结构计算和预试验,确定了打顶装置的整体结构和关键部件尺寸。结合视觉识别研究基础与实际应用,选用YOLO v3算法搭建棉花顶尖识别及控制系统,实现棉花顶尖的识别定位,完成打顶机构的运动控制。以打顶期棉花为研究对象,进行棉花顶尖识别试验、打顶机构性能试验和田间试验,结果表明：棉花顶尖识别试验平均识别率为93%;打顶机构性能试验平均打顶率为94.67%;田间试验平均识别率为85.33%,平均打顶率为78.22%。研究结果可为棉花精准化与智能化打顶的研究提供参考。     

机器视觉技术在农产品破损检测上的应用

农产品的表面缺陷是农产品品质的重要特征,利用机器视觉进行检测具有人工检测所无法比拟的优越性。为此,分析了目前国内外利用机器视觉和图像处理技术进行农产品破损检测研究的现状和存在的问题,提出了今后研究的方向和发展途径。     

机器视觉技术在精细农业中的研究进展

精细农业以节约投入、增加产出、提高投入物利用率、减少环境污染为目的.快速、准确地采集各种农田信息,有效地监测农业对象是实施精细农业的重要基础.机器视觉技术由于其非破坏性、精度高、成本效率高、信息量大、灵活等特点,在精细农业中得到了广泛的应用.为此,通过对大量参考文献进行分析,发现机器视觉在精细农业中的主要研究方向集中在农业机械自动导航、作物生长信息检测、变量控制等方面.同时,对机器视觉技术在上述领域中的研究情况进行分析和总结,并讨论了未来机器视觉技术在精细农业中应用存在的问题以及发展前景.     

基于机器视觉的农业植保技术研究进展

综述国内外机器视觉技术在农业植保领域的应用进展,分析机器视觉技术在农作物病虫害自动识别与诊断的应用前景,指出目前尚需解决的难点和研究方向。     

基于机器视觉的棉花氮素营养诊断系统设计与试验

采用数码相机和CCD数字摄像头为图像监测设备,融合机器视觉技术,集成数字图像处理技术、农业物联网技术、Web远程控制技术、信息传输服务技术和数据库管理技术等构建了远程服务系统平台。通过2年试验对棉花的生长状况进行实时跟踪监测,获取其冠层图像,运用数字图像处理技术对棉花群体冠层图像进行分割,筛选棉花长势监测与氮素营养诊断反应敏感的特征颜色参数覆盖度,构建了覆盖度与棉花地上部总含氮量间的关系模型。研究结果表明,覆盖度与棉花地上部总含氮量间指数函数模型相关性最高,其决定系数为0.978,根均方差为1.479 g/m~2。依据棉花覆盖度与氮素营养诊断的最佳模型,搭建了棉花长势长相监测中心(田间监测)、网络信息服务控制中心(服务器)、图像分析与数据处理中心、决策诊断与评价中心以及用户浏览中心,形成一个大型环式一网三层五中心棉花监测管理诊断体系,初步实现对棉花生长信息和氮素营养状况快速准确的监测与诊断。     

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。     

基于机器视觉的水稻种子精选技术

以面积和宽长比作为稻种类型的特征参数,建立了稻种类型数据库;以等价矩形长、宽的差值最小为标准,进行了未知稻种类型的判断;以扫描线上黑白像素的变化次数和扫描线数来判断稻种的破裂;以不同阈值提取的稻种面积差来判断稻种是否霉变。选取丰源优299等10种稻种进行实验,分别进行了种子类型判断、工位有无种子判断、几何参数判断以及发霉与破损情况判断,检测正确率分别为     

基于机器视觉棉叶螨自动监测与分级方法研究

为实现棉叶螨自动监测与分级,研究了受叶螨危害棉叶的颜色统计特征,对不同等级螨害棉叶进行比较,利用颜色特征的均值和方差,自动监测棉花是否发生螨害,最后对棉花叶螨危害程度进行自动分级。结果表明:采用机器视觉技术对棉叶螨进行自动监测分级能够取得较好的效果。