基于计算机视觉的冷却牛肉嫩度分析方法

分别运用大理石纹和灰度空间相关矩阵两种方法对含脂肪组织和不含脂肪组织冷却牛肉的图像特征进行了分析。在含脂肪组织牛肉图像中提取了能反映牛肉大理石纹结构分布和数量信息的特征量，在不含脂肪组织牛肉图像中提取出3个反映牛肉纹理粗细的特征量，并用线性回归方法分别建立了特征量与肉嫩度等级间的数量关系。研究表明，灰度空间相关矩阵法适于不含脂肪组织牛肉的嫩度评价，大理石纹方法适于含脂肪组织牛肉的嫩度评价。     

基于分形维和图像特征的牛肉大理石花纹等级判定模型

采集135个牛胴体眼肌样本,参照中国牛肉质量标准的大理石图版,由3人评定小组评定出每一个样本的大理石花纹等级,再用数码相机采集每一个样本的数字图像。用图像处理技术对每一幅图像进行降噪、分割等处理,提取出牛肉大理石花纹,并计算出牛肉大理石花纹的面积比率、总脂肪颗粒数和大小脂肪颗粒数;然后用变尺度的方法,测定出每个牛肉大理石花纹样本图像的计盒维数和信息维数;以这些参数为基础,分别建立牛肉大理石花纹等级判定的多元线性模型和多元多项式模型。实验结果表明,利用多元线性模型和多元多项式模型判定牛肉大理石花纹等级,预测正确率分别为75%和87.5%。     

生理成熟度及牛肉肌纤维特征与嫩度关系试验研究

生理成熟度(牛龄)是牛肉质量分级的重要参考指标,研究牛龄与嫩度之间的定量关系,对建立牛肉质量分级标准及牛肉自动分级系统的开发具有重要意义。选取4组不同月龄的牛肉背长肌样本,采集其眼肌区域微观图像,通过图像处理的方法提取出每个样本的肌纤维直径、周长和密度,然后再用质构仪测定出每个样本的剪切力,研究分析不同牛龄的牛肉肌纤维直径、周长和密度的变化规律及其与剪切力之间的关系。结果显示,随着牛龄的增大,牛肉肌纤维直径和周长均线性增加,而肌纤维密度则线性下降(P0.05);同时,随着肌纤维直径和周长的增加、肌纤维密度的下降,牛肉剪切力线性增大(P0.05)。牛龄对肌纤维直径、周长、密度及牛肉剪切力具有显著影响。     

基于超声成像技术的冷鲜与解冻牛肉鉴别方法

针对市场上存在以解冻牛肉冒充冷鲜牛肉售卖的问题,研究了利用超声成像技术对冷鲜与解冻牛肉进行质构分析与鉴别的可行性。首先,通过超声成像设备采集冷鲜与解冻牛肉超声图像信息,并结合质构参数、微观结构和部分理化指标分析图像差异成因。然后,采用灰度共生矩阵法提取图像纹理特征值,利用主成分分析法进行数据降维处理,分别建立线性判别分析(Linear discriminant analysis,LDA)和支持向量机(Support vector machine,SVM)两种判别模型。结果表明,两种判别模型均有较好的分类效果,其中LDA模型更优,当主成分数为5时,模型的训练集和测试集识别率均达到100%。说明应用超声成像技术对冷鲜与解冻牛肉进行质构分析与鉴别是可行的。     

牛肉嫩度的高光谱法检测技术

为实现对牛肉嫩度的预测和分级,构建了试验用高光谱检测系统,在400～1000nm波长范围内获取牛肉表面的高光谱散射图像.从高光谱图像中提取牛肉的反射光谱曲线,用step-wise逐步回归法选择 430、496、510、725、760和828nm 6个波长建立了多元线性回归模型,用全交叉验证法验证模型的预测效果,模型的预测相关系数为0.96,预测标准差为0.64kg.以嫩度6.0kg为界将样本分为嫩牛肉和粗糙牛肉2类,特征波长处反射值为变量,建立了正则判别函数对牛肉嫩度分级,用全交叉验证法验证训练的效果.嫩牛肉分级准确率为83.3%,较粗糙牛肉分级准确率为90.9%,总的分级准确率为87.0%.研究表明该预测和分级技术具有一定的可行性.     

基于计算机视觉的冷却牛肉新鲜度评价方法

利用计算机视觉技术对冷却牛肉的新鲜度进行了分析研究，应用BP神经网络对牛肉脂肪组织进行了分割，分割正确率可达97％以上。选取图像原始颜色信息作为评价新鲜度的特征值组成特征向量，采用HSI、RGB和CMYK3种彩色模型评价冷却牛肉的新鲜度，其准确率分别为82．1％、78．6％、75．0％。基于计算机视觉技术的冷却牛肉新鲜度评价方法与实验室分析方法相比，评价准确率有明显提高，并且没有繁琐实验过程，是一种更高效的牛肉新鲜度评价方法。     

基于高光谱技术的牛肉含水率无损检测

牛肉含水率的高低不仅直接影响牛肉品质,而且会对消费者造成经济损失。为此,通过实验探究了采用高光谱图像技术对牛肉含水率进行检测的可行性,为检测牛肉品质提供依据。采用82个牛肉后腿样本作为实验材料,按5×4×1cm的规格通过国际烘干法测量其真实含水量,并采集它们的光谱图像;获取样本的光谱信息后,通过ENVI及Mat Lab软件获取感兴趣区域。同时,利用不同的预处理方法,分别建立BP神经网络和偏最小二乘校正模型,通过比对两种模型结果,偏最小二乘校正模型能够更有效预测牛肉含水率,校正集相关系数为0.91,校正标准差为0.121,预测集的相关系数为0.89,预测标准差为0.118。研究结果证实,利用高光谱图像技术可以快速无损检测牛肉含水率。     

基于图像运算的牛肉大理石花纹分割方法

针对牛胴体眼肌切面大理石花纹图像的自然纹理特征，首先采用区域生长法进行图像的背景分割，然后采用图像差影法操作、图像腐蚀和膨胀技术以及图像的逻辑运算实现背长肌区域的分割，再通过Otsu法自动选取阈值，以此阈值为门限值，对图像进行二值化处理，最终提取出牛肉大理石花纹。实验结果表明，该综合处理技术具有很好的适应性，可以对各种牛胴体眼肌切面图像进行大理石花纹的准确分割。     

牛胴体眼肌切面图像的分割方法

在牛肉的计算机自动分级系统中,牛胴体眼肌图像的分割、大理石花纹的提取是利用计算机视觉评定牛肉等级的最基本及重要步骤。在简要介绍各种图像分割方法的基础上,对目前国内外应用于牛胴体眼肌图像的分割技术及各种算法进行了初步分析研究。并在此基础上,对其他学科提出的一些图像分割算法应用于牛胴体眼肌图像分割的潜力和前景进行了论述。     

牛肉眼肌图像在线采集和实时分割系统

根据肉牛屠宰现场牛肉自动分级的技术要求,设计并构建了一个以TMS320DM642处理芯片为核心的牛胴体眼肌图像在线采集和实时分割系统.首先利用所开发系统在线采集牛肉图像,然后通过蒙板方法,对所采集图像进行背景分割;由于DM642系统采用y、Cb、Cr 3个色度分量来分别描述和存储图像,为节省算法处理的数据量,对Cr(红色)色度空间图像进行二值化处理,然后再用区域面积标记法和小区域消除法提取眼肌区域.实验结果表明,利用DM642系统能够实现牛肉图像的在线采集和眼肌区域分割,眼肌图像提取的准确率平均值为92.9％.     

基于双边引导上采样的图像增强快速实现研究

提出了一种图像增强的快速实现方法。因为直接对高分辨率图像进行图像增强,运算量大,耗时多,不利于实时应用,所以结合了引导滤波和联合双边上采样的特点,采用双边引导上采样的方法。先将图像进行1/8下采样后,再对下采样后的图像进行增强,然后再通过双边引导上采样恢复到原始图像大小。实验结果表明,文中方法的处理结果与图像增强处理结果外观差异不大,大大降低了图像增强所需的时间,达到了实时处理的要求。     

小波变换在果品图像处理中的应用

针对果品图像处理常用方法不能同时在时域和频域分析图像,且不具有多分辨率特性的问题,应用小波变换理论和技术,以红枣图像为例,对果品图像进行了去噪、增强等处理。小波去噪所需时间为9s,还不及数学形态学的1／4;小波变换用于红枣图像增强所用的时间仅为7s,是模糊数学形态学的1／495。试验结果表明：小波变换用于果品图像增强和消噪,具有方便快捷、去噪效果好、目标明确等优点;小波变换用于果品图像处理是有效的、可行的。     

田间杂草识别中图像预处理方法的研究

为了改善农业喷洒机器人视觉系统中图像的处理效果,对视觉系统采集到的RGB彩色图像进行2G-R-B变换处理。对得到的超绿灰度图像,分别使用对比度拉伸变换和直方图均衡化两种方法进行图像增强处理。比较这两种方法的处理效果,结果表明：直方图均衡化法对田间杂草图像具有较好的增强效果。     

数字图像处理在SEM空蚀图像定量分析中的应用

针对收缩-扩散型水洞中进行铝制翼型空蚀破坏试验时,传统度量不能准确量化翼型表面不同位置的空蚀程度,提出了数字图像检测的方法.获取试验翼型表面SEM空蚀图像,然后对图像进行模糊增强,并进行类间方差最大阈值分割,用二值形态学方法处理边缘,最后由统计特性计算出空蚀破坏表面积、蚀坑数量等.图像测量可得到空蚀对翼型表面破坏数值的定量结果.     

牛肉自动分级技术研究进展分析

概述了目前世界上主要的牛肉分级标准，着重论述了机器视觉和图像处理技术在牛肉自动分级系统中的研究现状和进展，提出了现行的牛肉自动分级技术和方法面临的主要问题以及未来的发展方向。     

基于计算机视觉和神经网络的牛肉颜色自动分

将采集的牛胴体眼肌切面图像人工确定其颜色等级,然后通过计算机图像处理方法,分割出肌肉区域并提取出其在RGB和HIS颜色空间的颜色特征参数.设计一个以牛肉的颜色特征参数为输入、牛肉的颜色等级为输出的BP神经网络模型,通过训练,确定模型的结构参数,用测试样本对该模型进行验证.结果显示,用该模型进行牛肉颜色等级预测的正确率可达95%,耗时仅0.25s.表明利用所设计的模型可以对牛肉的颜色等级进行快速、准确的自动判定.     

基于迁移学习与卷积神经网络的玉米植株病害识别

大数据背景下产生了海量图像数据,传统的图像识别方法识别玉米植株病害准确率较低,已远远不能满足需求。卷积神经网络作为深度学习中的常用算法被广泛用于处理机器视觉问题,能自动识别和提取图像特征。因此,本研究提出一种基于数据增强与迁移学习相结合的卷积神经网络识别玉米植株病害模型。该算法首先通过数据增强方法增加数据,以提高模型的泛化性和准确率;再构建基于迁移学习的卷积神经网络模型,引入该模型的训练方式,提取病害图片特征,加速卷积神经网络的训练过程,降低网络的过拟合程度;最后将该模型运用到从农田采集的玉米病害图片,进行玉米病害的精确识别。识别试验结果表明：使用数据增强与迁移学习的卷积神经网络优化算法对玉米主要病害（玉米大斑病、小斑病、灰斑病、黑穗病及瘤黑粉病）的平均识别准确度达96.6%,和单一的卷积神经网络相比,精度提高了25.6%,处理每张图片时间为0.28s,比传统神经网络缩短了将近10倍。本算法的精确度和训练速度上比传统卷积神经网络有明显提高,为玉米等农作物植株病害的识别提供了新方法。