基于双目视觉的农田障碍物检测

针对智能农业机械自动驾驶或辅助驾驶立体视觉障碍物检测技术中,传统阈值分割不能达到目标提取精度的问题,提出基于分析扫描线上区域分割与特征匹配相结合的障碍物检测算法。在双目视觉系统得到农田场景图像对中,通过分析扫描线上像素分布情况将图像分割,进行归类整理提取目标区域;对目标区域进行快速立体特征匹配,得到目标区域的空间信息,进行障碍物的检测。对800帧(400对)图像进行检测试验,结果表明:每对图像的平均处理时间<100 ms,本次试验检测出障碍物的正确率达到95%。该算法用于农田障碍物检测具有很好的检测效果。     

基于机器视觉的谷物联合收获机行走目标直线检测

针对谷物联合收获机视觉导航,提出基于改进Hough变换(HT)的谷物联合收获机行走目标直线检测算法.通过改进一维最大熵阈值分割方法,提高了阈值分割的速度;对二值图像通过行扫描和列扫描,确定了行走目标直线的终点位置以及直线方向上的候选点;以候选点为点集,利用最小二乘直线拟合和直线终点位置确定了待检测直线上已知一点;利用改进HT完成直线检测,与传统的HT相比,将二元映射转换为一元映射,加快了算法速度、减少了空间占用和提高了抗干扰能力.经过对多幅图片的处理,证明算法能够有效地检测出直线参数,且处理时间在100 ms左右.     

基于YUV颜色模型的番茄收获机器人图像分割方法

在研究番茄收获机器人对目标图像分割识别时,经常由于采集的图像受光照影响以及分割识别算法的计算复杂性而影响到识别的准确性和实时性.通过比较RGB、HSI、YUV等颜色模型的特点,从理论上分析了YUV颜色模型应用于收获机器人视觉系统的可行性,提出了一种基于YUV颜色模型的成熟番茄分割方法.同时综合实验及经验确定了成熟的红色番茄在RGB、HSI、YUV颜色模型中阈值范围,采用直接确定色差阈值的双阈值分割算法识别成熟番茄,并对3种颜色模型在不同的光照条件下的分割识别效果进行实验对比.实验结果证实,将基于YUV颜色模型成熟番茄分割方法应用于番茄收获机器人视觉识别系统,能很好地解决其鲁棒性和实时性问题.     

基于改进YOLOV5s网络的奶牛多尺度行为识别方法

奶牛站立、喝水、行走、躺卧等日常行为与其生理健康密切相关,高效准确识别奶牛行为对及时掌握奶牛健康状况,提高养殖场经济效益具有重要意义。针对群体养殖环境下奶牛行为数据中,场景复杂、目标尺度变化大、奶牛行为多样等对行为识别造成的干扰,该研究提出一种改进YOLOV5s奶牛多尺度行为识别方法。该方法在骨干网络顶层引入基于通道的Transformer注意力机制使模型关注奶牛目标区域,同时对奶牛多尺度行为目标增加路径聚合结构的支路与检测器获取底层细节特征,并引入SE（Squeeze-and-Excitation Networks）注意力机制优化检测器,构建SEPH（SE Prediction Head）识别重要特征,提高奶牛多尺度行为识别能力。试验验证改进后的奶牛行为识别模型在无权重激增的同时,多尺度目标识别结果的平均精度均值较YOLOV5s提高1.2个百分点,尤其是对奶牛行走识别结果的平均精度4.9个百分点,研究结果为群体养殖环境下,全天实时监测奶牛行为提供参考。     

基于语义部位分割的条纹斑竹鲨鱼体运动姿态解析

条纹斑竹鲨具有较高的经济价值和医用研究价值.人工驯养对环境和温度等因素要求较高,时常出现大规模病死现象.利用视频图像量化分析鱼体运动行为,有助于进行异常识别和早期预警,将有效提高养殖养护水平.该研究针对人工驯养的条纹斑竹鲨鱼,提出一种基于深度神经网络的语义部位分割方法,并将分割结果应用于剖析条斑鲨鱼体运动姿态.首先,依...     

鸭蛋动态图像预处理和获取颜色特征参数的算法

研究了动态鸭蛋图像预处理及图像颜色特征参数的提取算法。其中预处理包括去图像边缘毛刺和蛋壳污点信息；提取鸭蛋图像颜色特征参数需要通过鸭蛋轮廓识别和圆形搜索算法实现，对于鸭蛋图像的轮廓识别是以彩色图像的红色分量R来判定图像边界点，并以此计算出鸭蛋图像蛋内像素和，用圆形搜索法求出蛋芯颜色特征区域并提取图像特征颜色参数。试验结果表明，通过该算法，得到的蛋重模型相关性达到0．95，建立的颜色模型相关性达到0．92。     

小型农产品分选机设计与试验

针对家庭农场及小规模营销的需要,设计了基于机器视觉的小型农产品分选机。农产品在平胶带上形成多通道阵列式输送,以DSP作为机器视觉单元的核心,采集一帧图像可分析多个通道,并根据农产品的形状、颜色等图像特征进行分选。在水平输送速度为9.2 cm/s、农产品输送间隔为16 cm、4通道并行输送的条件下,选用核桃、红枣及栗子3种农产品进行了分选机性能测试。试验表明,机器能够可靠工作;核桃、红枣和栗子的分选准确性分别为91.66%、94.79%和97.39%;分选速度达8 800个/h。因此采用DSP芯片作为小型分选机的机器视觉核心是可行的,可以为农产品分选机的小型化、低成本提供技术支持。     

基于计算机视觉的水果分选机实时控制系统

研究了一种基于计算机视觉的水果分选机实时控制系统。其利用计算机进行水果图像的采集、处理。利用单片机对分选台执行机构进行控制。工作时，光电传感器的脉冲信号触发图像卡采集图像，计算机进行图像处理后，其结果信号由串口发出，单片机接收到结果信号后向相应的电磁阀发出开关量信号，驱动执行机构动作，从而实现实时分选。     

基于轻量级神经网络MobileNetV3-Small的鲈鱼摄食状态分类

在集约化水产养殖过程中,饲料投喂是控制养殖成本,提高养殖效率的关键。室外环境复杂多变且难以控制,适用于此环境的移动设备计算能力较弱,通过识别鱼类摄食状态实现智能投喂仍存在困难。针对此种现象,该研究选取了轻量级神经网络MobileNetV3-Small对鲈鱼摄食状态进行分类。通过水上摄像机采集水面鲈鱼进食图像,根据鲈鱼进食规律选取每轮投喂后第80～110秒的图片建立数据集,经训练后的MobileNetV3-Small网络模型在测试集的准确率达到99.60%,召回率为99.40%,精准率为99.80%,F1分数为99.60%。通过与ResNet-18, ShuffleNetV2和MobileNetV3-Large深度学习模型相比,MobileNetV3-Small模型的计算量最小为582 M,平均分类速率最大为39.21帧/s。与传统机器学习模型KNN（K-Nearest Neighbors）、SVM（Support Vector Machine）、GBDT（Gradient Boosting Decision Tree）和Stacking相比,MobileNetV3-Small模型的综合准确率高出12.74、23.85、3.60和2.78个百分点。为进一步验证该模型有效性,在室外真实养殖环境进行投喂试验。结果显示,与人工投喂相比,基于该分类模型决策的鲈鱼投喂方式的饵料系数为1.42,质量增加率为5.56%。在室外真实养殖环境下,MobileNetV3-Small模型对鲈鱼摄食状态有较好的分类效果,基于该分类模型决策的鲈鱼投喂方式在一定程度上能够代替养殖人员进行决策,为室外集约化养殖环境下的高效智能投喂提供了参考。     

玉米苗期杂草的计算机识别技术研究

利用计算机视觉技术和人工神经网络技术对识别玉米苗期田间杂草进行了研究。首先利用类间方差最大自动阈值法二值化杂草图像的超绿特征,再进行连续腐蚀与膨胀,然后根据长宽比、圆度、第一不变矩3个形状特征由BP网络识别出玉米幼苗,最后利用种子填充法从阈值分割结果中擦除玉米目标,剩余的就是杂草目标。研究表明,基于BP网络的杂草识别算法对玉米幼苗与杂草的正确识别率分别为87.5%和93.0%,处理一幅640×480像素的杂草图像平均耗时约为58 ms。