机器视觉在农作物种子检测中的研究进展

农作物种子是农业生产的基础。种子检测作为一种重要的手段,在种子生产、贸易和利用的各个环节都扮演着不可或缺的角色。然而传统的农作物种子识别方法效率低,需要人力以及专业检测设备的支持。相比之下,机器视觉技术能够通过模拟人的视觉功能来实现对目标的无损检测,效率高、准确度高,有助于实现农作物种子的品种识别、分级、分类的自动化、智能化。首先简单叙述了机器视觉技术中图像采集、预处理的方法,并以玉米种子为例给出了目前主流的处理流程,然后具体叙述了机器视觉技术中传统机器学习和深度学习两种检测方式在农作物种子检测中的应用,最后针对玉米不完善粒的研究,在分为以上两种检测方式进行具体叙述的同时,指出了目前存在的问题以及玉米不完善粒检测未来的研究方向。

蔬菜种子病害及其识别方法的研究进展

蔬菜种子病害对经济收益及民众健康的危害呈现出愈演愈烈之势,必须引起高度重视。在种子病害通用分类的基础上,指出传染性病害中的真菌性病害、细菌性病害和病毒性病害及对应蔬菜种子病害的主要性状及其传播途径。为此,分类论述了其病原机理、主要特征、危害方式等,并在此基础上详细介绍了以分子生物学检测、光谱检测技术、机器视觉检测技术、纳米孔检测技术等为代表的蔬菜种子病害识别研究的发展现状、应用范围及技术特征,尤其着重介绍了近年来基于机器视觉的人工智能识别方案,该方法简单易行、快速灵活且可塑性突出,并同时对各项检测技术存在的问题进行了分析,以期推进蔬菜种子病害识别技术的广泛应用与新技术的传播。

机器视觉技术在种子纯度检验中的应用

随着图像处理技术和机器视觉技术在农业生产中的广泛应用 ,利用机器视觉技术和图像处理技术进行种子纯度检验和对种子质量进行最终评判已成为可能。本文分析了种子纯度检验技术现状和存在的问题 ,概述了国内外对种子纯度自动化检验技术研究的最新进展 ,并对今后种子纯度检验技术发展进行了展望。

基于轮廓特征的稻种芽谷检测方法

根据机器视觉检测杂交水稻种子质量的要求,针对单粒、静态稻种图像进行芽谷分析识别。对金优402、汕优10、中优207和加优99品种的稻种采集了黑、白背景,A、B两面共4×400幅图像,每幅图像提取出16个稻种轮廓特征参数,经主成分分析降维后作为网络输入,对网络结构进行优化并充分训练后分别建立了各品种的两层人工神经网络。网络对测试集正常稻种的识别准确率均超过95%,对芽谷的识别准确率在85%至90%之间。

基于机器视觉的玉米种粒破损识别方法研究

针对玉米种粒在收获、脱粒、贮藏时因各种因素造成损伤和人工选种耗时耗力的问题,提出了一种基于机器视觉的玉米种粒破损检测方法。首先,利用图像获取装置得到单粒玉米种粒图像,通过差影法确定图像噪声种类,采用中值滤波方法对图像进行降噪;其次,标记图像边界,运用灰度阈值法完成玉米种粒图像分割。根据玉米种粒的形态特征分别提取玉米种粒的周长、面积、周长面积比、长轴长、短轴长、长宽比6个几何特征和矩形度、圆形度、紧凑度、7个Hu不变矩10个形状特征,共16个特征。完整玉米种粒和破损玉米种粒图像各50幅作为训练样本,将提取的16个特征分量作为输入量,对支持向量机(Support Vector Machine,SVM)进行训练,输出量为1、0,分别代表"合格""不合格",训练完成后获得玉米种粒的SVM识别模型;另取完整的玉米种粒和破损的玉米种粒图像各50幅作为测试样本,对训练好的SVM模型进行测试。结果表明:该检测方法对玉米种粒破损识别准确率达95%以上,识别100幅玉米种粒图像的时间为1.27s。研究结果为玉米种粒的实时破损检测提供了参考。