高精度番茄分级机设计与试验

由于传统番茄分级机具的作业模式为湿式清选,极易在后期贮藏环节出现各类问题,而且分级作业时容易对番茄表面造成破损,因此设计了高精度番茄分级机。针对其分级清选作业环节进行分析,对分级机的运行原理与整体构造作出介绍,确定了影响番茄分级作业的各类因素,如辊棒转速、投料速度、辊棒数量等。将评价指标划定为番茄破损率以及番茄清洁率,应用回归分析法得出评价指标对应的回归模型,根据模型拟合、回归系数、单因素以及交互反应等方面分析试验得出以下结果:首先,各类影响因素与评价指标的关系:投料速度对番茄破损率以及番茄清洁率呈现负作用,分级机清选辊数量与清选辊转速对番茄破损率以及番茄清洁率呈现正作用。其次,评价指标中各类因素的影响顺序:影响番茄清洁率的因素顺序依次为投料速度、辊棒转速以及辊棒数量,影响番茄破损率的因素顺序依次为辊棒转速、投料速度以及辊棒数量。最后针对各类影响数值作出优化试验,当分级机辊棒转速为75r/min,投料速度为27t/h,清选辊棒为6根时,高精度番茄分级机作业时的番茄清洁率为98.794%,番茄破损率为3.632%,满足作业要求。

番茄智能分类装置中分级软件设计

针对我国商品番茄人工分拣效率低、标准不统一和附加值低等问题,本文采用机器视觉和计算机图像处理技术,研究了番茄品质的颜色特征与成熟度直接的关系,确定了分级方法,对提高我国番茄的市场竞争力,具有非常现实的社会意义和经济意义。本文针对此情况设计了一种用于番茄智能分类装置中的番茄分级软件,该软件通过工业摄像机和电脑来取代人眼对番茄进行分类识别。首先研究了图像的底层处理过程及其算法,然后从中选取优良的算法来运用到本软件系统中,最后对番茄分级的算法做了一定的研究,选择线性法处理,最终实现了番茄的分级要求。

基于深度学习的番茄苗分级检测研究

分级是保证工厂化穴盘育苗质量的重要环节,本文根据番茄穴盘苗分级检测过程存在智能化水平低的问题,基于Darknet框架YOLOv3-Tiny卷积神经网络进行了算法改进。改进的算法进行了K-Means++聚类,增加YOLO检测层的数量,引入不同的SPP结构和CIOU损失函数。实验表明,与YOLOv3-Tiny算法相比,改进的YOLOv3-Tiny算法对番茄苗分级检测的mAP指标提高了9.8%,对壮苗的检测准确率为98.1%,无苗的检测准确率为94.80%,弱苗的检测准确率为93.62%。该算法能够对番茄苗的分级检测起到良好效果,为番茄穴盘苗高效识别提供了参考。