基于Faster R-CNN的灵武长枣图像检测方法

基于机器视觉技术自动采摘地方特色林果灵武长枣时,自然变化的环境会极大地影响检测的准确率。为适应时时变化的自然环境,提出基于双损失函数的区域卷积神经网络（Faster R-CNN）集成学习模型。建立图像数据集,包括训练集和测试集;根据特征搭建Faster R-CNN模型,在RPN层利用softmax作为基础分类器得到感兴趣区域;以此为特征图再结合一层损失函数,分别利用Large Marge Softmax Loss（L-softmax）、Angular Softmax Loss（A-softmax）做损失计算,取各类最大值;加载训练集进行图像训练得到检测器,将已训练好的检测器通过测试集得出结果图像,完成图像检测。同单一损失函数网络、标准的ResNet101以及ResNet50网络结构进行对比,该图像检测网络方法的精确率为0.982 6,召回率为0.921 3,平均精度为0.9。     

基于几何特征的灵武长枣图像分割算法

智能采摘机器人在采摘灵武长枣果实时，其视觉系统采集的目标图像中，目标在自然场景下存在粘连、遮挡、重叠、阴影等问题，造成在图像目标识别时的误识对象问题，这对智能采摘是极其不利的。针对这一问题，提出了一种基于几何特征的灵武长枣图像分割的算法。根据灵武长枣的外形接近椭圆的特征，通过大量统计灵武长枣果实的外形特征数据，建立基于灵武长枣外形的几何模型。通过一系列图像预处理获得二值图像，再利用形态学变换进行连续腐蚀得到目标物的相对质心点位并标记，以确定目标物个数。以标记的质心作为模型的中心，在变换后的二值图像中建立该几何模型，利用所建立模型的边界曲线拟合出灵武长枣图像中目标物的分割线，从而实现灵武长枣图像的分割。实验结果表明，该方法能够简便快捷地解决图像目标物之间的粘连、阴影问题，并能保证高准确率。对于果实粘连较轻的图像，其分割准确率可达到92.31%。     

新型球面圆弧锥齿轮啮合原理的研究

通过研究端面圆柱圆弧齿轮的啮合原理,根据渐开线齿轮齿廓啮合基本定理,利用确定传动比的方法推导出端面齿廓为圆弧的球面锥齿轮啮合原理,为后续的球面圆弧锥齿轮的理论研究奠定了基础。     

基于分水岭算法的灵武长枣图像分割方法研究

传统分水岭算法常常会因阈值选择不当而导致图像分割出现各种各样的问题,尤其是过分割问题。在传统分水岭算法的基础上,以灵武长枣图像为研究对象,运用遗传算法对随机选取的阈值进行优化选择;对自然光照环境下的20幅灵武长枣图像,采用改进后的分水岭算法对其进行分割。首先在传统分水岭算法的基础上,利用遗传算法对阈值进行寻优,得到最优的图像分割阈值,再利用最大类间方差法和数学形态学等方法对图像进行后处理,最终得到分割图像,将分割图像与人工分割得到的图像进行比较,分割的正确率能达到89.99%,且分割效果远远优于传统分水岭算法。实验表明,该方法能够得到最优分割阈值并且能够满足机器识别对图像分割的要求。