无核白葡萄干机器视觉色泽分级研究

采用机器视觉技术,针对新疆无核白葡萄干的颜色特征进行分级研究,提取HIS颜色图像,采用中值滤波法滤波,采用最大类间方差法分割图像,采用形态学开运算去除二值图像中的伪目标区域,获得最佳二值图像。同时,分析色调灰度直方图和颜色矩均值直方图,确定采用H、S、I分量颜色的一阶矩、二阶矩、三阶矩作为特征值建立BP神经网络的色泽分级模型,分级准确率最高为96.42%。     

基于梯度分布不均匀性的干瘪红枣识别

为了从混合的饱满红枣和干瘪红枣中识别出干瘪红枣,首先分析了颜色空间模型的特性,选择灰度图、RGB颜色空间模型的R分量、L*a*b*颜色空间模型的a*分量,并使用不同的梯度算子作为对比;然后通过形态学运算、逻辑运算去除异常梯度,进行梯度归一化变换;最后采用归一化的梯度直方图作为红枣表面的纹理特征表示方法,并计算其梯度分布不均匀性作为判别准则。利用12通道红枣分选机采集240幅饱满与202幅干瘪红枣图像作为样本图像。实验结果表明,采用简单梯度算子对L*a*b*模型的a*分量提取纹理信息效果最好,误判率为0.83%,正确识别率高达99.01%。     

基于机器视觉的自然环境中猕猴桃识别与特征提取

研究了综合应用果实颜色和形状特征识别自然环境中猕猴桃果实及特征提取的方法.通过对比不同颜色空间,选用R-G色差分量;再采用基于误分割像素的分割评价方法来确定颜色特征nR-G中最佳分割系数n,最终选取0.9R-G颜色特征.利用0tsu法对其进行阈值分割,形态学运算去除掉残余噪声,实现了目标果实区域和背景区域的分割.然后利用Canny算子提取边界,最后对边界图像进行椭圆形Hough变换,逐个识别出目标果实,并提取出果实的形心坐标、长轴端点坐标和长短轴长度等特征信息.对49幅包含110个果实图像进行识别试验,试验结果表明:相互分离果实的识别率为96.9％,邻接果实识别率为92.0％,被枝叶部分遮挡果实识别率为86.6％,重叠的果实识别率为81.6％.     

基于多特征融合相关滤波的运动奶牛目标提取

为实现大规模养殖场内奶牛目标的自动提取,将相关滤波算法融入目标提取基本框架,提出一种相关滤波融合边缘检测的奶牛目标提取(Correlation filtering-edge detection based target extraction, CFED)算法。首先利用颜色名(Color names, CN)、方向梯度直方图 (Histogram of oriented gradient, HOG)设计的相关滤波器获取奶牛目标范围;再利用13个不同方向的边缘滤波模板卷积目标范围图像得到图像边缘,最后融合边缘信息和颜色特征提取出奶牛目标。对奶牛场不同环境下的9段视频进行目标提取试验,结果表明,算法提取的目标与真实结果平均重叠率达到92.93%,较Otsu、K-means聚类、帧间差分法和高斯混合模型(Gaussian mixture model,GMM)分别高35.63、32.84、20.28、14.35个百分点;平均假阳性率和假阴性率分别为5.07%和5.08%,处理每帧图像平均耗时0.70s。该结果表明,提出的CFED算法具有较好的目标检测能力,为奶牛目标准确快速提取提供了一个有效方法。     

黄瓜霜霉病图像预处理方法研究

为了获得适合于提取黄瓜霜霉病病斑的颜色和纹理特征的预处理方法,采用邻域平均法和中值滤波法对黄瓜霜霉病病斑图像进行平滑处理并加以比较.结果表明:邻域平均法作为颜色特征参数提取前的预处理效果较好,中值滤波作为纹理特征参数提取前的预处理效果较好;其次为了有效提取黄瓜霜霉病的病斑形状,分别采用一阶微分和二阶微分对图像进行了边缘检测处理,结果表明一阶微分更适合黄瓜霜霉病斑的形状特征提取.这些研究为进一步的特征参数提取以及最终的病害确定奠定了一定的基础.     

小麦病害图像识别处理及形状特征提取研究

以小麦条锈病为例,研究小麦病害部位的图像获取、处理和特征提取。通过图像灰度映射和反映射变换、非线性直方图均衡处理等方法进行病害图像噪声去除和图像优化;采用迭代阀值分割和微分边缘检测提取小麦病斑部位的形状特征,为农业作物病害诊断信息特征数据库的建立提供基础数据。     

樱桃小番茄腋芽去除点定位方法研究

为实现对樱桃小番茄腋芽去除点的精确定位,用蓝色LED光源对目标植株腋芽部位进行照射染色,区分目标植株与背景,提取获得图像的RGB颜色空间B通道分量,分割后得到完整目标图像;通过快速傅里叶变换(FFT),使用低通滤波器去除毛刺和噪声,保留基本轮廓特征;由形态学膨胀算法突出腋芽两侧特征点,通过ShiTomasi角点检测算法,找到目标图像角点,再经过特征点判别算法,找到特征点,由此判别腋芽存在与否,定位腋芽去除点,最后摘除腋芽。实验结果表明,腋芽识别成功率为93.94%,腋芽摘除成功率为88.9%,能够满足自动去除的要求。     

温室黄瓜果实的模式识别与分割-利用Bayes分类判别模型

利用黄瓜果实与其果梗叶片在颜色深度上的差异,采用在自然背景下的黄瓜图像为训练样本,分别提取出黄瓜果实与背景的RGB颜色分量信息,计算出各自的分类判别函数,利用Bayes分类判别模型对自然背景下的黄瓜果实进行判别。试验表明:利用Bayes模式识别能够较好地实现对成熟黄瓜果实与背景的分离;在识别后对图像进行腐蚀,膨胀,区域标记及特征提取等处理,能够较为准确地提取出成熟黄瓜果实及其重心位置。     

基于视触觉与深度学习的猕猴桃无损硬度检测方法

硬度是确定猕猴桃成熟度的重要指标之一,对其贮藏周期与销售节点均具有重要指导意义。针对现阶段缺乏使用简易、成本低且精度高的猕猴桃无损硬度检测方法的问题,提出了一种基于视触觉与深度学习的猕猴桃硬度检测方法,通过分析柔性触觉传感层与猕猴桃接触时的形变,获取猕猴桃的动态触觉信息,并据此推断其硬度。以树莓派开发板为机电控制平台,制作了猕猴桃视触觉序列图像采集装置,并对装置按压猕猴桃间隔3h后接触面果肉与非接触面果肉的CIELAB颜色分量平均数进行差异显著性检验,随后采集了猕猴桃视触觉序列图像数据集600组,分别搭建了CNN网络、CNN-LSTM迁移学习网络、CNN-LSTM联合学习网络对视触觉序列图像进行分析及硬度预测。研究结果表明,接触面果肉与非接触面果肉颜色L*、a*、b*三通道分量下平均值无显著差异;深度学习模型LSTM引入长时和短时信息可以动态关联CNN提取的单帧图像特征,从而有效推断猕猴桃硬度,其中CNN-LSTM联合学习模型预测效果最优,其均方根误差(RMSE)、平均绝对误差(MAE)、决定系数R2分别为 1.611N、1.360N、0.856,优于现阶段光谱技术检测猕猴桃硬度的结果,随后将模型嵌入树莓派中制作了猕猴桃硬度自动检测装置,可实现短时间内猕猴桃硬度的较为准确检测。因此,结合视触觉传感方法与联合学习模型可以实现对单个猕猴桃硬度的准确无损测量。     

基于Gabor滤波器和SVM结合的中华蜂图像识别方法

为了减少由于光照强度不一、对比度不同的干扰因素对中华蜂图像识别过程带来的困难,提出一种基于Gabor滤波、PCA降维与SVM相结合的蜜蜂图像识别方法。将人工采集的中华蜂图像进行灰度化、归一化处理,并采用Gabor滤波技术对处理后的图片进行图像特征的提取,进一步通过PCA将高维特征向量进行线性降维,最后将图片特征值矩阵分别经过不同核函数的SVM进行分类识别。通过不同核函数的SVM进行对比建模,测试并分析其对于特征提取后中华蜂图像的建模时长、识别准确率及识别图像时长。试验表明,中华蜂的图像经过Gabor特征提取、PCA降维得到的特征矩阵,经过核函数为Sigmoid的SVM时,其识别特性最好。      

基于颜色因子与图像融合的茶叶嫩芽检测方法

针对采茶机器人的茶叶嫩芽识别问题,提出一种基于颜色因子与图像融合的茶叶嫩芽图像检测算法。首先对RGB彩图进行ExG、ExG-ExR,MExG,COM2灰度化处理,并进行灰度图归一化处理;然后选择合适的通道,利用Haar和DB2小波进行多通道图像分解、滤波、融合。获得融合后的灰度图像直方图,对直方图形状进行分析,根据嫩芽老叶的面积比与像素数目比确定图像分割阈值。试验结果表明,此算法能充分利用嫩芽与老叶的颜色差异,很好地检测出茶叶嫩芽,SD,Dice,ER,NR分别为63.005%,60.09%,101.235%,6.515%,性能优于Otsu。     

基于机器视觉的金银花图像识别处理算法研究

运用机器视觉和图像处理的方法可实现金银花的自动化采摘,提高采摘效率.首先通过摄像机对金银花进行图像采集,将采集到的金银花图像进行中值滤波处理,有效消除图中的噪音;然后对金银花图像进行RGB和HSV颜色分割,找出金银花与背景区分最明显的分量B;再对分量B进行阈值分割处理,设定阈值,将金银花从背景中提取出来,运用形态学运算...     

水稻病害图像预处理及其特征提取方法研究

采用计算机数字图像处理技术对水稻病害进行智能识别,并以叶鞘腐败病为例,研究了水稻病害智能识别图像预处理和特征提取的方法。试验中,利用灰度变换和中值滤波法有效去除了噪声,增强了图像;利用不同算子对病害进行边缘检测,准确地提取了病斑的几何特征,实现了病害图像目标分割。这一研究成果为特征参数的提取及最终病害确定打下基础。     

基于非线性尺度空间的图像局部特征的检测与匹配算法研究

本文以图像处理技术在军事中的应用为切入点,探讨了在图像中具有尺度不变性、抗遮挡、抗噪声干扰的SIFT图像特征、SURF图像特征提取算法,并对其进行特征提取试验仿真,通过对试验结果的分析,展示了非线性尺度空间局部特征算法的出色性能。这类从图像中提取出的特征点细节丰富、描述方式特别、消耗资源少。以一组图片特征提取的仿真试验结果数据比较两图像提取方法的优势与不足。试验表明两种方法均有优秀的适应性和鲁棒性,但SURF算法具有更优的实时性,更适宜应用于视频监控系统中的目标检测与跟踪。     

高光谱图像结合机器学习方法无损检测猕猴桃

为实现对过量使用1-MCP化学保鲜剂猕猴桃快速、无损检测,提出高光谱技术结合机器学习建立识别模型的检测方法。首先对空白猕猴桃和过量化学保鲜猕猴桃在865.11～1 711.71 nm范围内进行高光谱数据采集。然后选用标准正态变量变换方法预处理原始光谱数据以去除噪声,采用波段比算法增强图像,数学形态学算法提取感兴趣区域,进而计算光谱平均值。最后采用主成份分析(PCA)、竞争性自适应加权(CARS)方法对全光谱数据(FS)进行特征提取,去除干扰项;以PCA和CARS提取的特征量和FS数据作为输入,结合偏最小二乘(PLS)和支持向量机(SVM)建立12个识别模型。试验结果表明,基于PLS和SVM建立的识别模型均能够有效检测过量化学保鲜猕猴桃,其中CARS-SVM模型性能最好,平均正确识别率达100%,运行速度最快,仅为0.015 348 s,满足工程实践中实时性高的要求,为快速、无损检测猕猴桃果品安全提供理论支撑。     

基于颜色特征的小麦抽穗扬花期麦穗识别计数*

识别小麦抽穗扬花期抽穗情况,可用于指导后期水肥管理、病害防治和产量预测等。为实现准确、自动地麦穗计数,提出一种基于颜色特征的麦穗计数方法。抽穗扬花期小麦麦穗与叶片、茎秆颜色非常接近,常见颜色特征并不能有效分割麦穗,通过彩色直方图均衡化和红绿归一化差异指数对麦穗进行有效提取。针对图像中麦穗粘连问题,利用改进Harris角点检测算法分别对垂直拍摄和45°夹角拍摄的小麦图像进行验证。通过样本图像进行计数试验,准确率分别为96.06%和94.74%。结果表明,经均衡化处理后麦穗、叶片和茎秆出现明显颜色色差,可以利用颜色特征提取大田环境下抽穗扬花期麦穗图像;麦穗细化后进行骨架交点检测,可用于粘连麦穗的准确计数。     

基于机器视觉的野生食用菌特征提取识别研究

为快速有效的识别野生食用菌,保证其食用的安全性。利用图像处理方法和机器视觉技术,提出改进的颜色空间融合形态特征提取方法。首先采用Retinex算法增强图像,通过中值滤波进行去噪完成图像预处理,其次提出两种改进的颜色空间量化方案,在HSV颜色空间特征提取的基础上与3个形态特征参数融合,最后采用综合评价指标方法对识别结果进行量化评价,进行特征提取识别试验。结果表明,颜色与形态特征的融合方法具有较好的识别能力,有效缩短特征提取的时间。图像特征提取的平均时间达到29.30 ms,速率提高3.51 ms,综合评价指标识别率达到90.78%,可以较好的识别野生食用菌,为食用菌种类的识别发展提供新方法和新途径。     

基于机器视觉技术的烟叶分级特征提取

为了满足烟叶快速、准确、自动提取特征的要求,笔者提出了基于机器视觉技术的烟叶分级特征提取的方法。本研究基于MATLAB 2018a软件平台采用迭代阈值法,实现烟叶图像的二值化,利用基于区域生长分割法,剔除烟叶图像的背景、褶皱、叶脉,根据最小外接矩形法,提取出烟叶的长度、宽度、长宽比、矩形度等几何特征;基于HSI和LAB两种颜色空间模型,提取出烟叶的色调H、饱和度S、A通道、B通道等颜色特征。试验结果表明:该方法合理有效,程序设计可靠,应用于其他植物叶片提取特征效果良好,为进一步完善机器视觉烟叶自动分级提供理论基础和技术支持。     

基于彩色视觉的自动引导车路标识别

针对基于彩色视觉导航的自动引导车的工作特点,对地面上预先铺设的彩色条带状路标图像信息进行了快速提取研究,提出了一种颜色分量近似的滤波方法。该方法简单、快速,减少了路标图像处理的计算量,提高了路标提取的实时性和鲁棒性。经在QDU-I型自动引导车上实际应用表明,该方法可以解决图像处理计算量大而影响自动引导车决策系统的实时性问题。     

基于DSP的柑橘果实自动识别系统

根据智能采摘机器人视觉定位系统对准确性、实时性、便携性的要求,建立了基于DSP的柑橘果实自动识别系统。系统提取YCbCr颜色空间中的Cr红色色差分量,通过DSP对柑橘视频数据进行图像分割、特征提取,成功识别出柑橘果实。在介绍了系统组成的基础上,详细分析了DSP识别柑橘果实的原理。经验证,在自然光条件下,该系统识别出单个柑橘果实的时间小于40ms,且准确率达96.26%,满足了准确性、实时性、便携性的要求。