基于照度-反射模型的在线水果表面缺陷检测

水果表面缺陷是影响水果价格最有力的因素之一,目前大部分研究基于静态图像采用较复杂的算法分割水果表面缺陷,因此很难满足在线水果缺陷的快速检测。本文介绍了一种在线水果表面亮度均一化校正及单阈值缺陷分割方法。首先,通过RGB颜色空间转换获取HIS空间图像的色调（H）分量,基于H分量建立掩模对RGB图像的R分量执行掩模去背景;然后,基于照度-反射模型,利用低通滤波获取R分量图像的亮度分量,利用此亮度分量对去背景后的R分量图像进行亮度均一化校正;最后,利用一个简单的阈值对亮度校正后的图像进行缺陷分割。利用此算法,对416幅图像的检测结果表明总体检测率超过99%。该方法简单、有效,在在线水果缺陷检测中具有较大的应用潜力。     

基于灰度截留分割与十色模型的马铃薯表面缺陷检测方法

为探索基于计算机视觉的马铃薯表面缺陷检测新方法,该研究提出能将马铃薯表面疑似缺陷一次性分离出来的快速灰度截留分割方法和用于缺陷识别的十色模型。选择面积比率和十色比率作为缺陷判别特征,对分割出来的深色部位采用阈值法进行缺陷识别。采用基于快速G与亮度截留分割的2种方法对发芽进行识别。通过对326个马铃薯样本的652幅正反面图像进行试验,基于十色模型的缺陷识别方法对分割出来的深色区域的正确识别率为93.6%,基于快速G与亮度截留分割2种方法结合对有芽体图像的正确识别率为97.5%,马铃薯表面缺陷正确检测率为95     

基于掩模及边缘灰度补偿算法的脐橙背景及表面缺陷分割

缺陷检测一直是利用计算机视觉技术进行水果自动分级的难点。为了解决带有缺陷的水果在图像分割时部分缺陷容易被误分割为背景这一问题,以脐橙为研究对象,首先提取B分量,利用B分量构建掩模图像,然后对R分量图像进行掩模,从而在不损伤缺陷的情况下实现了水果与背景100%分割。考虑到水果呈球状,检测时边缘灰度较低,在缺陷分割时容易出现误分割,提出快速水果图像边缘灰度补偿算法,利用此算法,对6种常见脐橙缺陷,共计220幅图像,设定分割阈值为165,使不同灰度等级的缺陷一次性分割成功,分割率最高为100%,最低为79.5%。试验结果表明由于单阈值的使用,提高了缺陷分割效率。     

用活动边界模型精确检测果实表面缺陷

在利用计算机视觉技术检测果实表面缺陷中，为解决泼水算法分割出的缺陷区域比实际大的问题，探讨了活动边界模型(ACM)的原理和求解方法，改进了活动边界模型，使ACM在开始收缩时位于目标轮廓外侧，且公式能记忆边界的方向，当存在两个相距较近的缺陷时，ACM会收敛于正确的边界。提出插值算法对得到的不连续边界进行插值，从而得到封闭的缺陷边界， 能准确检测果实表面的缺陷边界。     

基于区域亮度自适应校正的茶叶嫩芽检测模型

自然光照下不同时间采集的茶叶图像存在亮度不均的现象。由于高亮度图像对比度差且嫩芽特征显著性弱,造成高亮度图像中存在较多嫩芽的漏检。针对现有茶叶嫩芽图像自动检测方法对光照变化的敏感性,该研究提出一种基于区域亮度自适应校正的茶叶嫩芽检测模型。首先,对不同时间采集的龙井43茶叶图像进行灰度化;然后,计算灰度图的平均灰度（Average Gray,AG）值,对AG值在[170,230]的高亮度图像进行不同尺寸的分块处理和局部区域伽马亮度自适应校正;最后,在相同的训练集和测试集训练多个深度学习检测模型。测试结果表明,基于YOLOv5+CSPDarknet53的检测模型比SSD+VGG16、Faster RCNN+VGG16、YOLOv3+Darknet53和YOLOv4+CSPDarknet53模型具有更优的嫩芽检测性能,精确率和召回率分别为88.2%和82.1%。对YOLOv5检测结果进行检测抑制,有效避免了同一目标被多次框选的冗余现象。[30,90)和[90,170)亮度区间内嫩芽图像具有较强的显著性特征和较高的检测精度与召回率。相较于AG值在[170,230)的高亮度原始图像的检测结果,对高亮度图像进行2×3分块和局部区域亮度自适应校正后,YOLOv5嫩芽检测召回率提高了19.2个百分点。对不同光照条件下采集的茶叶图像进行测试,基于区域亮度自适应校正的茶叶嫩芽YOLOv5检测模型获得了92.4%的检测精度和90.4%的召回率。该模型对光照强度变化具有较强的鲁棒性,研究结果为自然光照条件下茶叶嫩芽机械采摘作业提供参考。     

面向松木表面缺陷检测的改进RT-DETR模型

为提高松木表面缺陷检测精确度,保证检测速率,该研究提出一种改进RT-DETR的检测模型RIC-DETR。首先,从木材表面缺陷公开数据集中获取图片,并进行标注及数据增强,构建一个包含13642张图片的表面缺陷数据集;其次,对比VGG11、VGG13、ResNet18和VanillaNet13等网络架构,选用计算复杂度低且检测精度较高的ResNet18作为主干特征提取基准网络;然后,引入反向残差移动模块更新ResNet18中的基本块,扩展模型的感受野,改善层间的特征交互;最后,使用EfficientViT模型中的级联分组注意力机制对反向残差移动模块进行二次创新改进,降低计算资源的消耗,提升模型的表达能力。试验结果表明,RIC-DETR的精确率、召回率、平均精度值分别为95.4%、96%、97.2%,均优于目前主流的YOLO系列模型,对比基准模型RT-DETR,RIC-DETR在保持高精度的情况下,参数量、浮点运算量和内存占用量大幅减少,分别降低了54、57、52个百分点,同时检测速度可达63.5帧/s。RIC-DETR模型具有复杂度低、准确率高、检测速度快的特点,可为松木的表面缺陷检测提供技术支持。     

基于改进YOLOv7模型的柑橘表面缺陷在线检测

柑橘表面缺陷是水果检测分级的重要依据,针对传统柑橘表面缺陷检测方法效率低、精度低等问题,该研究提出一种柑橘表面缺陷的实时检测方法。该方法首先对柑橘图像进行图像增强,然后利用提出的YOLOv7-CACT模型对柑橘表面缺陷进行检测,该模型在YOLOv7模型骨干网络中引入坐标注意力模块(coordinate attention, CA),从而提高模型对缺陷部分的关注度。在网络头部引入CT(contextual transformer,CT)模块,融合静态和动态上下文表征特征,从而增强缺陷部分特征表达能力。通过试验确定CA模块和CT模块的最佳位置。改进后的YOLOv7-CACT模型检测结果平均精度均值（mean average precision,mAP）相较于原始模型增加了4.1个百分点,达到91.1%,满足了实际生产中对柑橘缺陷检测精度的要求。最后将基于YOLOv7-CACT的柑橘检测模型通过TensorRT进行部署,试验结果表明模型的推理时间满足柑橘生产线10个/s的实时分选要求,总体的检测精度达到94.4%,为柑橘表面缺陷在线检测提供了一种精准的实时检测方法。     

苹果外部缺陷全表面在线检测分选装置研发

中国是水果消费大国,但在水果产后检测装备方面相对滞后。针对目前在线检测装置无法采集苹果全表面图像信息且无法精确计算缺陷面积的问题,该研究以表面缺陷面积的快速检测为主要目标,提出苹果全表面图像合成算法,设计了一套苹果外部品质在线检测及分级装置。该研究以苹果为例,基于球模型提出苹果全表面图像合成算法、缺陷面积校正算法精确计算苹果的表面缺陷面积。通过试验验证,对苹果表面图像进行分割合成后,整体的图像的漏检率为0。提出缺陷面积校正算法,可以计算图像中位于任意位置的苹果缺陷真实面积,选取了120个样本进行验证,其中擦伤样本、碰伤样本、痘斑病样本、表面腐败样本各30个。4种表面损伤面积的预测值和真实值的决定系数R²均在0.97以上,均方根误差(Root Mean Squared Error, RMSE)在4 mm²以下。在偏角试验中,4种表面损伤面积的预测值和真实值的决定系数R²均在0.974 2以上,RMSE在6.304 4 mm²以下。装置检测苹果的速度为2个/s,评级准确率为95%。研究结果表明,检测与苹...     

黄桃表面缺陷和可溶性固形物光谱同时在线检测

表面缺陷和可溶性固形物是评价黄桃品质的重要指标,采用可见/近红外漫透射光谱技术,探讨黄桃表面缺陷与可溶性固形物同时在线检测的可行性。在运动速度为5个/s、积分时间100 ms、光照强度1 000 W的条件下采集黄桃表面缺陷果与正常果的近红外漫透射光谱。对比分析了同一个黄桃样品损伤前后的光谱特征,建立了黄桃的最小二乘支持向相机判别模型与偏最小二乘判别模型。同时建立了黄桃可溶性固形物偏最小二乘回归模型并采用连续投影算法对模型进行优化,研究了表面缺陷果对黄桃可溶性固形物检测模型精度的影响,最终实现了黄桃表面缺陷与可溶性固形物同时在线检测。采用未参与建模的样品来评价模型的在线分选的准确性,其中表面缺陷果的正确判断率为100%,可溶性固形物分选准确率达到93%。试验结果表明:黄桃表面缺陷与可溶性固形物同时在线检测是可行的,研究可为黄桃在线分选提供技术参考和理论依据。     

基于模糊彩色聚类方法的西红柿缺陷分割研究

缺陷的检测一直是应用计算机视觉技术进行水果自动分级的难点。在HSL颜色模型的基础上，提出了基于模糊颜色聚类的缺陷分割方法。将RGB颜色模型转化为HSL颜色模型；用三角隶属度函数定义H、S、L模糊集，进而构成模糊颜色集；在模糊颜色的基础上，定义模糊颜色相似度测度，分析两种模糊颜色的形似性。将该分割方法应用于西红柿的缺陷分割，试验表明：准确率达96%。     

基于光照无关图的农业机器人视觉导航算法

完成沿作物行的行走作业是农业机器人视觉导航系统的一个基础功能,但是由于田间环境的复杂性,比如阴影的存在和天气的恶劣变化等外界因素的影响使导航参数的提取变得困难。该研究针对农业机器人视觉导航中存在的阴影干扰问题,采用基于光照无关图的方法去除导航图像中的阴影,然后采用增强的最大类间方差法进行图像分割和优化的Hough变换提取作物行中心线,最终通过坐标转换获得导航参数。最后,通过作物行跟踪试验表明,基于光照无关图的阴影去除方法不仅满足了导航实时性的要求,而且使农业机器人在光照变化的情况下导航参数提取的鲁棒性有了更大的提高。     

采用改进CenterNet模型检测群养生猪目标

为实现对群养环境下生猪个体目标快速精准的检测,该研究提出了一种针对群养生猪的改进型目标检测网络MF-CenterNet（MobileNet-FPN-CenterNet）模型,为确保目标检测的精确度,该模型首先以无锚式的CenterNet为基础结构,通过引入轻量级的MobileNet网络作为模型特征提取网络,以降低模型大小和提高检测速度,同时加入特征金字塔结构FPN（Feature Pyramid Networks）以提高模型特征提取能力,在保证模型轻量化、实时性的同时,提高遮挡目标和小目标的检测精度。该研究以某商业猪场群养生猪录制视频作为数据源,采集视频帧1 683张,经图像增强后共得到6 732张图像。试验结果表明,MF-CenterNet模型大小仅为21 MB,满足边缘计算端的部署,同时对生猪目标检测平均精确度达到94.30%,检测速度达到69 帧/s,相较于Faster-RCNN、SSD、YOLOv3、YOLOv4目标检测网络模型,检测精度分别提高了6.39%、4.46%、6.01%、2.74%,检测速度分别提高了54、47、45、43 帧/s,相关结果表明了该研究所提出的改进型的轻量级MF-CenterNet模型,能够在满足目标检测实时性的同时提高了对群养生猪的检测精度,为生产现场端的群养生猪行为实时检测与分析提供了有效方法。     

基于伪球算子边缘模型的猪前景帧检测

针对固定区域监控非刚体前景目标的活动,提出一种基于边缘像素模型的、低计算代价的前景帧检测法。根据帧序列中前景帧的边缘像素稳定性远远小于背景像素的特性,首先采用伪球边缘检测算子提取每帧的帧边缘;接着根据帧序列滑动窗口帧数和背景边缘像素判定阈值,提取非背景边缘图像;然后根据边缘像素点数量阈值,消除噪声边缘;最后根据序列帧噪声边缘判断阈值,判断当前帧是否为前景帧。在具有相当平滑性的条件下,伪球算子的边缘定位误差小于canny算子。猪舍区域检测猪只目标的试验表明,采用不到原图像像素总数的3%的边缘像素点,可以有效地适应背景光线变化及前景运动缓慢或短暂滞留等情况,为后继的猪只运动分析创造有利条件。     

农产品品质检测中的计算机视觉及神经网络技术发展与动态

随着计算机技术的飞速发展，计算机视觉及人工神经网络等交叉学科的研究与应用已扩展到农业工程领域中，并在许多方面取得了重大开拓性成果。文中概括介绍了这两项高新技术在农产品品质自动检测与分级中的应用状况及发展动态，并通过分析指出了当前尚须解决的问题。     

基于高光谱成像技术检测脐橙溃疡

为了研究从带有不同缺陷的柑橘类水果中快速识别出溃疡果的有效方法,基于高光谱成像技术,该文提出特征波段主成分分析法及波段比算法。以脐橙为研究对象,选取包括溃疡在内常见的10类脐橙果皮缺陷果及正常果。首先,提取并分析11类果皮感兴趣区域（ROI）光谱曲线并结合主成分分析法确定5个最佳波段（630、685、720、810和 875 nm）;然后基于特征波段做主成分分析,选取第5主成分（PC-5）作为分类识别图像,识别率达到80%。为了进一步提高溃疡识别率,该文又提出采用特征波段主成分分析法与波段比算法相结合的方法,基于此算法溃疡正确识别率提高到95.4%。试验结果表明,基于高光谱成像技术可以有效地对带有溃疡病斑的脐橙分类识别。     

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。