基于机器视觉的甘蔗茎节特征提取与识

为实现含有蔗芽的有效蔗种片段机器智能切断,引入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     

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。     

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。     

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.     

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。     

小波域马铃薯典型虫害图像特征选择与识别

为准确、快速地识别马铃薯典型虫害,提出了一种基于小波域的马铃薯典型虫害特征提取与识别方法。该方法以自然环境下的马铃薯虫害分割图像为对象,提取小波域高斯空间模型的高频协方差阵特征值与低频低阶矩(HELM)的12个不变纹理特征、空间域Hu不变矩的4个形状特征,进行支持向量机(SVM)的虫害分类识别。通过对8类典型虫害的识别,试验结果表明:在SVM识别方法下,本文HELM特征提取方法,相比传统纹理特征提取方法,在特征计算量不增加的同时,平均识别率至少提高了17个百分点;在HELM特征与Hu矩特征下,本文SVM的运行时间为0.481 s,比人工神经网络快了近2 s,平均识别率为97.5%,比人工神经网络、贝叶斯分类器识别率提高了至少6个百分点,有明显的识别优势。     

基于可见光机器视觉的棉花伪异性纤维识别方法

为提高皮棉质量和皮棉中异纤的检测精度,提出了一种基于机器视觉的棉花伪异性纤维识别方法。皮棉经过开松装置被制成薄棉层,检测通道两侧的相机对棉层进行拍摄,并将采集到的棉层及异纤和伪异纤图像保存到工控机,通过图像分块及阈值分割等算法,提取伪异纤目标区域,统计获取区域的数个颜色、形状和纹理特征,基于特征数据,分别使用BP神经网络、一对一有向无环图策略线性核函数支持向量机和径向基核函数支持向量机对两大类棉花杂质进行分类识别。实验结果表明,99.15%的伪异纤目标可被准确识别,径向基核函数支持向量机在棉花异纤和伪异纤分类识别中,总分类正确率为95.60%,能够满足在线检测的要求。