基于多特征的田间杂草识别方法

该文阐述了通过利用植物的多种特征实现田间杂草的精准自动识别的方法。该方法先利用颜色特征分割土壤背景,然后利用位置和纹理特征识别行间和行内杂草,最后利用形态特征后处理误识别的作物和杂草。在实验室内利用实地采集的3～5叶期、不同作物行数的麦田图像对该方法进行了测试。作物和杂草的正确识别率最低为89%,最高为98%;处理时间最低为157 ms,最高为252 ms。试验结果表明：基于多特征的田间杂草识别方法具有较高的识别率和较快的识别速度。     

农业自动化领域中计算机视觉技术的应用

计算机视觉技术的应用已扩展到农业自动化领域。该文介绍了计算机视觉系统的组成,概述了国内外计算机视觉技术在农业生产自动化中的应用状况,并对计算机视觉技术应用于农业自动化中存在的问题及发展前景做了概括     

垩白米粒的计算机图像识别

自行开发研制了计算机图像处理系统，用于优质稻谷国家标准GB/T 17891-1999中质量指标垩白度及垩白粒率的检测。利用该系统对6种粳米和2种籼米进行测定，结果表明，该方法具有客观性、准确性、快速性和可重复性等特点，在收购优质稻米进行快速分等定级中具有良好的应用前景。     

分形参数理论在动物CT影像处理中的研究

将分形参数理论和现代图像处理技术结合起来,对动物CT影像进行分析和处理,根据在动物骨骼的成像交界处,分形的规律性将会被破坏的基本特征,获取边界处的分形参数值H,从而判断出该处为CT图像的边界。从实验结果看,结合分形理论的分形参数算法对CT图像的处理效果优异,对家庭宠物犬和其它动物疾病的正确诊断和有效治疗提供必要的技术支撑。     

基于机器视觉的沙糖橘果皮破裂和缺陷检测

在对果皮质量进行检测分级时，破裂果、机械损伤和硬疤是沙糖橘表面常见的主要缺陷。传统的自动检测系统通常不能准确地识别这些表面缺陷。为了解决这一问题，设计了一种硬件和软件相结合的计算机视觉检测分类系统。该系统采用单CCD和LED环形光源，通过计算机协作，利用计算机视觉系统提取沙糖橘果皮的正面图像，构建了有效的图像采集方法、预处理方法、颜色模型和分割方法，采用傅里叶变换、高频滤波、形态学(方案)和分类树等方法对沙糖橘的表面缺陷进行研究，并为实际的自动化应用找到更准确和更合适的方法。结果表明，该方法的可靠性和稳定性优于传统的单一形态学的识别方法。     

基于机器视觉的水稻种子精选技术

以面积和宽长比作为稻种类型的特征参数，建立了稻种类型数据库；以等价矩形长、宽的差值最小为标准，进行了未知稻种类型的判断；以扫描线上黑白像素的变化次数和扫描线数来判断稻种的破裂；以不同阈值提取的稻种面积差来判断稻种是否霉变。选取丰源优299等10种稻种进行实验，分别进行了种子类型判断、工位有无种子判断、几何参数判断以及发霉与破损情况判断，检测正确率分别为     

基于CT和图像处理的苹果贮藏期预测模型

应用CT技术扫描不同贮藏期的富士苹果,获取含有不同贮藏期信息的CT图像,并对CT图像及图像直方图进行对比分析.结果发现,苹果的CT图像随着贮藏时间的延长呈现增亮的趋势,直方图呈现明显的双峰特性,其中代表果肉区域的右峰随着贮藏时间的延长而呈现右移的趋势.设计了一种简单快速的图像处理算法,计算CT图像的特征点灰度均值,将其与贮藏时间相对照,建立图像平均灰度值与贮藏时间的线性关系.实验验证表明该模型的预测误差较低,平均误差1.08 d.     

黄瓜霜霉病图像预处理方法研究

为了获得适合于提取黄瓜霜霉病病斑的颜色和纹理特征的预处理方法,采用邻域平均法和中值滤波法对黄瓜霜霉病病斑图像进行平滑处理并加以比较.结果表明:邻域平均法作为颜色特征参数提取前的预处理效果较好,中值滤波作为纹理特征参数提取前的预处理效果较好;其次为了有效提取黄瓜霜霉病的病斑形状,分别采用一阶微分和二阶微分对图像进行了边缘检测处理,结果表明一阶微分更适合黄瓜霜霉病斑的形状特征提取.这些研究为进一步的特征参数提取以及最终的病害确定奠定了一定的基础.     

乙醇柴油混合燃料喷雾特性的试验分析

利用由计算机控制触发时刻的脉冲光源进行照明,用数码相机在自制的实验装置上拍摄乙醇柴油的喷雾图像,并应用计算机图像处理技术对采集到的喷雾图像进行处理。试验结果表明:随着乙醇掺入比例的增加,喷雾的贯穿距略有减小,喷雾锥角增大;不同比例乙醇柴油的喷雾特性随喷油嘴启阀压力和喷油泵转速的改变而有所差异。     

基于机器视觉的水稻种子精选技术

以面积和宽长比作为稻种类型的特征参数,建立了稻种类型数据库;以等价矩形长、宽的差值最小为标准,进行了未知稻种类型的判断;以扫描线上黑白像素的变化次数和扫描线数来判断稻种的破裂;以不同阈值提取的稻种面积差来判断稻种是否霉变.选取丰源优299等10种稻种进行实验,分别进行了种子类型判断、工位有无种子判断、几何参数判断以及发霉与破损情况判断,检测正确率分别为100%、91.4%、88.9%和76.8%.