基于RGB图像检测的水果分拣控制算法研究

以水果分拣控制过程为研究对象,基于RGB图像检测方法建立分拣控制算法.同时,利用异步图像采集模式进行水果图像获取,并借助中值滤波和高斯滤波器两种方式实现水果图像噪音去除;采用全局自动阈值分割法进行水果图像特征提取,从而实现水果颜色特征及表面区域特征的识别分类.将特征数据与设定好的特征阈值进行对比,从而实现水果等级的鉴定...     

基于改进多元宇宙算法的番茄病害图像识别

为提高卷积神经网络对番茄病害图像识别的效果,提出改进多元宇宙算法。首先设计、增加虫洞的端口,设置白洞侧的端口数量与黑洞侧的端口数量比值范围,使得宇宙的运动通过虫洞能够多方向进行;接着基于双向运动建立宇宙信息转移模型,宇宙能够正向、逆向进行的信息交流,加快宇宙的进化,使得宇宙都能够获得最优宇宙的信息,非线性调节对宇宙的膨胀率进行修正;然后对番茄病害提取纹理特征、颜色特征和形状特征,对卷积神经网络的激活函数与损失函数设计斯皮尔曼相关系数确定多元宇宙的优化卷积神经网络参数;最后给出算法流程。试验仿真表明：该改进算法对番茄各种病害识别正确率高于其他算法,细菌斑平均值为97.34%,早疫病平均值为97.03%,晚疫病平均值为97.08%,叶霉菌平均值为97.14%,叶斑病平均值为97.12%,蜘蛛螨平均值为97.20%,同时消耗时间小于其他算法。     

基于番茄外部形状判别番茄空洞果的研究

建立了计算机视觉系统获取番茄的图像,利用0°图像的圆度特征判别番茄生理病害果中的空洞果。实验表明:该方法对生理病害果的识别准确率可以达到94％。     

基于计算机视觉的成熟番茄识别研究

以番茄图像为研究对象,提出一种成熟番茄识别方法。首先,以HSI模型中的色调分量为基础进行图像分割,提取出成熟番茄目标图像;然后,再采用最大方差自动取阈值法进行分割处理,对得到的目标图像进行轮廓提取;最后,对轮廓曲线采用Hough变换的方法进行识别,以同一个轮廓圆识别的多个极值点的均值作为最终识别结果,在Hough变换之前采用最小外接矩形法进行有效区域标记,提高了Hough变换的效率。通过多幅番茄果实图像的仿真测试表明:本算法对果实遮掩度为0、小于50%、大于50%这3种情况的识别率分别为78.7%、6 8.1%、4 1.9%,平均识别率达到7 0.6%。本算法对于成熟番茄可以较好识别,尤其对于存在重叠情况的番茄,识别准确率较高。     

基于HIS颜色特征的田间成熟番茄识别技术

研究了一种基于HIS颜色特征的田间成熟番茄识别技术。将计算机视觉系统获取的番茄RGB图像转换成HIS图像，通过统计H、I、S分量的灰度分布找出成熟番茄、未成熟番茄和叶子(枝干)灰度分布差别；然后根据H分量的灰度分布用阈值法分割出成熟番茄区域；经过空洞填充后，计算出番茄质心坐标。该方法对田间成熟番茄之间相互分离的情况有很好的识别效果。     

基于机器视觉的番茄采摘器红外图谱识别研究

为了实现番茄分类自动化采摘,基于机器视觉和红外图谱技术设计了识别系统。基于可见光分析,分离番茄图像,对RGB和HSI通道强度进行分析,发现色调H可以有效区分除半熟和成熟阶段的番茄成熟度;引入红外图谱分析,采集810nm番茄图谱,发现灰度在半熟和成熟阶段区别明显。因此,建立半熟和成熟阶段区分模型,并以G、R、H、NIR强度以及4个因素标准方差为系统输入,基于色调H处理番茄图像,采用聚类算法计算番茄中心和半径。对成熟度判定与番茄半径精度进行测试,结果表明:成熟度分类准确率在94.8%以上,半径相对误差小于6%。     

图像分割在成熟茄子目标识别中的应

针对在自然光生长条件下采集的茄子图像,采用自动取阈的算法,分别利用图像的灰度信息、基于R、G、B分量线性变换的3个正交彩色特征量和基于HSV彩色空间对图像进行分割.经Matlab仿真对比结果得出:利用Otsu算法对灰度图进行分割,虽然对灰度直方图进行了优化,目标与背景的分割效果较好,但存在局部反光的影响;采用改进的Otsu算法,对彩色特征量(2G-R-B)/4进行分割,可以在一定程度上消除局部反光的影响;同样采用改进的Otsu算法对HSV彩色空间色调分量的分割,则可以克服目标茄子表皮的反光对分割结果的影响,取得了较好效果.以数学形态学降噪方法进一步对利用色调分割后的二值图像进行平滑处理,可大大改善分割效果.     

基于Matlab的农业机器的优化配备

农业机器的优化配备大多属于线性规划的问题，文中介绍了农业机器优化配备的数学模型的建立，并运用MATLAB软件进行编程求解，并对计算结果进行了分析。     

基于机器视觉的番茄果实图像分割方法研究

为了改善番茄采摘机器视觉系统中番茄果实图像的分割效果,对基于二维直方图的阈值分割方法的理论进行了分析,针对番茄果实图像的特点将阈值点附近的区域信息引入分割算法中,提出了一种改进的基于二维直方图的Otsu阈值分割方法,改善了图像的分割效果。     

基于Matlab的拖拉机离合器参数优化设计

以东方红-ME50型拖拉机离合器为研究对象,利用MATLAB优化工具箱函数对其主要参数进行优化设计,并与传统设计方法设计的参数进行对比分析,指出了优化设计方法的优势,提高了拖拉机离合器设计的合理性、目的性。     

基于扫描图像RGB分析的生物质炭吸附特性研究

以花生壳和玉米秸秆为原料,利用自主研发的无轴螺旋连续热解装置在300、400、500℃的热解温度下反应10 min制备生物质炭,对生物质炭进行工业分析和热值测量,分析其组成成分和热值;开展了生物质炭亚甲基蓝吸附与碘吸附特性研究,结合扫描仪和取色软件获取生物质炭的RGB数据并进行灰度转化,探究生物质炭的吸附特性与RGB值、灰度的相关关系。结果表明:随着热解温度的升高,生物质炭中挥发分的含量降低,固定碳和灰分的含量升高,热值升高;较低热解温度的生物质炭的吸附效果优于较高温度热解的生物质炭;生物质炭的吸附值与R、G、B值均随着热解温度的升高而降低,两者之间存在强正相关关系,相关系数r为0.582~0.944;生物质炭的灰度与吸附值存在强正相关关系,相关系数r为0.685~0.977。     

基于Matlab/Simulink的机械工程控制系统仿真

机械工程控制系统的计算机仿真是将实际系统的运动规律用数学表达式加以描述，然后利用计算机来求解这一数学模型．以达到对系统进行分析研究的目的。目前．Matlab／Simulink软件在该领域应用最为广泛．为系统仿真技术提供了新的解决方案．不仅提高了编程效率，并且可对仿真结果进行可视化分析。为此，结合典型实例．分析了Matlab，Simulink软件在机械工程控制系统仿真中的应用。利用Matlab／Simulink进行系统仿真直观、方便、灵活，是研究系统动态特性的有力工具。     

基于SOM-K-means算法的番茄果实识别与定位方法

为解决多个番茄重叠黏连时难以识别与定位的问题,提出一种基于RGB-D图像和K-means优化的自组织映射(Self-organizing map,SOM)神经网络相结合的番茄果实识别与定位方法.首先,利用RGB-D相机拍摄番茄图像,对图像进行预处理,获取果实的轮廓信息;其次,提取果实轮廓点的平面和深度信息,筛选后进行处...     

番茄果实力学特性及与成熟度关系的试验研究

采用完整番茄果实为试样,根据弹性力学赫芝理论及线形粘弹性理论,结合图像处理的方法,从平板压缩试验及应力松弛试验研究中,提取力学—流变学性质参数,并为果实的成熟度判别作应用探讨,为番茄的生产、运输,加工及分级等提供必要的方法与基础数据资料。     

基于X-ray和RGB图像融合的实蝇侵染柑橘无损检测

实蝇侵染柑橘流入市场会造成巨大的经济损失,因此需要在商品化处理阶段对其全面筛除。针对柑橘在实蝇侵染早期没有明显外部特征,人工抽样检测效率低、筛除难的问题,探索了在生产线上同时搭载农业X光机与RGB相机进行无损检测的可行性,提出了基于X-ray(X光)和RGB图像的多模态数据融合方法,建立了CNN-LSTM检测模型,实现了实蝇侵染柑橘高精度无损检测。模拟了柑橘在生产线上滚动并被拍摄6幅X-ray和RGB序列图像的过程,构建了实蝇侵染柑橘的多源数据集,融合了不同模态的实蝇侵染特征信息,提升了实蝇侵染柑橘检测模型的检测能力,并对比了ResNet18-LSTM、GoogleNet-LSTM、SqueezeNet-LSTM、MobileNetV2-LSTM轻量化检测模型,验证了多模态数据融合方法的有效性。研究结果表明,提出的多模态数据融合实蝇侵染柑橘方法比单模态检测方法检测性能更加优异,其中ResNet18-LSTM检测准确率最高,多模态的图像融合和特征融合方法检测准确率分别达到97.3%和95.7%,单模态X-ray和RGB检测方法准确率分别为93.2%和89.3%。本研究可为实蝇侵染柑橘在线...     

基于图谱特征的番茄种子活力检测与分级

为解决现存分级过程中损伤种子问题,替代仅根据种子表面特征评价的粗筛查方法,本研究基于高光谱的图谱融合技术,提出了一种番茄种子图像采集并辨识种子特征进而将种子分级的算法。试验随机选取170粒番茄种子作为样品,校正集与验证集比例约为3∶1。通过标准发芽试验得到种子活力结果,基于连续投影算法(Successive projections algorithm,SPA)求得反映番茄种子活力的特征波长为:535、577、595、654、684、713、744、768、809、840 nm。对特征波长下的光谱图像进行解析,通过双边滤波法、大津法、形态学变换算法提取了种子边缘轮廓,计算求出每粒种子的面积、圆形度以及图像灰度平均值。基于统计学分析,利用校正集128粒种子的特征值及其标准发芽试验结果求出分级阈值,其中有活力为合格,无活力为不合格。然后,利用验证集42粒种子的特征值对阈值进行验证,结果显示,在713 nm波长下的图像特征对活力结果判断分级的正确率最高,校正集和验证集的正确率分别为93.75%和90.48%。     

基于迁移学习的温室番茄叶片水分胁迫诊断方法

为实时诊断番茄叶片水分胁迫程度,提出一种叶片水分胁迫程度的诊断方法,该诊断方法包括2部分：叶片分割和水分胁迫程度分类。采用以ResNet101为特征提取卷积网络的Mask R-CNN网络对背景遮挡的番茄叶片进行实例分割,通过迁移学习将Mask R-CNN在COCO数据集上预训练得到的权重用于番茄叶片的实例分割,保留原卷积网络的训练参数,只调整全连接层。利用卷积网络提取的特征,可将番茄叶片分割视为区分叶片与背景的一个二分类问题,以此来分割受到不同水分胁迫的番茄叶片图像。利用微调后的DenseNet169图像分类模型进行叶片水分胁迫程度分类,通过迁移学习将DenseNet169在ImageNet数据集上预训练得到的权重用于番茄叶片水分胁迫程度的分类,保持DenseNet169卷积层的参数不变,只训练全连接层,并对原DenseNet169全连接层进行了修改,将分类数量从1.000修改为3。试验共采集特征明显的无水分胁迫、中度胁迫和重度胁迫3类温室番茄叶片图像,共2000幅图像,建立数据集,并进行模型训练与测试。试验结果表明,训练后的Mask R-CNN叶片实例分割模型在测试集上对于单叶片和多叶片的马修斯相关系数平均为0.798,分割准确度平均可达到94.37%。经过DenseNet169网络训练的叶片水分胁迫程度分类模型在测试集上的分类准确率为94.68%,与 VGG-19、AlexNet这2种常用的深度学习分类模型进行对比,分类准确率分别提高了5.59、14.68个百分点,表明本文方法对温室番茄叶片水分胁迫程度实时诊断有较好的效果,可为构建智能化的水胁迫分析技术提供参考。