视觉技术在农业采摘机器人中的应用及发展

介绍了农业采摘机器人的视觉技术及其工作原理,并进一步探讨了农业采摘机器人视觉技术的应用及其发展前景。     

基于改进Mask R-CNN的笼养死鸭识别方法

针对规模化笼养肉鸭舍内死鸭识别采用人工作业方式时,存在作业效率低、劳动强度大、养殖成本高等问题,以层叠式笼养肉鸭为研究对象,提出了一种基于深度学习的笼养死鸭识别方法。为了采集数据,首先面向立体层叠式养殖环境设计了一款适用于肉鸭舍的自主巡检装备。针对笼养肉鸭舍铁丝网遮挡严重的问题,基于机器视觉对笼网进行修复,基于OpenCV对图像进行增强处理。构建了一种基于Mask R-CNN的死鸭识别模型,采用Swin Transformer对模型进行优化,解决了Mask R-CNN网络缺乏整合全局信息能力的问题。对比分析了SOLO v2、Mask R-CNN和Mask R-CNN+Swin Transformer模型识别笼内死鸭准确率。实验结果表明,在平均精度均值为90%的条件下,Mask R-CNN+Swin Transformer模型对笼内死鸭总体识别准确率可达95.8%,在自主巡检装备上的检测效果优于其他主流的目标检测算法。     

基于计算机视觉的花生品质分级检测研究

【目的】建立能够对花生进行品质分级的计算机视觉无损检测方法。【方法】同步拍摄和扫描11类品质,每类品质100颗和100宗,每宗100颗不同等级的花生籽粒的正反面图像;参照国家标准量化花生品质籽粒的11个限制性检测项目,设计花生规格和品质等级的判别方法;测量每个籽粒的形态、纹理、颜色共3大类54个外观特征,采用主分量分析(PCA)进行特征优化,构建并比较BP神经网络(ANN)和支持向量机(SVM)品质检测模型;分别应用Matlab和Spss工具软件实现检测过程和对结果进行统计分析。【结果】前16个主分量的SVM模型,能够鉴别95%以上的不完善粒、霉变、杂质、异品种等不同品质的籽粒,与人工检测结果吻合度达到了93%,对100宗待检样品进行检测,规格和等级检测完全正确率达到了92%。【结论】研究结果为花生的品质分级检测提供了比较系统全面的量化标准和检测方法,该方法可推广应用于花生品质鉴别、分级筛选加工和商品分级定价等领域。     

机器视觉技术在现代农业生产中的研究进展

机器视觉技术已经广泛应用于农业生产的各个环节,详细阐述机器视觉的概念、组成部分、工作原理以及发展历程,总结国内外的研究成果,介绍机器视觉技术在作物病虫草害识别与监测、作物生长信息监测与产量估计、果蔬识别定位与采摘、种子产前检测与果蔬分级以及农业机器人视觉导航等领域的研究进展与应用情况,提出农业场景视觉系统在稳定性、可靠...     

农机领域自动导航系统专利情报分析

随着智能化农机装备的加速推进,研究自动导航技术已成为实现农业精细化生产的重要手段。本文基于导航方式的差异细化了技术分支,归纳和总结了该领域专利申请的总体技术概况、重要申请人及发明人以及技术分布等,并梳理了海外来华申请的情况,通过功效标引,构建了技术功效矩阵,以利于寻求技术发展的空白点、研发热点和突破点,旨在为企业或科研院所的技术研发提供可行性参考。     

A computer vision system for oocyte counting using images captured by smartphone

This work proposes a computer vision procedure for counting Twospot astyanax (Astyanax bimaculatus) oocytes in Petri dishes using images captured by smartphone. First, the proposed procedure uses simple linear iterative clustering (SLIC) to divide the images into groups of pixels (superpixels). Then, based on their color and space characteristics, the images are classified into light background, dark background, dirt, or oocyte by a machine learning algorithm. Five different types of machine learning algorithms were tested: support vector machines (SVM), decision trees using the algorithm J48 and random forest, k-nearest neighbors (k-NN), and Naive Bayes. To train the algorithms, 8.578 superpixels were classified by an expert into oocyte (n = 354), dirtiness (n = 651), dark background (n = 3.622), and light background (n = 3.951). Of the five learning algorithms, SVM obtained the best result with 97% correct oocyte recognition. Given the wide availability of smartphones, we therefore conclude that the presented procedure can be a valuable tool in future experiments and studies on fertilization and hatching success in Twospot astyanax.     

基于机器视觉的玉米秸秆行实时定位机器人设计

为了实现机器人玉米秸秆行的精确定位,对耕作玉米机器人的结构进行了改进,并提出了一种基于泰勒级数展开式的RSSI定位方法,提高了机器人玉米秸秆行的定位精度。定位系统使用高清晰度的摄像机采集图像,并采用PID闭环反馈的方式控制机器人的位移,利用PC主控端图像处理,实现了实时定位功能。为了验证机器人玉米秸秆行定位的可靠性,采用田间试验的方法对机器人的性能进行了测试。结果表明:RSSI定位方法的定位精度较高,且图像处理系统可以准确地标定玉米秸秆行,实现机器人在玉米田中的精确定位,避免了机器人在作业过程中对农作物造成损害。     

金融时间序列指标判别框架：以特质波动率为例

基于拐点集合判别的TBUD方法主要思路是分析拐点集合间的关系，并在高维空间进行划分，从而搭建判别模型，并将分析框架应用在特质波动率等若干指标上，利用实证数据得到结论。应用TBUD判别框架可以发现，特质波动率等指标无法对拐点集合进行清晰划分，因而并不具有预测能力。