基于机器视觉的甘蔗茎节特征提取与识别

为实现含有蔗芽的有效蔗种片段机器智能切断,引人机器视觉技术识别甘蔗茎节.以甘蔗图像HSV颜色空间的S分量经阈值分割、数学形态滤波处理作为模板,和H分量经阈值分割的反图像进行与运算得到合成图;将合成图划分为64个列块区域,提取质心比、粗度比和白点比等7个特征指标,再用支持向量机分类识别茎节与节间列块,得到茎节与节间的平均识别率为93.359%;对支持向量机分类出的茎节列块进行聚类分析,得到茎节数与位置的平均识别率分别为94.118%,91.522%.     

图像灰度统计梯度特性的甘蔗茎节识别研究

为实现机器智能切断出含有蔗芽的有效蔗种片段,引入图像识别技术识别甘蔗茎节.由甘蔗灰度图像的特点,结合人工识别的先验知识,统计分割有效甘蔗区域的RGB与HSV颜色空间各灰度分量,再经由各分量列灰度统计的梯度特性识别甘蔗茎节,6个颜色分量的识别效果排序为R→V →B→G→H→S,R分量获得最理想的效果,茎节的正确识别率达到了88％,为蔗种的精确切断提供了理论依据.     

基于图像处理的甘蔗茎节识别与定位

为实现含有蔗芽的有效蔗种片段机器智能切断,运用图像处理技术对甘蔗茎节进行识别定位。通过背景转换、灰度级变换、中值滤波和自动阈值获取甘蔗的二值化图像;采用阈值和孔洞填充实现甘蔗区域的分割,通过regionprops函数测定该区域的质心、倾角和等效长短轴长度;以分割后的甘蔗图像对二值化图像掩膜,得到含有茎节和干扰信息的图像;对该图像进行旋转,计算每列像素值之和,统计分析最大值所在列,并结合质心、等效长短轴得到茎节上下端点坐标;以倾角的度数进行反向旋转,最终得到茎节位置。试验结果表明:甘蔗茎节识别与定位方法处理速度快,茎节识别率高,左右端的定位误差分别小于0.9 mm和2.4 mm。     

基于局部均值的甘蔗茎节识别

为实现甘蔗单芽段蔗种的自动切割,利用机器视觉技术识别甘蔗茎节。对甘蔗图像进行均值滤波处理,以处理后的甘蔗图像为基础,在其HSV颜色空间的H分量上进行阈值分割、数学形态学处理以及最大面积选择,提取中心坐标;再利用矩形模板在G-B色差分量图上以一定步长沿甘蔗中心横坐标移动,计算每一步所覆盖甘蔗的平均灰度值,找到最大平均灰度值对应的位置,最终确定甘蔗茎节位置。试验结果表明,在36组组合试验下,较优组合为:模板宽度为6、步长为6,其识别率为90.77%,平均时间为0.481 539s。     

基于机器视觉的甘蔗多刀切种装备设计与试验

针对目前甘蔗切种机伤芽率高、切种效率低的难题，设计了一台基于机器视觉的甘蔗多刀切种装备。装备采用传送链横向输送甘蔗，由相机采集整张甘蔗图像并识别茎节位置，根据农艺的要求确定双芽段蔗种切割点位置；上位机通过TCP通信将切割点位置发送给PLC,进而由PLC控制5把切刀横向定位及同步切割。由于装备的核心是采用机器视觉技术对甘蔗茎节进行识别，因而提出了一种基于机器视觉的甘蔗茎节实时识别新算法。试验结果表明：装备的茎节识别率为95.3%,切刀平均定位精度为0.07%,可满足优质双芽段蔗种的农艺需求。     

机器视觉与模糊决策在甘蔗种蔗识别机械化中的运用

追对广西等甘蔗种植区域、地块面积特点提出发展甘蔗预切种式种植机的总体方向;为克服人工切断与机器定长切断蔗种的不足,引入机器视觉技术与模糊决策对甘蔗种蔗进行茎节识别,最高识别率达93.33%,为甘蔗种植的机械化、精确化和智能化提供了理论依据。     

基于机器视觉的甘蔗种植机械化研究

分析了甘蔗种植机械化现状,阐述了机器视觉技术在甘蔗种植机械化中的意义,提出发展预切种式甘蔗种植机的总体方向,引入机器视觉技术实现蔗种自动识别与切断,克服人工切断与机器定长切断蔗种的不足,采用基于边缘拟合的算法识别甘蔗茎节正确率达80%,为甘蔗种植的精确化提供了思路。     

基于机器视觉的甘蔗切种装备设计与试验

为实现甘蔗单芽段蔗种的防伤芽与自动切割,设计了一种基于机器视觉的甘蔗切种装备。该装备利用橡胶滚轮夹持住甘蔗输送,由相机采集甘蔗图像并识别茎节,通过对茎节处的位置进行偏移,获得切割点的位置;上位机通过TCP通信将切割点位置发送给PLC,PLC通过控制切割部件和橡胶滚轮部件完成切割点的定位及切割动作,切割点距茎节的距离可调节。试验表明:装备对切割点的定位精度可达8mm,伤芽率为0,可满足单芽段优质蔗种的农艺需求。     

基于PCA—SVM的棉花出苗期杂草类型识别

为了实现棉田中不同类型杂草的机器视觉识别,提出基于主成分分析和支持向量机的棉花出苗期杂草识别方法。该方法通过提取棉田图像中棉花和杂草的颜色、形状、纹理等特征,并利用主成分分析(PCA)降低特征变量空间维数,结合支持向量机,实现对棉田杂草类型分类。通过120个棉花杂草测试样本分类试验结果发现,经PCA降维得到的前3个主成分分量能有效减少支持向量机的训练时间和提高分类正确率;通过对比发现前3个主成分分量与径向基核函数支持向量机相结合效果最好,其训练时间为91 ms,平均分类正确率达98.33%。     

基于鸡头特征的病鸡识别方法研究

健康黄羽鸡鸡冠鲜红、纹理均匀,鸡眼圆润有神,病鸡鸡冠萎缩变色、鸡眼半闭或全闭。本文提出了一种基于鸡冠及鸡眼构成的鸡头特征信息的病鸡识别方法。首先通过R、G、B分量色差信息去除背景,分析鸡身和鸡冠样本区域H分量分布特点,提取H分量分割阈值分割黄羽鸡。再利用H分量进行阈值分割得到黄羽鸡和鸡冠鸡垂。提出一种利用鸡冠和鸡垂轮廓上两点距离小于阈值的鸡头合并算法,再通过修正算法识别鸡头。在鸡头中,分别提取鸡眼瞳孔轮廓并获取形状几何特征,提取鸡冠的H分量共生矩阵特征,构成基于鸡头特征,采用ARA特征选择算法获得病鸡特征向量,采用支持向量机(SVM)分类器进行训练分类。实验结果表明,病鸡识别正确率为92.5%,表明利用机器视觉获取鸡头特征进行病鸡识别具有可行性和研究价值。