基于机器视觉的温室番茄裂果检测

该文通过对温室番茄果实进行定位及裂果检测,可为番茄裂果率预估及后续裂果自动筛选提供参考。针对自然光照下采集的各类番茄图像,在相关颜色空间中进行阈值预分割,利用前期支持向量机训练得到的纹理特征分类器对预分割区域进行二次判别;之后在前景区域利用显著性角点分割构造边缘轮廓集,利用基于最小二乘法修正的改进霍夫变换拟合单个番茄目标;最后利用二维Gabor小波算子对拟合的单个番茄区域进行纹理特征提取及裂果判别。文中共采集82幅番茄图像,其中50幅图像作为训练集图像,32幅图像作为验证集,所提算法对测试集中总共128个番茄的果实正确检出率为91.41%,对其中35裂果的正确判别率为97.14%,裂果判别部分平均耗时21 ms。试验结果表明,该方法具有较好的鲁棒性与可靠性,对成熟期番茄裂果率的估计研究及采摘过程中裂果的自动分级筛选具有较好的指导意义,为未来实现温室番茄果实生长状态在线监测提供参考。     

采用改进YOLOv3算法检测青皮核桃

使用机器视觉对果实检测并进行估产是实现果园智能化管理的重要途径,针对自然环境下青皮核桃与叶片颜色差异小、核桃体积较小导致青皮核桃不易检出的问题,提出一种基于改进YOLOv3的青皮核桃视觉检测方法。依据数据集特征进行数据增强,引入Mixup数据增强方法,该研究使模型从更深的维度学习核桃特征;针对核桃单种类目标检测比较不同预训练模型,选择精度提升更明显的Microsoft Common Objects in Context（COCO）数据集预训练模型;依据标注框尺寸统计对锚框进行调整,避免锚框集中,提升模型多尺度优势。在消融试验中,前期改进将平均精度均值提升至93.30%,在此基础上,引入MobilNet-v3骨干网络替换YOLOv3算法中原始骨干网络,提升模型检测能力及轻量化。试验表明,基于改进YOLOv3的青皮核桃检测平均精度均值为94.52%,超越YOLOv3其他2个骨干网络和Faster RCNN-ResNet-50网络。本文改进模型大小为88.6 M,检测速度为31帧/s,检测速度是Faster RCNN-ResNet-50网络的3倍,可以满足青皮核桃实时准确检测需求。该方法可为核桃果园智能化管理中的估产、采收规划等提供技术支撑,也可为近背景颜色的小果实实时准确检测提供思路。     

基于改进YOLOv5的茶叶杂质检测算法

针对现有目标检测算法检测茶叶杂质精度低、速度慢的问题,该研究提出了一种基于改进YOLOv5的茶叶杂质检测算法。采用K-Means聚类算法对杂质真实框聚类,以获取适合茶叶杂质特征的锚框尺寸;通过在主干特征提取网络CSPDarkNet中引入前馈卷积注意力机制（Convolutional Block Attention Module,CBAM）,将茶叶杂质输入特征图依次经过通道注意力模块和空间注意力模块,获得特征图通道维度和空间维度的关键特征;在颈部网络中添加空间金字塔池化（Spatial Pyramid Pooling,SPP）模块,融合并提取不同感受野的关键特征信息;将普通卷积替换成深度可分离卷积,增大小目标预测特征图的置信度损失权重,构建了轻量化的改进YOLOv5网络结构模型;分别制作了铁观音茶叶中混合有稻谷、瓜子壳、竹片和茶梗4种杂质的数据集并进行茶叶杂质检测试验。结果表明,改进的YOLOv5比常规YOLOv5在茶叶杂质检测中具有更高的置信度分数,且定位更为准确,未出现漏检现象。改进YOLOv5的多类别平均精度（Mean Average Precision,mAP）和每秒传输帧数（Frame Per Second,FPS）达到96.05%和62帧/s,均优于主流的目标检测算法,验证了改进算法的高效性和鲁棒性。该研究成果可为提升茶叶制作过程中小目标杂质检测精度与检测速度奠定基础。     

弱光复杂背景下基于MSER和HCA的树上绿色柑橘检测

基于图像处理和机器视觉的树上绿色柑橘检测,能为果园管理者施肥、估产及采摘作业提供指导.该文提出一种基于水果表面光照分布的分层轮廓分析(hierarchical Contour Analysis,HCA)算法实现了树上绿色柑橘的检测.彩色数码相机拍摄弱光下由闪光灯补光的树上柑橘场景彩色图像,基于水果表面的光照分布应用最大稳定极值区域(maximally stable extremal region,MSER)算法提取图像中的感兴趣区域,然后建立感兴趣区域周围的分层轮廓图,并利用霍夫变换拟合每一级轮廓获得分层圆形目标,最后进行拟合圆嵌套分析得到绿色柑橘水果目标.所提算法在20张复杂的柑橘果园场景图像中进行了测试,最终的召回率达81.2%,查准率达到83.5%,单幅图像平均处理时间为3.70 s.该文所提出的基于光照分布的分层轮廓分析算法,不仅适用于绿色柑橘的检测,也可为其他树上绿色水果检测提供通用的框架和思路.     

改进YOLOv3算法检测三七叶片病害

为了解决三七叶片密集病害和小区域病害检测不准确的问题,该研究提出了一种改进的YOLOv3（You Only Look Once v3）目标检测算法（AD-YOLOv3）对三七叶片各种病害进行检测。AD-YOLOv3使用注意力特征金字塔（Attention Feature Pyramid,AFP）替代YOLOv3中的原始特征金字塔,解决了特征融合过程中的干扰问题,提升了病害检测精度。使用双瓶颈层（Dual Bottleneck,DB）筛选注意力特征金字塔提取到的特征,增强特征的特异性,提升了算法的鲁棒性。AD-YOLOv3与YOLOv3相比在各项性能指标上均有提升,精确率提升2.83个百分点,F1精度提升1.68个百分点,平均精度均值（Mean Average Precision,mAP）提升1.47个百分点,针对小区域病害和密集病害的检测能力明显增强。此外,AD-YOLOv3在雾,雨,暗光等复杂环境下的抗干扰能力明显提升,该研究为三七叶片的病害检测提供了一种更优的智能检测方法。     

基于激光测距仪的温室机器人道路边缘检测与路径导航

针对温室内移动机器人的应用需求,该文提出了一种应用于温室内移动机器人自主行走的温室道路边缘检测与导航算法。此方法利用激光测距仪获取当前视场内路面、作物及障碍物信息,根据温室路面平整度高于作物冠层外表面的特点,检测道路边缘并生成移动机器人下一采样控制周期的期望航向,然后根据机器人几何与物理模型推算左右驱动轮速度调整指令,使移动机器人保持沿道路行走而不进入作物区中。该算法的有效性在温室移动机器人Walle平台上得到了验证,机器人偏离道路中心线的平均值为-1.2707 cm,均方误差为2.6772。     

基于改进RetinaNet的果园复杂环境下苹果检测

为了快速准确地检测重叠、遮挡等果园复杂环境下的苹果果实目标,该研究提出一种基于改进RetinaNet的苹果检测网络。首先,该网络在传统RetinaNet的骨干网络ResNet50中嵌入Res2Net模块,提高网络对苹果基础特征的提取能力;其次,采用加权双向特征金字塔网络（Bi-directional Feature Pyramid Network,BiFPN）对不同尺度的特征进行加权融合,提升对小目标和遮挡目标的召回率;最后,采用基于焦损失（Focal Loss）和高效交并比损失（Efficient Intersection over Union Loss,EIoU Loss）的联合损失函数对网络进行优化,提高网络的检测准确率。试验结果表明,改进的网络在测试集上对叶片遮挡、枝干/电线遮挡、果实遮挡和无遮挡的苹果检测精度分别为94.02%、86.74%、89.42%和94.84%,平均精度均值（meanAveragePrecision,mAP）达到91.26%,较传统RetinaNet提升了5.02个百分点,检测一张苹果图像耗时42.72 ms。与Faster-RCNN和YOLOv4等主...     

基于改进YOLOv7的果园行间导航线检测

在复杂果园环境中,传统机器视觉算法难以处理光影变化、遮挡、杂草等因素的干扰,导致导航道路分割不准确。针对此问题,该研究提出了一种改进YOLOv7的果园内导航线检测方法。将注意力机制模块(convolutional block attention module,CBAM)引入到原始YOLOv7模型的检测头网络中,增强果树目标特征,削弱背景干扰;在ELAN-H(efficient layer aggregation networks-head,ELAN-H)模块和Repconv(re-parameterization convolution,Repconv)模块之间引入SPD-Conv(space-to-depth,non-strided convolution,SPD-Conv)模块,提高模型对低分辨率图像或小尺寸目标的检测能力。以树干根部中点作为导航定位基点,利用改进YOLOv7模型得到两侧果树行线的定位参照点,然后利用最小二乘法拟合两侧果树行线和导航线。试验结果表明,改进YOLOv7模型检测精度为95.21%,检测速度为42.07帧/s,相比于原始YOLOv7模型分别提升了2.31个百分点和4.85帧/s,能够较为准确地识别出树干,且对树干较密的枣园图像也能达到较好的检测效果;提取到的定位参照点与人工标记树干中点的平均误差为8.85 cm,拟合导航线与人工观测导航线的平均偏差为4.90 cm,处理1帧图像平均耗时为0.044 s,能够满足果园内导航需求。     

基于改进惯性矩算法的冷鲜猪肉新鲜度激光散斑图像检测

为了探究激光散斑技术检测冷鲜猪肉新鲜度的可行性,用660和465 nm 2种波长的激光对宰后24 h的猪肉样本在7 d内的激光散斑图像进行采集。以时间序列散斑(time history of speckle pattern,THSP)图像的惯性矩(inertia moment,IM)作为散斑活性,研究冷鲜猪肉散斑活性随货架期的变化规律。通过分析2种波长不同行的选取对IM值的影响,发现不同波长其奇偶行IM的规律不同,并针对传统IM算法容易出现异常值、稳定性差等缺点提出3点改进:设计排序算法动态选择散斑活性最高峰及周围2个相邻行,依此计算样本IM值;改进共生矩阵的修正矩阵计算方法;改进非零元素偏离对角线距离的计算方法。结果显示,改进方法可以有效地抑制异常值干扰,冷鲜猪肉散斑活性随货架期呈现先上升后下降的变化趋势。根据测得的挥发性盐基氮值(total volatile basic nitrogen,TVB-N)和散斑活性IM值建立猪肉新鲜度等级预测模型,结果显示465 nm波长的激光判别效果要好于660 nm激光,其训练集和预测集的识别率能达到87.5%和89.29%。试验结果表明利用激光散斑技术检测冷鲜猪肉新鲜度的具有可行性。     

基于3D激光雷达的鸡舍通道中心线检测方法

针对笼养鸡舍环境下光照强度弱、作业通道内狭小导致机器人巡检时通道中心线检测困难的问题,该研究利用3D激光雷达对鸡舍通道中心线进行获取。首先通过机器人搭载的3D激光雷达对鸡舍作业通道信息进行采集,利用直通滤波、地面点滤波、体素滤波、统计滤波和平面投影对获取的3D激光雷达点云数据进行预处理,获取XOY平面上的点云数据。通过改变K-means聚类初始点选择方式和聚类函数对预处理后的点云数据进行数据分类。利用改进RANSAC算法对分类后的数据进行处理,提取通道中心线。试验结果表明该研究提出的改进K-means聚类算法平均耗时6.98 ms,相较于传统的K-means聚类算法平均耗时减少了29.40 ms,准确率提高了82.41%。该研究提出的改进RANSAC算法中心线提取准确率为93.66%、平均误差角为0.89°、平均耗时为3.94 ms,比LSM算法得到的平均误差角高0.14°,平均耗时减少6.15 ms。表明该研究提出的鸡舍通道中心线检测方法基本满足笼养鸡舍环境实时自主导航的需求,为巡检机器人在鸡舍作业通道内进行激光雷达导航提供了技术支撑。     

基于DM642的高地隙小车的田间路径识别导航系统

为了实现智能小车在各种不同的路径下稳定高效的进行图像导航,该文以自主设计了满足于设施农业用的四轮独立驱动的高地隙小车作为平台,采用TI公司的TMS320DM642高性能数字多媒体处理器为核心处理器,建立了识别路径的视觉检测系统,实现了对多种路径标识的实时采集和图像显示,提出了用于实际路径检测的图像处理的改进算法,包括利用2G-R-B颜色特征识别绿色植物、中心线法提取路径、双折线拟合的Hough变换提取路径、多折线拟合的Hough变换提取路径等,以实现小车的自主导航。试验结果表明所开发的路径识别与跟踪控制系统能对不同颜色的标识线、绿色植物与裸露地面的分界线等一系列路径进行识别和导航控制,系统适应性好、抗干扰能力强,稳定性高、实时性好,满足无人控制的农田作业需求,节省劳动力,提高生产效率。该研究可为应用于田间作业的高地隙小车的路径识别与跟踪控制系统设计提供参考。     

基于改进RRT*算法的菠萝采收机导航路径规划

为了提高菠萝收获的机械化和自动化水平,该研究采用改进RRT*（Rapidly-exploring Random Trees Star）算法进行菠萝采收机全局作业路径规划。首先引入自启发式思想约束采样点的生成,借鉴人工势场引入方向权重对新节点拓展方向进行约束,同时计算合适的权重取值范围,采用双向拓展加快迭代速度,然后利用贪心算法修剪路径冗余节点,并利用Cantmull-Rom插值函数对路径进行平滑处理。根据农田道路情况创建多障碍物、迷宫和狭窄通道3种仿真环境,分别对RRT*算法、双向RRT*算法和改进后RRT*算法的性能进行测试。试验结果表明：3种环境下,本文算法的平均收敛时间是RRT*算法的18%,是双向RRT*算法的46.12%,平均规划速度是RRT*算法的5.7倍,是双向RRT*算法的2.3倍左右,平均拓展节点数量比 RRT* 算法减少87.23%,比双向 RRT* 算法减少 52.52%,平均路径长度比 RRT* 算法减少 3.81%,比双向 RRT* 算法减少 6.08%。田间试验结果表明：本文算法的规划时间仅为RRT*算法的14.12%,为双向RRT*的20.34%,迭代次数比RRT*算法减少80.89%,比双向RRT*减少69.70%。另外,RRT*和双向RRT*算法规划路径上大于60°的转角分别是本文算法的1.56和2.06倍,大于100°的转角分别是本文算法的1.55和2.18倍,本文算法规划的路径更平滑。研究结果可为菠萝采收机导航提供参考。     

基于彩色模型和近邻法聚类的水田秧苗列中心线检测方法

水田秧苗列中心线的检测是实现水田除草机器人自主导航的重要保证。在秧苗的不同生长时期,秧苗形态各不相同;并且在南方地区的水田中经常会出现的绿色浮萍、蓝藻,它们的颜色与目标秧苗非常接近,这给秧苗的分割以及列中心线的检测带来很大的困难。针对这些问题,提出一种基于彩色模型和近邻法聚类实现秧苗列中心线的检测方法。首先,基于彩色模型即2G-R-B模型(2Green-Red-Blue)和HSI(Hue,Saturation and Intensity)彩色空间中提取S分量提取秧苗灰度特征;然后,在保持秧苗原有形状的前提下提取秧苗特征点,获得秧苗特征点图像;最后,基于近邻法利用特征点间的邻近关系对特征点进行聚类,采用基于已知点的Hough变换(known point Hough transform)提取秧苗列中心线。试验表明:提出的方法能够在图像中存有绿色浮萍、蓝藻等噪声情况下准确提取秧苗灰度特征,平均每幅真彩色图像(分辨率:1280×960)整个流程所需时间小于350ms,并能够适应自然光线变化。提出的方法能够适应环境的变化,满足机器人实时性要求。     

基于改进判别区域特征融合算法的近色背景绿色桃子识别

针对机器视觉识别中自然光照条件下未成熟绿色果实的识别存在颜色与背景相似、光照不均、果叶遮挡等问题,该文提出在判别区域特征集成(discriminative regional feature integration,DRFI)算法框架的基础上,结合颜色、纹理、形状特征,对未成熟绿色桃子进行识别。首先通过基于图的图像分割(graph-based image segmentation)算法,取不同的参数将图像分割为多层,再计算各层图像的显著图,并用线性组合器将其融合,得到DRFI显著图。再用OTSU算法得到的阈值自适应调整之后对DRFI显著图进行分割,减少了显著图中识别为低概率果实的误分割。对于分割后仍存在的果实相互粘连的情况,通过控制标记符和距离变换相结合的分水岭分割算法将其分开。试验结果表明:该方法在训练集中的准确识别率为91.7%,在验证集中的准确识别率为88.3%,与相关文献报道的结果以及原始DRFI算法在验证集中的检测结果相比,该文方法的准确识别率提高了3.7~10.7个百分点,较有效地解决了颜色相近和果叶遮挡问题,可为果树早期估产和绿色果实采摘自动化、智能化提供参考。     

基于高光谱技术和改进型区间随机蛙跳算法的番茄硬度检测

为了准确、快速的检测番茄硬度,该文提出了一种基于改进型区间随机蛙跳算法优选高光谱特征波长的番茄硬度检测模型。在获取番茄高光谱图像后,首先对光谱数据进行多元散射校正(multiplicative scatter correction,MSC)和归一化预处理。针对区间随机蛙跳算法(interval random frog,i RF)所需迭代次数大、算法收敛慢等缺点,该文提出了改进型区间随机蛙跳算法(modified interval random frog, miRF),并将其应用于特征波长选择。最后建立偏最小二乘回归模型(partial least squares regression, PLSR)预测番茄的硬度。iRF共选出特征波段100个,算法收敛时间为32.1 min,而miRF共选出特征波长47个,算法收敛仅需1.6 min。同时miRF-PLSR番茄硬度预测精度也更优,测试集相关系数达到了0.968 5,均方根误差为0.004 0 kg/mm~2。试验结果表明:结合高光谱技术和miRF算法可实现对番茄硬度的快速、无损检测。     

基于机器视觉的旱田多目标直线检测方法

在实际应用中,由于摄像头安装的高度不同或者车辆在地面高低不平的农田内行驶时产生的晃动,都会产生摄像头内出现多作物行的现象。因此根据农田图像的特点,提出了基于已知线的方法判断农作物列数,避免了传统算法只有先确定农作物列数才能提取导航线的弊端。针对农田图像中多列目标检测问题,采用了基于水平线扫描的归类算法,并利用改进的Hough变化快速检测多条定位线。试验结果表明,处理一幅720×480像素彩色图像平均消耗时间为258 ms,98%的图像中所有目标直线都可以检测出来。该算法能够准确提取各种天气环境下农田图像中的列信息,确定多条定位线的方位。     

基于特征点提取匹配的蝗虫切片图像的拼接和修复方法

由于环境和切片本身特性的影响,试验中获取的蝗虫切片总是不完整或者带有褶皱的。针对这一问题,提出了一种基于图像匹配的蝗虫切片拼接和修复方法,以序列切片中缺损切片的邻近切片图作为参考对象,对缺损切片图像进行拼接和修复。首先对切片进行小波降噪,降低噪声对匹配的影响;然后用尺度不变特征变换(scale.invariant feature transform,SIFT)算法和快速鲁棒特征(speed-up robust features,SIJRF)算法获取切片特征点并生成特征向量,完成切片的初始特征点匹配;随后利用随机采样一致(random sample consensus,RANSAC)算法进行匹配矫正,剔除匹配点对中的误匹配,并利用最小二乘法求解出单应性矩阵;最后用正确的匹配点对和单应性矩阵完成蝗虫切片的拼接,利用求得的空间映射模型找到褶皱部分相应的匹配域,完成对缺损部分的修复。试验表明:提出的切片拼接和修复方法的所提取的特征点的正确匹配率能够达到72.2%,并且运行速度以及匹配效果都能在一定程度上满足切片修复的要求,为后面进行蝗虫切片褶皱打开以及蝗虫体的三维重建提供了技术参考。