基于计算机视觉和声学响应信息融合的鸡蛋裂纹检测

为了提高对鸡蛋裂纹识别的准确性,建立利用计算机视觉和声学响应信息融合技术检测鸡蛋裂纹的系统,首先采集和分析鸡蛋被敲击后的声音信号,提取了4个特征频率、偏斜度平均值和崤度平均值共6个特征参数,作为人工神经网络的输入量,创建了结构为6-15-1的3层BP神经网络模型判别鸡蛋裂纹。其次,利用计算机视觉系统获取鸡蛋表面图像,提取了区域面积、圆形度、区域长径、短径和长短径之比共5个特征参数,作为BP人工神经网络的输入量,创建了结构为5-10-1的3层BP神经网络模型识别鸡蛋裂纹。最后,根据计算机视觉与声学响应技术检     

基于种蛋图像血线特征和深度置信网络的早期鸡胚雌雄识别

为了实现孵化早期鸡胚雌雄识别,构建了机器视觉采集系统,在LED光源下获取180枚鸡种蛋孵化第4天的图像。首先对鸡种蛋图像进行RGB分量提取、中值滤波、感兴趣区域提取等预处理,然后利用限制对比度自适应直方图均衡化、形态学处理、最大类间方差阈值分割和八连通域去噪等方法凸显血线纹理,并通过方向梯度直方图(histogram of oriented gradient,HOG)提取图像的全信息特征和利用灰度共生矩阵提取能量、对比度、相关性、熵、均匀度等5个特征,对HOG全信息特征采用主成分分析(principal component analysis,PCA)降维,最后利用全信息特征和PCA降维特征-灰度共生矩阵特征组合的简化特征,分别构建支持向量机(support vector machine,SVM)、反向传递(back propagation,BP)神经网络、深度置信网络(deep belief networks,DBN)3种鸡胚雌雄识别模型,并比较不同模型的识别准确率。试验中,全信息特征比简化特征构建的模型识别准确率高,基于简化特征的BP、SVM、DBN模型测试集识别综合准确率分别为51.67%、60%和58.33%,基于全信息特征的BP、SVM、DBN模型测试集识别综合准确率分别为58.33%、63.33%和83.33%。其中,基于全信息特征的DBN模型识别准确率最高,达到83.33%。结果表明机器视觉技术为孵化早期鸡胚雌雄识别提供了一种可行方法。     

基于计算机视觉的番茄损伤自动检测与分类研究

为了提高番茄损伤检测与分类的准确率和效率,综合运用计算机视觉技术、BP算法、人工神经网络技术,实现番茄损伤的自动检测与分类。首先,通过计算机视觉系统获取番茄图像,利用图像处理去除噪声、图像分割、图像增强等多种基本图像处理的方法对番茄损伤图像进行了处理,综合运用并行和串行区域分割技术进行番茄表面缺陷区域检测。其次,对番茄图像进行了特征分析,通过提取三种特征包括8个特征参数,采用改进的BP算法训练的多层前向人工神经网络对番茄的损伤进行分类。该文中缺陷检测方法和特征提取方法的采用,使该计算机视觉系统节省了时间,提高了精度。试验证明番茄损伤检测和分类的准确率不低于90%。     

基于偏振光和聚类分析的皮蛋壳裂纹无损检测(英文)

检测出缸皮蛋蛋壳是否有裂纹是确保皮蛋质量的重要环节。腌制好的皮蛋蛋壳表面大量的灰褐色斑点和一些大块黑斑使得其蛋壳表面的裂纹不易检测。皮蛋表壳斑点和裂纹的微细结构不同,对偏振光的退偏程度也不一样,可以利用皮蛋表壳各点偏振度的差异来识别其裂纹。该文设计了皮蛋表壳偏振图像采集系统,基于皮蛋0、45°、90°、-45°4个偏振角度的图像和斯托克斯公式获得皮蛋表壳裂纹的偏振度图像,对偏振图像进行阈值预处理后,以皮蛋表壳偏振图像中像素最高且连通区域最大部分作为中心,截取100×100像素的图像,提取该图像裂纹长度、均方比、偏度和峰度等4个特征参数,采用Kmeans聚类分析算法准确识别了皮蛋表壳裂纹。试验证明,该方法综合准确率为93%,其中好壳皮蛋识别准确率为100%,裂纹蛋识别准确率为88.3%,这表明偏振光检测技术能有效地识别皮蛋蛋壳裂纹。     

基于机器视觉的板栗分级检测方法

为实现合格和缺陷板栗的分级,研究了1种基于BP神经网络与板栗图像特征的板栗分级方法。试验以罗田板栗为研究对象,提取的颜色及纹理等8个特征值,通过主成分分析提取相应的主成分得分向量构成模式识别的输入。利用BP神经网络方法建立了板栗分级模型。试验结果表明,在图像信息主成分因子数为3,中间层节点数为12时,建立的模型最佳,模型训练时的回判率为100%,预测时识别率达到了91.67%。研究结果表明基于机器视觉技术的针对缺陷板栗分级检测方法是可行的。     

基于序列图像三维重建的稻种品种识别

利用机器视觉技术识别稻种表面形态,从而识别种子纯度,可以为种子品质确定提供一种快速精确的技术方法。该文应用序列图像聚焦测度法进行了稻种三维重建,在稻种的品种识别中,将三维特征作为识别依据,相对传统方法仅采用二维图像特征作为识别手段,具有稻种形态测量参数值更精确,外观特征及缺陷表达更全面的优势。该方法通过分析显微镜平台获取的多幅不同对焦距离的图像序列,计算聚焦测度和焦点深度值。结合序列图像聚焦测度法与表面纹理重现,实现稻种形态表面三维重建。通过构造BP神经网络模型,利用测量所得三维立体特征值进行稻种的品种识别,筛选适合稻种检测的BP神经网络算法。试验结果表明,序列图像方法应用于稻种三维重建,其测量精度可达到5μm,将测量所得的三维特征值作为参数进行5个稻种的品种识别,识别率在90%以上。该研究可为农作物品种识别中三维形态及纹理特征的研究提供参考。     

用遗传算法训练的人工神经网络识别番茄生理病害果

综合运用计算机视觉技术、遗传算法、人工神经网络技术，实现番茄生理病害果的自动识别。首先，通过计算机视觉系统获取番茄的图像，利用图像的圆度值判别空洞果，利用图像的果径变化特征判别变形果。其次，采用遗传算法训练的人工神经网络进行试验研究。试验表明，该方法能准确识别番茄的形状，满足分级的要求，对番茄生理病害果的识别准确率可以达到100%。     

基于近红外光谱和机器视觉融合技术的板栗缺陷检测

为提高合格和缺陷板栗分级检测识别精度,提出了近红外光谱和机器视觉的多源信息融合技术的板栗缺陷检测方法。试验以湖北京山板栗为试验对象,利用BP神经网络方法建立了基于近红外光谱、机器视觉和多源信息融合技术的板栗分级检测模型。试验结果表明,3种识别模型对对训练集板栗回判率分别为96.25%、96.67%和97.92%;对测试集板栗的识别率为86.25%、83.75%和90.00%。基于近红外光谱和机器视觉的多源信息融合技术进行板栗分级检测的方法是可行的,融合模型较单独采用机器视觉技术或近红外光谱分析技术建立模型的识别率均有显著提高。     

基于RF-DS图谱信息融合的孵化早期鸡胚蛋性别无损检测

针对图像或光谱单一信息检测孵化早期胚蛋性别识别率不高的问题，该研究提出一种随机森林（Random Forest，RF）和证据理论（Dempster-Shafer，D-S）的图谱信息融合的无损检测方法。利用机器视觉和光谱仪分别采集孵化期第4天水平横放的胚蛋信息，在对胚蛋图像和光谱预处理的基础上，提取图像纹理特征和光谱特征，再分别以2类单特征的RF分类结果作为独立证据构造基本概率分配函数，运用D-S证据理论进行决策级融合，根据分类判决门限得出最终的识别结果。试验结果表明，图像和光谱单特征RF模型识别准确率最高分别达78.00%和82.67%，多特征决策融合识别法准确率达到88.00%，其中雌雄识别率分别达到90.00%和86.25%，单个鸡蛋的平均判别用时为2.843 s。结果表明，该光谱-图像信息融合方法可以提高孵化早期胚蛋雌雄识别准确率。     

基于BP神经网络和概率神经网络的水稻图像氮素营养诊断

【目的】实现图像氮素营养诊断需要关键指标的确定和建立快速处理海量图像数据的模型。本研究筛选了水稻氮素营养诊断的敏感时期和部位,优化了图像处理技术参数,并比较了BP神经网络和概率神经网络两种建模方法对养分诊断的可靠性,为利用计算机视觉虚拟技术快速精准判断作物生长营养状况、反演生长过程提供思路和方法。【方法】本研究以超级杂交稻‘两优培九’为试验对象进行了田间试验。设置4个施氮(N)水平:0、210、300、390 kg/hm^2。在水稻幼穗分化期及齐穗期,扫描获取水稻顶一叶、顶二叶、顶三叶叶片、叶鞘图像数据,共1920组。通过图像处理技术,获取19项水稻特征指标。分别应用BP神经网络和概率神经网络对19项水稻特征指标进行水稻氮素营养诊断识别,并对诊断指标进行了优化和标准化。比较了两个建模方法的灵敏性。【结果】1)幼穗分化期水稻的整体识别准确率均高于齐穗期水稻的整体识别准确率;三个部位叶片的图像数据,以顶三叶最为可靠;2) BP神经网络对幼穗分化期及齐穗期水稻19项特征指标进行氮素营养诊断的整体识别准确率均高于概率神经网络。其中BP神经网络对幼穗分化期顶三叶特征指标进行水稻氮素营养诊断识别的准确率最高达90%。概率神经网络对幼穗分化期顶二叶、顶三叶特征指标进行水稻氮素营养诊断识别的准确率最高达82%。【结论】幼穗分化期水稻顶3叶叶片特征最具区分度,易于进行氮素营养诊断识别,可作为氮素营养诊断的有效时期和部位。叶片的6项RGB、HSI颜色空间分量组合最能体现其氮素营养状况。识别效果以BP神经网络好于概率神经网络方法,其整体识别准确率达90%。     

应用改进遗传神经网络识别种蛋蛋形试验

针对人工检测种蛋蛋形劳动强度大,缺乏客观性,检测效率低,研究了自动快速、准确地识别鸡种蛋蛋形的方法。以蛋形指数和蛋径差为形状特征参数,利用机器视觉技术、矩技术和提出的改进遗传神经网络算法剔除畸形蛋。基于机器视觉和矩技术提取种蛋的长短径,剔除蛋形指数不合格种蛋后,再通过构建合理的遗传神经网络模型,以蛋径差作为神经网络输入参数,根据网络输出值识别种蛋蛋形。对过圆蛋、过尖蛋、畸形蛋和正常蛋检测准确率分别达到了97.10%、95.59%、94.87%和95.75%。研究种蛋蛋形自动识别方法对提高种蛋蛋形检测准确率和工作效率具有重要意义,试验结果表明提出的种蛋蛋形评价指标合理,用于识别种蛋正常蛋形,剔除畸形蛋准确率高,速度快,算法具有鲁棒性。     

基于图像处理-深度学习的孵前种鸭蛋外部品质在线无损检测

种鸭蛋的品质影响着孵化率和健雏率,挑选优质种鸭蛋孵化不仅可以减少孵化占用的资源,还可以及时将不适宜孵化的种鸭蛋筛选出另做它用,避免其孵化失败造成浪费。为了对不同外部品质的孵前种鸭蛋进行检测分级,该研究设计了一种基于图像处理和深度学习的种鸭蛋外部品质检测系统。在传送轨道上获取种鸭蛋的透射图像后,选取多张鸭蛋图像中的最大长轴计算形状特征,通过交错值衡量大小头相似度;在伽马变换平衡图像颜色后,使用HSV分割提取脏污特征图来计算脏污面积;采用自适应阈值分割和脏污特征图掩膜对图像样本数据进行预处理,搭建裂纹识别网络CrackNet来识别脏污鸭蛋的裂纹。结果表明,该检测系统可计算种鸭蛋的大小、蛋形指数、脏污面积和大小头相似度,检测表面裂纹,计算所得长轴和蛋形指数的均方误差仅0.220 2 mm²和0.000 058,CrackNet的裂纹识别准确率为98.03%,研究结果可为入孵前种鸭蛋的筛选工作提供技术支持。     

水果表面缺陷自动检测系统中的人工智能方法研究

通过计算机视觉技术获取了带有各种表面缺陷的苹果图像并进行预处理，采用自适应特征聚类（ＳＡＦＣ）神经网络与模糊加权决策树（ＦＷＤＴ）相结合的方法实现了缺陷区域的准确检测和详细分类。实验结果表明，用人工智能方法进行表面缺陷检测，具有良好的抗噪容错能力并能有效地克服传统图像分割方法适应性差的缺点，提高判别准确率和分类精度。     

水果表面缺陷自动检测系统中的人工智能方法研究

通过计算机视觉技术获取了带有各种表面缺陷的苹果图像并进行预处理，采用自适应特征聚类（ＳＡＦＣ）神经网络与模糊加权决策树（ＦＷＤＴ）相结合的方法实现了缺陷区域的准确检测和详细分类。实验结果表明，用人工智能方法进行表面缺陷检测，具有良好的抗噪容错能力并能有效地克服传统图像分割方法适应性差的缺点，提高判别准确率和分类精度。     

基于图像处理与人工神经网络的小麦颗粒外观品质评价方法

综合利用计算机视觉、图像处理、人工神经网络技术，实现小麦品质评价自动化。通过比较不同背景，发现在黑色毛面纸板背景下，使用数码像机获得容易处理的小麦图像。应用分水岭算法自主开发了图像分割处理软件，分割小麦图像并识别提取出完整的小麦颗粒，针对每个小麦颗粒，计算了其12个形态学特征、12个色泽参数等图像特征参数。利用所提取的24个小麦图像特征参数，采用人工神经网络BP算法建立起小麦粒径外观品质评价模型，并应用于小麦的品质识别，取得了良好的试验结果。多次建模运算证明，该方法具有较好的稳定性，对小麦粒径外观品质评价的平均识别准确率可达93%。     

种蛋外形的计算机视觉识别研究

提出一种利用计算机视觉对种蛋进行筛选的方法。蛋形指数有两个指标：质量与形状,将质量的测量转为对尺寸的测量,采用第一个神经网络检测种蛋的主要特征点,并根据视觉测量原理得到其尺寸大小。利用带小波变换对原始的边缘形状参数进行特征提取,第二个神经网络以此为输入来识别种蛋外形的规则性。试验表明：该方法与人工筛选相比较,其一致性可达到93%。