基于图像的番茄识别与几何尺寸测量

介绍了一种基于图像的番茄识别算法,比较了几种常用的边缘提取算法的效果,最终选择Canny算子进行边缘提取,在对番茄进行轮廓提取的基础上,以像素为单位,对番茄的面积、形心、半径等参数进行统计,然后用一个圆来完成对番茄的拟合。这种识别算法可以识别各种光照条件下的果实,并且可以在一定程度上恢复番茄被枝叶遮挡住的部分。最后在Matlab上进行了算法设计和几何尺寸测量。     

玉米叶片生长状态的双目立体视觉监测技术

研究了使用双目立体视觉技术监测玉米叶片运动的可行性,视觉监测系统包括一个能够垂直升降和水平移动的支架,用于支撑双目相机连续监测被试样品。采用白色荧光小球作为标志物,简化图像算法的同时增加了三维坐标测量精度。图像处理过程中采用亚像素边缘检测算法,有效地提高了立体匹配的精度。仿真实验结果表明,系统测量误差可达0.0139 cm,能够检测叶片微小的位置变化。     

猕猴桃自动分级设备设计与试验

针对目前猕猴桃采后人工分级费时费力、自动分级成本高等问题,通过机械分离输送、图像采集与处理、智能控制等技术,研制了一套实用的猕猴桃自动分级设备。该设备包括单行定位输送系统、图像采集系统、分级执行系统和控制系统,通过多特征提取和融合分级的方法对猕猴桃实现了自动分级,同时在线监控参数。经试验验证,该设备按体积、形状、表面缺陷特征分级的准确率分别可达88.9%、91%、94%,融合分级的准确率可达86%。     

基于数字图像技术的土壤孔隙结构定量研究进展

土壤孔隙结构是土壤孔隙的形态大小、数量搭配和空间分布状况的综合反映，其结构的复杂性和异质性决定着土壤水分迁移、气体扩散和生物活动等过程。近年来数字图像技术的发展虽然实现了土壤孔隙结构的直接可视化和定量化，但孔隙提取的精度仍然受采样方法、设备分辨率和分割技术的限制。本文基于现有土壤孔隙研究方法的发展历程，以图像获取、图像分割和量化分析为主线，综述了当前常用土壤孔隙研究方法(间接法和直接法)的基本原理、主要步骤和优缺点，剖析了从图像中提取孔隙结构的分割技术，概括了孔隙结构的常用量化指标，最后针对现有研究方法存在的问题和不足，对未来研究方法的发展方向进行了展望。     

基于IRMAnet的全生育期小麦品种识别研究

为了解决小麦种植中品系混乱、劣种降效、假种坑农以及模型参数过多不利于部署到移动端等问题，提出了IRMAnet模型。通过拍摄29种不同小麦的种子期、幼苗期、开花期图片，构建了一个拥有87个类别46 420张照片的小麦多生育时期数据集。基于该数据集，首先将原始ResNet34模型的基本残差块中的第二个卷积块替换为inverted residual block，以降低网络的参数量；其次在网络的Layer1层后加入一层RFB层，增大感受野的同时提高特征提取能力；最后在网络的Layer2、Layer3层后分别加入一层MAPOOL层，以增强泛化能力和准确性。在训练集上进行训练后，IRMAnet的准确率为95.0%，相较于ResNet34提高了1.9个百分点。将在训练集上训练得到的权重加载到验证集上后，除个别品种外，绝大多数品种的精确率、召回率、特异度均达到了90%以上。实验结果表明，IRMAnet能够对多个生育时期的小麦品种进行准确识别，模型性能更加优越，所使用参数量更低。该研究为全生育期小麦品种识别提供了依据，为小麦产业提质增效提供了新的技术选项。