种盘秧苗生产中图像处理与机器人技术

为提高蔬果类种盘秧苗生产系统的自动化程度，本文应用图像处理与机器人技术对其排种装置漏播的检出和补种方法进行了探讨。利用对播种前后的数字图像进行相减运算来提取种子的尺寸和灰度特征，从而对种盘种穴内的漏播情况进行判断。试验证明，此法可精确地检出黄瓜及丸粒化的莴苣种子的漏播。同时利用检出的漏播信号控制辅助播种机器人，能有效地对漏播的种穴进行补种作业，补种精度达到９９％ 。

蔬菜穴盘苗自动补苗试验台穴孔定位与缺苗检测系统

为了精确获得蔬菜穴盘育苗空穴信息并为自动补苗提供依据,研制了蔬菜穴盘苗自动补苗试验台。利用该试验台获取了苗龄25、35 d的拟南介穴盘苗彩色图像,对彩色图像依次进行灰度化处理、Otsu阈值分割得到幼苗和穴盘二值图;对幼苗二值图进行开运算去除噪声,提取出幼苗特征图像;将穴盘二值图去除幼苗图像并去除噪声获得穴盘特征图像,依据穴盘特征图像分别在行、列上的像素统计峰值、峰宽及穴盘规格化结构,精确确定了穴孔边界;对穴孔内幼苗图像像素统计以判定是否空穴,结果表明:25、35 d拟南芥穴盘苗有苗穴孔与无苗穴孔内像素统计值差异极显著,空穴、有苗穴判断正确率均为100%,为穴盘苗空穴自动补苗提供了精确的幼苗信息与穴孔位置。

基于机器视觉的超级稻秧盘育秧播种空穴检测技术

针对超级稻育秧播种量少,易出现空穴而影响产量的问题,对超级稻高速连续秧盘育秧播种的空穴进行了在线检测。在秧盘育秧流水线的播种和覆表土工序之间加入检测系统,CCD摄像机不断地拍摄穴盘图像,并建立与穴孔相对应的掩模图像,利用定时读取程序,读取缓存中的图像信息。通过图像处理和分析,有效地识别了穴盘空穴,将检测结果以电子表格的形式存储在穴盘空穴数据库中,以供人工补种,进一步降低了秧盘育秧空穴率,提高了超级稻精准育秧的成秧率。

基于改进形状因子的钵体秧盘播种质量检测方法研究

为实现超级稻育秧播种过程按“穴粒数”播补种的思路，需要对播种钵体秧盘上每个穴位的种子数进行精确检测。传统的单一面积法和平均灰度值法虽然简单，但检测精度较低，无法准确识别每个穴位种子粒数，最终影响播种质量。考虑到种子单个连通区域的形状参数与粒数之间存在密切关系，提出一种基于改进形状因子的钵体秧盘播种质量检测方法。首先采用RGB加权法对彩色图像进行灰度化处理，Otsu分割阈值算法进行二值化，形态学算法进行去噪；再利用掩膜定位技术提取出秧盘中每个穴位内的种子图像并进行连通域检测，测量单个连通域的面积、周长、最小外接多边形面积等参数，计算出改进后的形状因子，结合单连通域面积大小，完成单个连通域种子0粒（含杂质）、1粒、2粒、3粒、4粒及以上情况的检测，并通过累加实现穴粒数的检测。实验结果表明，该方法对于单个连通域内种子数在0～3粒时识别准确率均达到95％以上，4粒以上种子的识别率达到90％；穴粒数的平均检测准确率均达到95％以上，每幅图像平均处理时间为0．518s，满足在线检测的需求，为后续播补种提供了参考依据。

基于改进YOLOv3-Tiny的番茄苗分级检测

为了提高番茄苗分选移栽分级检测精度,该研究提出了YOLOv3-Tiny目标检测改进模型。首先建立了番茄穴盘苗数据集,使用K-means++算法重新生成数据集锚定框,提高网络收敛速度和特征提取能力;其次为目标检测模型添加SPP空间金字塔池化,将穴孔局部和整体特征融合,提高了对弱苗的召回率;同时加入路径聚合网络(PANet),提升细粒度检测能力;引入了SAM空间注意力机制,提高对番茄苗的关注,减少背景干扰;增加了ASFF(Adaptively Spatial Feature Fusion)自适应特征融合网络,能够使目标检测模型对多个级别的特征进行空间滤波;采用CIoU损失函数策略,提高模型收敛效果。改进的YOLOv3-Tiny目标检测模型经过数据集训练,在测试集上能够达到平均精度均值为97.64%,相比YOLOv3-Tiny模型提高了3.47个百分点。消融试验验证了网络结构改进和训练策略是有效的,并将改进的YOLOv3-Tiny目标检测算法与5种目标检测算法进行对比,发现改进的YOLOv3-Tiny目标检测模型在重合度阈值为50%的条件下平均精度均值为97.64%。单张图像处理时间为5.03ms,较其他目标检测算法具有明显的优势,验证了该模型能够满足番茄苗分级检测精度要求,可以为幼苗分选检测方法提供参考。

基于图像处理的水稻育秧播种质量检测方法的研究

基于数字图像处理技术,研究出一套适用于水稻播种质量检测的算法。通过投影、差分等方法处理采集到的静态图像从而得到处理目标,然后用自行设计的检测算法判断每穴水稻粒数,最终可计算得到水稻育秧播种的空格率、合格率等。详细介绍了该套算法的具体思路及实现方法,同时通过试验验证了软件检测空格率的相对误差最大为0.2%,合格率最大相对误差为-1.5%,论证了该方案的可行性。

基于农业机器人视觉的种苗识别系统研究与设计

介绍了一种基于农业机器人视觉的种苗优劣判断系统。详细介绍了整个系统的实现方案,重点介绍了图像数据的采集、图像处理及建模、通信设计等。系统采用基于改进算子的OTSU算法对图像目标区域进行提取;建立了适合视觉指标的种苗优劣特征模型。

身份照片快速批处理系统的设计与实现

在类似人力资源管理系统、学籍管理系统、户籍管理系统等的设计和应用中 ,如何实现大批量身份照片的快速扫描录入 ,一直是件繁琐而费时的工作。本文提出了一种针对身份照片录入的批量扫描、快速处理系统设计方案。通过该系统可以实现照片的自动切割提取、自动倾斜校正 ,并实现图象亮度、对比度调整 ,裁剪、旋转。

基于机器视觉的穴盘幼苗分级移栽系统设计与试验

针对穴盘幼苗工厂化生产中人工分级移栽劳动强度较大的问题,提出了基于机器视觉和图像处理自动分级方法,设计了一套穴盘幼苗分级移栽系统。首先,运用图像分割、模板匹配等方法提取穴盘幼苗叶面积、地径、株高3个特征,并以此训练SVM自动分级模型;然后,开发了基于Opencv3.6、Qt5的软件,实现了穴盘幼苗的实时在线分级;最后,使用穴盘幼苗分级移栽样机对7~10天的番茄幼苗进行自动分级移栽试验。结果表明:在平均移栽速度为9.6株/min时,移栽成功率为96.88%,分级正确率为95.83%,可以连续稳定工作,有效解决人工费时费力问题。

基于改进的注意力机制残差网络穴盘幼苗分类算法研究

针对SENet的通道注意力机制特征提取单一和分割的幼苗数据集图片存在部分缺失的难点问题,设计了一种基于双通道注意力机制的残差网络。该网络融合通道注意力机制和空间注意力机制模块,可同时获得通道和空间维度特征权重,提升网络的特征学习能力。提出了一种随机擦除方法,来解决分割样本数据中目标部分缺失的难点问题。在自制的穴盘幼苗Plant_seed数据集上的实验结果表明,在ResNet34残差模块和conv*_x模块之间均引入注意力机制模块的改进网络ResNet34+CBAM_basic_conv的准确率最优,达到93.8%,同时对数据集部分图片进行随机擦除后,模型分类的错误率下降,验证了所提方法的优异性能。