排序方式: 共有25条查询结果,搜索用时 15 毫秒
1.
提出一种基于颜色和纹理信息的木板材表面节疤缺陷区域检测方法。首先,根据木板材表面图像中正常区域和缺陷区域的颜色差异,通过颜色直方图自动获取缺陷区域的种子点;然后,提出一种纹理扩散算法,它从种子点出发,基于图像局部纹理特征搜索缺陷区域的边缘。此外,改进了局部二进制模式算子,提出一种LBP-TD算子以更好地适应纹理扩散。实验结果表明:针对各种常见的木板材节疤缺陷,当缺陷区域与正常木纹区域的颜色、纹理存在较明显差异时,无论木纹本身是否规则,本文方法都能准确地检测出木板材节疤缺陷的区域;而当缺陷区域与正常木纹区域的颜色、纹理的差异均不明显时,本文方法仍能检测出缺陷区域的大致轮廓。数据对比显示了本文方法的误检率要低于传统的OTSU法。 相似文献
2.
一种基于混合纹理特征的木板材表面缺陷检测方法 总被引:1,自引:0,他引:1
利用计算机视觉技术检测木板材表面缺陷。提出了一种基于混合纹理特征的表面缺陷检测算法,能准确、鲁棒地检测出木板材表面图像中是否有缺陷。首先,分别使用灰度共生矩阵方法、Gabor滤波方法和几何不变矩方法提取了10个优化后的图像纹理及尺度、平移、旋转不变特征;然后,对特征向量进行有效组合;最后,基于融合后的混合纹理特征向量,应用BP人工神经网络对样本集进行训练和检测。实验表明,该方法能准确地对木板材表面缺陷进行检测,平均检测成功率达96.2%。 相似文献
3.
高光谱技术在常规水稻种子活力检测中的应用 总被引:1,自引:0,他引:1
[目的]实现常规水稻种子活力的快速自动化检测。[方法]采用高光谱成像技术(波长范围874~1 734 nm),提取甬籼69和中早39 2种常规水稻种子未老化、老化48 h和老化72 h的光谱反射率,在提取样本光谱时采用小波变换(WT)剔除像素点光谱噪声部分,并基于全波段光谱建立了支持向量机(SVM)判别分析模型。[结果]未老化种子与老化种子可以准确识别,而老化48 h种子与老化72 h种子之间无法准确识别,与基于种子活力参数的测量结果相符,且不同水稻品种对老化的反应存在差异。[结论]高光谱成像技术结合化学计量学方法用于种子活力的快速自动化无损检测是可行的。 相似文献
4.
一种基于形态学的木材导管图像分割方法 总被引:1,自引:2,他引:1
木材识别对木材科学和产业具有重要的意义,微观识别方法准确性高但过程繁琐,只有木材专家才能掌握。基于图像的智能木材识别方法是通过自动提取木材的识别特征来识别木材。该文提出了一种基于显微结构图像的木材导管自动提取方法,运用数学形态学的腐蚀、膨胀及开、闭运算进行去噪处理和边缘增强,将导管形态从阔叶材横切面显微图像中成功地提取出来。该方法为定量分析和提取阔叶材管孔式特征奠定了基础,是对基于图像的智能木材识别技术的有益探索。大量的试验表明,该方法是有效的。 相似文献
6.
为了实现市场上常见红酸枝类Dalbergia spp.木材的快速无损识别,利用高光谱成像技术对不同红酸枝木材进行种类识别研究。以交趾黄檀 Dalbergia cochinchinensis,巴里黄檀 Dalbergia bariensis,奥氏黄檀Dalbergia oliveri和微凹黄檀 Dalbergia retusa为研究对象,采集高光谱图像并提取感兴趣区域内的反射光谱,采用Savitsky-Golay(SG)平滑算法、标准正态变量变换(SNV)和多元散射校正(MSC)对955~1 642 nm 波段光谱进行预处理,并通过主成分分析法(PCA),回归系数法(RC)以及连续投影法(SPA)选择特征波长,分别建立了偏最小二乘判别分析(PLS-DA)和极限学习机(ELM)判别分析模型。研究结果表明:经SG和MSC光谱预处理,采用SPA选择的特征波长建立的ELM模型性能最优,建模集和预测集的识别率均为100.0%。这为红酸枝木材种类的快速无损识别提供了新的方法。图5表4参17 相似文献
7.
基于分块LBP的树种识别研究 总被引:2,自引:2,他引:0
本文基于获取便捷的木材体视图进行木材树种自动识别研究。首先对木材图像进行标准化预处理,然后采用分块LBP提取特征,分别使用欧式、卡方、衰减3种不同的距离进行分类,最后采用最近邻进行识别。讨论了木材图像特征分块方式对识别结果的影响,并比较了在不同距离下的识别效果。结果表明:采取不同的分块方式对最终的分类影响较大,其中沿着... 相似文献
8.
种子活力光学无损检测技术研究进展 总被引:4,自引:0,他引:4
种子活力检测是种子检测中的重要一环,国际种子检验协会建议的检测方法主要有标准发芽实验法、TTC染色法、电导率测定和加速老化试验等方法。这些检测方法具有检测结果显示直观、测量准确等优点,但也存在对种子有破坏作用、检测过程复杂和耗时耗力等缺点。随着现代免耕直播技术的发展,对种子活力的检测在速度和无损性方面提出了更高的要求,而传统方法难以实现快速无损检测目标。基于光学技术的种子活力检测方法具有效率高、无损的特点,近年来得到了国内外相关学者的关注。本文对光学技术在种子活力检测上的应用进行了综述,介绍了X光、近红外光谱、高光谱、光声光谱、可调谐半导体激光吸收光谱和色选技术等光学技术在种子活力检测中的研究,并对光学技术在种子活力检测的前景进行了展望。 相似文献
9.
对水稻种子呼吸产生的CO2进行实时检测,探究水稻种子呼吸强度与各项活力指标的相关性,为通过呼吸强度测量进行种子活力的无损检测提供实验依据。利用自主设计的基于可调谐二极管激光吸收光谱(TDLAS)技术的种子呼吸检测系统,实时检测种子呼吸产生CO2气体浓度的变化。选取梦两优黄莉占不同收获期的水稻种子,每个收获期的种子分成2份,一份进行发芽试验获取种子活力指标,另外一份经过消毒、浸泡等预处理后,放入种子呼吸容器中在密闭环境下进行呼吸强度检测。每次连续检测约10 h,每组样本重复测量3次取平均值。水稻种子分别经过0、12、24、36、48 h的浸泡,发现在一定浸泡时间内种子呼吸强度随着浸泡时间的增加而增强。在连续10 h检测后,呼吸强度最高的浸泡时间段是36 h,CO2气体浓度达到10 151 mg·m-3,未浸泡的干种子呼吸强度最弱,CO2气体浓度为388 mg·m-3;水稻种子呼吸强度与发芽率、发芽势、发芽指数、淹水3 d发芽率、田间出苗率均具有一定的相关性,相关指数最高可达到0.97、0.96、0.97、0.77及0.65。研究表明,梦两优黄莉占水稻种子在浸泡36 h左右可以达到较高的呼吸强度,呼吸强度随着呼吸时间的增加呈现先增长后趋缓状态,种子的呼吸强度与各项活力指标均呈现较高的正相关性。 相似文献
10.
植物外观特征自动获取及计算机辅助植物分类与识别 总被引:3,自引:0,他引:3
植物的分类与识别是植物学研究和农林业生产经营中的重要基础工作,其主要依据是植物的外观特征.现代数量分类的方法就是通过大量提取特征数据,进行聚类分析,获得分类结果,并以此为根据进行植物的鉴别.传统做法都是手工测量采集原始数据,效率较低.由于外观特征可以通过数字图片方式获得,运用计算机图像处理分析等技术采集数据并做聚类分析将大大提高效率,关键问题在于特征的自动分析和获取.在基于叶子特征的计算机辅助植物识别模型和叶缘锯齿特征提取研究的基础上,提出了计算机辅助植物分类与识别的系统方案,并对相关技术进行了分析.图5参19 相似文献