上篇圖像檢測與控制技術

第1章常用圖像處理算法001

1.1彩色圖像和灰度圖像001

1.1.1彩色圖像001

1.1.2灰度圖像002

1.1.3HSI顏色變換003

1.1.4C語言函數005

1.2邊緣檢測008

1.2.1邊緣與圖像處理008

1.2.2基於微分的邊緣檢測010

1.2.3基於模板匹配的邊緣檢測011

1.2.4邊緣圖像的二值化處理013

1.2.5C語言函數013

1.3二值化處理016

1.3.1灰度圖像的閾值處理016

1.3.2模態法確定分割閾值017

1.3.3大津(Otsu)法確定分割閾值018

1.3.4基於顏色差分的二值化處理019

1.3.5基於幀間差分的二值化處理022

1.3.6C語言函數024

1.4去噪聲處理027

1.4.1移動平均028

1.4.2中值濾波028

1.4.3二值圖像的去噪聲處理029

1.4.4C語言函數031

1.5幾何參數檢測034

1.5.1二值圖像的特征參數034

1.5.2區域標記036

1.5.3基於特征參數提取物體037

1.5.4基於特征參數消除噪聲038

1.5.5C語言函數039

1.6Hough變換045

1.6.1傳統Hough變換的直線檢測045

1.6.2過已知點Hough變換的直線檢測047

1.6.3Hough變換的曲線檢測048

1.6.4C語言函數049

1.7深度學習054

1.7.1深度學習基本概念054

1.7.2深度學習的常用方法057

1.7.3卷積神經網絡的典型結構066



第2章專業圖像處理繫統069

2.1通用圖像處理繫統ImageSys069

2.1.1繫統簡介069

2.1.2繫統主要功能070

2.1.3繫統開發平臺Sample084

2.2二維運動圖像測量分析繫統MIAS084

2.2.1繫統簡介084

2.2.2繫統主要功能085

2.2.3繫統開發平臺MSSample099

2.3三維運動測量分析繫統MIAS3D099

2.3.1繫統簡介099

2.3.2繫統主要功能100

2.3.3繫統其他功能106



第3章近紅外光譜與高光譜成像107

3.1近紅外光譜107

3.1.1近紅外光譜檢測技術簡介107

3.1.2近紅外光譜檢測工作原理109

3.1.3檢測過程與方法116

3.2高光譜成像119

3.2.1光譜成像技術簡介119

3.2.2高光譜圖像檢測工作原理120

3.2.3檢測過程與方法128

3.3近紅外光譜及高光譜成像數據處理方法132

3.3.1近紅外光譜及高光譜成像數據預處理方法132

3.3.2數據降維及特征變量選擇方法137

3.3.3定性及定量模型的建立方法144



第4章自動控制理論153

4.1控制繫統分析153

4.1.1閉環繫統基本概念153

4.1.2數學模型157

4.1.3時域分析177

4.1.4頻域分析185

4.1.5穩定性與誤差分析194

4.2控制繫統PID控制209

4.2.1PID控制規律209

4.2.2控制參數確定方法216

4.2.3采用MATLAB的PID仿真分析228

4.2.4數字PID的編程方法231

4.3自抗擾控制234

4.3.1自抗擾控制概述234

4.3.2自適應迭代學習ADRC控制239

4.3.3抗擾實驗與結果分析241



下篇應用實例

第5章圖像檢測實例247

5.1車輛尺寸顏色參數實時檢測247

5.1.1項目目標與技術要點247

5.1.2繫統構成方案248

5.1.3繫統檢測方案249

5.1.4車輛進出判斷250

5.1.5車輛邊沿檢測254

5.1.6車輛顏色檢測260

5.1.7檢測流程261

5.1.8繫統影響因素分析262

5.2玉米粒在穗計數263

5.2.1項目目標與技術要點263

5.2.2設備及軟件環境264

5.2.3玉米粒在穗計數流程264

5.3馬鈴藷種藷芽眼識別及點雲模型重構274

5.3.1項目背景與技術要點274

5.3.2馬鈴藷種藷芽眼的圖像識別及定位方法研究275

5.3.3馬鈴藷種藷的點雲模型重構方法及質量預測模型研究285

5.3.4項目研究結論295

5.4蝗蟲圖像識別計數296

5.4.1項目目標與技術要點296

5.4.2蝗蟲圖像的采集297

5.4.3原圖像的調整297

5.4.4靜態圖像內蝗蟲的識別與計數303

5.5基於機器視覺的果樹靶標識別314

5.5.1項目目標與技術要點314

5.5.2繫統組成與總體檢測流程315

5.5.3靶標果樹的圖像處理方案316

5.5.4靶標果樹冠層特征提取324

5.6苗草圖像識別325

5.6.1項目背景與目標325

5.6.2苗期除草工況下的快速作物識別326

5.6.3雙目立體視覺花椰菜識別算法332



第6章近紅外光譜與高光譜成像技術應用實例341

6.1蘋果糖度的近紅外光譜檢測方法341

6.1.1項目目標與技術要點341

6.1.2靜態檢測裝置設計方案341

6.1.3蘋果樣品的準備與檢測344

6.1.4靜態采集數據分析347

6.1.5在線動態檢測繫統的搭建349

6.1.6在線檢測繫統試驗驗證351

6.2小麥葉片葉綠素含量的高光譜成像檢測方法353

6.2.1項目目標與技術要點353

6.2.2高光譜成像繫統搭建353

6.2.3試驗材料準備354

6.2.4小麥葉片數據采集354

6.2.5數據處理與分析354

6.3異質雞肉的近紅外光譜檢測鋻別研究358

6.3.1項目目標與技術要點358

6.3.2試驗材料與方法358

6.3.3PSE、DFD與正常雞肉的近紅外光譜檢測鋻別361

6.3.4全光譜分析及特征波長選擇363

6.3.5不同波段範圍多光譜模型建立及評價365

6.4豬肉細菌總數的高光譜成像檢測366

6.4.1研究目標與技術要點366

6.4.2高光譜成像繫統搭建366

6.4.3試驗材料準備367

6.4.4豬肉樣品的檢測367

6.4.5目標區域光譜提取與預處理368

6.4.6豬肉表面TVC預測模型建立與分析369

6.5霉菌單菌落的生長光學特征分析及種類判別371

6.5.1試驗材料與試驗過程371

6.5.2霉菌單菌落的生長特征分析373

6.5.3霉菌單菌落同心環形生長區的特征376

6.5.4霉菌單菌落種類的判別模型建立381

6.6可見/近紅外高光譜圖像無損鋻別八角茴香與偽品莽草384

6.6.1材料與方法384

6.6.2結果與分析386

6.6.3與常規圖像處理方法的比較388

6.7基於高光譜成像技術的生鮮雞肉糜中大豆蛋白含量檢測391

6.7.1材料與方法391

6.7.2結果與分析393

6.8釀酒葡萄成熟度光譜圖像檢測400

6.8.1釀酒葡萄多光譜圖像采集400

6.8.2釀酒葡萄成熟度檢測指標與傳統方法402

6.8.3多光譜圖像處理與指標選擇403

6.8.4多光譜圖像R分量與葡萄成熟度的關繫模型406



第7章圖像檢測與控制實例408

7.1農田視覺檢測與導航繫統408

7.1.1項目目標與準備工作408

7.1.2插秧環境導航線檢測409

7.1.3水田管理機器人導航路線檢測417

7.1.4旱田作業機器人導航路線檢測421

7.1.5農田作業視覺導航繫統426

7.2玉米種粒圖像精選及定向定位裝置429

7.2.1項目目標429

7.2.2種粒動態圖像精選裝置結構與工作原理430

7.2.3吹除裝置設計431

7.2.4種粒合格性動態檢測方法432

7.2.5圖像檢測算法435

7.2.6試驗結果分析438

7.3基於鷹眼視覺的仿生無人機避障控制442

7.3.1研究背景與目標442

7.3.2避障控制與動態路徑規劃方法442

7.3.3試驗與分析450

7.3.4結論454

7.4谷物聯合收割機視覺導航455

7.4.1項目背景與目標455

7.4.2聯合收割機視覺導航繫統總體方案455

7.4.3聯合收割機視覺導航繫統平臺設計457

7.4.4聯合收割機視覺導航圖像處理算法研究460

7.4.5聯合收割機視覺導航繫統路徑識別算法研究466

7.4.6聯合收割機視覺導航繫統試驗472

7.5穴盤苗圖像識別與補栽控制478

7.5.1項目背景與技術要點478

7.5.2圖像采集與預處理479

7.5.3基於深度卷積神經網絡的穴盤缺苗識別480

7.5.4穴盤苗抓取角度檢測484

7.5.5穴盤補栽控制方法488

7.5.6研究結論492



參考文獻494

智能裝備是指具有感知、分析、推理、決策、控制功能的裝備。《中國制造2025》明確了未來中國制造業的發展方向：以智能制造為主線，推動中國制造業在生產效率和產品質量方面的提升，從而降低生產成本，增強產品競爭力。智能裝備制造業是將人工智能、自動化等先進制造技術應用於整個制造業生產加工過程，從而實現生產的精密化、自動化、信息化、柔性化、圖形化、智能化、可視化、多媒體化、集成化和網絡化。

本書的目的是介紹智能裝備的核心技術——圖像檢測與控制技術及其應用實例，為智能裝備的開發提供技術思路和方案參考。

上篇“圖像檢測與控制技術”，主要介紹智能裝備中常用的圖像處理算法及專業圖像處理繫統、近紅外光譜與高光譜成像和自動控制理論。

在常用圖像處理算法裡，主要介紹：（1）彩色圖像和灰度圖像的概念、HIS變換以及相關的C語言函數；（2）邊緣檢測的基本原理、各種檢測算子、處理例圖及C語言函數；（3）灰度圖像的閾值處理、模態法確定閾值、大津法確定閾值、顏色差分二值化處理、幀間差分二值化處理以及相關C語言函數；（4）去噪聲處理的移動平均、中值濾波、二值圖像的去噪聲處理以及相關C語言函數；（5）二值圖像的特征參數、區域標記、特征提取與去噪及相關C語言函數；（6）一般Hough變換和過已知點Hough變換的直線檢測以及相關C語言函數；（7）深度學習的發展歷程、常用方法和典型結構，深度學習擅長圖像分類，由於算法較多且更新快，所以沒有介紹相關函數。在專業圖像處理繫統裡，介紹了國產的圖像處理專業軟件：通用圖像處理繫統ImageSys、二維運動圖像測量分析繫統MIAS和三維運動圖像測量分析繫統MIAS3D。

在近紅外光譜與高光譜成像技術和理論基礎方面，主要介紹：（1）近紅外光譜技術的優點和適用性、檢測工作原理、檢測繫統的構成與常用數據分析軟件、檢測過程以及光譜數據分析流程；（2）高光譜成像技術的優越性、檢測工作原理、成像光譜儀的光譜成像方式、高光譜的數據表達，高光譜繫統構成與常用數據分析軟件、檢測過程、數據采集存儲與分析流程；（3）近紅外光譜及高光譜成像共性和個性的數據統計分析方法，包括數據預處理、數據降維及特征變量選擇、定性模型和定量模型的建立，以及模型性能驗證與評價等。

自動控制理論部分，介紹了：（1）控制理論的閉環繫統基本概念、數學模型建立、時域分析、頻域分析、穩定性和誤差分析、基於MATLAB的仿真分析方法；（2）控制繫統PID控制主要介紹PID控制規律及參數確定方法、基於MATLAB的PID仿真分析及數字PID編程方法；（3）自抗擾及自適應迭代學習ADRC控制原理，結合四旋翼無人機動力學模型介紹自抗擾及間接型迭代學習ADRC控制器的設計方法，並基於四旋翼無人機平臺進行抗擾實驗。

下篇“應用實例”，從圖像檢測實例、近紅外光譜與高光譜成像技術應用實例、圖像檢測與控制實例3個方面進行講解。

圖像檢測實例，介紹了：（1）車輛尺寸顏色圖像檢測；（2）玉米粒在穗圖像識別計數；（3）馬鈴藷種藷芽眼識別及點雲模型重構方法；（4）蝗蟲圖像識別計數等裝備；（5）基於機器視覺的果樹靶標識別；（6）苗草圖像識別。

在近紅外光譜與高光譜成像技術應用實例中，介紹了編寫組近年來涉及的農產品和食品品質安全、大田作物營養狀態監測和微生物檢測等的繫列研究成果，包括：（1）蘋果糖度的近紅外光譜檢測方法；（2）小麥葉片葉綠素含量的高光譜成像檢測方法；（3）異質雞肉的近紅外光譜檢測鋻別研究；（4）豬肉細菌總數的高光譜成像檢測；（5）霉菌單菌落的生長光學特征分析及種類判別；（6）可見/近紅外高光譜圖像無損鋻別八角茴香與偽品莽草；（7）基於高光譜成像技術的生鮮雞肉糜中大豆蛋白含量檢測；（8）釀酒葡萄成熟度光譜圖像檢測。

在圖像檢測與控制實例中，介紹了：（1）農田視覺檢測與導航繫統；（2）玉米種粒圖像精選及定向定位裝置；（3）基於鷹眼視覺的仿生無人機避障控制；（4）谷物聯合收割機視覺導航控制；（5）穴盤苗圖像識別與補栽控制。

本書由中國農業大學工學院譚彧、陳兵旗、王偉、呂昊暾、陳建、鄭永軍、張春龍、楊聖慧，華南農業大學工程學院付函，湖北民族大學新材料與機電工程學院田芳，廣西科技大學機械與交通工程學院張成濤，南華大學機械工程學院肖章共同完成。譚彧、陳兵旗任主編，王偉任副主編。每位作者撰寫自己專業特長的內容，使得本書能夠比較全面地涵蓋智能裝備的技術理論和應用實例。其中，陳兵旗編寫第1章、第2章、第5章5.1節和5.2節、第7章7.1節和7.2節；王偉編寫第3章、第6章6.1～6.7節，褚璇、賈貝貝協助進行編校工作；譚彧編寫第4章4.1節；呂昊暾編寫第4章4.2節；陳建編寫第4章4.3節、第7章7.3節；田芳編寫第5章5.3節；鄭永軍編寫第5章5.4節；付函編寫第5章5.5節；張春龍編寫第5章5.6節；楊聖慧編寫第6章6.8節；張成濤編寫第7章7.4節；肖章編寫第7章7.5節。全書的總體編排與審校由譚彧完成。

由於作者水平所限，書中疏漏在所難免，敬請廣大專家和讀者批評指正。



譚彧