自然环境中鲜食葡萄快速识别与采摘点自动定位方法

[目的/意义]自然环境中鲜食葡萄的快速识别与精准定位是实现鲜食葡萄机器人自动采摘的先决条件。[方法]本研究基于改进的K-means聚类算法和轮廓分析法提出一种鲜食葡萄采摘点自动定位的方法。首先,采用加权灰度阈值作为聚类算法相似度的判定依据,并以此为基础提出一种自适应调整K值的K-means聚类算法,实现鲜食葡萄的快速有效识别检测;然后,利用提出的轮廓分析法获得果梗轴和采摘点感兴趣区域,利用几何方法实现鲜食葡萄采摘点快速准确定位;最后,利用采集的917张鲜食葡萄图像对本研究提出的算法进行实验验证。[结果和讨论]本研究提出算法定位的鲜食葡萄采摘点与最优采摘点的误差小于12个像素的成功率为90.51%,平均定位时间为0.87 s,实现鲜食葡萄采摘点的快速准确的定位。在篱壁式种植方式与棚架式种植方式下分别进行50次模拟仿真试验,结果表明,篱壁式紫葡萄采摘点定位成功率为86.00%,棚架式紫葡萄识别定位成功率达到92.00%,篱壁式绿葡萄采摘点定位成功率为78.00%,棚架式绿葡萄识别定位成功率为80.00%,整体试验效果较好。[结论]本研究可为鲜食葡萄采摘机器人实现精准采摘葡萄提供技术支撑。

基于深度学习ImCascade R-CNN的小麦籽粒表形鉴定方法

[目的/意义]培育优质高产的小麦品种是小麦育种的主要目标,而小麦籽粒完整性直接影响小麦育种进程。完整籽粒与破损籽粒的部分特征差异较小,是限制基于深度学习识别破损小麦籽粒精准度的关键因素。[方法]为解决小麦籽粒检测精度低的问题,本研究建立ImCascade R-CNN模型,提出小麦籽粒表形鉴定方法,精准检测小麦籽粒完整性、分割籽粒并获取完整籽粒表形参数。[结果和讨论]ImCascade R-CNN模型检测小麦籽粒完整性的平均精度为90.2%,与Cascade Mask R-CNN、Deeplabv3+模型相比,能更好地识别、定位、分割小麦籽粒,为籽粒表形参数地获取提供基础。该方法测量粒长、粒宽的平均误差率分别为2.15%和3.74%,测量长宽比的标准误差为0.15,与人工测量值具有较高的一致性。[结论]研究结果可快速精准检测籽粒完整性、获取完整籽粒表形数据,加速培育优质高产小麦品种。