基于机器视觉的幼苗自动嫁接参数提取_贺磊盈_蔡丽苑_武传宇
- 格式:pdf
- 大小:897.55 KB
- 文档页数:6
机器视觉选苗检测系统的嫁接苗木测量技术研究
张卫国;李时舫;马玲;羿宏雷
【期刊名称】《农机化研究》
【年(卷),期】2024(46)9
【摘要】自动化苗木的嫁接,需要对苗木进行挑选。
为此,设计一种苗木检测系统,通过传送带单株传送苗木,利用工业相机拍摄苗木的图像,并通过专门的开发识别软件,利用图像识别技术中依赖的OpenCV和用于数值计算的NumPy这两个外部库,对图片中的苗木轮廓提取,进行二值图像处理,利用格林公式计算出最小面积和长度及苗木的直径和弯曲度。
测试结果表明:该方法有效,精度较高,可分析苗木的直径及弯曲度,剔除那些不适合自动化嫁接的苗木。
【总页数】5页(P148-152)
【作者】张卫国;李时舫;马玲;羿宏雷
【作者单位】哈尔滨林业机械研究所;国家林业和草原局林业机电工程实验室【正文语种】中文
【中图分类】S237;S24
【相关文献】
1.甘薯脱毒苗病毒嫁接检测技术研究
2.线激光--机器视觉测量系统中的多传感器融合技术研究
3.基于机器视觉的嫁接用苗外观特征自动检测
4.基于机器视觉的蔬菜嫁接机自动上苗控制系统设计
5.基于嵌入式机器视觉的玉米苗分级检测系统设计
因版权原因,仅展示原文概要,查看原文内容请购买。
2021年8月Aug.2021第45卷第4期Vol.45,No.4热带农业工程TROPICAL AGRICULTURAL ENCINEERING基于机器视觉的瓜科砧木苗参数提取①周磊②龚征绛费焕强陈武查杨喻擎苍③(浙江理工大学浙江杭州310018)摘要为解决半自动嫁接机嫁接过程中需人工取苗问题,通过机器视觉方法对目标进行HSV 多值化操作,分析光照强度对轮廓提取的影响,最后提取目标轮廓,对轮廓使用优化后的最小外接圆方法计算出砧木苗张开角度参数,并以此为基础计算砧木苗的最长截线宽度。
结果显示,优化后最小外接圆方法处理速度是传统方法7倍,准确率为99.2%,砧木苗张开角度准确率为99.58%,采用“垂直法”求解的最长截线宽度平均误差为3.6个像素。
因此,基于机器视觉可以准确地确定砧木苗的张开角度,保证了砧木苗抬升后均可保持相同姿态,为后续嫁接操作提供广阔空间。
关键词机器视觉;最小外接圆;嫁接;参数提取中图分类号S224Extraction of Parameters of Cucurbitaceae Rootstock SeedlingsBased on Machine VisionZHOU LeiGONG ZhengjiangFEI HuanqiangCHEN WuZHA Yang YU Qingcang(Zhejiang Sci-tech University,Hangzhou,Zhejiang 310018)Abstract In order to solve the problem that the semi-automatic grafting machine still requires manual seed ‐ling during the grafting process,the degree of automation of the automatic grafting machine is improved.Perform HSV multi-value operation on the target by machine vision method,analyzed the influence of light intensity on contour extraction,finally extracted the target contour,used the optimized minimum circum ‐scribed circle method to calculate the opening angle parameter of the rootstock seedling,and use this Calcu ‐late the longest line width of the rootstock seedlings based on it.The results showed that the optimized mini ‐mum circumscribed circle method is 7times faster than the traditional method,with an accuracy rate of 99.2%.The accuracy of the opening angle of the rootstock seedling obtained by the solution is 99.58%.The average error of the line width is 3.6pixels.Therefore,the opening angle of the rootstock seedling can be ac ‐curately determined based on the machine vision,which ensures that the rootstock seedling can maintain the same posture after being raised and provides a broad space for subsequent grafting operations.Keywords machine vision ;minimum circumscribed circle ;grafting ;parameter extraction嫁接机种类主要有全自动嫁接机、半自动嫁接机及手动嫁接机。
基于机器视觉的农作物病虫害自动检测技术随着农业的发展和人口的增长,保障粮食安全成为各国关注的重点。
然而,全球范围内病虫害对农作物产量和质量造成了严重的影响。
传统的病虫害检测方法依赖于专业人员的经验和目视观察,后期往往以繁琐的实验室检测为主。
为了提高农作物病虫害的检测效率和准确性,基于机器视觉的农作物病虫害自动检测技术应运而生。
机器视觉是一种模拟人眼观察和理解视觉信息的技术,通过图像采集、处理和分析等步骤,可以对农作物的病虫害进行自动检测。
该技术主要包括图像采集、图像预处理、特征提取和分类识别等步骤。
首先,图像采集是基于机器视觉检测的重要步骤之一。
通过使用高分辨率的数字相机或其他图像采集设备,对农作物进行拍摄。
拍摄时可以使用手持设备、无人机或自动化平台等,以获取不同高度和视角的图像。
这些图像将作为数据输入进行后续的处理和分析。
其次,图像预处理是为了提取和增强农作物图像中的有用信息。
这一步骤包括图像去噪、图像增强和图像分割。
去噪可以通过滤波算法来减少图像中的噪声,并提高图像的质量。
图像增强可以通过对比度增强、亮度调整和直方图均衡化等方法来增强图像的细节。
图像分割是将图像分为不同的区域,以便更好地提取农作物的特征。
接下来,特征提取是为了从农作物图像中提取有用的信息,用于区分正常作物和受损作物。
特征提取方法可以分为基于颜色特征、纹理特征和形状特征等多种方法。
颜色特征是通过提取图像中不同颜色区域的像素值进行的。
而纹理特征是通过提取图像中的纹理细节信息来进行的。
形状特征则是通过计算图像中物体的轮廓、面积和周长等特性来进行的。
最后,分类识别是将提取到的特征与预先训练的分类模型进行比对,以判断农作物是否受到病虫害的侵害。
在分类识别阶段,可以使用机器学习算法,如支持向量机、神经网络和深度学习等方法。
这些算法能够学习和识别不同病虫害对应的特征模式,并进行自动的分类识别。
基于机器视觉的农作物病虫害自动检测技术具有许多优势。
《基于机器视觉的服务机器人智能抓取研究》篇一一、引言随着科技的飞速发展,服务机器人已逐渐成为人们日常生活和工作中不可或缺的一部分。
在众多服务机器人功能中,智能抓取技术尤为关键,它能够使机器人自主完成各种复杂任务。
本文将针对基于机器视觉的服务机器人智能抓取技术进行深入研究,探讨其原理、应用及挑战。
二、机器视觉与智能抓取技术概述机器视觉是一种模拟人类视觉的技术,通过图像处理和模式识别等方法,使机器能够获取并理解周围环境的信息。
智能抓取技术则是基于机器视觉的技术,通过分析目标物体的形状、大小、位置等信息,使机器人能够自主完成抓取任务。
三、基于机器视觉的智能抓取技术原理基于机器视觉的智能抓取技术主要依赖于图像处理和模式识别技术。
首先,机器人通过摄像头等设备获取目标物体的图像信息。
然后,通过图像处理技术对图像进行预处理,如去噪、二值化等。
接着,利用模式识别技术对目标物体进行特征提取和识别,如边缘检测、特征匹配等。
最后,根据识别结果,机器人自主规划抓取路径和动作,完成抓取任务。
四、智能抓取技术的应用智能抓取技术在服务机器人领域具有广泛的应用。
例如,在物流领域,智能抓取技术可用于自动化分拣、搬运等任务;在医疗领域,智能抓取技术可用于辅助医生进行手术操作、药品分发等任务;在家庭服务领域,智能抓取技术可用于协助老人、儿童等完成日常生活中的各种任务。
五、挑战与解决方案尽管基于机器视觉的智能抓取技术在许多领域取得了显著的成果,但仍面临诸多挑战。
首先,在复杂的自然环境下,如何提高图像处理的准确性和实时性是一个重要的问题。
针对这个问题,可以采用深度学习等先进的算法模型来提高图像识别的准确性。
其次,机器人对目标物体的定位和抓取也需要更加精确和灵活。
为了解决这个问题,可以通过优化机械臂的结构和控制算法来提高抓取的准确性和效率。
此外,对于未知或动态环境下的抓取任务,可以借助传感器等设备进行实时监测和调整。
六、实验与分析为了验证基于机器视觉的智能抓取技术的效果和性能,我们进行了多组实验。
基于Halcon的瓜科全自动嫁接机视觉系统设计在国内外,嫁接技术已经被广泛的应用于农业种植领域,在农业逐渐实现机械化和智能化的今天,嫁接机器人的研制也逐步得以发展。
将机器视觉技术应用于嫁接机器人中,是未来发展的一个重要方向。
就目前的嫁接机器人来说,大多数还都处于半自动状态,需要人工辅助。
要将半自动机器人改善成为全自动嫁接机器人,需要引入机器视觉技术。
本论文考虑到影响嫁接成活率和效率等因素,设计了视觉分级系统和接缝识别检测系统,完成了对嫁接的砧木和接穗幼苗的分级,以及对接缝质量的检测。
论文中的主要研究成果如下:(1)设计了瓜科全自动嫁接机视觉系统的硬件结构,包括计算机、光源、镜头、滤光片等,完成了各元件的选型。
确定了以蓝色背景光为照明方式的分级硬件结构系统和以白色环形前景光为照明方式的接缝识别硬件结构系统。
(2)在利用搭建好的硬件设备对图像采集的过程中,进行了摄像机的标定,将图像的世界坐标系转换到测量坐标系,得到图像的校正参数,并对图像加以校正。
(3)应用Halcon软件对苗木进行视觉分级和接缝识别算法的研究及设计。
确定了以灰度转换、阈值分割、噪声平滑、形态学操作为基本算法的图像预处理方法,完成了对茎秆直径信息的提取和对接缝模板的训练和匹配。
(4)对预处理后的图像采用水平方向像素点统计的方法得到最大频次的像素点个数,由此获得苗木茎秆直径信息,将其转化成具体尺寸并进行分级。
接缝识别采用模板匹配的方法,对单张图像做模板训练,将训练好的特征作为模板在其他图像中进行匹配,得出匹配结果与相似度评分,依据此结果作为接缝质量的评判标准。
(5)分别对100株南瓜苗,100株甜瓜苗,100株黄瓜苗以及100株嫁接苗进行试验,得出分级成功率可达97%-100%。
接缝识别系统得出的嫁接成功率为94%,识别正确率为98%,因此,嫁接苗实际的嫁接成功率为92%。
基于视觉的采摘机器人采摘定位与导航方法随着农业科技的发展,采摘机器人已逐渐走入农田,为农民朋友们提供高效的农作业解决方案。
其中,基于视觉的采摘机器人被广泛认可为一种较为有效的采摘技术。
本文将介绍基于视觉的采摘机器人的采摘定位与导航方法,带您了解这一先进技术的原理与应用。
一、视觉感知技术在采摘机器人中的应用随着计算机视觉技术的飞速发展,视觉感知技术在采摘机器人中得到了广泛的应用。
采摘机器人通过视觉传感器获取作物的外形、颜色、纹理等特征信息,并通过图像处理与分析算法进行处理。
基于视觉感知技术,机器人能够准确地辨别和定位目标作物,为后续的采摘操作提供基础。
二、基于视觉的采摘机器人的采摘定位方法1. 特征提取与识别基于视觉的采摘机器人首先需要对目标作物进行特征提取与识别。
通过图像处理与分析算法,从目标作物的图像中提取出与种类、体积、成熟度等因素相关的特征信息。
这些特征信息可以是形状、颜色、纹理等,通过模式识别算法与数据库匹配,实现对目标作物的准确识别。
2. 目标位置定位定位是采摘机器人的核心任务之一。
基于视觉的采摘机器人通过分析目标作物的图像,结合机载传感器的数据,通过三维重建算法确定目标位置的具体坐标。
同时,机器人还可以通过计算机视觉技术实现目标位置的实时跟踪,保持对目标的准确定位。
三、基于视觉的采摘机器人的导航方法1. 地图构建与更新基于视觉的采摘机器人可以通过视觉传感器获得周围环境的图像信息,通过图像处理与分析算法进行处理,并实现地图的构建与更新。
机器人可以基于地图信息规划最优路径,实现自主导航,避免障碍物和不可通行区域。
2. 导航控制基于视觉的采摘机器人的导航控制主要包括路径规划、避障和自主定位等。
通过图像处理与分析方法,机器人可以实现对周围环境的感知,并根据环境信息进行路径规划和避障决策。
此外,机器人还可以通过视觉定位方法实现自主定位,保证采摘操作的准确性和效率。
四、基于视觉的采摘机器人的应用前景基于视觉的采摘机器人在农业生产中具有广阔的应用前景。
基于机器视觉和人工智能的花圃裁剪机器人花圃裁剪机器人是一种基于机器视觉和人工智能技术的智能设备,用于自动识别和裁剪花圃中的植物。
该机器人可以帮助人们更高效、准确地对花圃进行维护,并且减少人工劳动成本,提高工作效率。
花圃裁剪机器人利用机器视觉技术来识别花圃中的植物。
它配备了高清摄像头和图像识别算法,可以对花圃中的植物进行快速、准确的识别。
机器人通过摄像头获取植物的图像,然后将图像传输到云端服务器进行图像识别处理。
云端服务器利用深度学习算法分析图像特征,判断出花圃中的植物种类和位置。
通过这种方式,机器人可以实时了解花圃中的植物情况,为后续的裁剪工作提供准确的定位和指导。
除了机器视觉技术,花圃裁剪机器人还应用了人工智能技术来进行自主决策和路径规划。
机器人内置了先进的智能算法,可以根据花圃中植物的不同特征和需求,选择最合适的裁剪方式进行操作。
对于高大的植物,机器人可以识别其枝干的位置和角度,然后调节剪刀的高度和角度,实现精确的裁剪操作。
机器人还可以通过学习和实践,不断提升裁剪技术和效果,逐渐达到专业园艺师的水平。
花圃裁剪机器人的使用非常方便。
用户只需在机器人的操作界面上设定裁剪参数和工作区域,然后启动机器人即可进行自动裁剪。
机器人会根据预设的参数和工作区域,自主决策和规划裁剪路径,完成工作后自动返回原位。
机器人还可以与智能手机或电脑相连,通过手机或电脑端的应用程序远程监控和控制机器人的工作状态。
花圃裁剪机器人的问世将大大提高花圃维护的效率和质量。
传统的花圃维护方式需要大量的人工劳动和时间,而且操作不够准确和精细。
使用花圃裁剪机器人可以避免人工劳动中的反复劳作和错误,同时也能够节省大量的人力资源和时间成本。
花圃裁剪机器人还可以通过云端技术,将每一次裁剪的数据存储和分析,为后续的维护工作提供参考和改进。
基于机器视觉和人工智能的花圃裁剪机器人将会成为花圃维护领域的重要工具。
它不仅可以提高工作效率和质量,同时也能够减少人工成本和资源浪费。