2D IMAGE BASED SIEVING FOR PARTICLE AGGREGATE GRADATION

Acquiring the size gradation for particle aggregates is a common practice in the granule related industry,and mechanical sieving or screening has been the normal method. Among many drawbacks of this conventional means,the major ones are time-consuming,labor-intensive,and being unable to provide real-time feedback for process control. In this letter,an optical sieving approach is introduced. The two-dimensional images are used to develop methods for inferring particle volume and sieving behavior for gradation purposes. And a combination of deterministic and probabilistic methods is described to predict the sieving behaviors of the particles and to construct the gradation curves for the aggregate sample. Comparison of the optical sieving with standard mechanical sieving shows good correlation.

机器视觉在幼苗自动移钵作业中的应用

该文提出了一套在自动幼苗移钵作业中用于幼苗生长状况检测的机器视觉系统。穴盘中幼苗的图像被采集和处理,识别出适合进行移钵的单元,用于自动幼苗移钵机的移钵作业。相邻单元的幼苗边缘重叠和叶片挤压会造成识别错误,在该研究中以番茄幼苗作为试验样本,使用基于形态学的分水岭算法处理来完成叶片边缘分割,提取每个穴孔中幼苗的叶片面积和叶片周长来确定适合进行移钵的单元。试验结果表明该机器视觉系统识别准确率达到了98%,应用于自动幼苗移钵机器人中可以很好地判断不同生长状况的秧苗生长质量。

立体视觉技术在秧苗直立度测定中的应用

秧苗直立度是评价移栽机性能重要指标之一。采用计算机立体视觉与图像处理相结合的方法 ,通过图像预处理得到二值化的秧苗图像 ,在二维图像空间将秧苗角度信息简化为一条直线 ,然后利用在同一秧苗的两幅不同图像上简化的两条直线和两摄像机的参数矩阵 ,进行空间直线的三维重建 ,完成秧苗直立度的测定。实验结果表明 。

基于株心颜色的玉米田间杂草识别方法

根据3～5叶苗期玉米植株的生长特征及其株心所具有的颜色特征,提出了一种利用玉米植株的株心颜色特征识别玉米田间杂草的方法。玉米植株叶片的颜色是深绿色,而株心区域的颜色是浅绿色,该特征可由反映颜色深浅程度的饱和度指标表达。玉米植株的中心区域具有最大的饱和度值,该特性可用于在利用绿-红指标分割土壤背景后玉米植株的中心区域的提取。对分割后的绿色植株前景而言,与提取的株心区域相连通的区域是玉米植株,反之,非连通区域为杂草。试验结果表明:玉米植株和杂草的正确识别率平均为88%和84%,识别一帧720×576象素的图像的平均时间120ms。玉米植株的正确识别率主要受中心区域的完整度影响,而杂草的正确识别率主要受玉米和杂草叶片重叠程度的影响。

利用单目视觉获取钵苗移栽适合度信息的方法

钵苗在穴盘中的生长状态各异,钵苗移栽是育苗过程的关键环节。为提高移栽后钵苗成活率,解决出苗不齐和断苗等问题,需对被移栽钵苗的直立度和高度等适合度信息进行综合评价,筛选出符合移栽要求的钵苗。图像采集系统中的顶杆能够顶起穴盘中的钵苗旋转90°,相机采集钵苗转动90°前后2幅图像,图像RGB各通道灰度值概率直方图存在灰度集中区域。首先,采用24位RGB源图像转8位灰度图、中值滤波和灰度拉伸算法对图像进行预处理;然后,使用细化、水平膨胀和垂直腐蚀等图像处理算法,获取钵苗主茎秆的特征;最后,采用标准差为0.65的3×3高斯模板Harris角点检测算法提取每株钵苗主茎秆上的关键点信息,对其加权最小方差直线拟合获取拟合直线,直线的斜率换算后作为钵苗直立度的判定值,以每一株钵苗的全部角点y坐标最大差值的110%作为钵苗高度的判定值。只有钵苗的直立度和高度都满足各自评价指标要求才被认为适合移栽。试验获取了12幅图像共计30株辣椒钵苗在0和90°位置的直立度和高度,每幅图像处理算法平均耗时0.35 s。按直立度(45°<α<135°)和高度(H>105 mm)评价指标判定,5株钵苗不适合移栽;2株钵苗的视觉检测结果与人工测量结果相反,视觉检测结果与人工测量结果之间的偏差率为6.67%。出现检测偏差的原因主要是钵苗叶对茎秆的遮挡和移栽机的振动使得钵苗在转动90°的前后与顶杆的相对位置发生了变化影响了人工和视觉测量的精度。该方法能够满足钵苗移栽机实时筛选工作的需求。

基于双目立体视觉的秧苗直立度自动测定系统

介绍了基于双目立体视觉的秧苗直立度自动测定硬件系统和软件系统组成。在移栽机试验台上 ,两摄像机经标定后获取秧苗图像 ,通过图像处理得到二值化秧苗图像 ,在二维图像空间将秧苗角度信息简化为一条直线 ,然后利用简化的两条已知直线与两摄像机参数矩阵 ,进行空间直线三维重建 ,完成秧苗直立度的测定。试验结果表明 :该方法可以获得较高的精度。

黄瓜幼苗生长信息的无损监测系统的应用与验证

初步探讨了利用计算机视觉技术,在试验温室条件下,对单株黄瓜幼苗的生长实行无损监测。分别对叶面积和干鲜重的破坏性测量与计算机视觉无损测量结果相比较,通过相关性分析,计算机视觉测量的叶冠投影面积与激光叶面积仪测量的叶面积决定系数为0.976,与茎叶干、鲜重的决定系数分别为0.874和0.914。试验证实计算机视觉无损监测系统可以对植物的生长参数进行比较可靠的预测。

针叶树种计算机视觉苗木自动分级系统的研究

针对苗木分级领域的实际需要及国际苗木分级技术发展状况，研究、设计了针叶树种计算机视觉苗木自动分级系统。该系统应用计算机视觉技术和神经网络技术，通过对苗木图像的处理，在实验室中实现对苗木的自动分级。实验研究表明，计算机视觉自动分级系统在苗木分级领域中具有良好的应用前景。

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。

基于单目视觉的移栽钵苗叶片朝向的调整方法

为解决钵苗移栽时叶片朝向一致的问题,研究单目视觉钵苗叶片的调向方法。首先,均隔8°提取钵苗旋转1圈视频中的45帧图像作为目标对象,对每帧图像依次采用灰度变换、阈值分割和细化等算法进行图像处理后,将8邻域中只有一个与其灰度值相同的中心像素判定为叶片末梢尖点(兴趣点)。然后,通过平滑相似度函数将兴趣点路径跟踪问题简化为对前一帧兴趣点的临近位置均值移位搜索的最大相似度;根据跟踪对象运动矢量方向和速度的连贯性,通过最小化函数从临近位置内存在的多个兴趣点中筛选出目标兴趣点;采用最小化接近一致性代价幻影点函数产生一个帧间幻影点代替因叶片相互遮挡可能丢失的兴趣点。依次根据各帧图像的多个叶片兴趣点获得其相应跟踪路径和对应方位。最后,将叶片兴趣点中存在最大横坐标值的一对对称兴趣点作为目标,当其中一个兴趣点处在最大横坐标位置时,根据另一个兴趣点的当前位置确定钵苗顶杆的调整转角θ/2,将叶片朝向调整到与横轴平行后完成调向。试验结果显示,50株钵苗的最小、最大调向偏差值分别为1.51°和25.31°,94%的调向偏差值小于15°。钵苗叶片调向方法可以满足钵苗移栽机的叶片调向要求。

基于LabVIEW的超级稻秧盘播种质量检测技术研究

就现有水稻秧盘育秧播种普遍存在空穴的情况与超级稻种植的要求,为更好的提高超级稻钵体秧盘精准育秧的成秧率,对秧盘播种质量检测的研究变的尤为重要,也是后续补种工作不可缺少的步骤.本文基于LabVIEW图形化编程软件平台,对水稻钵体秧盘的图像处理算法进行了研究,设计播种质量检测系统,并进行了播种质量检测试验.由试验结果可知,采用自动阈值分割和Roberts边缘检测算子相结合的方法对图像进行分割,检测精度得到了提高,为今后的排种器性能检测和补种技术提供了参考依据.

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。

计算机技术在苗木自动分级中的应用发展概况

对苗木自动分级技术发展进行了概要的评述。最早苗木自动分级技术只是对造林苗木的某些形态参数进行自动测量 ,发展至今 ,基于计算机视觉的苗木自动分级系统已得到广泛研究。本文指出苗木自动分级技术必将向全面化发展 ,苗木形态学特征的进一步完善和非形态学特征的引入是苗木自动分级技术研究的重要内容 ,因此 ,建立基于彩色图像和三维图像处理的新的计算机视觉系统 ,以获得更全面的苗木分级特征 ,将成为苗木分级领域内最具发展前景的课题。

机器视觉技术在自动移栽机上的应用

穴苗自动移栽机是温室种植中的一种重要的农业自动化设备。在移栽过程中,判断坏苗、将坏苗从穴盘中去除是穴苗移栽的重要步骤,可以防止病虫害的扩散。机器视觉技术是一种基于机器视觉的智能模式识别判断系统。在这个系统中,通过图像处理,提取每一株穴苗的表面特征并且与坏苗样本库作比较,即可识别坏苗,并将其从穴盘中去除。利用智能识别算法和矢量机,视觉系统更加高效自动化。

用图像筛选法求取带有随机参数之颗粒堆的质量分级曲线

对带有随机参数的颗粒堆按其质量 ,规格尺寸和形状进行分级而获得其分布曲线在颗粒加工工业上是一道常见的工序 ,通常采用的是物理筛选的方法 .这种传统方法的主要缺点是耗时长、人工投入较多 ,不能实现过程控制中的实时反馈 .采用机器视觉技术 ,基于图像处理法对相关颗粒图形进行分析处理 ,从而快速获取其规格尺寸 ,形状和体积等相关参数值 ,可以大大提高工作效率 .对已经用图像处理算法获得其有关几何参数的颗粒堆 ,通过求得它们扁平度的分布曲线 ,再用概率统计的方法来确定其图像筛选结果 ,从而建立起与其物理筛选相关性 .基于这种相关性 ,对其他具有相同或相似随机参数颗粒堆首先进行随机采样 ,然后分别进行图像筛选和物理筛选 .作者在论文中阐述了图像筛选和物理筛选方法 ,并比较了这z种筛选方法所得的结果 ,证实了图像筛选代替物理筛选的可行性和有效性 .

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。

基于机器视觉的基本苗统计方法

为了降低基本苗统计中的人力成本、提高统计效率和精度,设计了一种基于机器视觉的统计方法.新方法根据图像在HSV空间的良好性质确定兴趣区域,通过图像腐蚀与膨胀算法去除噪声,获得利于提取的连通域,并达到最后统计的目标.利用植保无人机在徐州某地区水稻农田获取的基本苗图像,将图像从RGB空间转换为HSV空间,通过阈值选择获取兴趣区域达到预期统计效果.结果表明,试验验证了基于机器视觉基本苗统计方法的有效性,新方法与人工统计方法相比提高了统计效率.

嫁接用苗生长状态无损测量技术的研究

利用机器视觉技术对蔬菜幼苗的生长特征信息进行了无损检测,该研究技术是定量化研究植物生长规律的关键技术之一,并为蔬菜自动化生产过程中的嫁接、移栽、间苗等作业提供必要的技术理论依据.该研究通过在温室内设计了一套计算机视觉系统,对多株群体蔬菜苗的生长进行了长时间、连续、快速的无损检测,并利用VB6.0编制了图像处理软件,提取了蔬菜幼苗的外部形态特征,经过图像处理软件分析得到蔬菜幼苗的日生长变化规律,发现蔬菜苗在夜间的生长率明显高于白天.研究表明,采用机器视觉及图像处理技术可以快速、准确地监测出蔬菜幼苗的外部形态特征量,能够对蔬菜生长状态进行直观测量,实现对蔬菜幼苗生长规的定量化研究,为蔬菜生产过程中相关作业的自动化提供可靠的理论依据.