CN105118028B - 一种全自动嫁接机的嫁接苗接缝识别装置及接缝识别方法 - Google Patents
一种全自动嫁接机的嫁接苗接缝识别装置及接缝识别方法 Download PDFInfo
- Publication number
- CN105118028B CN105118028B CN201510459023.3A CN201510459023A CN105118028B CN 105118028 B CN105118028 B CN 105118028B CN 201510459023 A CN201510459023 A CN 201510459023A CN 105118028 B CN105118028 B CN 105118028B
- Authority
- CN
- China
- Prior art keywords
- image
- grafting
- gray
- seam
- luminaire
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明是一种适用于蔬菜全自动嫁接机嫁接苗接缝识别和检测的方法及装置,包括工业相机、照明器、图像采集卡、计算机、传送机构和育苗钵,工业相机通过数据传输线与图像采集卡连接,照明器通过电线与计算机连接,图像采集卡通过数据传输线与计算机连接,工业相机、照明器、图像采集卡和计算机构成机器视觉***;通过图像采集、图像处理、输入输出以及控制执行等步骤确定识别检测方法,完成嫁接苗优劣的选检。以机器视觉代替人眼完成对蔬菜嫁接苗接缝的识别,并配以机械化程度较高的执行机构,方便、快捷、客观性强、智能化水平高,实用性强,性能可靠。
Description
技术领域
本发明涉及农业领域,特别涉及一种全自动嫁接机的嫁接苗接缝识别装置及接缝识别方法。
背景技术
随着科学技术的发展,蔬菜生产自动化及智能化水平不断提高,智能农业机器人应用越来越多,它对于提高资源利用率和农业产出率,提高经济效益,实现设施农业的规模化、机械化和自动化具有重要意义,是今后发展的主要趋势。当今的嫁接机是使嫁接速度大幅度提升的机械设备,它采用不同的嫁接方法,把需要嫁接的植株的砧木、穗木快速连为一体,大大提高了生产率和嫁接质量,被称为嫁接育苗技术的一场革命(李中秋,2007)。
80年代,嫁接技术就被世界各国普遍应用在作物的栽培之中。国内外普遍使用农药来保证嫁接作物生长的质量和产量。因为人工采用嫁接的方法十分费工费时,所以一些地区就放弃了嫁接栽培,而是采取大量喷洒农药来预防病虫害。这样,不但浪费资源,而且还造成了环境污染,破坏了人类居住的生活环境。同时人工来嫁接的最重要的问题是嫁接效率比较低、而且劳动强度大、人工嫁接苗木的成活率比较低,人工嫁接已经不能适应我国现代农业发展的要求。采用自动嫁接机器人进行嫁接作业,不仅可以提高作业速度,同时可以提高嫁接作业质量,增加嫁接苗的愈合成活率,适合批量工厂化嫁接育苗生产。目前,我国蔬菜、瓜果的生产和设施农业技术的发展已经具备了大力发展自动嫁接机器人技术的基础和条件,因此,发展自动化嫁接技术,有利于高新技术迅速转化为生产力,推动我国农业现代化的跨越式发展。在我国,发展嫁接机械化和自动化技术势在必行。目前,国内外已研制成功由机械***、控制***、动力***和视觉***等部分组成的嫁接机器人,但是他们仍不能完全满足人们对嫁接的技术要求。
辽宁已成为我国北方重要的设施农业生产基地,设施农业的面积正逐年增长,到2012年底已突破1100万亩,日光温室规模突破800万亩,位居全国首位。全省以设施蔬菜为主的蔬菜总产量达到4013万吨,其中设施蔬菜产量达到2998万吨,占蔬菜总产量的75%。因此在辽宁地区研制全自动嫁接机具有重要的实际意义。
嫁接机的生产率同其自动化程度有关,全自动嫁接机生产率高,半自动嫁接机生产率低。嫁接机的嫁接成功率全自动略高于半自动,因为机械作业的准确性要好于人工作业;但是,自动化程度越高,嫁接机的嫁接成功率同嫁接用苗的标准化程度的关系就越密切,即只有在提供的嫁接用砧木和接穗的几何尺寸达到标准、均一的条件下,嫁接机才可保证有较高的嫁接成功率。因此机器视觉对全自动嫁接机实现作业起着尤为重要的作用。目前国内外已研制成功的蔬菜半自动嫁接机器人仍需人工检查接缝质量,而接缝质量好坏直接影响嫁接成活率和蔬菜产量。由于人眼观察存在一定的主观性,在判断嫁接苗质量优劣的过程中,就会存在误差,因而降低嫁接的成功率。研究蔬菜嫁接机嫁接苗接缝视觉识别***,可以有效地改善因人眼误差而产生的错误识别。此外,还可以大大地提高作业效率和嫁接成活率。
1986年日本农林水产省生物系特定产业技术研究推进机构协同相关公司在世界上率先开始研究嫁接机,经过3代试验样机的探索,1993年开始先后开发出多种类型的嫁接机器人。其中,包括日本井关农机公司研制的R800B/T型半自动式嫁接机,生产能力为800株/小时,适用于嫁接瓜类和茄果类蔬菜;洋马农机公司研制的AG1000型全自动式和600T型半自动式嫁接机,前者生产能力为1000株/小时,适用于茄科,后者为600株/小时,用于瓜类嫁接;TGR研究所研制的整列式全自动嫁接机,采用粘接剂替代嫁接夹来固定砧木和接穗,生产能力为1000株/小时。
20世纪90年代初,韩国也开发出半自动式机械嫁接机,最高生产率可达310株/小时,该机体积小、价格低,采用靠接法。由于价格低,在韩国、日本和中国都有很大的销量。
1998年,中国农业大学研制出2JSZ-600型自动化蔬菜嫁接机器人,该机使用贴接式方法嫁接,实现了砧木和接穗的送苗、切削、上嫁接夹等自动化作业,自动化程度较高,适用于瓜类蔬菜嫁接,生产能力达到600株/小时。
目前,日本开发出的嫁接机器人,自动化程度高,价格也较高,一般在35万元~200万元人民币之间,非一般农户和中小型育苗中心所能承受。韩国开发的嫁接机器人由于结构简单,体积小,仅3000元人民币左右,但是,该嫁接机器主要采用靠接式嫁接法,嫁接作业程序较繁杂,只适合小规模育苗。
国内半自动化蔬菜嫁接机器人的研究已部分商业化,但是嫁接机器人并不能完全实现生产自动化,仍然需要人工对嫁接后的接缝进行质量检测,从而影响了全自动嫁接机器人的研制与开发。由于个人的主观性和技术熟练程度的不同,会影响嫁接质量和嫁接效率,从而影响嫁接成活率。因此,在嫁接之后,需要对嫁接苗进行接缝质量的自动识别与检测。本发明通过对蔬菜嫁接机器人嫁接幼苗接缝进行自动识别、检测技术的研究,为装配机器视觉***的全自动嫁接机器人的研制与开发成功提供理论基础和技术支持,因此针对蔬菜全自动嫁接机的需求,研制开发出一种蔬菜全自动嫁接机嫁接苗视觉识别与检测装置及算法,实现蔬菜高效嫁接。
光源在机器视觉***中起着至关重要的作用,它不仅是简单地照亮物体,更多的是突出拍摄目标中所需要的信息特征。在背景环境中突出特征目标,需要很强的对比度。对比度越大,目标特征就越明显。增强对比度最佳的方式就是调整光源。在采用了合适的光源和照明方案后,大大降低了图像分析难度,使算法更加简便,同时提高作业效率。因此,光源的选择与照明方案的设计在图像采集的过程中起着至关重要的作用。
发明内容
本发明的目的是,提供一种全自动嫁接机的嫁接苗接缝识别装置及接缝识别方法,设计合理,成本较低,使用性能可靠,智能化水平高,能轻松识别出和检测出蔬菜嫁接苗的接缝,依据标准判断出嫁接苗的优劣,并通过***装置完成执行动作。
采用的技术方案是:
一种全自动嫁接机的嫁接苗接缝识别装置,包括工业相机、照明器、图像采集卡、计算机、传送机构和育苗钵,工业相机通过数据传输线与图像采集卡连接,照明器通过电线与计算机连接,图像采集卡通过数据传输线与计算机连接,工业相机、照明器、图像采集卡和计算机构成机器视觉***,所述的传送机构,包括传送带、第一传动轮、第二传动轮、电机和机架,第一传动轮和第二传动轮的轮轴均通过轴承装配在机架上,传送带缠设在第一传动轮和第二传动轮上,电机固定在机架上,且电机的输出轴通过减速机与第一传动轮的轮轴连接,使电机能够带动第一传动轮旋转,进而带动传送带运动,其特征在于:所述的照明器,包括排列形成一环状平面结构的多个绿色的LED灯和灯座,多个LED灯固定在灯座上,照明器通过螺钉固定在传送带一端的支架上;所述的育苗钵放置在传送带上,传送带的另一端固定有电子湿度计和电子温度计,在特定的温度和湿度下,嫁接植物的生物状态最适合采集图样信息,提高照片质量,进而提高识别的准确率;所述的照明器设置在传送带一端的支架上,照明器的环形LED灯组外边缘所在平面垂直于水平面,光源选取绿色的LED光源,多颗LED灯组合形成环形平面结构,光源所发出的光束在与带有接缝的嫁接植物垂直的条件下,所采集到的图像对比度强,特征信息明显,方便处理,传送带的另一侧的侧端面上通过伸缩杆固定有光照度传感器,伸缩杆的一端固定连接在传送带的侧端面上,伸缩杆的另一端固定连接有光照度传感器,方便调节光照度传感器的高度,使光照度传感器更加接近接缝位置,来更准确测定接缝处的光照度,在特定的光照强度下,接缝识别率最高;所述的工业相机的镜头穿过环形照明器的中心孔,并设置于照明器的后方。
所述的工业相机可以为大恒公司生产的水星系列MER-125-30UC彩色数字CCD相机,接口为USB2.0,分辨率为1292(H)×964(V);图像传感器芯片,尺寸比例1/3inch(4.8×3.6mm);镜头选用Computer系列M2514-MP2,焦距参数为25mm,镜头直径为46mm。
一种全自动嫁接机的嫁接苗接缝识别方法,其特征在于包括下列步骤:
步骤一:准备工作,将全自动嫁接机的嫁接苗接缝识别装置放置在一封闭的空间内,控制传送带传动,使育苗钵停止在正对照明器和工业相机位置,育苗穴盘上的嫁接苗距离工业相机的镜头12cm,照明器的环形LED灯组套置于镜头上;调节照明器亮度,使光照度传感器显示的光照度为130~150Lux;调节封闭空间内的温度和湿度,使电子湿度计显示湿度为65~70%,电子温度计显示温度为28~30℃;
步骤二:图像采集:维持上述状态10~15分钟后,工业相机开始采集图像,然后将图像信息传送给图像采集卡,最后图像采集卡将信息传送给计算机;
步骤三:图像处理:根据接缝的特征,依据视觉识别的原理,借助Matlab软件,首先找出嫁接夹夹持住的蔬菜嫁接苗茎干部分(包含嫁接夹),然后再根据图像分割原理去除夹子,这样获得了包含接缝部分的图像,再对此图像进行水平方向像素点灰度值累加求和,获得图特征曲线。
其中,图像处理的算法包括以下步骤:
A.彩色图像灰度变换:将获取的彩色图像转换成灰度图像,即将R、G、B三通道图像转换成单通道的灰度图。灰度图像中每个像素的灰度值只用一个字节表示,灰度取值范围为0~255,数值越小表示该点越黑也越暗,0表示最暗即全黑,数值越大表示该点越白也越亮,255表示最亮即全白,转换后的灰度图像不含色彩信息,只含有亮度信息。彩色图像转换成灰度图像的公式如式(3-1),式中Gray(i,j)表示转换后灰度图像在(i,j)点的灰度值,R(i,j)、G(i,j)、B(i,j)分别表示彩色图像中颜色红、绿、蓝的分量信息,0.30、0.59、0.11分别为彩色图像进行加权平均灰度转换时3个变量的系数。
Gray(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j) (3-1)
B.灰度图像阈值变换:根据图像特点使用如下阈值变换方法,公式(3-2)
式中,f(x,y)为(x,y)点处像素变换后的灰度值,T为设定的阈值。
C.图像二值化:根据图像的灰度值变化范围,选取某一灰度值作为阈值T,将图像分为两部分,即将图像中任意一点(i,j)的灰度值G(i,j)与T进行对比,如果大于或等于T则这点的逻辑灰度值就会被设置为1,如果小于T则就被设置为0,如式(3-3)所示,反之如(3-4)所示。
或者
式中:Gray(i,j)为原始图像的灰度值,F(i,j)为二值化后图像的灰度值。
D.图像平滑处理:使用均值滤波的方法进行平滑处理。均值滤波又称为平滑线性滤波器,采用邻域平均法,将图像中邻域内每个像素的值用滤波掩膜的方法确定的所有像素的平均值来代替,即用模板内选择的所有像素的灰度均值来赋值待处理的当前像素点(x,y)的灰度值。对于抑制高斯噪声,均值滤波器具有较好的作用,主要用于去除图像中与滤波掩膜尺寸相比较小的像素区域不相干的细节,使用m×n(m和n均为奇数)加权均值对一幅M×N的图像进行滤波的计算见式(3-5),式中a=(m-1)/2且b=(n-1)/2,w(s,t)为g(x+s,y+t)的掩膜系数。
E.形态学闭操作:先对二值图像进行膨胀处理(Dilation),再对处理后的图像进行腐蚀处理(Erosion),其定义式如式(3-6)所示。闭操作处理通常可以融合图像中狭窄的间断或细小的孔洞,并消除与目标不相关的细小边缘,使二值图像中目标的轮廓线变得更加光滑。弥补二值图像中的裂缝常通过对图像膨胀处理,消除二值图像中不相关的细节常通过对图像腐蚀处理,膨胀和腐蚀的定义式分别如式(3-7)和(3-8)所示。
通常情况下,A被设定为二值图像的集合,结构元素B也是1个图像集合,B被设定为用来对A进行形态学运算处理的结构元素。形态学运算中,用结构元素B对集合A进行操作。膨胀过程即把结构元素B中的元素平移z个单位后到达Bz,如果A中包含有Bz中的元素(不一定全部包含),则Bz中所有像素点被保留,不断移动结构元素B,即可得到多个被保留的像素点的集合。这些保留的像素点组成的集合就是结构元素B对集合A进行膨胀的结果。
步骤四:计算机根据设定好的程序对得到的图特征曲线进行判断,检测出合格嫁接苗和不合格嫁接苗,进而计算机对控制***发出指令,进行后续程序。
其优点在于:
以机器视觉代替人眼识别蔬菜嫁接苗的接缝,依照标准参数完成蔬菜嫁接苗自动嫁接过程,设计合理、性能可靠、实用方便,智能化水平高,能很好地实现嫁接作业要求。
工作原理:
利用视觉识别***中的图像采集部分对蔬菜嫁接苗接缝进行图像采集,选用合适的光源照亮被测物体,突出其信息特征,再利用照相机将光信号转换成电信号,输出给图像采集卡,再通过图像采集卡将其转换成数字化图像信息,输送给图像处理软件。图像处理软件将采集到的彩色图像进行灰度图转换,转换后的灰度图像不含色彩信息,只含有亮度信息,运用增强运算对图像像素点的灰度级进行修改,以补偿拍摄图像时因曝光不均匀等引起的某些缺陷和对整幅图像中像素的灰度级进行统一改变。然后采用二值化的方法对灰度图像进行阈值变换,将目标物体从多值图像中提取出来。之后运用平滑处理去除图像中与滤波掩膜尺寸相比较小的像素区域不相干的细节。然后再运用形态学闭操作进行膨胀和腐蚀处理,将图像中狭窄的间断和细小的空洞融合,消除与目标不相关的细小边缘,使二值图像中目标的轮廓线变得更加光滑。因而对嫁接苗接缝特征的描述就更加清晰,软件程序可以轻松提取到特征信息做进一步分析处理,得出一条灰度值求和曲线,若嫁接苗接缝质量较好,则接穗苗和砧木苗的嫁接结合面接触紧密,因而接缝部位灰度值较小,所得曲线为中部向左侧凹进去的线,如果此嫁接幼苗接缝有缝隙,则得到的曲线中部位置像素点的灰度值较大,因而曲线为向右凸出的形状。
说明书附图
图1为发明的装置的结构示意图。
图2为接缝***软件设计流程图。
图3为灰度值提取处理流程图。
图4为二值化处理流程图。
图5为接缝识别算法流程图。
图6为以宽度16沿直线灰度值求和曲线。
图7为无缝图像的水平像素点灰度值累加和曲线。
图8为有缝隙图像的水平像素点灰度值累加和曲线。
具体实施方式
在图1中1.显示器 2.输入输出与控制机构 3.计算机(图像处理***) 4.光源控制器 5.工业相机 6.环形光源 7.镜头 8.执行机构 9.传送带 10.背景板。
软件处理过程
软件处理的目的是把嫁接幼苗接缝的特征信息数字化,最终把所需的特征信息以数据的形式反馈出来。本发明中,机器视觉部分软件程序主要包含图像采集、图像预处理、提取嫁接幼苗接缝特征3种功能,应用的图像预处理方法包括灰度变换、阈值化图像、图像去噪、对图像进行闭操作运算。嫁接幼苗接缝机器视觉识别检测***设计总流程如图2所示,当程序启动后,嫁接幼苗依次被处理,并把每一株嫁接幼苗处理所得的信息最终显示在显示屏上,一株嫁接幼苗处理完毕后,判断穴盘中是否还有嫁接幼苗等待处理,如果穴盘中不再有苗则程序终止,这一系列过程都将通过指令自动完成。
使用视觉硬件***中所选相机配套的图像采集程序MER-USBDevice来采集蔬菜嫁接幼苗接缝的图像。通过该程序采集到蔬菜嫁接幼苗接缝的图像时,幼苗图像显示在显示屏上,然后打开图像交换软件平台,把显示屏中的图像获取到计算机的内存中。
图像采集模块负责图像的采集和输入,它与图像采集信息卡相连接,当计算机接收到控制***发出的图像采集通道的控制指令后,此模块开始工作。
根据嫁接幼苗接缝的特征,依据视觉识别的原理,借助Matlab图像处理软件进行算法研究。首先进行彩色图像灰度变换,再将灰度图像做阈值化处理,根据所采集并经过二值化处理的图像中的灰度值特征,利用嫁接幼苗接缝与茎杆部分灰度值的差异进行区分。对于经过二值化处理的图像,R、G、B值均相等,称为灰度值,每一个像素有一个灰度值。对于8位的灰度图像,共有256,个灰度级,其灰度值范围为0~255。
经过二值化处理之后的接缝图像,根据红色嫁接夹的上下边缘找出嫁接夹夹持住的嫁接幼苗茎杆部分(包含嫁接夹),然后再根据图像分割原理去除嫁接夹,并对边界做形态学闭操作运算处理,这样就获得了包含接缝部分的图像,再对此图像中的最长直线进行延伸,延伸到中间区域的边界,然后以宽度16沿着直线对像素点灰度值进行累加求和,获得图6所示曲线。考虑到在嫁接过程中可能产生的倾角,中间区域分割时采用了平行于夹子的分割方法,即中间区域如果是倾斜的,可以分割出倾斜的夹子中间区域。分析曲线可知,如果是一段常规的接穗苗或砧木苗的茎杆部分,则曲线接近于一条竖直的直线,而嫁接夹中间为接穗苗和砧木苗结合的一段直径,此曲线中间部分即为接缝所在位置的像素点累加和曲线,如果接穗苗和砧木苗的接缝质量较好,则接穗苗和砧木苗的嫁接结合面接触紧密,因而接缝部位灰度值较小,故整条曲线为中部向左侧凹进去的线。如果此嫁接幼苗接缝有缝隙,则得到的曲线中部位置像素点的灰度值较大,因而曲线为向右凸出的形状。
根据接缝的特征,依据视觉识别的原理,借助Matlab图像处理软件进行算法研究。首先找出嫁接夹夹持住的番茄直径部分(包含嫁接夹),然后再根据图像分割原理去除嫁接夹,这样获得了包含接缝部分的图像,再对此图像进行水平方向像素点灰度值累加求和,获得图7所示曲线。考虑到嫁接过程中可能产生的倾角,中间区域分割时采用了平行于夹子的分割方法,即中间区域如果是倾斜的,可以分割出倾斜的夹子中间区域。分析曲线可知,如果是一段常规的砧木或接穗的茎部分,则曲线接近于一条竖直的直线,而嫁接夹中间为砧木和接穗结合的一段直径,此曲线中间部分即为接缝所在位置的像素点累加和曲线,如果砧木和接穗的接缝质量较好,则砧木和接穗的嫁接结合面接触紧密,因而接缝部位灰度值较小,故整条曲线为中部向左侧凹进去的线。如果此嫁接苗接缝有缝隙,则得到的曲线中部位置像素点的灰度值较大,因而曲线为向右突出的形状,如图8所示。
主要程序代码如下:
Claims (3)
1.一种全自动嫁接机的嫁接苗接缝识别装置,包括工业相机、照明器、图像采集卡、计算机、传送机构和育苗钵,工业相机通过数据传输线与图像采集卡连接,照明器通过电线与计算机连接,图像采集卡通过数据传输线与计算机连接,工业相机、照明器、图像采集卡和计算机构成机器视觉***,所述的传送机构,包括传送带、第一传动轮、第二传动轮、电机和机架,第一传动轮和第二传动轮的轮轴均通过轴承装配在机架上,传送带缠设在第一传动轮和第二传动轮上,电机固定在机架上,且电机的输出轴通过减速机与第一传动轮的轮轴连接,使电机能够带动第一传动轮旋转,进而带动传送带运动,其特征在于:所述的照明器,包括排列形成一环状平面结构的多个绿色的LED灯和灯座,环形LED灯套在镜头上并固定于灯座,灯座固定于照明器支架上,支架底端通过螺钉固定在传送带的支撑架上;所述的育苗钵放置在传送带上,传送带的侧端面固定有电子湿度计和电子温度计;所述的照明器设置在传送带的一侧,照明器的环形LED灯组最外圈平面与水平面相垂直,传送带的另一侧面上通过伸缩杆固定有光照度传感器,伸缩杆的一端固定连接在传送带的侧端面上,伸缩杆的另一端固定连接有光照度传感器;所述的工业相机设置在照明器的后方。
2.根据权利要求1所述的一种全自动嫁接机的嫁接苗接缝识别装置,其特征在于:所述的工业相机为MER-125-30UC彩色数字CCD相机。
3.一种全自动嫁接机的嫁接苗接缝识别方法,其特征在于包括下列步骤:
步骤一:准备工作:将全自动嫁接机的嫁接苗接缝识别装置放置在一封闭的空间内,控制传送带传动,使育苗穴盘停止在正对照明器和工业相机位置,育苗穴盘上的嫁接苗距离工业相机的镜头12cm,照明器的环形LED灯组套置于镜头上;调节照明器亮度,使光照度传感器显示的光照度为130~150Lux;调节封闭空间内的温度和湿度,使电子湿度计显示湿度为65~70%,电子温度计显示温度为28~30℃;
步骤二:图像采集:维持上述状态10~15分钟后,工业相机开始采集图像,然后将图像信息传送给图像采集卡,最后图像采集卡将信息传送给计算机;
步骤三:图像处理:根据接缝的特征,依据视觉识别的原理,借助Matlab软件,首先找出嫁接夹夹持住的番茄直径部分,然后再根据图像分割原理去除嫁接夹,这样获得了包含接缝部分的图像,再对此图像进行水平方向像素点灰度值累加求和,获得图特征曲线;
其中,图像处理的算法包括以下步骤:
A.彩色图像灰度变换:将获取的彩色图像转换成灰度图像,即将R、G、B三通道图像转换成单通道的灰度图;灰度图像中每个像素的灰度值只用一个字节表示,灰度取值范围为0~255,数值越小表示像素越黑也越暗,0表示最暗即全黑,数值越大表示像素越白也越亮,255表示最亮即全白,转换后的灰度图像不含色彩信息,只含有亮度信息;彩色图像转换成灰度图像的公式如式(3-1),式中Gray(i,j)表示转换后灰度图像在(i,j)点的灰度值,R(i,j)、G(i,j)、B(i,j)分别表示彩色图像中颜色红、绿、蓝的分量信息,0.30、0.59、0.11分别为彩色图像进行加权平均灰度转换时3个变量的系数;
Gray(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j) (3-1)
B.灰度图像阈值变换:根据图像特点使用如下阈值变换方法,公式(3-2)
式中,F(i,j)为(i,j)点处像素变换后的灰度值,T为设定的阈值;
C.图像二值化:根据图像的灰度值变化范围,选取某一灰度值作为阈值T,将图像分为两部分,即将图像中任意一点(i,j)的灰度值Gray(i,j)与T进行对比,如果大于或等于T则这点的逻辑灰度值就会被设置为1,如果小于T则就被设置为0,如式(3-3)所示,反之如(3-4)所示;
或者
式中:Gray(i,j)为原始图像的灰度值,F(i,j)为二值化后图像的灰度值;
D.图像平滑处理:使用均值滤波的方法进行平滑处理;均值滤波又称为平滑线性滤波器,采用邻域平均法,将图像中邻域内每个像素的值用滤波掩膜的方法确定的所有像素的平均值来代替,即用模板内选择的所有像素的灰度均值来赋值待处理的当前像素点(x,y)的灰度值;用于去除图像中与滤波掩膜尺寸相比较小的像素区域不相干的细节,使用m×n加权均值对一幅M×N的图像进行滤波的计算见式(3-5),其中m和n均为奇数,式中a=(m-1)/2且b=(n-1)/2,w(s,t)为g(x+s,y+t)的掩膜系数;
E.形态学闭操作:先对二值图像进行膨胀处理,再对处理后的图像进行腐蚀处理,其定义式如式(3-6)所示;闭操作处理融合图像中狭窄的间断或细小的孔洞,并消除与目标不相关的细小边缘,使二值图像中目标的轮廓线变得更加光滑;弥补二值图像中的裂缝通过对图像膨胀处理,消除二值图像中不相关的细节通过对图像腐蚀处理,膨胀和腐蚀的定义式分别如式(3-7)和(3-8)所示;
A被设定为二值图像的集合,结构元素B也是1个图像集合,B被设定为用来对A进行形态学运算处理的结构元素;形态学运算中,用结构元素B对集合A进行操作;膨胀过程即把结构元素B中的元素平移z个单位后到达Bz,如果A中包含有Bz中的元素,则Bz中所有像素点被保留,不断移动结构元素B,即能够得到多个被保留的像素点的集合;这些保留的像素点组成的集合就是结构元素B对集合A进行膨胀的结果;
步骤四:计算机根据设定好的程序对得到的图特征曲线进行判断,检测出合格嫁接苗和不合格嫁接苗,进而计算机对控制***发出指令,进行后续程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510459023.3A CN105118028B (zh) | 2015-07-30 | 2015-07-30 | 一种全自动嫁接机的嫁接苗接缝识别装置及接缝识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510459023.3A CN105118028B (zh) | 2015-07-30 | 2015-07-30 | 一种全自动嫁接机的嫁接苗接缝识别装置及接缝识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105118028A CN105118028A (zh) | 2015-12-02 |
CN105118028B true CN105118028B (zh) | 2018-07-06 |
Family
ID=54666003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510459023.3A Expired - Fee Related CN105118028B (zh) | 2015-07-30 | 2015-07-30 | 一种全自动嫁接机的嫁接苗接缝识别装置及接缝识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105118028B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106990045A (zh) * | 2017-04-19 | 2017-07-28 | 浙江理工大学 | 一种辅助机器视觉穴盘幼苗质量检测的打光识别装置 |
CN109654997B (zh) * | 2019-02-01 | 2020-10-30 | 河南科技大学 | 一种基于机器视觉的穴盘孔精准定位装置及方法 |
CN112130256A (zh) * | 2020-11-06 | 2020-12-25 | 南京天兴通电子科技有限公司 | 一种新型光纤类型识别*** |
CN113295109A (zh) * | 2021-06-25 | 2021-08-24 | 中国林业科学研究院林业新技术研究所 | 基于机器视觉测量适合机械嫁接苗木弯曲度的***及方法 |
CN113826496B (zh) * | 2021-11-01 | 2023-03-24 | 合肥佳富特机器人科技有限责任公司 | 一种蔬菜嫁接中的自动贴接方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682286A (zh) * | 2012-04-16 | 2012-09-19 | 中国农业大学 | 基于激光视觉***的采摘机器人果实识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050001281A1 (en) * | 2003-07-03 | 2005-01-06 | Hung-Jen Hsu | Process to improve image sensor sensitivity |
-
2015
- 2015-07-30 CN CN201510459023.3A patent/CN105118028B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682286A (zh) * | 2012-04-16 | 2012-09-19 | 中国农业大学 | 基于激光视觉***的采摘机器人果实识别方法 |
Non-Patent Citations (2)
Title |
---|
Grafting of thermoresponsive polymer from the surface of functionalized multiwalled carbon nanotubes via atom transfer radical polymerization;XU GuoYong等;《Chinese Science Bulletin》;20080808(第15期);第2297-2306页 * |
基于机器视觉的幼苗自动嫁接参数提取;贺磊盈等;《农业工程学报》;20131215;第29卷(第24期);第190-195页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105118028A (zh) | 2015-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105118028B (zh) | 一种全自动嫁接机的嫁接苗接缝识别装置及接缝识别方法 | |
CN109863874B (zh) | 一种基于机器视觉的果蔬采摘方法、采摘装置及存储介质 | |
CN110445921A (zh) | 一种基于机器视觉的手机屏背光异物缺陷诊断方法及装置 | |
Ranjan et al. | Detection and classification of leaf disease using artificial neural network | |
CN102156129B (zh) | 一种基于机器视觉的牛肉品质智能分级***及其方法 | |
CN106370667A (zh) | 一种玉米籽粒品质视觉检测装置及方法 | |
CN105203543B (zh) | 基于机器视觉的整箱红提葡萄果粒大小分级装置及其方法 | |
CN104483320B (zh) | 工业脱硝催化剂的数字化缺陷检测装置与检测方法 | |
WO2009045035A1 (en) | White and brown rice appearance characteristics measurement system and method | |
CN102334422A (zh) | 基于机器视觉的蔬菜叶部病害实时诊断方法与*** | |
CN108613989A (zh) | 一种稻谷不完善粒的检测方法 | |
CN108318494B (zh) | 红提果粉的在线视觉检测分级装置及其方法 | |
CN107505325B (zh) | 冬枣果实的全方位品质检测方法 | |
CN106548480A (zh) | 一种基于机器视觉的农产品体积快速测量装置及测量方法 | |
CN103026984A (zh) | 群体孵化蛋成活性的视觉检测分级装置及其方法 | |
Rangel et al. | KNN-based image segmentation for grapevine potassium deficiency diagnosis | |
CN111665225A (zh) | 一种基于叶绿素荧光成像技术判别黄瓜不同病害胁迫的方法及装置 | |
Magsi et al. | Date palm disease identification using features extraction and deep learning approach | |
CN107301401A (zh) | 一种多目标猕猴桃果实识别方法与图像获取装置 | |
CN108090910B (zh) | 一种基于信息熵梯度简化pcnn模型的夜间室外番茄植株图像分割算法 | |
CN109596620A (zh) | 基于机器视觉的产品表面形状缺陷检测方法和*** | |
Fengle et al. | Image-based assessment of growth vigor for Phalaenopsis aphrodite seedlings using convolutional neural network. | |
Anitha et al. | Disease Prediction in Coconut Leaves using Deep Learning | |
Siripattanadilok et al. | Recognition of partially occluded soft-shell mud crabs using Faster R-CNN and Grad-CAM | |
CN106778447A (zh) | 一种甜瓜嫁接机嫁接苗接缝视觉识别*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180706 Termination date: 20190730 |
|
CF01 | Termination of patent right due to non-payment of annual fee |