弱光复杂背景下基于MSER和HCA的树上绿色柑橘检测

基于图像处理和机器视觉的树上绿色柑橘检测,能为果园管理者施肥、估产及采摘作业提供指导.该文提出一种基于水果表面光照分布的分层轮廓分析(hierarchical Contour Analysis,HCA)算法实现了树上绿色柑橘的检测.彩色数码相机拍摄弱光下由闪光灯补光的树上柑橘场景彩色图像,基于水果表面的光照分布应用最大稳定极值区域(maximally stable extremal region,MSER)算法提取图像中的感兴趣区域,然后建立感兴趣区域周围的分层轮廓图,并利用霍夫变换拟合每一级轮廓获得分层圆形目标,最后进行拟合圆嵌套分析得到绿色柑橘水果目标.所提算法在20张复杂的柑橘果园场景图像中进行了测试,最终的召回率达81.2%,查准率达到83.5%,单幅图像平均处理时间为3.70 s.该文所提出的基于光照分布的分层轮廓分析算法,不仅适用于绿色柑橘的检测,也可为其他树上绿色水果检测提供通用的框架和思路.     

基于高光谱成像技术的沙金杏成熟度判别

为了实现对不同成熟度沙金杏进行快速、准确识别的目的,该研究利用高光谱成像技术(400~1 000 nm)对沙金杏的成熟度进行了判别研究,利用高光谱成像系统分别采集了处于4种不同成熟阶段(七成熟、八成熟、九成熟和十成熟)的沙金杏共480个样本的高光谱数据。首先,对不同成熟阶段所有样本的可溶性固形物含量值进行测定和单因素方差分析,结果表明,可溶性固形物与成熟度之间存在相关性,其相关系数为0.9386,可用该指标对沙金杏的成熟度进行划分。然后,对光谱数据利用偏最小二乘回归(partial least squares regression,PLSR)模型提取得到9个特征波长(434、528、559、595、652、678、692、728、954 nm),对图像数据利用灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取到6项图像纹理指标(均值、对比度、相关性、能量、同质性和熵),并对图像数据采用RGB模型提取到6项图像颜色指标(R、G、B分量图像的平均值和标准差)。将这三类指标进行最优组合并分别建立关于沙金杏成熟度判别的极限学习机(extreme learning machine,ELM)模型。结果表明:使用特征波长与颜色特征融合值建立的ELM模型的判别正确率最高,达到93.33%。该研究为沙金杏的成熟度在线无损检测提供了理论参考。     

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。     

基于彩色信息的树上柑橘识别研究

为正确识别自然环境中的树上水果，从而为机械手的运动提供参数并完成水果的自动采摘，研究了基于彩色信息的树上柑橘识别方法。在对53幅含有各种背景情况的可见光彩色图像进行颜色特征提取和理解的基础上，建立了利用柑橘、树叶、树枝在R-B颜色指标上的差异进行树上柑橘识别的颜色模型，并利用动态阈值法，根据图像特征动态产生阈值T，将柑橘从背景中分割出来。分别在顺光条件和逆光条件下进行了试验分析，试验结果表明该识别模型可以实现对树上可见的柑橘的识别，并适用于单个和多个果实的识别，正确识别率较高。     

柑橘黄龙病高光谱早期鉴别及病情分级

为实现柑橘黄龙病的早期、快速确诊,有效阻止病害蔓延,达到早期防治、保障柑橘生产的目的,该文研究基于高光谱成像的柑橘黄龙病早期无损检测及病情分级,并对多种预处理方法的建模结果进行探讨。试验获取370～1 000 nm健康、不同染病程度及缺锌共5类柑橘叶片的高光谱图像,用遥感图像处理平台(environment for visualizing images,ENVI)得到各类样本感兴趣区域的光谱反射率平均值。运用一阶微分、移动窗口拟和多项式平滑(savitzky-golay,SG)进行数据处理,结合偏最小二乘判别分析(partial least squares-discriminate analysis,PLS-DA)构建黄龙病的早期鉴别及病情分级模型。结果表明:建立的3个判别模型,验证集相关系数均不低于0.9548。其中,经SG平滑及一阶微分预处理所建立的模型分类效果最佳,总体预测准确率达96.4%,预测均方根误差0.1344。该研究为柑橘病害早期诊断和预警提供了新方法,也为黄龙病病害程度遥感监测提供了基础。     

用遗传算法训练的多层前馈神经网络对番茄成熟度进行自动检测的研究

建立了计算机视觉系统获取番茄的图像，并将RGB值转换成HIS值，通过H值提取番茄表面颜色特征。采用遗传算法训练的多层前馈神经网络实现番茄成熟度的自动判别。实验表明：该方法准确率达到94%。     

波段比算法结合高光谱图像技术检测柑橘果锈

为克服柑橘表面不平整导致光线反射不均匀的影响,研究提出了波段比算法,使高光谱图像技术能够快速有效地检测柑橘果锈。首先根据Sheffield指数（SI）确定最佳波段（625 nm和717 nm）,经比值变换后得到第一幅比值图像;然后选取特征波长625 nm的邻近波段（621 nm）,与其比值变换后得到第二幅比值图像,提取轮廓,构建掩膜以消除第一幅比值图像的背景噪声,最后进行阈值分割和数字形态学运算,完成果锈区域的特征检测。试验结果表明,基于波段比算法的高光谱图像技术可有效检测柑橘果锈,检测率达到92%。研究表明波段比算法在高光谱图像技术快速无损地检测柑橘果锈中,能够有效地降低光照反射不均匀的影响,增强谱间差异,提高检测的精度。     

基于可见-近红外光谱的鸡只粪便分类判别

鸡只粪便的性状是反映鸡只健康状况的重要特征之一,不同性状的鸡便往往与特定的疾病相关联。针对鸡只粪便性状主要依靠人工监测,存在速度慢且易发生交叉感染等问题,该研究提出一种基于可见-近红外光谱技术的鸡只粪便分类判别模型。首先,通过扫描4类典型的鸡只粪便样本（正常粪便、红血丝粪便、绿色粪便和饲料粪便）在400～900 nm波段范围的光谱数据,对每一类别的鸡便样本按随机性原则以3∶1划分为校正集和测试集。其次,分别采用多元散射校正、SG卷积平滑和标准差标准化进行数据预处理,并建立偏最小二乘判别分析模型,根据模型评价指标确定最优预处理方法。然后,使用主成分分析、竞争性自适应重加权采样、改进的混合蛙跳3种方法对预处理后的样本进行数据降维,并最终建立分类判别模型。结果表明：基于模型评价指标确定最优数据预处理方法后,再采用改进后的混合蛙跳降维方法建立的判别模型区分正常粪便、红血丝粪便、绿色粪便表现最优,测试集判别准确率分别为92.27%、92.59%、100%;而对于饲料粪便,所选3种降维方法建立的判别模型,其测试集准确率均可达100%。因此,通过可见-近红外光谱检测手段,结合特征波长优选与偏最小二乘判别分析,可以有效判别不同类型的鸡只粪便,为实现鸡病智能化监测提供技术支持。     

用遗传神经网络方法进行苹果颜色自动检测的研究

该文通过计算机视觉技术获取苹果的色度直方图并提取其表面颜色特征，采用先进的遗传算法建立了一个多层前馈神经网络系统，从而实现了苹果成熟度的自动判别。实测表明，该方法准确率较高，并具有鲁棒性、灵活性和高速度。     

近红外光谱联合CARS-PLS-LDA的山茶油检测

为了寻找快速判别山茶油掺假的检测方法,本研究利用近红外光谱技术对掺杂大豆没油山茶油进行掺假检测研究.试验在350～1 800 nm波段范围内采集样本的透射光谱,利用CARS方法筛选重要的波长变量,应用偏最小二乘-线性判别分析(PLS-LDA)建立山茶油掺假的判别模型,并与未经变量优选的判别模型进行比较.结果表明,近红外光谱技术联合CARS-PLS-LDA方法可以有效判别纯山茶油和掺假山茶油,校正集、预测集及独立样本组样本的判别正确率、灵敏度及特异性均为100％.CARS-PLS-LDA判别模型性能优于未经变量优选的判别模型,表明CARS方法可以有效筛选重要波长变量,能简化判别模型及提高判别模型的稳定性和判别精度.本研究可为山茶油掺假快速检测提供理论依据.     

高光谱图像技术在水果品质无损检测中的应用

传统的近红外光谱分析法和可见光图像技术应用于水果品质无损检测中存在的检测区域小、检测时间长、仅能检测表面情况等局限性。高光谱图像技术结合光谱技术与计算机图像技术两者的优点,可获得大量包含连续波长光谱信息的图像块,其图像信息可检测水果的外部品质,光谱信息则可用于水果内部品质的检测,达到根据水果内、外部综合品质进行分类的目的。根据不同的采集设备,简介了两种获得高光谱图像的方法。综述了国内外将该技术应用于水果品质检测方面的研究进展,检测内容包括外观品质、损伤与缺陷,成熟度和坚实度,含糖量、含水率等内部品质,着重介绍了各高光谱图像的成像波段范围、分辨率、成像源,实验数据处理的方法以及实验结果等。根据综述所得提出了高光谱图像技术应用中需要解决的光谱降维、降低样品差异影响和实时检测平台搭建等问题。     

水果品质智能化实时检测分级生产线的研究

一种用于水果动态、实时检测的水果品质智能化实时检测分级生产线,由水果输送翻转系统、计算机视觉识别系统、分级系统组成。水果输送翻转系统的双锥式滚筒水果输送翻转装置,使水果以一定速度向前输送,并使水果绕水平轴自由转动,保证检测系统能检测到水果整个表面,获得足够的水果图像信息。通过计算机视觉系统的视觉智能识别,综合判断每一水果的等级,并确定每个水果的位置信息,由计算机识别系统的控制模块将指令传输给分级系统,完成水果的分级     

基于相移算法的苹果果梗/花萼检测方法

由于苹果表面缺陷与果梗/花萼具有相似的灰度特征,通过传统机器视觉方法难以对两者进行有效区分。为避免苹果果梗/花萼对其表面缺陷识别造成干扰,该研究提出了一种基于相移算法的苹果果梗/花萼检测方法。通过搭建条纹投影系统,投影仪投射三步相移条纹至苹果样本,摄像机同步采集经苹果表面调制的条纹图像;通过分析发现果梗/花萼区域的条纹图像凹凸性与正常区域存在明显差异,利用三步相移算法恢复条纹图像的截断相位,结合相位偏移、阈值分割和二维凸包算法便可检测出苹果果梗/花萼。试验结果表明：该方法能够有效地区分果梗/花萼和表面缺陷,识别出不同位置和角度的果梗/花萼,整体准确率可达到99.12%;同时能够满足在线检测需求,平均处理时间约为0.479s。该研究可为苹果外观品质检测提供技术支持。     

柑桔黄龙病近红外光谱无损检测

为探讨快速无损检测柑桔黄龙病的可行性,应用近红外光谱技术结合机器学习方法进行研究。在4000~9000cm-1光谱范围内,采集黄龙病、缺素和健康3类叶片样本的近红外光谱。采用一阶导数、平滑和多元散色校正组合的光谱预处理方法,消除光谱的基线漂移和散射效应。分别对偏最小二乘判别模型(PLS-DA)的主成分因子数和最小二乘支持向量机(LS-SVM)的输入变量数量、核函数类型及其参数进行了优化,建立了PLS-DA和LS-SVM模型。采用预测集样本,评价模型的预测能力,经比较,采用11个主成分得分向量为输入、线性核函数和惩罚因子为2.25的LS-SVM模型预测效果最佳,模型误判率为0。结果表明采用近红外光谱技术结合最小二乘支持向量机进行柑桔黄龙病无损检测是可行的。     

AE—Automation and Emerging Technologies: Multi-spectral Prediction of Unripe Tomatoes

The consumer at the retail outlet rejects tomatoes harvested before reaching physiological ripeness, as the produce does not ripen properly. Although many packing houses have inserted vision systems for tomato sorting and sizing, it is impossible to distinguish between fruits that will ripen and fruits that will not at the harvest day, as all the fruits are green. A tomato maturity predictive sensor was developed to be used at packing houses for detecting unripe tomatoes that will never turn red. Spectral and colour measurements were taken from green-mature tomatoes just after harvest. Colour was measured daily and used as an index for classifying first-day spectral data into ripe or unripe. The groups were analysed by discriminant analysis in order to obtain the best discriminant wavelengths. Those spectral bands were used by a multi-spectral imager for predicting those tomatoes that will never ripen with an accuracy of over 85%.     

机器视觉系统在桔瓣质量检测中的应用

开发了一套罐装线实时在线质量检测视觉系统，用于装罐前桔瓣上头发等细长形杂质检测，以保证产品质量。硬件系统采用了6台彩色CCD摄像头，两台计算机的处理结构。软件系统依据杂质和背景在颜色分布及形状大小等特征上的差异进行分离，其核心是一种用于二值图像特征区域提取的新型连通算子—面积重构算子，利用该算子平滑图像时不破坏对象轮廓完整的优点，结合改进的区域生长、区域消减等算法，形成了一套完整的检测算法。试验显示系统处理能力约30片/s，错误率仅2%。该系统能满足实时生产准确性和在线处理的要求，为其实用化、商品化奠定了基础。     

宽皮柑橘对辊式剥皮机的设计与试验

为改善目前宽皮柑橘加工业中以手工去皮为主的现状,提高柑橘剥皮效率,该文根据宽皮柑橘果皮包着宽松,易与果肉分离等特点,设计了一种可以实现快速去皮的宽皮柑橘对辊式剥皮机。柑橘进入设备后,在刮板的带动下翻转向前运动,运动过程中不同形式且相向转动的剥皮辊夹持并撕扯翻起的果皮,从而将果皮从柑橘上整体剥离。该样机主要由机架、传动装置、对辊装置、拨动装置和下料装置等部件组成,具有结构紧凑,果皮分离能力强等特点。试验结果表明:样机可以很好地完成剥皮功能,宽皮柑橘果皮去净率高于97.5%,果肉损伤率低于2.68%,生产率达到202.5 kg/h,基本满足生产需求。该研究可为中国柑橘加工业中自动去皮设备研制和发展提供参考。     

便携式双档位柑橘多品质无损检测装置设计与试验

为了解决普通检测装置难以覆盖不同果径（25～95mm）柑橘的检测需求问题，研发了覆盖多果径柑橘的便携式双档位多品质无损检测装置。以砂糖橘（果径25.35～48.61mm）和武鸣沃柑（果径53.24～94.71mm）为研究对象，基于研发的双档位探头，在赤道部位每隔120°采集一次光谱，平均光谱作为该柑橘的原始光谱。经标准正态变量变换（standard normal variable Transformation，SNV）、多元散射校正（multiplicative scatter correction，MSC）预处理，再利用竞争性自适应加权抽样算法（competitive adaptive reweighted sampling, CARS）筛选特征波长，分别建立了沃柑和砂糖橘的可溶性固形物含量（soluble solids content，SSC）和水分的偏最小二乘预测模型。沃柑的SSC和水分预测模型验证集相关系数分别为0.937、0.951，均方根误差分别为0.382%、0.005%；砂糖橘的SSC和水分预测模型验证集相关系数分别为0.921、0.935，均方根误差分别为0.460%、0.007%。为了评估检测装置的准确性和稳定性，使用平均变异系数分析了沃柑和砂糖橘的SSC含量和水分测定结果，并通过预测结果与标准理化值进行残差分析。结果表明，研制的便携式双档位柑橘多品质光谱检测装置对不同果径柑橘内部品质检测稳定性与精度均满足现场实时检测需求。