基于图像处理的大米粒形检测技术研究

传统的大米颗粒检测的方法存在一定的局限性,尝试应用计算机图像处理技术来直接获得大米颗粒的信息.首先对获取的大米图像进行增强处理,在此基础上,研究几种不同的边缘检测算子来实现对大米粒形的检测并比较其结果.实验结果表明,Canny算子对大米粒形检测效果良好,该方法用于大米粒形的识别时对大米的判定正确率较高.     

粘连大米的碎米率检测技术研究

碎米率是衡量大米的外观品质的一个重要指标。在使用机器视觉技术自动检测碎米率的过程中,大米籽粒粘连的情况常常不可避免。为了分割出单颗大米,提出了一种改进的、基于形态学重建处理的标记分水岭算法,可在分割出的单粒大米的基础上,确定大米的数量,并利用外接矩形来确定米粒的长度,从而检测出碎米率。实验结果表明,在大米粘连程度及含有的碎米量不同的情况下,此方法都具有比较高的检测精度。     

稻米粒型特性参数测试系统的开发

针对优质稻米品质国标参数检测的实际需要,在设计稻米图像采集装置的基础上,给出一种基于嵌入式的稻米粒型特性参数测试方法。系统以基于ARM内核的S3C2410为硬件开发平台,以linux系统为软件开发平台,采用USB数字摄像头,结合图像处理与模式识别技术,利用大津法对图像进行阈值分割,通过边缘检测和最大距离方法获得稻米粒型国标参数,测试误差不超过1%。该系统为稻米国标参数的现场测试奠定了基础。     

基于Matlab/Simulink的粘连玉米种子图像边缘检测

为解决粘连玉米种子图像边缘快速检测的问题,提出一种基于Matlab/Simulink的仿真检测方法。利用Matlab/Simulink软件快速搭建仿真平台,并对粘连玉米种子图像进行滤波和边缘检测算法联合图像处理方法的仿真研究。实验发现,基于Matlab/Simulink的粘连玉米种子图像边缘检测较其他检测方法具有较强的实用性以及灵活性,有利于快速搭建粘连玉米种子图像的实时处理仿真平台。     

基于形状特征的大米虫蚀粒检测方法

虫蚀严重影响大米的品质。目前一般使用目测方法检测虫蚀粒,人为因素太多。为此,给出一种基于形状特征的检测方法。首先,对虫蚀米粒图像按Freeman链码方向提取边缘点坐标;然后,求这些相邻点坐标的向量夹角,对得到的夹角数据进行分析,分别求出其均值、方差、三阶矩和熵值等特征;最后,利用这些特征值,运用Fisher分类器识别出虫蚀粒。实验表明,大米虫蚀粒的正确识别率为95.65%。     

基于高光谱图像技术的大米垩白检测

以大米为研究对象,初步探讨了应用高光谱图像技术检测大米垩白的方法.采集大米400～1000nm范围的高光谱图像,应用主成分分析方法(PCA)获得主成分图像,根据第一主成分图像(PC-1)中各波长的权重,选出权重值最大的波长.在以这个波长为中心寻找可以检测大米垩白的最佳波长.然后经过适当的图像处理方法对大米的垩白进行检测.检测结果表明,高光谱技术对检测大米的外观品质是可行的.     

基于几何形态学与迭代随机圆的番茄识别方法

为解决番茄采摘机器人作业过程中果实识别不准确的问题,提出一种基于几何形态学和迭代随机圆相结合的目标提取算法,该算法可对图像中粘连的果实进行有效分割与识别。首先,以串收番茄佳西娜为研究对象,使用RGB相机采集图像;其次,对图像进行Canny边缘检测操作,获得果实边缘轮廓点;然后,对果实边缘轮廓点进行基于几何形态学的处理,获得果实轮廓点;最后,对果实轮廓点分组处理后,进行迭代随机圆的处理,得到果实识别结果。对该算法的正确率和准确率进行了验证,结果表明,果实识别正确率为85. 1%,果实识别准确率为79. 1%,此算法在一定程度上解决了复杂环境下多个果实粘连或被少量遮挡情况下的果实分割问题。     

基于DM642的农产品图像边缘检测系统设计

基于DM642和CPLD架构实现农产品图像的采集与处理,并利用Canny算子检测农产品图像边缘信息。针对农产品种类丰富、外形多样、边缘信息复杂且图像在采集过程中容易受到外界因素影响的特点,采用一种新的调试技术,将Matlab和DSP两者结合起来,充分利用两者特长,在线调节Canny算子阈值,简化系统开发的分析、调试和验证过程,并使系统具有更强的通用性,满足不同农产品边缘检测需要。     

基于计算机视觉的大米外观品质检测

开发了一套基于计算机视觉技术的稻谷品质检测系统，采用灰度变换、自动阈值分割、区域标记等方法从采集的稻米群体图像中提取单体米粒图像，对单体米粒的裂纹、垩白特征进行了统计和检测方法研究。提取了米粒的面积、周长等10个特征参数作为整精米检测特征，并进行了主成分分析，确定了判别整精米的优化阈值。检测试验结果表明：裂纹米粒识别的准确率为96．41％；垩白米粒识别的准确率为94．79％；整精米识别的准确率为96.20%。     

基于图像处理的雾滴检测技术

通过模拟田间实际喷雾情况,利用图像采集系统采集雾滴图像,对其进行增强和分割等预处理,并对粘连雾滴提出用改进的分离粘连雾滴算法进行了分离处理.基于相同样本,用图像处理方法获得的雾滴粒径分布及覆盖率等参数与激光粒度仪测量结果的对比分析表明,利用图像处理技术检测雾滴分布参数,其测量误差在6%以内.     

苹果采摘机器人夜间识别方法

提出了一种适用于苹果采摘机器人夜间识别的方法。在图像采集阶段,通过对比不同光源的照明效果,选用白炽灯作为照明光源并采用2盏白炽灯从不同角度照明的方式削弱图像中的阴影。在图像分割阶段,对比白天图像的分割方法,提出改进R-G色差分割法。此外针对夜间图像中的高亮反光区,采用二次分割的方法提取出水果表面的高亮反光区以此对分割后的图像进行修补,以得到完整的分割结果。经统计不考虑果实的遮挡和粘连,夜间苹果正确识别率达到83.7%。     

近色背景中树上绿色苹果识别方法

为实现大型果园生产中果实产量监控和预测,研究了基于机器视觉的树上绿色苹果识别方法。为彩色相机配备一环形闪光灯用于夜间苹果树的图像采集,设计了以归一化的g分量和HSV颜色空间中H、S分量为特征参数的支持向量机(SVM)分类器和以超绿算子(2G-R-B)为特征的阈值分类器组合而成的混合分类器,实现了绿色苹果在近色背景中的有效识别;针对识别结果中的果实粘连情况,通过计算区域面积以及区域长、短轴之比,识别粘连区域,并对粘连果实区域图像进行欧氏距离变换,进而针对粘连区域距离变换图像采用分水岭算法进行分割,可将大部分粘连果实分开,并最终实现近色背景中绿色苹果的识别与计数。通过对64幅果树图像实验表明,该方法平均识别正确率为89.30%。     

基于图像边缘检测的水稻粒型分析研究

随着生活水平的提高,稻米产业目标从解决温饱问题开始转向改善稻米品质。在外观性状中,粒型与稻米品质的关系最为紧密,是品质育种的重要参考。水稻粒型由稻米长度和宽度计算获得,传统的粒长和粒宽测量方法难以满足实际需求。作为机器视觉分析方法的一个分支,图像边缘检测能够对不同外观特性的农产品进行检测。为此,基于图像边缘检测技术分析了水稻的粒型,对稻米图像进行阈值分割和去除噪音,然后利用自适应Canny算法检测获得稻米的边缘,并以最小外接矩形反映完整稻米的长度和宽度,计算得到长宽比。试验结果表明:边缘检测获得的稻米粒长和粒宽变异系数更小,长宽比也更接近于标准值,具有良好的稳定性和准确性,可以为水稻的品质育种提供技术支持。     

基于CMOS图像传感器的AFTB1大米筛查技术研究

被AFTB1污染的大米具有强烈的致癌作用,会损害人们的身体健康。快速有效地筛查出被AFTB1污染的大米是保证食品安全和身体健康的有效措施,可以促进贸易交流和社会经济的发展。为此,分析了AFTB1的荧光特性,以紫外光LED作为激发光源,采用CMOS图像传感器采集荧光,使用单片机进行数据处理和控制,设计出AFTB1筛查系统。试验结果表明:AFTB1筛查系统具有较高的灵敏度和精度,可以快速有效地筛查出被AFTB1污染的大米。     

基于凹点分析法的粘连鸡体分割方法研究

针对鸡体之间存在相互粘连问题,以散养绿壳蛋鸡为研究对象,提出一种基于凹点分析法的粘连鸡体分割新方法,该方法在不同的颜色空间下使用最大类间方差法(Maximum Between-Class Variance,OTSU)结合形态学运算,对采集的视频图像进行图像预处理后,通过分析粘连区域的凸缺陷轮廓,使用正方形模板确定凹点位置,然后对凹点进行随机匹配确定正确的凹点匹配方式,最终实现粘连鸡体的分割。对不同数量的粘连鸡体分割试验结果表明,该方法实现了2~4只粘连鸡体的分割,平均分割准确率为92.8%,平均运行时间为2.817 s,并对比极限腐蚀结合凹点搜寻方法、分水岭分割方法,两种方法的平均分割准确率分别为63.4%、71.6%,该文方法提高粘连鸡体分割准确率;对真实养殖环境下粘连鸡群的分割试验结果表明,该方法对复杂粘连鸡群实现了较好的分割。该方法可以为后续监控鸡群个体健康状况提供技术支持。     

基于形色筛选的苹果园羽化害虫粘连图像分割方法

针对苹果园害虫识别过程中的粘连问题,提出了一种基于形色筛选的害虫粘连图像分割方法。首先,采集苹果园害虫图像,聚焦于羽化害虫。害虫在羽化过程中已完成大部分生长发育,其外部形态、颜色、纹理更为稳定显著。因此,基于不同种类害虫的形色特征信息分析,来获取害虫HSV分割阈值和模板轮廓。其次,利用形状因子判定分割粘连区域,通过颜色分割法和轮廓定位分割法来实现非种间与种间粘连害虫的分割。最后,对采集的苹果园害虫图像进行了试验分析,采用基于形色筛选的分割法对单个害虫进行分割,结果表明,本文方法的平均分割率、平均分割错误率和平均分割有效率分别为101%、3.14%和96.86%,分割效果优于传统图像分割方法。此外,通过预定义的颜色阈值,本文方法实现了棉铃虫、桃蛀螟与玉米螟的精准分类,平均分类准确率分别为97.77%、96.75%与96.83%。同时,以Mask R-CNN模型作为识别模型,平均识别精度作为评价指标,分别对已用本文方法和未用本文方法分割的害虫图像进行识别试验。结果表明,已用本文方法分割的棉铃虫、桃蛀螟和玉米螟害虫图像平均识别精度分别为96.55%、94.80%与95.51%,平均识别精度分别提高16.42、16.59、16.46个百分点。这表明该方法可为果园害虫精准识别提供理论和方法基础。     

玉米果穗粘连籽粒图像分割方法

为了对基于图像的玉米果穗穗粒数进行更精确的计算,给出了一种新的粘连籽粒图像分割方法。对粘连二值图像进行轮廓平滑和欧氏距离变换,将粘连籽粒的距离变换图视为地形学上的地形图,以地形图中的山谷线作为粘连二值图像的分割线。将欧氏距离变换图像的边界像素点视作水源点,根据山谷形态两边高、中间低的地形趋势设定水流的行进规则,使得水流在遇到山坡时自动绕行,但在遇到谷口点时可沿山谷线流动,从而将粘连籽粒分割开。该方法对单个未粘连籽粒不产生影响,不必在分割操作前依靠人工设定阈值进行籽粒是否粘连的判断,可以作为籽粒是否存在粘连的判断方法。用该方法对442个含不同粘连情况的籽粒连通分量进行判断与分割测试,粘连判断准确率为99.7%,粘连籽粒的分割准确率为94.9%。     

智能大米色选机的选购与维护

<正>大米品质的高低是消费者选购的重要指标之一,对大米生产企业来说,如何剔除变质发霉的黑米粒、黄粒米和小玻璃、煤渣等杂质,提高大米的品质是一项重要的事情。智能大米色选机能够有效地剔除等异色米粒和杂质,然而对中小企业来     

利用骨架特征信息的粘连谷粒图像分割方法

针对长宽比大的粘连谷粒图像精确分割问题,提出利用图像骨架粘连点位姿信息的粘连谷粒图像分割方法,相比常规分水岭算法提高了准确性和可靠性。在图像平滑、二值化的基础上提取谷粒的骨架信息,采用SPT算子定位骨架粘连点位姿并进行粘连点延展闭合。针对不同粘连程度的谷粒图像,将本文算法与传统分水岭算法进行了对比测试,结果表明本文算法对于复杂粘连情况具有较强的适应性。当谷粒为长宽比在1.5以内的大豆和玉米时,本文方法和分水岭算法效果类似。然而,当谷粒长宽比大于1.5,分水岭算法出现大量欠分割和过分割现象,识别错误率达到75%,本文算法依然可控制在10%以内。     

基于机器视觉的荞麦剥壳性能参数在线检测方法

针对荞麦剥壳时不能随原料种类变化而适时调整砂盘间隙和转速的问题,提出一种基于机器视觉的荞麦剥壳性能参数在线检测方法,为荞麦剥壳机自适应最优控制提供数据反馈。采集快速滑落的荞麦剥出物图像,使用带二阶拉普拉斯修正项的边缘自适应插值算法对图像插值重建;对重建的浅蓝色背景荞麦剥出物图像N(B-R)灰度变换之后进行背景分割;生成距离骨架图像并对其邻域极大值滤波提取种子点,使用分水岭算法对种子点标记后的距离图像进行粘连分割;采用交互式方法标注已粘连分割的荞麦籽粒,然后使用已标注的荞麦籽粒训练BP神经网络。在线试验中,处理和识别一幅包含897个籽粒的1 824像素×1 368像素图像耗时4. 79 s。未剥壳荞麦、整米和碎米的正确识别率分别为99. 7%、97. 2%和92. 6%。结果表明,本文在线检测方法得到的出米率能够反映荞麦剥壳机组的剥壳性能,可为荞麦剥壳加工的自适应最优控制和智能化提供有效基础数据。