基于机器视觉的火龙果自动分级系统设计

针对目前水果机械化分级效率低、效果差的现状和机器视觉技术在水果分级检测的应用前景,提出了利用机器视觉的技术对火龙果进行分级的方法。通过利用CCD摄像机和DSP处理器对火龙果进行缺陷检测及大小和色度的分级。试验结果表明:基于机器视觉的火龙果自动分级系统可以高效率、高准确率地实现对火龙果的自动分级,为后续产业化机器视觉水果分级系统提供了技术支持。     

机器视觉技术在水果采摘机器人中的应用

近年来,学术界展开了将图像处理技术运用到水果机器人采摘过程中的研究,把图像处理技术和机器视觉技术结合运用于水果采摘的过程,可以实现自动化和智能化的采摘,对于降低劳动强度和提高采摘效率具有极其重要的意义。对此,文章主要分析了机器视觉技术在水果采摘机器人中的应用成果,并对机器视觉技术研究方向进行了展望。     

基于机器视觉和光谱技术水果分级的研究进展

机器视觉和光谱技术广泛应用于农业机械化领域,对推动农业智能化发展起着至关重要的作用。针对机器视觉在水果分级方面的应用现状,从研究对象的选取、检测分级特性指标以及检测方法的选择、机械装置及生产线开发3方面综述了研究的进展和存在的问题,并预测了相关的发展趋势,为机器视觉技术在农业中的应用提供了参考。     

水果表面缺陷检测研究——基于NI Vision Assistant和IMAQ Vision

以NI公司的LabVIEW编程系统为程序的开发平台,并结合其视觉处理软件包IMAQ Vision和NI VisionAssistant,对水果图像进行采集和处理。根据水果图像的特征,采用的算法包括图像灰度拉伸、图像滤波和边缘检测等。经实验证明,采用该机器视觉技术可以准确实现水果表面缺陷检测工作,检测的精度高,为以后在线检测系统的开发提供了重要的依据。     

机器视觉在农产品物流分级检测中的应用

综述了近些年国内外机器视觉技术在农产品品质分级检测中的研究进展,选取水果、谷物籽粒、家畜、家禽和蔬菜为代表,重点阐述了机器视觉技术针对这些农产品特征进行分级检测的方法以及成果。同时,总结了目前机器视觉技术应用于农产品物流分级检测的不足之处,展望了未来的发展趋势。     

水果病害视觉与光谱检测技术研究现状及展望

水果病害是影响果树健康生长、果实品质和产量的重要因素之一,及时、精准地掌握果树的病害信息并进行精准施药管控,对防范果园重大病害的发生和流行,保障水果的稳产优产具有重要意义。随着现代农业朝规模化、智能化和高效率的发展需求,视觉和光谱检测技术因具有无损检测、可规模化和高效率等优点,逐渐发展为检测水果病害的重要技术之一。梳理国内外机器视觉和光谱技术在水果病害检测应用领域的研究进展,介绍图像处理技术有较好的解释性,有利于与植保农艺研究相结合;深度学习技术有较好的精度和泛化性;透射光谱技术可用于检测果实内部病害;反射光谱技术可用于检测果实、叶片表面病害,并实现分级。最后,总结未来机器视觉与光谱检测技术优化和应用的方向,并展望水果病害检测的实际生产应用前景,以期为水果病害检测研究提供参考与借鉴。     

基于类球形亮度变换的水果表面缺陷提取

针对基于机器视觉技术的水果表面缺陷因受到亮度不均影响而提取困难的问题,以阿克苏苹果为研究对象,采用可见-近红外双CCD成像系统,设计了一种无需预先建模的类球形亮度变换方法,对R分量图像进行亮度变换,变换后的图像使整个水果表面正常区域灰度趋于一致,而缺陷区域依然保留为低灰度区,增强了缺陷和正常果皮的对比度,提高了缺陷检测精度.使用共计100个样本评估算法的可行性,其中45个缺陷果的检测精度为93.3％,55个正常果的检测正确率为100％,整体检测精度达到97％.研究结果表明,利用基于类球形亮度变换结合单阈值分割方法提取水果表面缺陷是可行的.     

机器视觉在柑橘分级技术上的研究进展

为了解决水果分选过程中,人工分选费时费力,机械分选可能会刮伤果皮,机器视觉技术用于水果行业分选有着巨大的优势。文章综述了近几年国内外机器视觉技术在水果品质分选行业的分级技术研究现状。目前学术界采用传统图像处理技术研究机器视觉柑橘检测分级方法都是人为设计特征,分选准确率有待提高,近几年深度学习算法在图像处理上表现出了极好的检测效果,该方法不需要人为设计特征,只需要训练足够的样本数据,就可输出想要的结果。针对传统图像处理技术存在的弊端,深度学习算法尤其是卷积神经网络算法（CNN）在柑橘品质检测分级上有着巨大的研究价值。     

机器视觉技术在农业生产中的应用

随着计算机和图像处理技术的发展,机器视觉技术的研究和应用已扩展到农业生产领域,并取得了许多重要研究成果。阐述了机器视觉技术在农业生产各领域(水果的自动分选、种子和粮食品质的检测、农产品异物检测、农田作业机械、植物生长情况监测及动物生产中)的应用,为进一步应用机器视觉技术提供参考。     

黄花梨品质检测机器视觉系统

以黄花梨为研究对象,比较了不同强度光源、不同背景对采集到的图像的影响,研制了一套适用于黄花梨及其他水果品质检测的机器视觉系统。试验结果表明,在白色背景、普通光源照明下,可以获得清晰度较高的图像,为进一步研究黄花梨的尺寸、形状和表面缺陷等的检测创造了条件。     

中国柑橘外部品质机器视觉检测分级技术研究现状与展望

柑橘外部品质是影响消费者采购和决定市场价值的重要因素之一。柑橘颜色、大小、形状和缺陷等外部品质指标的人工检测与分级费时、费力并且主观性强。因检测结果客观性好、自动化程度高,传统机器视觉技术和高光谱视觉技术成为果蔬外部品质检测技术与装备研究的热点。综述了我国机器视觉技术和高光谱视觉技术在柑橘外部品质检测技术与装备的研究现状、面临的挑战和未来发展的方向。      

机器视觉技术在农产品收获和加工自动化中的应用

综述了国外农产品收获和加工自动化方面的研究进展,介绍了国外在识别被叶子遮挡部分重叠的果实、树上果实的全天候识别技术,果实成熟度的检测方式,以及农产品加工中的自动定位、定向、杂质检出和质量控制等方面所取得的研究成果。     

猕猴桃外观尺寸在线检测分级系统设计与试验

目前市场上存在的猕猴桃分级机械主要是针对质量特征进行分级的大型机械,而消费者在购买猕猴桃时往往更注重它的外观品质,且大型设备难以在以农户小规模营销为主的市场环境下得到普及。为了实现猕猴桃外观品质的自动分选,适应广大猕猴桃种植农户的需求,设计了一种基于机器视觉的小型移动式猕猴桃外观尺寸在线检测与分级系统。该系统主要由输送机构、检测机构、分级执行机构和控制系统组成。输送机构采用倾斜式输送带方案,结构简单,便于实现猕猴桃的输送和分级;检测机构采用图像处理的方法得出猕猴桃的大小等级信息;分级执行机构借助猕猴桃的重力与旋转磁铁的开合实现猕猴桃的分离。对样机进行了试制和验证试验,结果表明:该系统的平均分级成功率为96.3%,单个猕猴桃分级时间约为2.5s。该猕猴桃检测分级系统的设计为今后完成多特征指标的融合分级提供了基础和依据。     

机器视觉在农业工程中的应用

从农作物种子筛选与检测、农作物生长过程中信息检测、病虫草害控制、果实无损检测到果实机械化采摘,整个农业生产过程中机器视觉在农业智能化装备上都有巨大的发展空间和市场前景。介绍了图像采集和处理过程中各种视觉传感器和图像分割算法的适用特点和优势,提出现有机器视觉技术在农业工程中应用存在的问题及未来发展方向,为进一步实现精准农业和农业自动化提供借鉴和参考。      

计算机视觉在芒果品质检测中的应用研究

传统的芒果分级采用人工观察和化学分析方法,无法适应产业的发展。随着科学的进步,人们开发出多种无损检测和分级技术以提高水果的市场竞争力,但受检测和分级设备的限制,目前的相关研究都停留在试验阶段。为此,设计了一种基于计算机视觉的芒果品质检测方法,拍摄芒果图像后利用自适应Canny算法获取目标区域的边缘,以大小、颜色和表面缺陷反映芒果的品质,并基于BP神经网络实现对芒果的分级。仿真试验表明:计算机视觉对芒果品质分级的准确率超过93%,处理单张图像平均耗时0.8s,可以用于芒果品质的实时检测和在线分级。     

基于图像处理的玉米种子特征参数提取系统

随着计算机技术的发展,利用机器视觉代替人的视觉对玉米种子进行品种识别和质量检测是必然趋势。在检测中最关键的一步是对玉米种子图像进行有效特征提取,特征参数的有效性或者精度直接关系到种子品种识别的成败。为此,优化了基于机器视觉的玉米种子图像处理策略,提出了比较全面有效的玉米种子特征参数和一种适应玉米种子识别的多对象轮廓提取算法,采用VC++编制了玉米种子特征参数提取系统。经实验验证,本系统能够准确快速地提取玉米种子特征参数,为玉米种子品种识别和质量检测的后期工作奠定了基础。     

果蔬品质劣变传感检测与监测技术研究进展

果蔬在采后贮藏和运输过程中极易发生品质劣变,食用价值降低且造成巨大的经济损失。为保障果蔬品质,减少产后劣变导致的资源浪费,本文综述了果蔬品质劣变传感检测与监测技术最新研究现状,分析了各类检测技术的原理、特点及优缺点。其中,机器视觉可检测果蔬外部品质和表面缺陷,电子鼻可监测果蔬的劣变气味,近红外光谱可检测果蔬内部品质和隐性缺陷,高光谱成像能实现可视化检测果蔬内外品质、监测劣变过程,拉曼光谱可检测果蔬腐败菌及其代谢产物,多技术联用和多信息融合能综合评价果蔬劣变。以各种传感器为感知节点构建物联网监测系统,进而实现果蔬品质劣变信息的智能化实时监测,为解决果蔬加工过程中品质劣变控制技术难题提供参考,对降低果蔬产后的经济损失,推进果蔬产业可持续发展具有重要意义。     

基于机器视觉的葡萄品质无损检测方法研究进展

我国葡萄产量逐年上升,田间葡萄品质检测有益于提高葡萄收获后流入市场的经济效益。传统田间葡萄品质检测主要依靠人工进行破坏性检测,存在经验差异导致的误差。随着深度学习、图像检测技术的发展,基于机器视觉的田间葡萄品质检测克服了传统人工检测的局限性,以快速精准、实时无损检测的优势得到了大量应用。葡萄品种不同,衡量其内、外在品质评级的指标也不同。本文根据葡萄品种与品质评价指标,从品种的机器视觉检测方法、品质的机器视觉检测方法展开,对国内外基于机器视觉技术的田间葡萄品质无损检测相关研究进行系统性分析与总结。总结了不同机器视觉检测方法对葡萄品质指标检测的优缺点,并对田间葡萄品质无损检测研究面临的问题进行了讨论,指出了今后的发展趋势与研究方向。     

马铃薯缺陷透射和反射机器视觉检测方法分析

针对反射机器视觉技术若同时检测马铃薯内外部缺陷存在检测精度不高的问题,提出一种基于透射机器视觉技术的马铃薯内外部缺陷无损检测方法。通过对获取的马铃薯透射和反射图像预处理方法的比较研究,确定上山法结合区域生长法为马铃薯透射和反射图像特征的最优分割方法;采用偏最小二乘-支持向量机分别建立了透射和反射图像的马铃薯缺陷识别模型并进行了比较。在对马铃薯内部缺陷进行检测时,透射和反射图像所建模型的判别正确率分别为96.30%、59.26%;在对马铃薯外部缺陷进行检测时,透射和反射图像所建模型的判别正确率分别为94.20%、89.86%;在对马铃薯内外部缺陷进行同时检测时,透射和反射图像所建模型的判别正确率分别为95.83%、81.25%。研究结果表明,无论是对马铃薯内部或外部缺陷单独进行检测,还是对内外部缺陷同时进行检测,透射方法均比反射方法精度更高。