自然环境下葡萄采摘机器人采摘点的自动定位

针对葡萄果梗颜色复杂多变、轮廓不规则等影响因素使得采摘机器人难以准确对采摘点进行定位的问题,该文提出一种基于改进聚类图像分割和点线最小距离约束的采摘点定位新方法。首先通过分析葡萄图像的颜色空间,提取最能突显夏黑葡萄的HSI色彩空间分量H,运用改进的人工蜂群优化模糊聚类方法对葡萄果图像进行分割;然后对分割图像进行形态学去噪处理,提取最大连通区域,计算该区域质心、轮廓极值点、外接矩形;再根据质心坐标与葡萄簇边缘信息确定采摘点的感兴趣区域,在区域内进行累计概率霍夫直线检测,求解所有检测得出的直线到质心之间的距离,最后选取点线距离最小的直线作为采摘点所在线,并取线段中点坐标作为采摘点。以从晴天顺光、晴天遮阴、阴天光照下采集的300幅夏黑葡萄进行分类试验,结果表明,该方法的采摘点定位准确率达88.33%,平均定位时间为0.3467 s,可满足采摘机器人对采摘点的定位需求,为葡萄采摘机器人提供了一种新的采摘点求解方法。     

一种基于微分进化的采摘机器人运动反解方法

针对传统的采摘机器人运动反解求法的求解过程过于繁琐及自适应性等不足,提出了一种基于微分进化的采摘机器人运动反解求取方法。该方法首先利用采摘机器人运动正解方程构造出求解采摘机器人运动反解的目标函数,然后运用微分进化算法的泛化性和自适应性对该目标函数进行优化处理,从而求解出采摘机器人运动反解。同时,为了分析该方法的性能,还分别对传统的采摘机器人运动反解和基于微分进化的采摘机器人运动反解进行了对比试验,从而验证了该方法的有效性和鲁棒性。     

基于双次Otsu算法的野外荔枝多类色彩目标快速识别

针对目前野外环境下多类目标识别速度偏慢,导致机器人视觉定位精度低和工作效率不高的难题,以野外环境下成熟荔枝的多类色彩目标识别为例,提出了一种双次Otsu分割算法对多类色彩目标进行识别。首先为了提高算法的效率,改进了传统的Otsu算式;然后对目标色彩图像的背景、果梗、果实分别用改进的Otsu算法进行粗分割和细分割。最后通过与K-均值聚类(K-means)算法、模糊C均值聚类(FCM)算法、Otsu和K-means结合算法、Otsu和FCM结合算法这4种算法进行对比,双次Otsu算法从分割质量及其正确分割率、运行时间、稳定性3方面都优于其他4种算法。实验结果表明,双次Otsu算法对色彩目标的成熟荔枝识别的时间少于0.2 s。     

农科化学新课程体系下无机及分析化学教学之我见

文章试图通过对无机及分析化学教学中的各环节的实践,树立以学生为本的教育理念,重组教学内容,革新教学手段,建立科学的评价体系,从而达到提高教学质量,提高学生科学素养和培养创新能力的目的。     

基于视觉显著性改进的水果图像模糊聚类分割算法

准确分割水果图像是采摘机器人实现视觉定位的关键技术。该文针对传统模糊聚类对初始聚类中心敏感、计算量大和易出现图像过分割等问题,结合机器人的视觉特性,提出了一种基于多尺度视觉显著性改进的水果图像模糊聚类分割算法。首先,选择适当的颜色模型把彩色水果图像转换为灰度图像;然后对灰度图像做不同尺度的高斯滤波处理,基于视觉显著性的特点,融合了多个不同尺度的高斯滤波图像,形成图像聚类空间;最后,用直方图和模拟退火粒子群算法对图像的传统模糊聚类分割算法进行了改进,用改进的算法分别对采集到的100张成熟荔枝和柑橘图像,各随机选取50张,进行图像分割试验。试验结果表明:该方法对成熟荔枝和柑橘的图像平均果实分割率分别为95.56%和93.68%,平均运行时间分别为0.724和0.790s,解决了水果图像过分割等问题,满足实际作业中采摘机器人对果实图像分割率和实时性的要求,为图像分割及其实时获取提供了一种新的基础算法,为视觉精确定位提供了有效的试验数据。     

荔枝挤压损伤有限元预测分析

为减小荔枝的挤压损伤,通过试验测定了荔枝果壳和果肉的极限应力,建立了根据荔枝结构所对应的有限元模型,模拟了外力沿不同方向挤压荔枝的过程,得到荔枝内部组织的等效应力云图。结果显示:挤压过程中,荔枝果壳的应力大于果肉,果肉的损伤先于果壳;相同挤压力下,果壳的纵向挤压应力小于横向,但果肉的纵向挤压应力却大于横向;荔枝的挤压损伤具有各向异性,试验范围内,果肉出现机械损伤的纵向和横向挤压力分别为10 N和20 N,果壳出现机械损伤的纵向和横向挤压力为35 N和25 N。     

基于机器视觉的荔枝果实采摘时品质检测技术

为了在荔枝采摘时实时判断果实的品质状态,通过分析自然环境中荔枝不同生长期的图像,对荔枝果实未成熟、成熟、成熟后外表腐烂变质的3种情况进行了图像数据分析。选取了YCbCr颜色模型,利用探索性分析法对荔枝不同部位、不同光照、不同生长期的荔枝图像的Cr分量进行了数据分析与统计,确定了辨识荔枝果实未成熟与成熟的Cr分量的阈值范围;对于成熟的荔枝,采用边缘提取与Hough圆拟合方法对其Cr分量图进行处理,标记出图像的荔枝果实,然后利用纹理统计法、颜色特征与果实不同部分面积比值相结合的方法进行果实变质的判断,最终实现了未成熟、成熟以及腐烂变质的荔枝果实的视觉智能判断,建立了荔枝果实品质辨识的智能系统。试验结果表明,辨识荔枝品质状态的正确率达93%。     

扰动柑橘采摘的实时识别与采摘点确定技术

对成熟柑橘果实在扰动状态下的视觉识别定位技术进行研究。利用ANSYS进行了扰动柑橘的动力学分析,结合图像处理分析结果,确定了微扰动柑橘的运动规律为类单摆运动;对采集的微扰动柑橘视频进行图像处理,设定规则选取视频中的图像,利用改进的K-means聚类分割法结合优化Hough圆拟合方法实现柑橘果实的分割;根据图像分割结果,对柑橘的二值图像进行Hough直线拟合,结合直线斜率在-0.45~0.45的约束条件,确定扰动柑橘的有效采摘点。试验结果表明该方法能有效地识别自然环境中的微扰动柑橘,确定扰动果实采摘点的准确率达85%,采摘点确定的处理时间在7.58~9.24 s范围内。     

自然环境下绿色柑橘视觉检测技术研究

绿色柑橘具有与背景相似的颜色特征,自然环境下绿色柑橘的视觉检测比较困难。提出基于深度学习技术,利用Faster RCNN方法进行树上绿色柑橘的视觉检测研究。首先配置深度学习的试验环境,同时设计了绿色柑橘图像采集试验,建立了柑橘图像样本集,通过试验对批处理大小、学习速率和动量等超参数进行调优,确定合适的学习速率为0.01、批处理为128、动量系数为0.9,使用确定的超参数对模型进行了训练,最终训练模型在测试集上的平均精度(MAP)为85.49%。通过设计自然环境下不同光照条件、图像中不同尺寸柑橘、不同个数柑橘的Faster RCNN方法与Otsu分割法的柑橘检测对比试验,并定义F值作为对比评价指标,分析2种方法的检测结果,试验结果表明:Faster RCNN方法与Otsu方法在不同光照条件下检测绿色柑橘的F值分别为77.45%和59.53%;不同个数柑橘果实检测结果的F值分别为82.58%和60.34%,不同尺寸柑橘检测结果的F值分别为73.53%和49.44%,表明所提方法对自然环境下绿色柑橘有较好的检测效果,为果园自动化生产和机器人采摘的视觉检测提供了技术支持。     

基于改进YOLOF模型的田间农作物害虫检测方法

田间害虫图像数据采集困难,并且传统的检测模型大多使用复杂的特征金字塔(Feature pyramid network, FPN)结构提升精度,这在一定程度上影响了检测的实时性。为此,本研究通过设计诱虫灯装置构建害虫数据集FieldPest5,并且对无FPN结构的检测器YOLOF进行改进,提出兼顾检测精度和效率的害虫检测模型YOLOF＿PD。首先,增加Cutout数据增强方法缓解害虫图像中的遮挡问题,并且使用CIoU损失函数获得更好的框回归位置;其次,在原有坐标注意力机制(Coordinate attention, CA)的全局平均池化(Global average pooling, GAP)路径中增加全局最大池化(Global max pooling, GMP)路径,并且使用可学习参数自适应更新不同路径的权重,提出自适应坐标注意力机制(Adaptive coordinate attention, ACA),增强模型的信息表征能力;最后,对YOLOF膨胀编码器中的Projector和Residual模块进行改进,在Projector模块的3×3卷积后引入ACA注意力机制,在Residua...