自然环境下绿色柑橘视觉检测技术研究

绿色柑橘具有与背景相似的颜色特征,自然环境下绿色柑橘的视觉检测比较困难。提出基于深度学习技术,利用Faster RCNN方法进行树上绿色柑橘的视觉检测研究。首先配置深度学习的试验环境,同时设计了绿色柑橘图像采集试验,建立了柑橘图像样本集,通过试验对批处理大小、学习速率和动量等超参数进行调优,确定合适的学习速率为0.01、批处理为128、动量系数为0.9,使用确定的超参数对模型进行了训练,最终训练模型在测试集上的平均精度(MAP)为85.49%。通过设计自然环境下不同光照条件、图像中不同尺寸柑橘、不同个数柑橘的Faster RCNN方法与Otsu分割法的柑橘检测对比试验,并定义F值作为对比评价指标,分析2种方法的检测结果,试验结果表明:Faster RCNN方法与Otsu方法在不同光照条件下检测绿色柑橘的F值分别为77.45%和59.53%;不同个数柑橘果实检测结果的F值分别为82.58%和60.34%,不同尺寸柑橘检测结果的F值分别为73.53%和49.44%,表明所提方法对自然环境下绿色柑橘有较好的检测效果,为果园自动化生产和机器人采摘的视觉检测提供了技术支持。

非结构环境中扰动葡萄采摘点的视觉定位技术

非结构环境下采摘机器人对扰动葡萄采摘点的视觉识别定位有实际应用价值。首先基于"挠性杆-铰链-刚性杆-质量球"模型对葡萄串形态进行分析,将其扰动状态分解为XOY和YOZ 2个平面的类单摆运动,对扰动葡萄进行视频拍摄,通过对视频中多帧葡萄图像进行Otsu阈值分割得到果实和果梗,并计算出各帧图像中葡萄串的质心;对各帧图像的葡萄串质心进行曲线拟合,计算出葡萄类单摆运动的周期与摆角,从而确定当前扰动葡萄是否适合视觉定位;对可实现视觉定位的扰动葡萄,选取类单摆中间位置质心点对应的葡萄图像,对葡萄串上方矩形区域进行Canny边缘检测,再利用霍夫直线拟合结合角度约束法实现扰动葡萄采摘点的定位。视觉定位试验结果表明:自然环境中不同光照下扰动葡萄采摘点的视觉定位准确率达80%以上,为采摘机器人应用于实际生产提供了理论基础。

基于机器视觉的采后荔枝表皮微损伤实时检测

利用机器视觉技术进行采后荔枝的品质检测与分级有重要意义。首先结合摄像机与荧光光谱仪进行了荔枝图像的光谱分析,荧光作为激发光进行荔枝果皮的发射光谱特性分析,确定了不同荧光照射荔枝果实表皮的视觉检测方法的可行性;然后设计了具有不同颜色光照转换控制功能的机器视觉系统,选定了红色、蓝色和绿色荧光灯,对正常和微损伤两种品质状态的荔枝果实荧光图像进行灰度直方图统计分析,确定了利用蓝色荧光作为照射光源以及HSV颜色空间的V分量进行微损伤荔枝果实图像识别的方法,利用探索性分析法对荔枝果实视觉检测试验结果进行统计与分析,确定了正常与微损伤荔枝果实图像分割的灰度图阈值范围,结合优化的圆拟合算法,实现了荔枝果实视觉智能分级系统的设计。试验结果表明:该研究方法对正常荔枝和表皮微损伤荔枝的识别正确率为92%,为荔枝产后智能化检测分级提供了技术支持。

结合计算机视觉的马铃薯外部品质检测技术

利用计算机视觉进行马铃薯产后品质检测分级有十分重要意义。首先对计算机视觉系统获取的马铃薯进行图像分析,利用Otsu法去除马铃薯图像背景,然后针对马铃薯的损伤、绿皮和发芽状态进行图像处理识别;针对马铃薯中的绿皮状态,利用感知器学习算法(PLA)区分正常马铃薯与绿皮马铃薯;然后针对表皮发芽的马铃薯,利用边缘检测法得到图像中马铃薯区域的各部位边缘,结合K-最近邻分类算法(KNN)识别表面发芽的马铃薯,同时通过角点检测确定轮廓上的发芽区域;然后对检测到的边缘利用中值滤波结合面积最大法,确定马铃薯表皮的损伤部位,最终实现马铃薯品质的分级。利用计算机视觉方法马铃薯品质检测实验结果:正常马铃薯识别正确率为96.8%,绿皮马铃薯为89.7%,表皮损伤马铃薯为90.4%,发芽马铃薯为96%。