基于机器视觉的嫁接夹抓取点定位与朝向检测

针对现代农业自动化嫁接机的嫁接过程中,嫁接夹的分拣整理仍然需要使用刚性振动盘或人工参与,整体自动化程度有待提高的问题,提出基于机器视觉的嫁接夹轮廓链特征点定位方法与朝向检测;设计了一种自动化嫁接专用的嫁接夹,采用背光源打光方式,对每个阴影轮廓计算Hu矩,根据Hu矩匹配值进行分类以获得正确的嫁接夹个体轮廓;对每个嫁接夹个体轮廓采用轮廓链角分析方法,获得嫁接夹抓取点的像素位置;根据抓取点位置信息计算朝向角度;实验结果表明,嫁接夹抓取点平均定位误差为2.16个像素,嫁接夹朝向角度检测误差为0.40°;该方法可以准确地对嫁接夹进行视觉检测,对嫁接机的嫁接过程中,嫁接夹的自动分拣方面,具有机器视觉方面的价值。     

基于DeepLabv3+的轻量级电力线语义分割方法

针对电力巡检中传统视觉电力线识别精度不高，现有基于深度学习的电力线分割速度慢的问题，提出一种基于DeepLabv3+的轻量级电力线语义分割方法。首先使用Mobilenetv2替换原始主干网络Xception，并对ASPP模块进行先降维后升维的操作，在不降低模型感受野和分割精度的情况了减少了模型的参数量。使用Focal Loss和Dice Loss组合的损失函数加强了模型对电力线的分割效果，最后采用多尺度特征融合和注意力机制进一步减少了分割结果中的图像噪点。改进的DeepLabv3+相较于原网络分割速度提升了108.65%,mIoU和mPA分别提升了1.58%和2.09%。