基于改进YOLO v4模型的马铃薯中土块石块检测方法

为实现收获后含杂马铃薯中土块石块的快速检测和剔除,提出了一种基于改进YOLO v4模型的马铃薯中土块石块检测方法。YOLO v4模型以CSPDarknet53为主干特征提取网络,在保证检测准确率的前提下,利用通道剪枝算法对模型进行剪枝处理,以简化模型结构、降低运算量。采用Mosaic数据增强方法扩充图像数据集(8621幅图像),对模型进行微调,实现了马铃薯中土块石块的检测。测试表明,剪枝后模型总参数量减少了94.37%,模型存储空间下降了187.35 MB,前向运算时间缩短了0.02 s,平均精度均值(Mean average precision, mAP)下降了2.1个百分点,说明剪枝处理可提升模型性能。为验证模型的有效性,将本文模型与5种深度学习算法进行比较,结果表明,本文算法mAP为96.42%,比Faster R-CNN、Tiny-YOLO v2、YOLO v3、SSD分别提高了11.2、11.5、5.65、10.78个百分点,比YOLO v4算法降低了0.04个百分点,模型存储空间为20.75 MB,检测速度为78.49 f/s,满足实际生产需要。     

马铃薯种薯平铺整序装置优化设计

为了实现马铃薯种薯切块制备自动化,适应切块装置的需求,需要将种薯进行平铺整序。设计一种马铃薯种薯平铺整序装置,可实现成堆种薯的平铺整序作业。马铃薯种薯储存装置采用倒锥形料斗;输送装置采用平带输送,在平带输送的机架上安装振动器提高种薯的平铺速度;采用输送带末端的导流块实现种薯整序。通过对输送带输送速度v、导流块导流角度α和振动器激振力F三因素的三水平进行回归正交试验,确定输送带输送速度为0.25 m/s、导流块导流角度45°和振动器激振力(0.7±0.03)kN为最佳作业状态,种薯平铺整序成功率可达98.59%。     

并行识别种勺和种薯的缺种判别方法

为解决马铃薯机械化播种作业易出现漏播现象的问题,采用机器视觉技术对排种链上的种勺和种薯进行并行识别,根据识别结果提出了一种种薯排种器种勺缺种的判别方法。首先,使用高速相机根据种薯排种链的工作环境要求采集图像,将视频帧图像划分20个区域;然后,对视频帧图像进行处理,在获取种勺的识别信息的同时获取种薯识别信息;最后,依据在同一核心处理区域中种勺存在、但种薯不存在判定该图像区域种勺缺种。试验结果表明:种勺缺种整体综合判别成功率为91.1%,平均判别时间为56ms。种勺缺种判别方法可以满足种薯排种器精量播种时种勺缺种的判别需求。