摘要：为实现番茄植株夜间图像分割,设计了一种基于最大类间方差法的改进脉冲耦合神经网络(PCNN)图像分割算法。该算法对传统PCNN模型中的链接输入项进行加权处理,在进行图像分割前,先基于最大类间方差(Otsu)算法获得阈值,再将该阈值赋值给改进PCNN模型中的链接输入项权值、突触链接系数β、链接权放大系数VE和阈值迭代衰减时间常数αE。对849幅番茄植株夜间图像进行试验,结果表明,图像分割正确率平均值为90.43%,平均每幅图像分割时间为0.9944 s;输入链接项的加权处理可减少PCNN的迭代次数,提高算法的实时性;基于Otsu算法可实现改进PCNN模型的网络参数自适应设置。基于视觉效果、最大熵及分割正确率这3项评价指标的对比分析显示,改进PCNN模型的分割效果优于Otsu算法和传统PCNN模型,实时性优于传统PCNN模型。

摘要：针对夜间视频图像对比度低、噪声大等不利于监控的特点,提出了以DM648为核心的夜间图像增强系统的设计,运用改进后的灰度拉伸算法对图像的RGB三通道分别作增强处理,再合成输出,可以获得彩色夜间图像。实验表明该方法对夜间视频图像的处理具有较好的增强效果。

摘要：为解决传统船舶图像增强算法应用于夜间拍摄时存在图像分辨率较低的不足,提出了基于FPGA的夜间舰船图像增强算法。引入FPGA对夜间图像的灰度调节方式进行改进,依托夜间图像的滤波处理计算以及锐化计算,完成了提出的基于FPGA的夜间舰船图像增强算法设计。实验数据表明,针对夜间拍摄图像,提出的夜间船舶图像增强算法较传统船舶图像增强算法,图像分辨率提高24.64%,适合对船舶夜间图像进行分析计算。

摘要：为研究夜间环境下采摘机器人的视觉检测技术,实现采摘机器人的夜间作业,提出了一种多尺度卷积神经网络Des-YOLO v3算法,可实现夜间复杂环境下成熟柑橘的识别与检测。借鉴残差网络和密集连接网络,设计了Des-YOLO v3网络结构,实现了网络多层特征的复用和融合,加强了小目标和重叠遮挡果实识别的鲁棒性,显著提高了果实检测精度。柑橘识别试验结果表明,Des-YOLO v3网络的精确率达97.67%、召回率为97.46%、F1值为0.976,分别比YOLO v3网络高6.26个百分点、6.36个百分点和0.063。同时,经过训练的模型在测试集下的平均精度(m AP)为90.75%、检测速度达53 f/s,高于YOLO v3_DarkNet53网络的平均精度88.48%,m AP比YOLO v3_Dark Net53网络提高了2.27个百分点,检测速度比YOLO v3_DarkNet53网络提高了11 f/s。研究结果表明,本文提出的Des-YOLO v3网络对野外夜间复杂环境下成熟柑橘的识别具有更强的鲁棒性和更高的检测精度,为柑橘采摘机器人的视觉识别提供了技术支持。

摘要：利用机器视觉实现自然环境下成熟荔枝的识别,对农业采摘机器人的研究与发展具有重要意义。本文首先设计了夜间图像采集的视觉系统,然后选取了白天和夜间两种自然环境下采集荔枝图像,分析了同一串荔枝在白天自然光照与夜间LED光照下的颜色数据,确定了YIQ颜色模型进行夜间荔枝果实识别的可行性。首先选择夜间荔枝图像的I分量图,利用Otsu算法分割图像去除背景,然后使用模糊C均值聚类算法分割果实和果梗图像,得到荔枝果实图像;再利用Hough圆拟合方法检测出图像中的各个荔枝果实。荔枝识别试验结果表明:夜间荔枝图像识别的正确率为95.3%,识别算法运行的平均时间为0.46 s。研究表明,该算法对夜间荔枝的识别有较好的准确性和实时性,为荔枝采摘机器人的视觉定位方法提供了技术支持。

摘要：利用基于深度学习的视觉检测技术对夜间自然环境下成熟柑橘进行识别与表征缺陷检测,从而实现柑橘的产量估计与生长期品质监测,对柑橘果园的生产智能化管理有重要意义。本研究利用YOLO v4深度学习模型,进行夜间树上柑橘表征的视觉检测。首先设计了多光源结合的视觉系统进行夜间树上柑橘图像采集,对采集的柑橘图像进行人工标记,建立夜间柑橘图像的训练集和测试集,通过试验确定训练模型的批处理量和初始学习率,并在训练模型时根据训练次数逐渐降低学习率,最终训练模型在测试集的准确率为95.32%。通过设计的夜间柑橘视觉检测试验结果表明:本研究采用的YOLO v4模型检测方法在柑橘测试集上的精确率、召回率、F 1值以及mAP(mean average precision)值分别为95.32%、94.59%、0.95和90.52%,相比Faster R-CNN,YOLO v4模型检测方法精确率和召回率分别提高了5.14%和6.16%,同时检测速度明显快于Fater R-CNN,表明该方法对夜间自然环境树上柑橘的识别和缺陷检测有较好的准确性和实时性,满足室外夜间环境柑橘荧光缺陷检测的精确性要求,可为农业智能化生产中果蔬产量的估计提供技术支持。

摘要：为解决夜间场景下苹果采摘机器人分割果实与背景的问题,在分析果实自身颜色特性的基础上设计了一种基于遗传算法和阈值分割的苹果识别方法。所提出的方法分为图像采集及图像分割两个阶段。图像采集阶段,选用白炽灯照明以获取夜间图像。在图像分割阶段,利用幂次变换改进R-G色差阈值分割法,引入遗传算法对最大类间方差求解进行优化,从而提高色差分割阈值法的算法效率。为验证算法性能,定义F值作为衡量果实颜色特征的指标。实验结果表明,与OTSU动态阈值分割法相比,文中的算法在识别准确率和识别速度均表现出较好的优越性,在保证准确率的基础上,识别速度更快。当F≥90%时,识别速度提高了12%;当85%≤F<90%,准确率提高了8%,识别速度提高了13%。