基于改进YOLOv5的甘蔗茎节识别方法

针对甘蔗智能切种机作业过程中背景杂乱导致茎节识别精度低等问题,提出了基于改进YOLOv5的一种甘蔗茎节识别方法。采用跨层级连接的方式优化颈部结构,增强不同层级间的信息融合能力;同时改进模型损失函数,一方面引入EIoU损失函数代替原始CIoU损失函数,提高边界框回归精度,另一方面利用Focal loss损失函数替换交叉熵损失函数,解决正负样本比例不均衡问题;最后引入Ghost模块轻量化网络模型。试验结果表明,本研究提出的模型相较于原模型,平均精度值提高了1.4个百分点,达97.80%,单张检测时间为16.9ms,模型大小仅11.40 Mb,实现了在不同杂乱程度场景下的甘蔗茎节识别,降低了切种时背景杂乱产生的影响。

基于高光谱成像技术的甘蔗茎节识别与定位方法研究

针对甘蔗茎节与茎间颜色相近和由于表皮上白色果粉的干扰导致茎节难以识别的问题,提出了一种基于高光谱成像技术的茎节识别与定位方法.采集236个茎节和茎间样本的高光谱图像(874~1734 nm),采用连续投影算法(SPA)提取5个特征波长(1022 nm,1062 nm,1456 nm,1609 nm和1649 nm),建立偏最小二乘法(PLS)分类模型,利用该模型对20组甘蔗高光谱图像进行识别,生成甘蔗茎节的二值化图像,采用图像处理的方法进行茎节定位.实验结果表明,高光谱成像技术测量结果的标准差为0.7 mm,绝对误差的最大值为2.6 mm,能够有效识别与定位甘蔗茎节,为蔗种的防伤芽自动切割提供技术支持.

基于机器视觉的不同类型甘蔗茎节识别

针对不同种类甘蔗表面多样性和复杂性等因素导致甘蔗图像的茎节难以识别问题,提出一种基于机器视觉且适合各种类型甘蔗的茎节识别方法。首先,通过迭代拟合法从原始图像中提取甘蔗目标区域,并估计甘蔗目标与横轴的倾斜角度,根据倾斜角度参数旋转甘蔗目标成近似平行横轴姿态;然后,利用双密度双树复小波变换(DD-DTCWT)对图像进行分解,使用不同层次的垂直和近似垂直方向的小波系数重构图像;最后,运用图像直线检测算法对重构图像进行检测,得到甘蔗茎节部位的边缘线,对边缘线的密度、长度、相互距离信息进一步验证便可实现甘蔗茎节的识别和定位。实验结果显示甘蔗茎节完整识别率达到92%,约80%的茎节的定位精度小于16个像素,95%的茎节的定位精度小于32个像素,所提方法在不同的图像背景下,都能够成功地对不同类型的甘蔗进行茎节识别,并且定位精度高。

基于图像处理甘蔗茎节识别技术研究

通过运用图像处理技术对甘蔗茎节进行识别定位,并以此技术为基础,实现带蔗芽的蔗种片段切割。滤波去噪、颜色空间转换和图像融合3种方式是采集二值化图像信息的有效路径,采集完成后,利用形态学等操作分割甘蔗区域;然后计算不同茎节中的像素值,并有序统计出直线所含的像素值;最后通过蔗芽围绕茎节分布的特征,定位蔗芽的具体坐标与位置。

基于图像处理的甘蔗茎节识别与蔗芽检测

为实现机器能够准确无误的找到甘蔗蔗芽的位置,让切刀在指定的位置切割甘蔗,运用图像处理技术对甘蔗的茎节和蔗芽分别进行了定位识别。通过滤波去噪、颜色空间转换、图像融合获得图像的二值化信息;再通过LBP(Local Binary Pattern)纹理特性和形态学操作实现甘蔗区域的分割。之后,通过计算每个茎节上列像素值之和,统计出位于直线中线的像素值,即该像素值对应的列坐标为茎上的最优直线。最后,由蔗芽总是环绕茎节分布的特征,结合bounding Rect函数,定位出蔗芽的位置。试验结果表明:该算法的甘蔗茎节识别率,在单节时能达到100%,在多节时稳定在80%以上,算法执行时间为0.507s。

基于改进YOLO v5s的甘蔗切种茎节特征识别定位技术

为了实现甘蔗智能横向切种工作站的精准、高效的自动化切种,针对工厂化切种任务的特点,提出了一种基于改进YOLO v5s的甘蔗茎节特征边缘端识别与定位方法。首先,利用张正友相机标定法对摄像头进行畸变矫正;然后对甘蔗茎节数据集进行数据增强,利用原始的YOLO v5s模型进行训练和测试,结果显示数据增强能一定程度上提高检测精度。针对茎节特征目标小以及模型体积大导致检测精度低、部署难度高等问题,对YOLO v5s的骨干网络进行改进,在SPPF特征融合模块前引入坐标注意力(Coordinate attention,CA)模块和Ghost轻量化结构,在Head网络中剔除P5大目标检测头,得到了改进后甘蔗茎节检测模型YOLO v5s-CA-BackboneGhost-p34,测试结果表明该模型优于其他主流算法和原始模型,具有高精度、小体积等优势。其中,平均精度均值1和平均精度均值2分别提高5.2、16.5个百分点,模型浮点数计算量和内存占用量分别降低42%和51%。最后,为了提高检测速度和实时性,将模型部署于边缘端,利用TensorRT技术加快检测速度,并在传送速度为0.15 m/s的甘蔗智能横向切种工作站上完成实际切种实验。实验结果表明,加速后茎节检测速度达到95 f/s,实时检测定位平均误差约为2.4 mm,切种合格率为100%,漏检率0.4%,说明本文提出的模型具有高度可靠性和实用性,可以为甘蔗横向切种工作站的工厂化、智能化以及标准化应用提供有效的技术支持。

基于智能算法的甘蔗定位切割方法

针对传统的基于图像的甘蔗茎节识别算法主要有中值决策、列灰度及拟合的边缘检测方法、图像滤波方法以及图像分割方法等,传统方法的检测准确率偏低,难以满足识别要求。提出了一种基于改进型粒子群优化算法的混合核函数的支持向量机分类识别模型,对甘蔗的茎节进行分类识别。传统的PSO算法由于粒子群的趋同性,导致前期收敛很快,后期十分缓慢,并且容易陷入局部最优解,也就是常说的早熟。将混沌优化算法与PSO算法进行结合,改造判断解决早熟的收敛方法以改进CPSO算法。传统SVM分类识别模型采用单个核函数,而局部核函数具有较好的学习能力,但不具备较好的泛化能力,相反,全局核函数具有较好的泛化能力,但不具备较好的泛化能力。将局部核函数和全局核函数按照一定规则和条件进行混合,构造一种新型混合核函数,试验验证结果表明,本研究的甘蔗定位识别方法有效。