基于EIT的土壤中油菜根茎检测

主要应用EIT技术检测土壤中油菜的根茎。搭建16电极数据采集系统,采用相邻法激励测量模式获得成像数据并应用基于MatLab的MNR算法进行图像重建。结果表明:本实验方法能实现油菜根茎的无损检测,可以检测出油菜根茎的位置和大小信息;对干枯的油菜根茎检测效果比新鲜根茎差,而对于腐烂的根茎,不能检测出来。据此,可以对土壤中油菜根茎进行可视化观察,了解其根系生长情况。     

Kinect在现代农业信息领域中的应用与研究进展

2010年微软公司推出的Kinect体感设备不仅在游戏界引起了巨大的轰动,在其它多个研究领域也得到了越来越多的重视。本研究对Kinect在农业信息领域的应用现状和发展趋势做了深入分析,阐述了Kinect在果实目标检测识别、植物三维形态重建、畜牧养殖监督系统及农业虚拟教学等领域的应用,探讨了Kinect在农业领域应用中存在的问题及其在农业应用上的优缺点,并提出了Kinect在信息农业领域未来的发展方向及前沿问题。     

宽幅施药机械机器视觉辅助导航系统研究

为了实现宽幅施药机械喷幅的精确拼接,提出一种机器视觉辅助GPS导航方法。该方法首先对施药机械幅边喷洒泡沫剂并进行泡沫剂识别,识别过程中为了有效分割目标与背景,选定蓝色泡沫剂作为试验对象,提出使用超蓝色灰度化方案,并经过形态学滤波、行定位点的选取、Otsu分割提取泡沫剂信息,使用迭代的最小二乘法检测泡沫剂中心线的信息;然后给出了二维图形航向偏角和偏距的定义,并根据识别的泡沫剂信息进行航向偏角和偏差信息的提取,从而指导施药机械的行进方向。试验表明,所提方法可以较为准确地进行泡沫剂识别,根据泡沫剂信息识别得到的偏角计算值和实际测量值平均误差为1.58°,最大误差为2.5°,偏距计算值和实际测量值平均误差为5.4 cm,最大误差为8.4 cm,检测精度能够满足实际需求。     

油桃外部缺陷的高光谱成像检测

采用高光谱(420~1 000 nm)成像技术对"中油9号"油桃的4种外部缺陷(裂纹果、锈病果、异形果和暗伤果)进行检测判别。对400个样本(4种外部缺陷样本和完好样本)运用偏最小二乘回归(PLSR)从全波段中分别提取了10条特征波长,分别为497、534、657、677、696、709、745、823、868、943 nm。缺陷样本的高光谱图像经过主成分分析后,对876 nm下的单波段图像通过掩膜、Sobel算子处理,并对主成分图像经过区域生长算法实现缺陷样本的缺陷区域分割。对光谱数据进行主成分分析得到前10个主成分值,并对图像数据采用灰度共生矩阵(GLCM)提取得到6项图像纹理指标(均值、对比度、相关性、能量、同质性、熵值)。将主成分值和纹理值融合建立极限学习机(ELM)模型对油桃外部缺陷进行检测判别。结果表明,该模型对缺陷样本的判别正确率为91.67%,完好样本的正确率为100%。     

猪舍场景下的生猪目标跟踪和行为检测方法研究

针对猪舍内光照情况复杂、目标与背景颜色较为接近、相机视角与参数不佳等环境与硬件条件的不足,导致生猪跟踪过程中精度低、稳定性差的问题,充分结合实际场景,提出了一种优化特征提取的压缩感知跟踪算法。优化跟踪窗口为椭圆形,以接近生猪体态;并结合灰度和纹理特征,优化传统压缩感知算法特征提取过程;划分猪舍区域,依据生猪所处位置来判断其当前行为。随机选取猪舍内不同场景、不同光照强度、不同生猪品种的多段视频进行实验,实验结果表明：中心点均方根误差均值为25.44,分别是传统压缩感知算法、模板更新跟踪算法和Camshift跟踪算法的60.32%、33.33%、32.57%;中心点均方根误差方差为70.26,分别是传统压缩感知算法、模板更新跟踪算法和Camshift跟踪算法的7.13%、47.62%、17.16%;跟踪速度达到19.3帧/s。     

图像中成熟苹果果实定位方法研究

针对目前苹果果实图像定位中存在的准确度较低、速度较慢等问题,在分析比较的基础上,对苹果果实定位方法进行了进一步的思考和研究。以3点确定圆算法为中心,配合图像中树枝树叶部分的分割、果实边缘的检测及去除图像的噪声等技术,以使处理速度满足实时要求,并使果实定位结果准确。经测试,本方法对成熟苹果果实具有较好的定位效果。     

基于非下采样Shearlet变换的磁瓦表面裂纹检测

针对磁瓦表面裂纹缺陷图像背景不均匀、对比度低和存在纹理干扰等特点,提出了一种基于非下采样Shearlet变换(Nonsubsampled Shearlet transform,NSST)的裂纹检测方法。首先对原始图像进行多尺度、多方向NSST分解,得到一个低频子带和多个高频子带,然后利用各向异性扩散和改进的γ增强方法对高频子带进行滤波和增强;同时利用二维高斯函数对低频子带进行卷积操作来构造高斯多尺度空间,估计出图像的主要背景,并通过背景差法得到均匀的低频目标图像。最后通过重构NSST系数得到去噪和增强后的均匀目标图像,利用自适应阈值分割和区域连通法提取裂纹缺陷。实验结果表明,所提方法检测准确率达92.5%,优于基于形态学滤波方法、基于Curvelet变换方法和基于Shearlet变换方法等现有磁瓦表面裂纹检测方法。     

基于卷积神经网络的空心村高分影像建筑物检测方法

基于卷积神经网络(CNN)提出了一种适用于空心村高分影像的建筑物自动检测方法,该方法利用多尺度显著性检测来获取包含建筑物信息的显著性区域,然后通过滑动窗口获取显著性区域内目标样本块,再将这些样本块输入训练好的CNN并结合SVM来实现分类。为检验方法有效性,选取高分影像进行实验,结果表明,显著性检测能够有效地获取主要目标,减弱其他无关目标的影响,降低数据冗余;卷积神经网络能够自动学习高层次的特征,基于CNN对高分影像进行建筑物检测,分类准确度可以达到97.6%,表明该方法具有较好的鲁棒性和有效性。     

大型收获机械发动机孔组位置度误差在线检测方法

发动机是收获机械的动力源,其安装位置精度将直接影响整机装配质量,进而关系机器的作业效率和可靠性。由于收获机械底盘机架结构复杂、表面粗糙度大,现有测量方法及设备难以满足大跨距孔组位置度误差测量需求,针对收获机械发动机安装孔位置度的自动化测量需求,提出了基于机器视觉的大跨距孔组位置度误差在线检测方法,通过建立孔组位置度误差模型,使用多部工业相机获取安装孔二维图像,通过相机在线标定、图像增强处理、特征提取、坐标变换等手段,实时测取并计算安装孔组之间的位置度误差。在此基础上,基于LabWindows/CVI平台,开发了自动检测软件,实现了发动机安装孔位置度的快速检测。以某型玉米收获机底盘机架发动机安装孔组为对象开展了试验研究,结果表明,利用该方法能够有效获取安装孔组的位置度关系,建立的孔组位置度误差模型能够进行误差分析与评定,在分辨率和测量精度上均优于传统测量方式,检测效率较高,能够满足生产线自动化检测需求。     

基于Delphi可视化编程的旋耕埋草机功耗检测研究

旋耕埋草机在作业过程中受到的阻力较大,尤其是在土壤粘重的地区作业,其功耗问题是制约该机发展的重要因素。针对高茬秸秆还田旋耕埋草机实际功耗大小不清楚、刀辊作业时运动参数与功耗的关系不明确等问题,根据功耗检测的基本原理,采用Delphi可视化编程软件,设计了一种新的旋耕埋草机功耗检测系统。该系统由4个模块组成,包括设计采集模块、传感器模块、数据分析模块和Delphi可视化显示模块。将该系统安装在旋耕埋草机上,对其性能进行了检测,并得到了转速、力矩和功耗等检测结果。该检测结果通过数据处理可以在Delphi开发的界面上进行可视化显示,为旋耕埋草机动力分配和节能降耗的研究提供了可借鉴的数据参考。