下载文档原格式
日光温室番茄采摘机器人设计与试验一、本文概述Overview of this article随着农业科技的不断进步和劳动力成本的逐渐上升，自动化和智能化的农业机械设备已成为现代农业发展的重要方向。
其中，日光温室番茄采摘机器人作为智能农业的重要组成部分，其研发与应用对于提高农业生产效率、降低人工成本以及保障食品安全具有重要意义。
本文旨在探讨日光温室番茄采摘机器人的设计与试验，以期为相关领域的研究与应用提供有益的参考。
With the continuous progress of agricultural technology and the gradual increase in labor costs, automated and intelligent agricultural machinery and equipment have become an important direction for the development of modern agriculture. Among them, the tomato harvesting robot in the sunlight greenhouse is an important component of intelligent agriculture, and its research and application are of great significance for improving agricultural production efficiency, reducing labor costs, and ensuring food safety. This articleaims to explore the design and experimentation of tomato harvesting robots in solar greenhouses, in order to provide useful references for research and application in related fields.本文首先介绍了日光温室番茄采摘机器人的研究背景和意义，阐述了国内外在该领域的研究现状和发展趋势。
第4期（总第376期）2021年4月No.4 APR文章编号：1673-887X(2021)04-0050-03基于图像处理技术的番茄成熟度检测研究伍蓥芮，张志勇，韩小平，杨威，杨原青（山西农业大学农业工程学院，山西太谷030801）摘要提出了一种利用图像处理技术判别番茄成熟度的方法。
将实验温室大棚采集的番茄果实图像转化为RGB颜色模型，人工划分阈值并提取果实坐标，以原图像素与人工分量阈值的方差为依据，判别番茄成熟过程的4个时期，为研制番茄成熟度判别设备提供了参考。
关键词图像处理技术；番茄；成熟度中图分类号S371文献标志码A doi:10.3969/j.issn.1673-887X.2021.04.022Research on Tomato Maturity Detection Based on Image Processing TechnologyWu Yingrui,Zhang Zhiyong,Han Xiaoping,Yang Wei,Yang Yuanqing(College of Agricultural Engineering,Shanxi Agricultural University,Taigu030801,Shanxi,China)Abstract：A method for judging tomato maturity using image processing technology is proposed.The tomato fruit images collected in the experimental greenhouse were converted into RGB color models,and the thresholds were manually divided and the fruit coor‐dinates were extracted.Based on the variance of the original image pixels and the artificial component thresholds,the four stages of the tomato ripening process were distinguished for the purpose of developing tomato maturity.The discrimination equipment pro‐vides a reference.Key words：image processing technology,tomato,maturity番茄果实营养价值较高，含丰富的维生素和矿物质。
收稿日期:2023-04-13基金项目:甘肃省高校教师创新基金项目 基于计算机视觉的农产品品质检测与智能分级应用技术研究 (2023B -437)㊂作者简介:于灏(1994 ),男,赤峰宁城人,助教,助理工程师,硕士,主要研究方向:计算机视觉及图像处理㊂基于视觉的西红柿分级方法研究于 灏1,2,李诏敏21.金力永磁(包头)科技有限公司智能制造研发中心,内蒙古包头 014030;2.酒泉职业技术学院,甘肃酒泉 735000摘 要:文章针对西红柿采摘后的自动化分级过程进行研究,提出了一种基于视觉的西红柿智能分级方法㊂该方法对西红柿图像进行降噪㊁灰度化㊁二值化和形态学处理并进行相关计算获取用于分级的参数信息,包括西红柿所占像素数㊁西红柿的色彩和果型参数,并用于训练B P 神经网络,最终得到了可以精确分级西红柿的神经网络,对实现西红柿以及与其相似果蔬的智能分级具有一定参考价值㊂关键词:图像处理;自动采摘;果蔬分级;西红柿分级;B P 神经网络中图分类号:T P 391.4 文献标识码:A 文章编号:1007 6921(2024)03 0126 03 我国是农业大国,农业关乎国计民生,在国内的经济中占有重要地位㊂随着工业升级和城镇化,农村劳动力逐渐向城镇聚集,以及土地政策的引导,土地也逐渐流转聚集,这都促使着中国农业的升级转型,进而对农业装备业提出了更高的要求和考验㊂装备智能化是农业装备发展的必由之路[1]㊂西红柿在国内有广泛的种植,是中国乃至世界上重要的蔬菜之一㊂目前国内西红柿的种植㊁采摘以及分拣主要靠人力来完成[2]㊂图像处理㊁目标定位㊁信息提取以及分类是农业采摘㊁分拣装备智能化的基础问题和核心问题[1-4],目前在这些领域已经有了很多优秀的成果㊂赵源深[1]对西红柿采摘机器人做了深入研究,实现了机器人在农业环境下的西红柿识别㊁定位和采摘㊂袁紫薇[2]对西红柿的收割过程进行了研究,构建了基于视觉的番茄收割实时分拣系统,提取西红柿图像的特征,并分拣出不成熟的西红柿㊂在西红柿的销售过程中,需要对其进行分级,区分品质并以不同的价格销售才可获得最大的利润,但是目前很少有研究针对这类问题㊂笔者结合图像处理与智能分类等方面的成果,对西红柿采摘后的分类过程进行研究㊂曹占辉等[5]提出了一种基于蚁群算法的二维最大熵分割算法,可快速实现图像的分割,其求解速度是穷尽算法的60倍左右㊂于灏等[6]提出了一种基于蝙蝠算法的最大熵分割算法,可快速求取最大值,并进行分割㊂郁志宏等[7]把神经网络应用于种蛋蛋形识别取得了良好的识别结果㊂杨振超等[8]基于L a b V I EW 的马铃薯分拣技术,利用图像处理与特征提取,实现了对马铃薯的分类㊂黄懿[9]构建了马铃薯分级系统,实现了对马铃薯大小㊁形状㊁缺陷外部品质的自动检测与分级㊂石瑞瑶等[10]提出了一种基于视觉的苹果分级检测方法,克服了传统方法的不足,实现了苹果自动快速的分级㊂1 方法简述与理论基础1.1 方法简述笔者针对西红柿采摘后的分级问题,提出了一种基于视觉和B P 神经网络的分级方法,流程如图1所示㊂读入由摄像设备所拍摄的图片,提取其亮度信息得到灰度图像,采用中值滤波的方法对图片进行降噪,中值滤波可以有效地降低噪声,并更好地保护图像的边缘信息㊂采用最大熵阈值分割算法,对灰度图像进行分割并做形态学处理得到二值图像,并统计目标区域像素数作为面积参数㊂将二值图像作为蒙版与原图像的对应像素相乘,获取原图中的目标区域㊂通过对目标区域的处理,可以得到其色彩信息㊂利用二值图像得到西红柿的边缘,获得重心,并计算果型参数㊂最后把西红柿颜色㊁面积与果型参数作为输入,以人工分级的结果作为输出,对B P 神经网络进行训练,从而实现了基于视觉的西红柿分级㊂㊃621㊃2024年2月内蒙古科技与经济F e b r u a r y 20243541I n n e r M o n g o l i a S c i e n c e T e c h n o l o g y &E c o n o m yN o .3T o t a l N o .541图1基于视觉和B P神经网络的分级方法流程1.2二值图获取对读取的图像提取亮度信息进行灰度化处理㊂然后对灰度图像进行中值滤波㊂与均值滤波相比较,中值滤波能更好地保护边缘信息㊂中值滤波属于非线性平滑滤波,对于脉冲噪声有较好的抑制作用㊂其原理是建立模板,提取像素周围领域的灰度值进行排序,并将中值赋给这一像素,遍历整个图像后就完成了滤波㊂以图像取得最大熵值时的像素作为分割阈值可以获得较好的分割效果[6]㊂假设图像灰度的分布范围是{0,1, ,L-1},若灰度值小于t的像素区域构成目标区域,大于t的构成背景区域,那么各个灰度级在本区域的分布概率分别为:p i/p t,i=1,2, ;p i/(1-p t),i=t+1,t+2, ,L-1目标区域的熵为:H O(t)=-ði(p i/p t)l g(p i/p t),i=1,2, ,t(1)背景区域的熵为:H B(t)=-ði[p i/(1-p t)]l g[p i/(1-p t)],i=t+1,t+2, ,L-1(2)熵函数的定义为:H(t)=H O(t)+H B(t)=l n p t(1-p t)+H t/P t+(H r-H t)/(1-p t)(3)其中:H r=ðL-1i=1P i l n p iH t=ðt i=0p i l n p i二值化处理后还会存在一些小面积的噪声点,选取合适参数进行形态学运算可以得到较为理想的二值分割结果㊂1.3获取面积参数二值化后的图像目标区域为黑色灰度值为1,背景为白色灰度值为0,为了方便后续计算,对其进行取反,使目标区域为白色,背景为黑色㊂读取每个像素的灰度值,如果值为1,则计数器加1㊂遍历完整个图像后的返回值即为图像中目标区域的像素数量㊂1.4获取色彩参数将二值图像作为蒙版与原图像的对应像素相乘,获取原图中的目标区域,然后对目标区域的颜色求平均可以得到其色彩参数㊂1.5获取果型参数通过对二值图像进行边缘检测可以得到目标区域的轮廓线,据此计算轮廓的重心,以重心为参考点分别计算目标区域的纵向直径与横向直径,并把横纵直径的比值作为果型参数[10]㊂重心坐标为(x0,y0),过重心做横向直径与轮廓交于(x1,y0)和(x2,y0)两点,做纵向直径与轮廓交于(x0,y1)和(x0,y2)两点,则果型参数G可由下式求得㊂G=y2-y1x2-x1(4) 1.6创建B P神经网络反向传播神经网络(b a c k p r o p a g a t i o n,B P)是一种按照误差逆向传播算法训练的多层前馈神经网络,目前应用较为广泛[11]㊂本文中神经网络的输入为:面积参数㊁红色分量均值㊁绿色颜色分量㊁蓝色颜色分量㊁果型参数,输出为分级参数㊂2实验及结果分析所做实验采用的是W i n d o w s系统,处理器为11t h G e n I n t e l(R)C o r e(T M)i5-11300H@3.10 G H z,内存(R AM)为16.00G B,系统类型为64位,所用软件为MA T L A B2014a㊂西红柿的原始图像如图2所示,对其灰度化处理,图像在灰度为195时取得最大熵,以此分割图像㊂对目标区域的颜色求平均可以得到其颜色参数,结果如表1所示㊂对图像进行边缘检测,可以获㊃721㊃于灏,等㊃基于视觉的西红柿分级方法研究2024年第3期得图像轮廓,然后标记其重心,如图3所示,计算得到其横径与纵径的比值为1.04㊂图2西红柿原始图像图3重心标记表1目标区域颜色分量颜色分量数值R107G44B36通过人工分拣西红柿,取不合格品20个,良好品20个,优质品20个,依据上文方法测得其各个参数作为B P神经网络的输入㊂其中不合格品标记为0,良好品标记为1,优质品标记为2,作为B P神经网络的输出㊂取60组数据的50组作为训练集,取20组作为测试集㊂图4为B P神经网络训练的均方误差图,在第14次迭代时获得最优结果,均方误差为8.4569e-6㊂图4均方误差图3结束语对采摘后的西红柿进行分级,按照不同的品质以不同的价格出售,可使菜农获得最大利润㊂目前自动分级的技术和设备还没有普及,主要依靠人工来完成分拣㊂并且针对分拣过程的相关研究还少有人做㊂笔者通过对西红柿图像的处理得到了西红柿分级的参数,包括西红柿所占像素数㊁西红柿的颜色以及果型参数,成功地训练了B P神经网络,实现了基于视觉的西红柿智能分级,为西红柿及相似果蔬的自动化分级处理提供参考,并对实现农业智能化和农业装备的升级提供借鉴㊂[参考文献][1]赵源深.西红柿采摘机器人目标识别,定位与控制技术研究[D].上海:上海交通大学,2018.[2]袁紫薇.基于机器视觉的番茄收割机实时分拣系统研究[D].西安:长安大学,2017. [3]罗陆锋,邹湘军,杨洲,等.基于改进人工蜂群模糊聚类的葡萄图像快速分割方法[J].农业机械学报,2015,46(3):23-28. [4]蔡雯.基于机器视觉的自动收割机控制系统分析与研究[J].农机化研究,2018,40(11):199-202,207.[5]曹占辉,李言俊,张科.基于蚁群算法的二维最大熵分割算法[J].光子学报,2007(12):2377-2380.[6]于灏,王小刚,杨建鸣.工程图纸分割方法研究[J].现代电子技术,2019,42(13):69-72.[7]郁志宏,王栓巧,张平,等.应用改进遗传神经网络识别种蛋蛋形试验[J].农业工程学报,2009(10):340-344.[8]杨振超,章佳佳,周律,等.基于L a b V I EW的马铃薯分拣技术[J].电子科技,2017,30(9):72-74,81.[9]黄懿.基于机器视觉技术马铃薯自动分级系统的研究[D].武汉:华中农业大学,2011. [10]石瑞瑶,田有文,赖兴涛,等.基于机器视觉的苹果品质在线分级检测[J].中国农业科技导报,2018,20(3):80-86.[11]于灏,杨建鸣,王小刚.基于工图图像的法兰三维重建方法研究[J].机械设计与制造,2020(11):221-223,227.㊃821㊃总第541期内蒙古科技与经济。
计算机视觉技术在农业中的应用研究随着科技的飞速发展，计算机视觉技术在各个领域都展现出了巨大的潜力，农业也不例外。
这项技术为农业生产带来了新的机遇和变革，从农作物的种植、生长监测到收获，都发挥着重要的作用。
计算机视觉技术简单来说，就是让计算机像人的眼睛一样能够“看”到并理解图像或视频中的信息。
在农业中，它主要通过摄像头、传感器等设备获取图像数据，然后利用特定的算法和模型进行分析处理。
在农作物种植环节，计算机视觉技术可以用于精准播种。
传统的播种方式往往存在种子浪费或者播种不均匀的问题。
而借助计算机视觉，能够对土地进行精确的扫描和分析，识别出土壤的肥力、湿度等状况，从而实现精准控制播种的数量和位置，提高种子的利用率和出苗率。
在农作物生长过程中，计算机视觉技术更是大显身手。
它可以对农作物进行实时监测，及时发现病虫害等问题。
例如，通过分析农作物叶片的颜色、形状和纹理等特征，能够判断是否感染了病虫害。
与传统的人工巡查相比，计算机视觉不仅效率更高，而且能够更早地发现问题，减少损失。
此外，计算机视觉技术还能监测农作物的生长状况，包括植株的高度、茎粗、果实大小等。
通过对这些数据的持续采集和分析，可以为农民提供精准的施肥、灌溉建议。
比如，如果发现某块区域的农作物生长缓慢，计算机可以分析出是缺乏某种养分还是水分不足，从而指导农民进行有针对性的补充。
在农业采摘环节，计算机视觉技术也有出色的表现。
对于水果、蔬菜等农作物的采摘，传统的人工采摘不仅劳动强度大，而且效率低下。
利用计算机视觉技术，可以让采摘机器人准确识别成熟的果实，并进行采摘。
这不仅提高了采摘效率，还能减少对果实的损伤，保证农产品的质量。
在农产品质量检测方面，计算机视觉技术同样发挥着重要作用。
它可以对农产品的外观进行检测，比如水果的表面是否有瑕疵、损伤，蔬菜的形状是否规整等。
同时，还能对农产品内部的品质进行评估，例如通过检测水果的糖度、酸度等指标，对其进行分级和筛选。
机器视觉技术在果蔬分类中的应用研究一、引言近年来，随着科技的不断进步，人工智能技术在各个领域得到广泛应用。
机器视觉技术作为人工智能的一个重要分支，对果蔬分类提供了一种高效、准确和自动化的解决方案。
通过使用机器视觉技术，可以实现果蔬的快速、无损、精准分类，有效提高果蔬行业的生产效率和质量。
二、机器视觉技术概述机器视觉是指利用计算机科学、光学、图像处理等技术，使计算机系统能够模拟人眼的视觉系统，从图像或者视频流中自动提取并分析信息。
机器视觉技术包括图像采集、图像处理、模式识别、机器学习等多个环节，通过将这些技术结合起来，可以实现对果蔬的自动分类。
三、果蔬分类的挑战果蔬的形状、大小、颜色、纹理等特征各不相同，其中许多特征很难通过人工眼睛准确辨别。
另外，果蔬的种类繁多，需要投入大量的人力物力进行分类。
传统的果蔬分类方法需要依赖人工，效率低下且容易出错。
因此，研究发展机器视觉技术用于果蔬分类，具有重要实际意义。
四、机器视觉技术在果蔬分类中的应用1. 图像采集首先，需要使用高分辨率的摄像设备对果蔬进行拍摄。
这些设备需要能够捕捉到果蔬的细节特征，并生成高质量的图像或视频流。
2. 图像处理接下来，采集到的图像需要经过预处理，包括去噪、边缘检测、图像增强等步骤，以提高图像的质量和提取出果蔬的关键特征。
3. 特征提取特征提取是机器视觉技术中的一个重要环节。
通过对果蔬图像进行特征分析，可以提取出与分类相关的特征，如颜色、纹理、形状等。
这些特征将作为分类模型的输入。
4. 分类模型训练在机器学习领域，常用的分类模型包括支持向量机（SVM）、卷积神经网络（CNN）等。
利用预处理后的图像和提取到的特征，可以通过对分类模型进行训练，建立一个能够自动识别不同类别果蔬的模型。
5. 果蔬分类模型训练完成后，可以将其应用于实际的果蔬分类任务中。
通过将果蔬的图像输入到分类模型中，模型可以自动识别出果蔬的种类，并将其按照预定的分类标准进行分类。
基于机器视觉的番茄分选实验台系统设计
马博;李丹;代丹丹;李川江;胡昊天
【期刊名称】《南方农机》
【年(卷),期】2024(55)7
【摘要】【目的】解决番茄加工企业人工分选原料效率低、质量不稳定等问题。
【方法】提出一种基于机器视觉技术的实验台系统,以番茄的自动化分选为目的,运用图像处理技术,采用缺陷检测的方法,将不合格番茄上的虫洞、霉斑、青背及黄晕等问题视作缺陷进行识别。
该系统以自动分选单元为载体,使用CCD工业相机采集图像,基于LabVIEW软件设计上位机的视觉识别软件,并通过串行通信接口将识别结果发送至下位机控制分选单元完成分选。
【结果】仿真结果表明,该实验台系统能够准确地识别缺陷番茄并剔除,系统性能稳定,为进一步开发番茄在线智能分选系统提供了理论基础和实践依据。
【总页数】4页(P35-37)
【作者】马博;李丹;代丹丹;李川江;胡昊天
【作者单位】新疆工程学院机电工程学院;航天科技控股集团股份有限公司
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于机器视觉的LED阵列自动分选系统设计
2.基于机器视觉的竹片颜色分选系统设计
3.基于机器视觉的废有色金属自动分选系统设计
4.基于X射线和机器视觉的煤与矸石分选系统设计
5.基于机器视觉的樱桃番茄在线分级系统设计
因版权原因，仅展示原文概要，查看原文内容请购买。
《基于深度学习的番茄病害识别研究》一、引言随着人工智能和机器学习技术的飞速发展，深度学习在农业领域的应用越来越广泛。
番茄作为重要的经济作物之一，其病害的快速准确识别对于提高产量和品质具有重要意义。
本文旨在研究基于深度学习的番茄病害识别技术，以期为农业生产提供技术支持和参考。
二、研究背景与意义番茄在生长过程中易受多种病害的影响，如番茄叶霉病、番茄晚疫病等。
传统的病害识别方法主要依靠人工观察和经验判断，效率低下且易受人为因素影响。
而基于深度学习的病害识别技术，可以通过训练模型自动识别病害特征，提高识别准确率和效率。
因此，研究基于深度学习的番茄病害识别技术具有重要的现实意义和应用价值。
三、研究方法1. 数据集准备：首先收集番茄病害的相关图像数据，包括正常番茄、不同种类病害的番茄等。
数据集的构建对于训练深度学习模型至关重要。
2. 模型构建：选用适合的深度学习模型，如卷积神经网络（CNN）等，进行模型构建和训练。
模型应具备自动提取图像特征、分类和识别的能力。
3. 模型训练与优化：使用收集到的数据集对模型进行训练，通过调整模型参数、优化算法等手段提高模型的识别准确率和泛化能力。
4. 模型应用与评估：将训练好的模型应用于实际场景中，对不同种类的番茄病害进行识别和分类，并对模型的性能进行评估。
四、实验结果与分析1. 数据集构建与处理：本实验共收集了包括正常番茄和不同种类病害的番茄图像数据共计XX余张，经过预处理和标注后用于模型训练和测试。
2. 模型构建与训练：选用卷积神经网络作为模型基础架构，通过调整网络结构、参数设置等手段进行模型构建和训练。
经过多次试验和优化，最终得到一个具有较高识别准确率的模型。
3. 实验结果分析：将训练好的模型应用于实际场景中，对不同种类的番茄病害进行识别和分类。
实验结果表明，基于深度学习的番茄病害识别技术能够有效地提高识别准确率和效率，具有较高的实际应用价值。
五、讨论与展望1. 讨论：本文研究的基于深度学习的番茄病害识别技术具有较高的准确性和泛化能力，能够为农业生产提供技术支持和参考。
