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。     

基于单目视觉的谷物联合收获机产量测量方法

为准确获取农田中作物产量信息,以联合收获机刮板式升运器为研究对象,提出了一种基于单目视觉的联合收获机产量测量方法。首先,根据真实的升运器内部谷堆图像,提出了一种更加精确的刮板上谷物堆积模型。然后,基于视觉测量和图像处理技术,开发了一种谷堆体积测量方法。在辅助光源照射下,通过工业相机采集升运器内刮板和谷堆的侧面图像。采用邻域微分法提取图像感兴趣区域,再利用Otsu法和形态学处理方法从背景中准确分割出谷堆。根据相机成像模型,计算谷堆在世界坐标系中的实际侧面积,并通过谷堆几何模型得到谷物的体积。最后,将每个刮板上的谷堆体积累加求取产量。为验证所提方法的有效性,搭建了基于单目视觉的谷物测产系统,并在升运器试验台上开展了试验验证。试验结果表明,在不同的升运器转速工况下,所提方法测量的相对误差为-4.08%~3.41%,能够满足联合收获机产量测量精度要求。     

基于机器视觉的水下河蟹识别方法

为了探测河蟹在池塘中的数量及分布情况,为自动投饵船提供可靠的数据反馈,提出了基于机器视觉的水下河蟹识别方法。该方法通过在投饵船下方安装摄像头进行河蟹图像实时采集,针对水下光线衰减大、视野模糊等特点,采用优化的Retinex算法提高图像对比度,增强图像细节,修改基于深度卷积神经网络YOLO V3的输入输出,并采用自建的数据集对其进行训练,实现了对水下河蟹的高精度识别。实验所训练的YOLO V3模型在测试集上的平均精度均值达86. 42%,对水下河蟹识别的准确率为96. 65%,召回率为91. 30%。实验对比了多种目标检测算法,仅有YOLO V3在识别准确率和识别速率上均达到较高水平。在同一硬件平台上YOLO V3的识别速率为10. 67 f/s,优于其他算法,具有较高的实时性和应用价值。     

光电检测技术在马铃薯品质检测中的研究进展

近年来,我国大力推动实施马铃薯主粮化战略,品质控制是重要的支撑技术,需在马铃薯的专用品种选育、主食产品加工、储藏运输及终端消费等多个产业链环节进行检测。为此,围绕马铃薯质量安全管控方面的需求,详细介绍了机器视觉技术、近红外光谱分析技术及高光谱成像技术等光电检测技术在马铃薯外观形态、内部品质及缺陷检测方面的研究和应用现状,并分析了其发展趋势,以期为马铃薯深加工过程中原料筛选和分等分级等提供参考。     

农业机器人并联视觉云台研究

针对智能农用机器人对机器视觉工作范围的需求,提出了一种用于农业机器人的并联视觉云台设计方案。基于双摇杆的输入输出特性,提出了一种运动支链设计方法,用于构建二自由度全球面工作空间解耦并联机构。在此基础上,衍生出两种可行的运动支链P5R和PRR,基于这两种运动支链,设计了2种二自由度全球面工作空间并联视觉云台RRP5R和RRPRR。通过运动学分析,分别建立了2种机构的位置关系表达式;通过尺寸优化,得到了2种机构的最优杆长比;通过对比得出,RRP5R型并联视觉云台具有更好的输入输出性能;通过有限元分析,研究了载荷对RRP5R型并联视觉云台运动精度的影响。结果表明,RRP5R机构强度满足要求,但杆件的累积弹性变形导致运动副的位移偏差较大。     

基于边缘检测和区域定位的玉米根茎导航线提取方法

基于玉米根茎图像信息,提出一种基于边缘检测和区域定位的玉米根茎导航线提取方法。首先,利用最大类间方差法自动分割2G-R-B灰度图像,得到二值化图像,结合形态学处理、位置/面积去噪方法提高二值化图像质量,对去噪图像按列累加得到列像素累加曲线;针对传统方法得到的特征点中伪特征点较多的问题,引入高斯滤波器平滑累加曲线,并运用极值法减少玉米根茎伪特征点的干扰,在提取玉米茎秆边缘直线时,提出基于最远茎秆成像宽度的双侧边缘判别思路,通过扫描每条边缘直线的四边形封闭邻域有效剔除伪边缘直线;最后,根据边缘直线二次定位玉米的根茎区域范围,并剔除伪特征点,采用最小二乘线性拟合方法准确提取导航线。试验表明,本文算法处理一幅1280像素×720像素图像耗时约236ms,特征点拟合准确率为92%。与传统方法相比,本文算法精度高、实时性好,在缺苗、杂草较多和株距不标准的情况下仍具有较强的鲁棒性。     

种子形状参数检测的计算机图象处理技术

设计了采用计算机图象处理技术检测形状特征参数的实用算法，开发了对种子进行基本形状参数测量的计算机图象处理系统，实际测试表明，系统运行稳定，测量速度快，精度高，适合同时分析多个物体的特征参数。     

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。