基于机器视觉的脐橙品质在线分级检测系统

针对脐橙自动分级检测中存在正确识别率偏低、实时性不强的问题,提出一种综合特征提取方法:在对图像颜色模型进行转换后,用H分量图像提取脐橙的大小特征;S分量图像通过背景分割、边缘灰度补偿、整体亮度变换后提取脐橙的果面缺陷特征;采用R、G、R-G3个分量的均值和标准差提取脐橙的颜色特征。以脐橙的大小特征、果面缺陷特征和颜色特征为支持向量机(Support vector machine,SVM)的试验输入向量,进行脐橙分级检测试验,以实现提高脐橙自动分级正确识别率和增强实时。试验结果表明:该SVM分类器对脐橙分级的正确识别率为91.5%,处理时间为160ms,适合于实时环境下的分级检测。     

基于神经网络和图像颜色、形状特征的绿色苹果图像分割

图像分割是苹果采摘机器准确识别和定位苹果的关键步骤.本研究首先采用线剖面方法对采集的苹果图像针对颜色特征进行分析,提出了利用颜色特征R-B的色差法对青果期苹果图像进行初步分割.在利用分割后的图像提取图像区域的形状特征(面积、周长、圆形度、离心率等).然后将得到的8个形状特征作为BP神经网络的输入量,随机选取一定数量的样本图像作为BP神经网络的训练样本图像和验证样本图像.样本图像经过BP神经网络训练后,建立了绿色苹果图像的分割模型.通过BP神经网络分割后的苹果图像,果实识别率高达89.3％,分割效果良好.     

基于多特征融合的花卉种类识别研究

花卉种类识别作为植物自动分类识别的重要分支,有着很高的研究和应用价值。针对当前花卉特征描述存在的局限和花卉识别准确率较低的实际情况,以花卉图像为研究对象,首先对复杂背景图像采用基于显著性检测的Grab Cut分割算法进行预处理,得到单一背景图像;然后在提取花卉图像花冠(所有花瓣)颜色和形状特征的基础上,创新性地提取花蕊区域的颜色和形状所包含的特征信息,并将提取到的18个特征融合成单一特征向量。以支持向量机(SVM)算法为基础构建分类器,通过实验确定核函数与最佳参数;对360幅自建花卉样本库(24个种类,每个种类15幅)进行训练和测试,其中240幅作为训练样本,120幅作为测试样本,并与基于不同特征组合的识别方法进行比较。结果表明:本文提出的基于多特征融合的识别方法具有较高的识别准确率,识别率可以达到92.50%。对通用花卉样本库Oxford 17 flower进行训练与测试,选取其中340幅作为训练样本,170幅作为测试样本,取得了较好的识别效果,验证了本文方法的有效性。      

基于Faster-RCNN的自然环境下油茶果检测研究

利用Faster-RCNN卷积神经网络模型检测了自然环境中的油茶果图像。首先对3820副油茶果图像进行标注,然后通过VGG16网络提取油茶果的特征,送入RPN层进行分类和校准,最后对油茶果进行分类回归。对100幅含有696个油茶果的图像进行检测验证,检测结果表明:平均识别率为92.39%,准确率为98.92%,召回率为93.32%,F1值为96.04%;平均每幅图像的识别时间为0.21 s,能满足油茶果实时检测的要求。     

基于Faster-RCNN的自然环境下油茶果检测研究

利用Faster-RCNN卷积神经网络模型检测了自然环境中的油茶果图像.首先对3820副油茶果图像进行标注,然后通过VGG16网络提取油茶果的特征,送入RPN层进行分类和校准,最后对油茶果进行分类回归.对100幅含有696个油茶果的图像进行检测验证,检测结果表明:平均识别率为92.39％,准确率为98.92％,召回率为93.32％,F1值为96.04％;平均每幅图像的识别时间为0.21 s,能满足油茶果实时检测的要求.     

基于图像处理与改进SVM的苹果多特征融合分级方法

为实现苹果准确分级,我们提出了基于图像处理与改进SVM(支持向量机)的苹果多特征融合分级方法。该方法主要分为图像预处理、背景分割、特征提取以及改进SVM的多特征融合分级四部分。首先,利用同态滤波算法改善采集的苹果图像质量;其次,将图像转换至HLS空间,使用Qtsu算法分割背景,利用形态学处理去除果梗及表面缺陷区域,利用Canny算法提取苹果轮廓;然后,提取苹果的大小、形状、颜色、缺陷、纹理5个特征;最后,利用交叉验证法优化SVM中的惩罚因子,建立多特征融合分级模型,并通过Fisher计算各指标的权重。本试验分别选取146、61个被明确划分等级的苹果样本进行训练、测试,结果表明,该分级方法的准确率达96.72%,可实现高精确度的苹果自动化分级。     

柑橘品质分级要素的分析与评价

水果机械分级研究中,常以人工分级所确定的级别作为分级标准,故有必要对柑橘人工分级各要素进行系统分析,以确保分级指标的合理性,并为机械分级提供指导。以100个温州蜜柑作为样本,由6位鉴评人员组成的鉴评小组对每个样本就6个指标进行了评估,以最后平均分作为每个样本的总分。结果表明,橘皮颜色、水分和橘子软硬程度对总分影响最大,橘子软硬程度和水分有较高的相关性,且橘皮颜色、水分与口感之间的相关性较高。最后根据试验结果对柑橘的机器视觉分级给出了意见和建议。     

基于小波神经网络的柑橘pH机器视觉检测

【目的】研究涟红温州蜜柑pH的机器视觉检测及影响检测精度的因素。【方法】对机器视觉系统采集的柑橘图像进行图像裁切、RGB空间至HSI空间的转换和差值法去图像背景,用色调H和饱和度S为输入,建立小波神经网络柑橘pH预测模型,无损检测柑橘pH。【结果】30个测试样本的检测结果表明,预测偏差最大值为9.95%、偏差最小值为-3.6%、平均偏差为0.8%、标准偏差为2.95%,pH±0.1精度内的正确识别率为80%,pH±0.2精度内的正确识别率为93.33%。【结论】涟红温州蜜柑pH与果皮色泽之间具有相关性,可用机器视觉检测其pH。但进一步提高预测精度,首先须在图像处理环节上去除各种虫斑与病斑的影响。     

基于计算机视觉和神经网络的芒果外观等级分类研究

针对目前对芒果外观品质分级还是采取人工分级的不足,提出了一种基于计算机视觉和BP神经网络的芒果外观等级分类方法。首先,通过计算机视觉技术获取芒果图像,并利用基本的图像处理方法对芒果图像进行预处理。其次,根据芒果外观特征对芒果外观等级分类的影响,选择芒果的小波特征、缺陷面积所占百分比、颜色H分量值、芒果横径和果形指数等特征作为芒果外观等级分类的特征参数。最后,将提取的8个特征参数作为BP神经网络的输入,以芒果的3个等级分类为输出,建立芒果外观等级分类的神经网络模型,实现了芒果的外观等级分类。试验结果表明了该方法的有效性,识别率达93.3%。     

基于机器视觉的柑橘表面缺陷检测

针对柑橘人工分类强度高、效率低、精度差的问题,为实现快而准确的柑橘缺陷检测,提出一种基于机器视觉技术的缺陷检测方法。在VS2013环境下利用开源计算机视觉库OpenCV进行开发,根据柑橘的颜色与形状特点,将图像颜色模型由RGB转换为HSV,利用HSV图像进行背景去除后,在HSV颜色模型下利用V分量灰度图边缘检测与形态学处理的方法以提取柑橘表面的缺陷特征。结果表明,柑橘表面缺陷检测的总体识别率为92%,所用方法能有效地识别柑橘表面的缺陷。