一种基于机器视觉的高密度穴盘苗寻苗方法

西瓜等葫芦科作物接穗苗通常采用高密度培植方式,高密度种植的穴盘苗既可以提高大棚设备的利用率,也可以方便农主节约化管理,一般采用撒播方式,穴盘苗的间距不一,生长状态相差悬殊,一致性较差,对实现自动化造成极大的不便。为了提高瓜科嫁接机器人的自动化水平,提出了一种基于机器视觉的高密度穴盘苗寻苗及夹切方法。利用激光器、摄像头、夹具和刀具等设备设计了一种自动寻苗及夹切苗茎的系统机构。此装置适合于苗距至少为15.36 mm的培植密度;在不同的摄像头距苗茎的距离下,采用HSV颜色空间模型提取照射在苗茎上的光斑像素,应用计算视觉技术标定出目标像素的高度位置;通过曲线拟合方法算出距离与光斑高度之间的关系,得出5次拟合最接近散点图像的变换规律,为机构寻苗提供了理论基础。实验数据表明,系统的最佳工作范围是64~90 mm,夹切时的深度检测误差在0.1 mm内达到了95.5%准确率。

基于机器视觉的茄科幼苗切削特征识别

为了提升蔬菜自动嫁接机嫁接自动化程度,在嫁接过程中实现机器替代人眼进行操作,基于机器视觉分析茄科幼苗轮廓链特征参数、幼苗轮廓链链角变化、跨距、水平截线宽度、幼苗估计苗茎及幼苗中心线斜率参数,确定幼苗子叶、真叶和根部位置,根据幼苗轮廓特征结合曲线拟合确定切削点位置和切削角度,使用100幅蕃茄幼苗图像进行实验。实验表明,基于机器视觉的幼苗切削参数特征识别及定位准确率较高,幼苗轮廓链提取准确为97%,切削点位置与切削角度确定的准确率分别为93%和90%。因此基于机器视觉可以快速、准确地确定切削点位置及切削角度,提高嫁接机嫁接过程中嫁接操作准确率及幼苗成活率。

基于机器视觉的瓜科砧木苗参数提取

为解决半自动嫁接机嫁接过程中需人工取苗问题,通过机器视觉方法对目标进行HSV多值化操作,分析光照强度对轮廓提取的影响,最后提取目标轮廓,对轮廓使用优化后的最小外接圆方法计算出砧木苗张开角度参数,并以此为基础计算砧木苗的最长截线宽度。结果显示,优化后最小外接圆方法处理速度是传统方法7倍,准确率为99.2%,砧木苗张开角度准确率为99.58%,采用“垂直法”求解的最长截线宽度平均误差为3.6个像素。因此,基于机器视觉可以准确地确定砧木苗的张开角度,保证了砧木苗抬升后均可保持相同姿态,为后续嫁接操作提供广阔空间。

一种基于人工地标解码的定位方法

针对当前机器人摄像头中心位置无法快速定位问题,提出人工视觉地标的编码以及解码定位方法。首先进行编码片以及人工视觉地标编码方式设计,采用回溯生成算法从单个编码片编码方式延伸到多个编码片拼接,利用M阵列思想实现全局唯一人工视觉地标矩阵;然后进行人工视觉地标解码,针对编码片利用轮廓链进行编码组件提取,利用HSV颜色空间进行颜色提取从而实现码字识别。对人工视觉地标中心进行定位识别,通过编码块中心线拟合得到的特征点进行二次曲面拟合消除畸变,得到人工视觉地标下摄像头中心所在编码片的编码形式、码字以及摄像头中心世界坐标。实验证明,插值法得出的像素点坐标在X方向上最大误差为3个像素,最小误差为0个像素,Y方向上最大误差为2个像素,最小误差为0个像素,对比传统棋盘格标定定位提高了0.123mm/像素精度。

基于机器视觉的嫁接夹定位识别方法

为实现瓜科、茄科作物嫁接自动化上夹过程中嫁接夹抓取点及旋转角度的精确定位。通过基于HSV颜色空间的多值化提取算法,对机器视觉采集的目标图像进行处理,提取到目标的轮廓。采用基于轮廓链角的方法,识别轮廓的角点及质心。通过一系列计算,得出抓取点及旋转角度。结果显示,基于机器视觉的嫁接夹定位识别方法的抓取点判断,平均误差为2.1个像素;识别角点位置,平均误差为1.9个像素。本方法可应用于下一步的终端夹取操作。