基于改进的粒子群多阈值算法的白色异性纤维检测

为了提高皮棉中白色异性纤维的识别精度,该文提出了一种基于改进混沌粒子群的白色异性纤维检测算法,该算法将图像的像素点按灰度值分为多类,把所有相邻类间方差看做一个粒子种群,以最大类间方差组作为种群适应度评价函数。通过滑动窗口技术判断算法是否陷入局部最优。有效克服了标准粒子群算法容易陷入局部最优的缺陷。通过试验验证,该文提出的算法对白色异性纤维的识别准确率达到98.6%。通过与标准二维Otsu算法的对比分割试验发现在分割较细小的白色异性纤维以及白色纤维与皮棉发生重叠的情况时,该算法的分割结果比标准二维Otsu算法更准确,噪声点更少。为皮棉异性纤维检测与剔除工艺的改善提供了技术依据。     

棉花异性纤维图像在线分割方法

图像分割是基于机器视觉检测棉花中异性纤维含量的关键技术。棉花图像的背景（棉花纤维）简单,灰度服从正态分布,目标（异性纤维）一般都比背景暗,但是细小且灰度分布方差大。该文有针对性地提出一种背景估计阈值BET（Background Estimation Thresholding）方法对棉花图像进行分割,并选择3类典型棉花图像样本与Otsu方法进行了对比试验。BET方法能得到更好的分割结果,并且算法速度快,100万次分割耗时仅8.46 s。试验结果表明该方法简单有效,速度快,可应用于大批量棉花异性纤维的实时在线     

基于自适应域值分割与力矩的棉花异性纤维分类方法

为能够准确统计出棉花中所含异性纤维的重量和数目,提出一种机器视觉与图像处理技术,对棉花异性纤维进行检测分类。在提取棉花异性纤维原始图像的基础上,采用灰度处理和滤波技术完成图像的预处理,采用自适应域值技术来完成棉花异性纤维图像分割,在分割出的二值化图像基础上,采用挖空内点法和邻域搜索法进行轮廓提取,提出以异性纤维轮廓的面积与周长平方之比作为力矩,对棉花异性纤维进行分类。通过对300个棉花异性纤维样本图像进行了试验,分类准确率可以达到96%。结果表明该技术和分类力矩可以准确的对棉花异性纤维进行初分类。     

基于Relief F和PSO混合特征选择的面向对象土地利用分类

针对面向对象土地利用分类存在特征维数过高的问题,提出了一种结合Relief F和粒子群优化算法(particle swarm optimization,PSO)的混合特征选择方法,即首先利用Relief F作为特征预选器滤除相关性小的特征,然后以PSO作为搜索算法,以支持向量机(support vector machine,SVM)的分类精度作为评估函数在剩余特征中选择出最优特征子集。该文以吉林省长春市部分区域为研究区,采用Landsat8遥感影像为数据源,首先对其进行多尺度分割,然后提取影像对象的光谱、纹理、形状和空间关系特征,利用提出的混合特征选择方法选取最优特征子集,最后使用SVM分类器对研究区进行土地利用分类,总体分类精度和Kappa系数分别为85.88%和0.8036,与基于4种其他特征选择方法的土地利用分类结果进行比较,基于Relief F和PSO的混合特征选择方法利用最少的特征获得最高的分类精度,能够有效地用于面向对象土地利用分类。     

棉花中白色异性纤维的激光成像快速检测方法

现有的棉花异性纤维分拣机采用可见光照明成像,难以识别棉花中混杂的白色异性纤维。为了有效地检测出与棉花颜色相同或相近的白色异性纤维,该文采用线激光照明成像的方法,在固定线激光功率、波长和相机光圈的条件下,利用不同的曝光时间,获取了12种典型的白色异性纤维与皮棉的图像,分析其成像曝光时间与图像对比度之间的关系,发现不同的关系曲线存在一段共有的最优曝光峰值时间。在此曝光时间内,同一图像中的白色异性纤维已经"过曝",而棉花还处于欠饱和状态。二者图像灰度值的明显差异可用于检测棉花中的白色异性纤维。该文在线激光功率为0.8 W,波长650 nm,相机光圈为8C,曝光时间为1.6 ms的条件下获取了1 500幅图像。试验表明,采用简单的固定阈值法,皮棉中12种典型的白色异性纤维的识别率达到了95.8%。研究结果为提高棉花中白色异性纤维的识别率和速度提供了一条新途径。     

基于线激光与LED的棉花中异性纤维检测方法

激光成像可以检测出皮棉中的白色异性纤维,而深色和有色的异性纤维反光性能差,激光成像难以检测。该文提出了一种基于LED与线激光的双光源一次成像方法,可以检测出各种颜色的异性纤维。试验以白色、深色和浅色共20种典型异性纤维和皮棉作为样本,在相机曝光时间与光圈不变的条件下,逐步改变LED亮度和线激光功率,发现在RGB颜色空间,利用R(红色)通道,白色异性纤维与棉花的可分度随着激光功率的增大而增大,达到峰值之后又逐步减小;在HIS颜色空间,利用S(饱和度)通道,有色异性纤维与棉花的可分度随着LED亮度的增大而增大,达到峰值之后又逐步减小。在此基础上,该文获取了310幅棉花与异性纤维的图像,作出了基于R与S通道的图像可分度、LED亮度与激光功率的对应变化曲线,然后将两种曲线进行融合,在曝光时间106μs、光圈2.8C条件下,发现线激光功率7.01 m W、LED亮度3 326 lx时,白色异性纤维和深色、有色异性纤维与棉花的可分度最大。采用上述双光源成像参数和该文的成像装置获取840幅图像,通过简单的二值化图像分割算法,白色异性纤维的正确识别为84.1%,深色和有色异性纤维正确识别为93.9%,优于单独激光成像或单独LED成像的识别率。     

基于光谱分析的棉花异性纤维最佳波段选择方法

图像采集是基于计算机视觉的棉花异性纤维检测计量系统中的基础环节。为构建有效的图像采集系统以便检测皮棉中的异性纤维并识别其种类,在对棉纤维和异性纤维进行光谱分析的基础上,根据二者的漫反射光谱差异,提出了基于反射差极值分布的最佳检测波段选择方法和基于光谱可区分度的最佳可区分波段选择方法。光谱分析结果表明,紫外波段是带荧光异性纤维的最佳检测波段,可见光波段是带颜色异性纤维的最佳检测波段,而红外波段是塑料薄膜、毛发、羽毛等的最佳检测波段,并初步认定780～1 800 nm的近红外波段为异性纤维间的最佳可区分波段。     

棉花异性纤维中麻绳与羽毛的分类特征

摘要：为准确识别棉花异性纤维中较难识别的羽毛和麻绳异性纤维,采用机器视觉技术,通过图像处理方法采集异性纤维目标,对羽毛和麻绳异性纤维的色彩和纹理特征进行有效的特征提取,形成异性纤维目标的特征向量。再通过一种自底向上的凝聚型层次聚类算法对提取的羽毛和麻绳的色彩与纹理特征进行层次聚类分析,选择最优特征向量。将8个特征向量进行降维分析并比较各维数下的层次聚类效果,试验结果表明,选取红色(R_ave)、绿色(G_ave)、蓝色(B_ave)、能量、熵、惯性矩等6个特征进行层次聚类效果最好,羽毛识别率达到94%,麻绳识别率达到95%, 说明选择的特征向量对这2种异性纤维具有理想的区分性。该研究可为棉花异性纤维的正确识别提供参考。     

棉花中白色异性纤维的线扫描激光成像检测方法

在可见光和紫外光照明条件下,皮棉中白色异性纤维和棉花背景的颜色相近,很难用现有的机器视觉系统或人工方法检测出来。该文以12种典型白色异性纤维为样本,采用线扫描相机,分别在红色激光（波长658 nm）、蓝色激光（波长405 nm）和红外激光（波长850 nm）3种照明条件下,改变激光功率和曝光时间,获取了300幅白色异性纤维与棉花的图像。在此基础上,根据同一图像中目标和背景的平均灰度值计算了图像的对比度,然后作出了不同激光波长、功率、曝光时间和图像对比度之间的关系曲线,最后,在该试验装置的条件下,该文确定了线激光成像的最佳检测波长为658 nm、光功率为55 mW和曝光时间为36 μs,发现采用优化的线激光参数成像,图像中12种白色异性纤维灰度值已经接近饱和而棉花还处于欠饱和状态,"目标"和"背景"的对比度达到最大,利用两者平均灰度值的明显差异可以检测出棉花中的白色异性纤维。试验结果表明,采用优化的线激光成像参数获取730幅棉花图像,利用简单的Prewitt算子边缘检测法和固定阈值的二值化方法对图像进行分割,12种典型白色异性纤维样本的正确识别率分别可达93.7%和92.9%。     

基于改进二维最大类间方差法的白色异性纤维检测算法

白色异性纤维的检测是棉花在线检测中的一个难题。通过对白色异性纤维和皮棉灰度直方图的分析,改进了二维Otsu算法,在计算目标和背景的概率和时考虑了二维灰度直方图副对角线区域的概率和,缩小了二维Otsu算法阈值对的取值范围。经过试验表明,与一维Otsu算法和快速二维Otsu算法相比,改进后的二维Otsu算法的准确性和实时性都得到了有效提高,该算法在实际生产中已经得到了成功的应用。     

电子鼻技术在棉花早期棉铃虫虫害检测中的应用

为了更好地获取棉花虫害信息,该文使用电子鼻和气质联用技术对受到不同数量棉铃虫早期危害的棉花进行检测。基于气质联用技术获得了棉花挥发物的成分和含量,基于电子鼻响应曲线提取了稳定值、面积值、平均微分值、小波能量值和多项式拟合曲线参数值5种特征值,筛选出3种较优单特征:稳定值、平均微分值和面积值,之后基于多特征分别使用多层感知神经网络、径向基函数神经网络和极限学习机3种神经网络方法进行分类分析。最后采用支持向量机回归分别基于3种较优单特征及多特征对危害棉花的棉铃虫数量进行回归预测。结果表明:多特征的分类效果优于单特征,基于多特征“稳定值和平均微分值”和极限学习机分类效果最好,训练集和测试集的分类正确率均达到100%。多特征的预测能力优于单特征,基于多特征“面积值和平均微分值”的回归模型预测效果最佳,训练集回归模型的决定系数(R^2)和均方根误差(RMSE)分别为0.9940和0.0860,测试集回归模型的R^2和RMSE分别为0.9230和0.3709,电子鼻对棉花早期棉铃虫虫害具有较好的区分和预测能力,电子鼻在棉花早期棉铃虫虫害中的检测具有一定的应用潜力。     

纤维红外吸收特性及其在皮棉杂质检测中的应用

皮棉异性纤维杂质检测技术是近几年来国内外研究的难点。为有效检测皮棉中与棉纤维外观极其相似的异性纤维杂质，提出了一种显微近红外成像方法用于检测皮棉中异性纤维。该方法将棉纤维与异性纤维在特定红外波段的吸收特性差别，转化为近红外光谱成像系统中两者的灰度、形态图像特征差别，通过显微光路对图像特征差别放大，利用图像分割技术将异性纤维目标分割出来。试验结果表明，采用显微近红外成像方法捕获的图像中，异性纤维灰度、形态特征明显，其检测结果与实际相符，此方法可有效识别皮棉中异性纤维杂质。     

基于朴素贝叶斯分类器的棉花盲椿象危害等级识别

针对自然条件下棉花盲椿象危害区域提取和危害等级识别难的问题,提出了棉花盲椿象危害等级自动识别方法。该方法以自然条件下采集的不同盲椿象危害等级棉叶图像为对象,利用最大类间方差阈值分割和多颜色分量组合方法进行作物与土壤分离和病斑分割,并利用分水岭分割方法对粘连棉叶进行分离并提取盲椿象危害棉叶区域,提取图像的颜色、纹理和形状特征,结合朴素贝叶斯分类器,依据划分的棉花盲椿象危害等级标准,对盲椿象危害等级进行识别。不同盲椿象危害等级识别试验结果表明:该模型平均识别正确率达90.0%,通过比较试验表明,该模型在识别精度比BP神经网络高2.5%,运行速度比支持向量机高11.7%,可较好的对棉花盲椿象危害等级进行识别,可为棉花盲椿象的防治提供技术支持。