嵌入SENet的卷积神经网络的零件缺陷检测方法

针对回转体零件的表面倒偏角、拉伤、线形纹等缺陷检测识别效率低、误检、漏检等问题,提出一种在编码器中嵌入特征压缩激活模块的Unet网络的零件缺陷检测方法。通过建立Unet网络架构模型并嵌入SE模块实现缺陷分割,完成缺陷图像的细节特征提取。采用BCEloss和Diceloss的混合损失函数进行训练,缓解缺陷图像分类不平衡的问题。该算法与Seg Net、FCN、Unet模型对比表明,Unet-SE在准确率、召回率和F1分数3个指标中表现最优,分别为0.929 8,0.892 9,0.911 0,且测试集中具有更好的分割效果。     

北海镜心斋园林意象分析

清代皇家园林北海镜心斋规模虽然不大,独具匠心的设计,使该园呈现出丰富的审美意象。通过对该园的相关视觉图式和环境认知的分析以及与实际园林处理的相互印证,探讨了镜心斋的设计思路与手段,有助于理解视觉语言和整体意象在深化园林设计中起到的关键作用。     

犬眼病的临床病理研究

眼是视觉系统中最重要的器官,随着宠物医疗技术的高度发展,犬的眼科疾病日益被临床兽医所重视。事实上眼部疾病常囊括部分全身疾病的局部体征,虽然相关的眼科检查仪器逐步导入临床,使视诊范围日益增宽,但由于缺乏对眼科生理、病理的认识,势必影响对眼科疾病的诊断能力。国外小动物眼科学发展很快,各种高科技检查仪器早已成为临床医生的诊察手段。     

缺株玉米行中心线提取算法研究

无人驾驶农机自主进行行驶路径检测和识别系统需要具备环境感知能力。作物行的中心线识别是环境感知的一个重要方面,已有的作物行中心线识别算法在缺株作物行中心线提取中存在检测精度低的问题。该研究提出了一种能够在缺株情况下提取玉米作物行中心线的算法。首先采用限定HSV颜色空间中颜色分量范围的方法将作物与背景分割,通过形态学处理对图像进行去噪并填补作物行空洞;然后分别在图像底部和中部的横向位置设置条状感兴趣区（Region of Interest,ROI）,提取ROI内的作物行轮廓重心作为定位点。在图像顶端间隔固定步长设置上端点,利用定位点和上端点组成的扫描线扫描图像,通过作物行区域最多的扫描线即为对应目标作物行的最优线;将获取的最优线与作物行区域进行融合填充作物行中的缺株部位;最后设置动态ROI,作物行区域内面积最大轮廓拟合的直线即为目标作物行中心线。试验结果表明,对于不同缺株情况下的玉米图像,该算法的平均准确率达到84.2%,每帧图像的平均检测时间为0.092 s。该研究算法可提高缺株情况下的作物行中心线识别率,具有鲁棒性强、准确度高的特点,可为无人驾驶农机在作物行缺株的农田环境下进行作业提供理论依据。     

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。     

基于目标像素变化的柚果单目测距算法

针对山地果园光线变化和枝叶遮挡干扰果实距离检测的问题,该研究提出一种利用目标区域像素数量变化预测成像距离的算法。根据单目测距原理和柚果成像特性,以具备尺寸和形状代表性的离树柚果样本为研究对象,在采摘作业距离范围内利用单一相机以固定间隔步距对果实某一侧面连续获取图像数据,用以建立并验证目标区域像素数量变化与成像距离变化之间的多元回归关系。随后将该算法应用于果园中树上柚果样本以检验其适用性,并讨论初始成像距离和步距取值对测距精度的影响。研究结果表明,在125 cm以内,6个树上柚果样本的测距相对误差均低于5%,满足采摘机械手目标定位的精度要求;初始成像距离对该算法测距精度具有显著影响。该研究单目测距算法满足果园环境中柚果目标与相机间距离检测需求,为相关采摘机械手的柚果目标识别提供了一种可行方案。     

利用显著图构建注意力深度网络检测诱虫板蔬菜害虫

为提高诱虫板图像蔬菜害虫检测精度,针对背景区域容易导致误检的问题基于显著图分析技术构建了一种注意力深度网络害虫智能视觉检测方法。首先通过显著图筛选出粗候选区域;然后在粗候选区域内用全卷积神经网络精选出细候选区域;接着用神经网络分类器识别细候选区域害虫种类,得到含有冗余的若干检测框;最后用改进的非极大值抑制消除冗余检测框,实现诱虫板图像中目标害虫的检测。针对小菜蛾和瓜实蝇展开试验,获得86.4%的平均精度均值和0.111只的平均绝对计数误差均值,所提方法平均精度均值比Faster R-CNN和YOLOv4分别高2.74和1.56个百分点,平均绝对计数误差均值比Faster R-CNN和YOLOv4分别低0.006和0.003只;同时,消融试验中移除显著图注意力模块后平均精度均值下降了4个百分点、平均绝对计数误差均值增加了0.207只。试验结果表明,所提方法有效提高了诱虫板图像蔬菜害虫检测精度,其中,引入显著图注意力模块对提升检测精度有重要作用。     

基于机器视觉的智能种子分选机设计

针对目前市场上种子分选装置多以传统机械式、半自动式为主,智能化程度不高、分拣准确率较低的问题,基于机器视觉技术设计一种智能种子分选机,主要由传输系统、供料系统、图像采集系统、种子筛选系统和控制系统五大部分构成。以‘郑丹958’玉米种子为研究对象,以种子气流下斜抛的水平距离和传送带传输速度为寻优条件进行试验,确定最优气泵压力值和控制器脉冲频率。对960个种子样本（优质、劣质种子分别为824和136 个）通过目标检测模型进行质量识别,判别种子质量,对种子状态进行标注框选和坐标记录。使用PLC（SIMATIC S7-200 CN,CPU224XP）分选模块控制直动式电磁阀组,对种子进行分选试验。结果表明：1）最优组合气泵压力值为0.3 MPa,控制器脉冲频率为3 175 Hz。2）优质、劣质种子识别率分别为93.69%和91.91%,种子分选率为89.6%。该分选机能够有效满足种子分选要求。     

基于计算机视觉技术的番茄叶片叶绿素含量的检测

 研究利用计算机视觉技术快速测定叶绿素含量的方法,建立了根据番茄叶片颜色特征确定其叶绿素含量的一元二次拟合模型。在计算机视觉图像采集系统中采集番茄叶片图像,利用MATLAB图像处理工具提取图像的颜色特征参数,对颜色特征参数和番茄功能叶叶绿素含量做相关分析,建立回归模型。结果表明：RGB颜色系统的R/G、(G-R)/(G+R)、G-R、色度坐标r、r-g及HIS颜色系统的H值均与叶绿素含量呈极显著非线性相关性,可用于测定番茄叶片叶绿素含量。从建立的6组模型中筛选出拟合度较高的3组模型进行检验,预测误差在0～22.22%之间。用预测精度最高的G-R颜色特征预测叶绿素含量的模型为Chl.a = 0.0926 + 0.1208 (G-R) - 0.0009 (G-R)²,Chl b = - 0.0252 + 0.0397 (G-R) - 0.0003 (G-R)²和Chl.(a+b) = 0.1271 + 0.1600 (G-R) - 0.0011 (G-R)²。     

机器视觉技术在自动移栽机上的应用

穴苗自动移栽机是温室种植中的一种重要的农业自动化设备.在移栽过程中,判断坏苗、将坏苗从穴盘中去除是穴苗移栽的重要步骤,可以防止病虫害的扩散.机器视觉技术是一种基于机器视觉的智能模式识别判断系统.在这个系统中,通过图像处理,提取每一株穴苗的表面特征并且与坏苗样本库作比较,即可识别坏苗,并将其从穴盘中去除.利用智能识别算法和矢量机.视觉系统更加高效自动化.