基于主动形状模型的苹果果形分级研究

苹果果形是评价苹果品质的一个重要指标。为提高果形判别的准确度和效率，首次采用主动形状模型(ASM)的方法进行苹果形态分级。根据试验确定苹果轮廓特征点数为36时为最佳特征点数，然后对不同形状的苹果进行计算机自动标定、校准，运用主成分分析法获取不同形状的苹果模型，并将模型与实际苹果进行灰度匹配，提取像素数目比等特征参数，实现苹果分级。应用结果表明，该方法对苹果果形的判别准确度高达95%，且直观性强、鲁棒性好，具有较好的灵活性。     

黄花梨果形的机器视觉识别方法研究

黄花梨的果形是分级的重要特征之一。利用机器视觉采集黄花梨图像,研究了不规则果品的形状描述方法,提出在黄花梨的分级过程中采用傅立叶变换与傅立叶反变换对来描述果形,开发了基于人工神经网络的果形识别软件。研究发现该傅立叶描述子的前１６个谐波的变化特性足以代表梨体的主要形状,采用傅立叶描述子与人工神经网络相结合的方法进行果形识别的精确率可达９０％。而且只要有合适的训练对,该方法也可以用来对其它水果进行外形识别     

基于机器视觉图像特征参数的马铃薯质量和形状分级方法

马铃薯自动分级过程中,存在既要保证分级精度又对分级速度有一定要求的难点问题。该文探讨了利用机器视觉技术快速获取马铃薯图像特征参数,结合多元线性回归方法,建立马铃薯质量和形状分级预测模型,实现基于无损检测的马铃薯自动分级。搭建了同时获取马铃薯三面投影图像的机器视觉系统,通过图像数据处理获得马铃薯俯视图像轮廓面积、两侧面图像轮廓面积、俯视及侧面图像外接矩形长度及宽度数据等图像特征参数,通过多元数据回归分析,建立了马铃薯质量和形状分级预测模型。选择100个试验样本运用该方法进行质量和形状分级模型构建和预测,采用电子称获取样本实际质量,采用目测法对马铃薯进行形状分选。对比试验结果表明,质量分级相关度系数R为0.991,形状分级分辨率为86.7%。表明该方法对马铃薯质量和形状分级进行预测具有可行性,可运用于马铃薯自动分选系统中。     

基于机器视觉的马铃薯质量和形状分选方法

马铃薯的质量和形状是机器视觉分级的2个重要特征和依据,为实现马铃薯质量与形状检测分级,该文提出了一种基于图像综合特征参数的分选方法。首先提取马铃薯俯视图的面积参数和侧视图的周长参数,通过回归分析建立马铃薯的质量检测模型,实现对马铃薯的质量分选;然后提取马铃薯俯视图像的6个不变矩参数,输入到已训练好的神经网络,完成对马铃薯形状分选。试验结果表明:该方法可以有效的检测马铃薯的质量并区分其形状,质量分选准确率为95.3%,薯形分选准确率为96%。可满足实际应用的要求。     

基于计算机视觉和神经网络检测鸡蛋裂纹的研究

为了提高鸡蛋裂纹检测的准确性和效率，综合运用计算机视觉技术和BP神经网络技术，实现对鸡蛋表面裂纹的无损检测和分级。首先，通过计算机视觉系统获取鸡蛋表面的图像，对图像分析处理，提取了裂纹区域和噪声区域的5个几何特征参数。其次，将5个参数作为输入，建立结构为5-10-2的BP神经网络模型，对裂纹进行识别和鸡蛋的自动分级。试验结果表明模型对裂纹鸡蛋的识别准确率达到了92.9%，对整批鸡蛋的分级准确率达到了96.8%。     

果型综合评价系统中的退火演化和神经网络融合方法研究

应用计算机视觉技术获取了国光、富士和黄元帅三个不同品种苹果的形状特征参数，采用退火演化算法及神经网络“融合”方法建立了分级合作的层次处理自动评价系统，实现了对果型的快速、准确综合判别。实验表明，该方法准确率达到９５％，并具有较好的鲁棒性和灵活性，能够满足多品种、大批量实时分级的需要。     

基于机器视觉形状特征参数的祁门红茶等级识别

外形是评价茶叶质量的重要指标之一,目前主要依赖人工审评的方法,客观、准确的评价外形指标对茶叶加工、销售有重要的意义。该研究提出了一种基于形状特征直方图结合支持向量机的茶叶等级识别方法。以7个等级的祁门工夫红茶为研究对象,构建图像采集系统,标定相机参数,采集各等级的茶叶图像。对图像进行灰度化、二值化处理,提取叶片的6个绝对形状特征:长度、宽度、面积、周长、最小外接矩长、宽,在此基础上计算狭长度,矩形度2个相对形状特征,生成形状特征的直方图。以直方图分布为特征向量,构建了基于BP神经网络,极限学习机(extreme learning machine,ELM),支持向量机(support vector machine,SVM),最小二乘支持向量机(least squares support vector machine,LS-SVM)的等级识别模型,并对比了不同模型的识别效果。结果表明,该文构建的图像采集系统测量精度0.3 mm,能够准确提取形状特征参数;基于形状特征直方图的LS-SVM模型识别效果最好,识别精度为95.71%,测试集决定系数为96.2%,具有算法复杂度低,易于求解的优点。研究结果为实现茶叶的客观、数字化等级鉴定,提供了试验数据和参考方法。     

基于形状特征的脱绒棉种品种识别

该文以中棉50、新陆早26、新陆早33棉花品种为研究对象,基于图像处理技术提取了脱绒棉种的面积周长类、最大径类、椭圆类和区域矩类共14个形状特征参数,并运用多元统计分析方法,利用统计学中的集中趋势指标与离散程度指标对数据进行分析,将综合特征指标作为品种判别的参数;利用SPSS软件,用逐步判别分析法建立了3个品种的识别模型,得出3个线性分类函数,经验证,预测组成员中,中棉50、新陆早26和新陆早33的正确率分别为90%,80%,100%,判别效果显著。     

基于凸包算法的鸡蛋尺寸形状在线视觉高通量检测方法

鸡蛋的尺寸形状是鸡蛋包装和销售以及种蛋挑选中需要考察的重要指标。目前鸡蛋的商品化处理需要高通量在线检测,然而检测速度和效率在高通量检测中要求较高。为了能够实现鸡蛋尺寸形状的高通量在线检测分级,该文在30000枚/h的传送装置上动态采集群体鸡蛋图像,采取有效的图像处理方法消除高速传输对鸡蛋图像的影响,结合应用凸包算法,快速准确提取出群体鸡蛋图像上的特征参数(长短轴表征尺寸大小、蛋形指数表征形状扁圆程度),最后按照尺寸大小与扁圆程度进行分级,其正确率分别为90.5%和89.3%,表明该方法对鸡蛋尺寸形状的高通量在线检测分级可行。     

基于机器视觉的田间杂草识别技术研究进展

田间杂草识别技术是实现变量喷洒除草剂以保护环境的关键所在。针对国内外在精细农业的杂草识别领域，全面、系统地分析了基于机器视觉的田间杂草识别技术的研究进展与应用状况，以促进该项技术在中国的应用和发展。分别阐述了利用植物和背景形状特征、纹理特征、颜色特征和多光谱特征识别田间杂草技术的理论依据、特征参数、研究状况和问题所在，并指出了实现田间实时识别的难点。     

基于数字图像处理的苹果表面缺陷分类方法

为了实现苹果分级完全自动化，研究了苹果表面缺陷图像分类方法。提取了苹果表面缺陷图像区域的特征参数。根据表面缺陷特征，同时考虑缺陷形状的投影畸变，提出了一种苹果表面缺陷分类方法。分类方法利用二叉树将一个复杂的多模式分类问题分解为多级的、相对简单的二类模式分类问题,并采用人工神经网络与阈值判别相结合的方法，将苹果表面缺陷分为碰压伤、刺伤、裂果、病虫果和虫伤。试验表明：该分类方法能将苹果表面缺陷进行分类。     

基于图像特征融合的苹果在线分级方法

苹果在线分级是提升苹果商品化价值的重要环节,需要同时满足分级准确度和速度要求。为进一步提高苹果在线分级效率,该文借助机器视觉技术动态采集苹果传输过程中的实时图像,提出改进的三层Canny边缘检测算法来提取苹果轮廓以克服采集图像中的光线噪声影响,通过分析苹果分级指标,采用判别树对苹果的果径、缺陷面积、色泽等特征进行初步分级判断,并采用粒子群参数优化的支持向量机对果形、果面纹理、颜色分布等特征进行模型构建与分级,最后,通过将两种分级判断结果进行决策融合来实现样本精确分级。同时,采取图像压缩和特征降维方法提高实时性。试验结果表明,基于图像特征决策融合的苹果分级准确率可达到95%,平均分级速率可达到4个/s。研究结果为水果的在线分级提供参考。     

以灌溉定额为参数的葡萄果实含糖量和果型指数的数学模型

在极端干旱条件下,以成龄无核白葡萄为研究材料,采用深层坑渗灌灌水技术,研究了不同灌溉定额对葡萄含糖量和果型指数的影响。结果表明:葡萄果粒的果型指数和含糖量服从正态分布规律;采用模糊聚类分析法将果型指数和含糖量分为6类,对各类取其平均值后发现二者之间存在很好的模糊关系;建立了以灌溉定额为参数的果型指数和含糖量模型,根据灌溉定额可明晰果型指数和含糖量的关系;初步探明了灌溉定额对葡萄含糖量和果型指数的影响规律。     

水果果形判别人工神经网络专家系统的研究

该文使用图像识别系统对果形进行自动判别。并设计了一种用于果形判别的人工神经网络专家系统。试验表明:果形自动判别专家系统方法是可行的,它较好地解决了传统专家系统所面临的知识获取和表达困难、推理能力弱、系统扩充困难、容错性差等问题。     

基于改进YOLOv4模型的全景图像苹果识别

苹果果园由于密植栽培模式,果树之间相互遮挡,导致苹果果实识别效果差,并且普通的图像采集方式存在图像中果实重复采集的问题,使得果实计数不准确。针对此类问题,该研究采用全景拍摄的方式采集苹果果树图像,并提出了一种基于改进YOLOv4和基于阈值的边界框匹配合并算法的全景图像苹果识别方法。首先在YOLOv4主干特征提取网络的Resblock模块中加入scSE注意力机制,将PANet模块中的部分卷积替换为深度可分离卷积,且增加深度可分离卷积的输出通道数,以增强特征提取能力,降低模型参数量与计算量。将全景图像分割为子图像,采用改进的YOLOv4模型进行识别,通过对比Faster R-CNN、CenterNet、YOLOv4系列算法和YOLOv5系列算法等不同网络模型对全景图像的苹果识别效果,改进后的YOLOv4网络模型精确率达到96.19%,召回率达到了95.47%,平均精度AP值达到97.27%,比原YOLOv4模型分别提高了1.07、2.59、2.02个百分点。采用基于阈值的边界框匹配合并算法,将识别后子图像的边界框进行匹配与合并,实现全景图像的识别,合并后的结果其精确率达到96.17%,召回率达到95.63%,F1分数达到0.96,平均精度AP值达到95.06%,高于直接对全景图像苹果进行识别的各评价指标。该方法对自然条件下全景图像的苹果识别具有较好的识别效果。     

基于电子鼻系统的水果腐败过程表征方法

为了研究水果腐败过程的新的表征方法,该文采用便携式电子鼻系统试验研究了苹果、梨、桃子、李子、葡萄5种水果的腐败过程,采用非线性随机共振技术提取水果霉变程度特征信息,苹果腐败过程中产生的挥发特征气体量不断上升,而梨、桃子、李子和葡萄在该过程中挥发气体量先达到最大值后下降,结果表明电子鼻系统可以快速表征水果的腐败过程,这为水果腐败机理研究提供了一种新表征技术手段。     

基于电学特征的苹果水心病无损检测

为了探寻快速而准确的苹果水心病无损检测新方法,该文以‘秦冠’水心病疑似病果和好果作为试材,逐果采集11个电学指标在100 Hz~3.98 MHz间13个频率点的特征值,然后切开并统计真实发病情况。利用主成分分析结合不同分类模型进行好果与病果判别分析,结果选取方差累积贡献率大于90%的主成分15个,Fisher判别、多层感知器人工神经网络(multi-layer perceptron,MLP)对好果和病果的判断正确率均随着主成分数的增加而增大,并分别在主成分数量达到前13、10时趋于稳定水平93.3%、95.4%。径向基人工神经网络(radical basis function,RBF)结合15个主成分判别的正确率75.1%。水心病引起介电损耗系数D、复阻抗相角deg、串联等效电容Cs和并联等效电容Cp及相对介电常数(ε')、损耗因子(ε")共6个参数在低频区(100~10 000 Hz)的观测值高于好果,是电学法能够对水心病果和好果进行‘识别’的原因。同时发现,利用低频率下(100~25 100 Hz)损耗因子(ε")值结合MLP或RBF人工神经网络模型对水心病果和好果识别正确率均能达到100%,是一种简便而高效的苹果水心病无损检测方法,可为今后进一步研发苹果果实水心病在线无损检测仪器提供理论与技术依据。     

融合光谱形态特征的苹果霉心病检测方法

针对轻微霉心病和健康苹果光谱差异较小,致使基于可见/近红外特征光谱的检测方法对轻微霉心病检测准确率较低的问题。该研究将光谱形态特征与光谱特征融合的方法引入霉心病模型构建,建立了融合光谱形态特征的判别模型。以215个苹果可见/近红外光谱为样本,分析了不同预处理和特征提取组合对建模效果的影响,并完成了光谱特征的提取;分析健康果和霉心病苹果平均光谱的差异性,提取波峰、波谷等差异明显的光谱形态特征点,对比波段比、波段差和归一化强度差三类形态特征获取方法;最终建立光谱形态特征参数和光谱特征融合的苹果霉心病模型。试验结果表明,归一化预处理后提取的特征光谱和归一化强度差形态特征融合后模型判别准确率最高,在支持向量机模型中训练集、测试集判别准确率分别为98.6%和96.3%。特别是当发病程度小于10%时,该研究的判别模型准确率高于95%,表明通过融合光谱形态特征可以提升轻微病变霉心苹果的判别准确率。     

机器人采摘苹果果实的K-means和GA-RBF-LMS神经网络识别

为进一步提升苹果果实的识别精度和速度,从而提高苹果采摘机器人的采摘效率。提出一种基于K-means聚类分割和基于遗传算法(genetic algorithm,GA)、最小均方差算法(least mean square,LMS)优化的径向基(radial basis function,RBF)神经网络相结合的苹果识别方法。首先将采集到的苹果图像在Lab颜色空间下利用K-means聚类算法对其进行分割,分别提取分割图像的RGB、HSI颜色特征分量和圆方差、致密度、周长平方面积比、Hu不变矩形状特征分量。将提取的16个特征作为神经网络的输入,对RBF神经网络进行训练,以得到苹果果实的识别模型。针对RBF神经网络学习率低、过拟合等不足,引入遗传算法对RBF隐层神经元个数和连接权值进行优化,采取二者混合编码同时进化的优化方式,最后再利用LMS对连接权值进一步学习,建立新的神经网络优化模型(GA-RBF-LMS),以提高神经网络的运行效率和识别精度。为了获得更精确的网络模型,在训练过程中,苹果果实连同树枝、树叶一块训练;得到的模型在识别过程中,可一定程度上避免枝叶遮挡对果实识别的影响。为了更好地验证新方法,分别与传统的BP(back propagation)和RBF神经网络、GA-RBF优化模型比较,结果表明,该文算法对于遮挡、重叠果实的识别率达95.38%、96.17%,总体识别率达96.95%;从训练时间看,该文算法虽耗时较长,用150个样本进行训练平均耗时4.412 s,但训练成功率可达100%,且节省了人工尝试构造网络结构造成的时间浪费;从识别时间看,该文算法识别179个苹果的时间为1.75 s。可见GA-RBF-LMS网络模型在运行效率和识别精度较优。研究结果为苹果采摘机器人快速、精准识别果实提供参考。