基于FISHER模型的棉种分色研究

利用棉花种子表皮光学特性,对颜色不正常、表面有缺陷或内部变质的疵品及杂物进行分选是一种有效的方法。研究棉种分色模型是研制自动化棉种分色机械的基础。为此,通过提取彩色棉种图片的RGB分量,利用Fisher准则对RGB分量特征值进行提炼,建立了棉种的分选模型。试验表明,该色选模型可以对棉种进行有效分选,其分选精度达到97.2%。     

采摘机器人视觉伺服控制系统设计

分析了采摘机器人目标位置与机器人关节角度之间的运动学关系,给出了两者之间的坐标变换公式.根据伺服控制特点,在机器人伺服控制中引入模糊PID控制方法,利用模糊控制策略在线自适应整定PID参数,提高了控制系统的动、静态性能.仿真和实验结果验证了设计的合理性和有效性.     

农林环境机器视觉导航路径生成算法及应

提出两种自然环境中的路径导航线生成算法:对于矮小作物规则分布的农田场景,在标准Hough变换的基础上,预先检测共线点峰值的限定偏角阈值,以迅速检测关键信息;对于林地环境及类林地环境的高大作物农田场景,寻找树干与地面的交点,形成机器人行走的左右边界,再求两边交点的中值产生一列点簇.对该列点簇进行Hough变换检测直线作为导航线,或应用最小二乘法拟合左右边界,求其中线作为路径导航线.Matlab对比仿真表明,几种算法对各自适用的场景具有可靠稳定的路径辨识能力,可对图像进行有效的批量处理.     

基于计算机视觉和神经网络的牛肉颜色自动分

将采集的牛胴体眼肌切面图像人工确定其颜色等级,然后通过计算机图像处理方法,分割出肌肉区域并提取出其在RGB和HIS颜色空间的颜色特征参数.设计一个以牛肉的颜色特征参数为输入、牛肉的颜色等级为输出的BP神经网络模型,通过训练,确定模型的结构参数,用测试样本对该模型进行验证.结果显示,用该模型进行牛肉颜色等级预测的正确率可达95%,耗时仅0.25s.表明利用所设计的模型可以对牛肉的颜色等级进行快速、准确的自动判定.     

基于计算机视觉的新疆棉种颜色分选系统设计

设计了一套基于机器视觉的脱绒棉种在线分选系统,采用种子平抛和气吹分离的方式实现了新疆地区红棕色棉种与黑色棉种的自动分选。研究了无序状态下的种子图像采集方法,并通过区域细分的方式解决了无序种子与气流喷嘴的对应关系。提出了种子位置跟踪和分离算法,实现了对棉种图像处理结果的延时分离操作。实验结果表明:在传送带速度为0.50 m/s时,分选精度为88.6%,选出率为80.7%。     

计算机视觉技术在农业领域的应用

綜述了计算机视觉技术在监测农作物生长、诊断农作物营养元素、种质资源研究、预测预报病虫草害、农产品收获和检测等方面的应用;介绍了国外对计算机视觉在农业领域中应用的研究动态;分析了我国在这方面研究存在的问题,并就计算机视觉在农业领域应用前景进行了展望.     

农田非结构特征视觉导航研

研究了农田非结构环境下,通过机器视觉提取导航线的处理算法.首先,根据农作物的特点提出了使用聚类的方法检测作业区域终点;其次,为避免噪声干扰,利用移动窗口检测二值图像白色像素的个数,确定导航路径区域;最后,使用改进的Hough变换提取导航线.实验表明,该算法可以准确提取绿色植物的行信息,处理一帧分辨率为320×240像素的彩色图像平均需要57.404ms,正确识别率达99%.     

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DXNet模型的富士苹果外部品质分级方法研究

针对传统计算机视觉技术在苹果外部品质分级中准确率较低、鲁棒性较差等问题,提出了基于深度学习的苹果外观分级方法（多卷积神经网络融合DXNet模型）。首先,在延安市超市、果园等场所实地拍摄不同外观等级的苹果图像15000幅,并进行人工标记,建立了外部品质信息覆盖度广、样本量大的苹果图像数据库;然后,在对比分析经典卷积网络模型的基础上,采用模型融合的方式对经典模型进行优化改进,抽取经典模型卷积部分进行融合,作为特征提取器,共享全连接层用作分类器,并采用批归一化和正则化技术防止模型过拟合。试验评估采用15000幅图像进行训练、4500幅图像进行测试,结果表明,DXNet模型的分级准确率高于经典模型,分级准确率达到97.84%,验证了本文方法用于苹果外部品质分级的有效性。