基于倾角传感器的割台高度自适应调节系统

针对现有稻麦联合收获机割台高度自动调节系统存在传感器受环境干扰大、安装复杂和成本高等问题，提出一种基于车身倾角和割台倾角的割台高度间接测量方法，建立了相关的数学模型，并在此基础上研制一种基于倾角传感器的割台高度自适应调节系统。通过数学模型验证试验对比计算割台高度与实测割台高度以验证数学模型的准确性，并采用割台高度控制精度试验、系统响应速度试验和模拟田间过障试验验证基于倾角传感器的割台高度自适应调节系统的控制效果。结果表明:1)计算割台高度与实测割台高度变化曲线相关性系数为0.97，验证了数学模型的准确性；2)割台高度控制最大误差为18 mm；3)割台平均上升速度为0.22 m/s，下降速度0.17 m/s；4)在模拟田间过障试验中，相同过障条件下，开启该系统可将割台高度稳定性变异系数由未开启该系统条件下的10.77%降低为2.79%，鲁棒性好。本系统满足联合收获机的作业需求，适用于有小障碍物且较为平整的作业环境，可实现低成本、实时的自适应调节且安装方便。     

芒果双面成熟度在线检测分级系统

芒果属于后熟水果,芒果成熟度分级可为芒果后熟、加工、包装、运输等工作提供便利条件。针对芒果形状不规则,难以对整个外观进行检测的问题,该文提出了一种基于迁移学习的芒果双面成熟度在线检测分级系统。通过上、下层输送带将芒果运输到图像采集区域,分别获取正、反面图像;2层输送带之间利用柔性翻面机构实现芒果无损翻面,通过压缩试验及ANSYS软件建模分析芒果承受挤压力范围。合并正、反2张图像并进行预处理,将数据以8:1.5:1.5的比例拆分为训练集、验证集、测试集,并用迁移学习方法在卷积神经网络模型进行芒果成熟度分级。使用卷积神经网络模型对芒果成熟度分级平均准确率达到96.72%,系统测定单个样品的平均耗时为0.16s,研究结果为芒果成熟度在线分级提供参考。     

基于机器视觉的千粒质量测量仪的设计与试验

针对目前作物千粒质量测定中数粒耗时长、精度低、自动化程度低、不适应多品种计数等问题,基于机器视觉技术,设计了一种集称重和数粒为一体的千粒质量测量仪。测量仪主要由机架、摄像头、载物盘、称重传感器、控制器等部件组成。工作时,通过称重传感器获取种子质量,同时通过摄像头采集种子图像并上传到上位机进行图像分析处理, 获取种子数量,最后通过自动计算获取种子千粒质量并将结果显示到软件界面,以便及时获取测量结果。为了实现种子图像中粘连种子的分割,获取精准的种子数量,首先通过去边框处理提取种子区域,再采用中值滤波、最大类间方差法和形态学运算对种子区域进行预处理,采用基于距离变换的分水岭算法分割图像,通过统计连通区域的数量获得种子数量。对油菜、玉米、水稻和黄豆种子分别进行100组数粒、称重和千粒质量的测定,结果表明,作物种子数粒误差均不大于1粒;称重准确率分别为99.86%、99.92%、99.86%、99.96%;千粒质量测定的准确率分别为99.93%、99.63%、99.61%、99.97%;测量1次作物千粒质量仅耗时约2 s。     

基于机器视觉的叶菜类蔬菜菜垄识别算法

针对目前叶菜类蔬菜田间作业自动化程度低,缺乏适用自主导航技术等问题,提出一种基于机器视觉的叶菜类蔬菜菜垄识别算法。利用改进超绿算法(Gray=2Cg-Cr-Cb)对菜地图像进行灰度化,通过二值形态学变换和连通区域提取获得菜垄区域和边界,基于Huber损失函数进行边界曲线拟合,最终提取导航基准线。图像处理结果表明:1)本研究提出的识别算法在不同光照环境下具有较好的鲁棒性,自然综合光照条件下导航基准线提取成功率为97.5%;2)基于Huber损失函数获取到的导航基准线,平均均方根误差为0.668像素,比最小二乘法高72.5%,平均角度偏差为0.273°,比最小二乘法高72.6%,且处理速度与最小二乘法相似。试验证明本研究算法可实现在自然光照条件下对叶菜类蔬菜图像的菜垄识别和导航基准线提取。