基于图像处理的青冈栎叶绿素含量检测系统研究

为了实时、便捷、经济地获取植物叶绿素含量,研究了基于OPENCV机器视觉库的青冈栎叶绿素含量实时检测系统。首先通过数码照相机获得叶片图像,对图像进行阈值分割,图像噪声处理和图像遍历,获得图像R、G、B值。然后对图像R、G、B进行各种组合变化获到不同的图像颜色特征参数,分析各图像颜色特征参数与青冈栎叶片叶绿素含量的相关性,并对相关系数较高的叶片图像颜色特征参数与叶绿素含量进行拟合分析,结果显示图像特征参数R、R-B、(R-B)/(R+B)均达到非常显著相关。在此基础上建立叶绿素含量检测模型,基于C++程序语言,OPENCV视觉库以及QT4界面程序,编写青冈栎叶绿素含量检测系统。最后将系统检测结果与其他方法进行了比较,系统检测结果平均误差为7.19%,最大误差为12.65%,验证了该系统的有效性和准确性。     

计算机图像技术在牛肉品质检测中的应用(综述)

概述了计算机图像技术在牛肉嫩度、牛肉胴体等级、活体牛肉品质检测中的应用.颜色、大理石纹特征、纹理特征等图像外观特征是计算机可见光图像技术无损检测牛肉内在品质--嫩度的主要方法.计算机可见光图像技术用于检测牛肉胴体等级,通常采用统计彩色图像中R、G、B或L、a、b分量灰度值来确定颜色级别,用统计像素点的方法来确定眼肌肉中脂肪分布和面积,用灰度共生矩阵和行程长度等纹理特征来计算大理石纹分值.超声波图像技术可以用于对活体牛肉品质进行评估,此方法有较好的可重复性和准确性.最后提出了当前需进一步研究的问题.     

基于FCM的彩色牛乳体细胞图象分割方法

图像分割是进行图像处理的基础,是图像工程技术中的1个重要问题.本文在分析了FCM算法的基础上,采用R和G 2个颜色值对彩色牛乳体细胞图像进行了分割,并与利用R、G和B 3个颜色值方法的进行了比较,实验结果表明,该方法不仅具有良好的分割效果,而且提高了分割速度.     

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Matlab7.0的大豆苗期土壤背景与杂草分割算法

解决大豆苗期图像中的土壤背景分割是大豆田间杂草识别的前提和基础.为了解决大豆苗期田间杂草识别中受光照影响及环境适应性差等问题,通过对400幅不同环境下苗期大豆图像的植被颜色和背景颜色分量的统计分析,得出用3基色红(R)绿(G)蓝(B)合成的同一像素点,绿色植被图像的颜色分量G值都大于R和B值,而背景则恰恰相反.研究表明,采用G-R和G-B双阈值颜色特征分割进行土壤背景分离取得了很好的效果,此方法较2G-R-B颜色特征分割法对绿色植物和土壤背景的分离更为有效,可广泛应用于处于各种农作物田间杂草识别及其它绿色植被分割中受光照变化影响较大的领域.     

基于图像信息的马铃薯薯形检测方法研究

马铃薯按薯形分级是提高其经济价值的重要方法。作者提出了一种基于图像边缘信息的薯形检测方法。从马铃薯BMP图像中提取R、G、B分量,利用R+G-B构建灰度图像,经开、闭形态学处理和二值化处理后,运用canny算子检测出边缘点信息;最后利用最大横径与最大纵径的比值作为形状特征参数,建立马铃薯薯形的预测规则。试验结果表明,该方法可以有效地判断马铃薯薯形,为在线检测马铃薯形状奠定了基础。     

基于图像信息的马铃薯薯形检测方法研究

马铃薯按薯形分级是提高其经济价值的重要方法。作者提出了一种基于图像边缘信息的薯形检测方法。从马铃薯BMP图像中提取R、G、B分量,利用R+G-B构建灰度图像,经开、闭形态学处理和二值化处理后,运用canny算子检测出边缘点信息;最后利用最大横径与最大纵径的比值作为形状特征参数,建立马铃薯薯形的预测规则。试验结果表明,该方法可以有效地判断马铃薯薯形,为在线检测马铃薯形状奠定了基础。     

基于颜色特征的叶片含水率与比叶重估算模型初探

通过不同氮素营养水平的水培试验,采用线性拟合和逐步回归分析,建立了黄瓜叶片干基含水率与比叶重的颜色特征估算模型。结果表明:颜色特征与叶片干基含水率、比叶重的线性拟合分析中,S、G/(R G B)、B/(R G B)、G/R、G/B、G-R和H/S构成的颜色特征变量的相关系数与叶片干基含水率相关密切;S、G/(R G B)、B/(R G B)、G/R、G/B、G-R、H/S和H/I构成的颜色特征变量的相关系数与叶片比叶重相关密切。运用逐步回归分析技术找出了G/(R G B)和G-R可以作为叶片干基含水量估算的主要颜色特征参数;G/(R G B)和H/I是叶片比叶重估算的主要颜色特征参数。     

基于冠层颜色特征的大豆缺素症状识别研究

【目的】针对寒地大豆发生缺素症状时冠层颜色变化复杂性,建立基于冠层图像颜色特征的大豆缺素症状识别新方法。【方法】采用无土盆栽试验,以垦农18为供试大豆品种,设计缺氮、缺磷、缺钾3种营养状况,采集大豆缺素症状的冠层图像样本,利用图像灰度直方图结合主成分分析方法,提取大豆冠层图像的红光值R、绿光值G、蓝光值B,计算最佳颜色特征蓝光标准化值B/(R+G+B)和绿光标准化值G/(R+G+B),将其作为正则化模糊神经网络输入向量,并利用实数编码的遗传算法改进传统梯度下降学习算法,将其作为模糊神经网络的学习方法,同时应用传统梯度下降算法和改进梯度下降算法训练神经网络参数并比较。【结果】应用遗传计算改进的梯度下降学习算法计算时,迭代次数为277次,其各项计算指标均明显优于传统梯度下降算法,大豆缺素症状识别准确率达100%;而采用传统的多元线性回归方程和BP神经网络算法计算时,识别准确率分别为52.50%,68.33%。【结论】以大豆冠层图像颜色特征为基础,利用改进学习算法的神经网络模型,能够快速有效地挖掘出大豆缺素症状与颜色特征向量之间的模糊逻辑映射关系,为大豆缺素症状识别提供了一种快速且准确的方法。     

成像环境因素对烟叶图像采集结果的影响及校正研究

【目的】研究灯箱中采集烟叶图像时照明电压、不同品牌数码相机、聚焦距离及相机分辨率等成像环境因素对图像识别结果的影响，用相对颜色法对因成像环境因素影响而引起的烟叶图像颜色变异进行实时校正。【方法】通过试验筛选出颜色表现稳定的聚四氟乙烯材料作为颜色参照白板，在灯箱环境中，设置不同的因素处理，用数码相机同期采集烟叶与颜色参照白板图像，通过分析烟叶图像R、G、B颜色特征变化来确定成像环境因素构成的影响。提取烟叶图像三颜色分量与颜色参照白板对应颜色分量的比率，即相对颜色分量作为校正烟叶图像识别误差的特征参量。【结果】照明电压、不同品牌数码相机、相机分辨率相同而聚焦距离不同均使烟叶图像颜色产生变异，从而出现识别误差。【结论】相对颜色法能够实时校正识别误差，降低因成像环境因素影响而产生的颜色变异，为规范烟叶图像的数字采集环境奠定了基础。     

脐橙外部品质计算机视觉检测技术初步研究

根据脐橙图像的特点和分级标准,运用计算机视觉和神经网络算法对脐橙进行自动检测与分级。采用中值滤波和线性低通滤波技术对原始脐橙图像进行平滑、去噪,在对脐橙图像像素点颜色信息统计的基础上,通过设置蓝色分量、色调、饱和度的阈值,从图像中快速准确的分割出果实图像;确定果实横径、果形、表面缺陷率、色泽与着色率为脐橙外部品质分级的特征参数;通过BP神经网络建立了特征参数与脐橙等级之间的关系模型,试验结果表明,其预测准确率达到85％。     

基于计算机视觉的红枣叶片病害严重度估测方法

对红枣叶片病害严重度的精准评估是采取有效防治的关键,而传统的评估方法费时费力。该研究以病斑严重度不同导致的颜色特征差异为依据,提出了一种基于计算机视觉的红枣叶片病害严重度估测方法。对叶片病斑图像预处理后,提取基于R、G、B颜色空间的8个特征向量作为模型的输入变量,以正常、轻微、一般和严重作为模型的输出,利用GA-BP神经网络建立了红枣叶片病害严重度的估测模型。实验结果表明,模型可实现对红枣叶片病害严重度的快速识别,识别精度达到了87%以上。     

基于模糊理论的树冠图像边缘检测算法研究

介绍了一种变量施药的靶标识别方法,采用T-S模糊模型,根据绿色植物和背景颜色的特征值(R、G、B)差异性,采用超绿指标[Excess green,ExG]来区别靶标与背景的隶属度,定义了噪声和边缘隶属度函数,根据模糊推理结果,对植物叶片图像去除噪声后再进行边缘检测,可有效检测图像边缘。降低算法的复杂度,提高了效率,在抗噪性能方面能有效地避免噪声的干扰、节约时间、运算速度快。     

基于改进颜色特征的小麦病害图像识别技术研究

[目的]介绍一种根据小麦病害图像的颜色特征进行病害识别的方法。[方法]首先对小麦叶部图像进行预处理,利用小波变换进行病害部位增强和去噪;然后基于病害部位的非绿特征进行图像分割,得到只包含病害像素的图像;对病害图像颜色进行统计,得到R、G、B分量的均值,并用相对于绿色分量的均值比作为颜色特征值;最后通过分析样本图像得到每种病害的特征值范围,利用颜色特征值对未知样本进行病害识别。[结果]采用该方法对小麦叶锈病、条锈病、白粉病进行识别,平均准确率达到98%。[结论]为小麦病害的诊断与诊治提供了理论依据。     

基于图像识别的边坡表面位移检测方法研究

针对边坡表面状态发生的变化检测,提出了一种新的智能检测方法。人工设置两类标识体,一类为定位标识,一类为观测标识。用图像识别方法对标识体的质心进行提取和计算,通过一定的判别准则来判断边坡的表面位移状况。具体处理方法为先将图像转换到HIS空间,根据设定的颜色提取感兴趣区域。进行图像边缘二值化处理,计算出感兴趣区域的中心坐标值。实验证明,该方法具有鲁棒性好、检测准确率高等特点。     

基于图像处理的烘烤过程中烟叶含水量检测

【目的】量化烘烤过程中烟叶形态变化的数值特征指标,实现烘烤过程烟叶水分含量的无损检测。【方法】以密集烤房中不同烘烤阶段的烟叶为研究对象,先利用图像处理技术提取鲜烟叶及烘烤过程中烟叶图像的颜色特征（红分量（R）、绿分量（G）、蓝分量(B)）及纹理特征(纹理能量、纹理熵、纹理惯性、相关度),以其为输入指标,分别建立烘烤过程中烟叶含水量的BP神经网络模型和基于遗传算法的最小二乘支持向量机预测模型。用建立的2个模型对烘烤过程中烟叶含水量进行预测,并比较其预测精度。【结果】烟叶图像颜色特征R、G、B分量表现出变黄期剧烈上升,定色前期缓慢上升并达到最大值,定色后期至烘烤结束逐渐下降的变化趋势;纹理能量和相关度呈现出变黄前期减小,变黄后期增大,定色及干筋期逐渐减小的趋势;纹理熵、纹理惯性表现出变黄前期增大,变黄后期减小,定色及干筋期逐渐增大的趋势。以烟叶颜色和纹理特征值作为输入变量,建立了烘烤过程中烟叶含水量的BP神经网络预测模型和基于遗传算法的最小二乘支持向量机预测模型,其预测平均绝对误差分别为0.037 4和0.017 0,预测误差标准差分别为0.048 5和0.020 0,前者预测精度略低于后者,但2个模型均可以满足烘烤过程中烟叶水分含量实时检测的需要。【结论】图像处理技术可以精确量化烘烤过程中烟叶的形态特征变化;利用建立的BP神经网络模型和基于遗传算法的最小二乘支持向量机模型可以实现对烟叶含水量的精确估测。     

基于Bayes的竹片颜色检测分级方法

为了采用机器视觉对竹片自动识别与颜色分选,研究了一种基于竹片图像颜色特征与纹路特征和Bayes分类器的颜色分类方法.首先,对灰度图像采用Canny算子进行边缘检测,再利用Hough变换对竹片进行边缘定位,并对倾斜竹片实施旋转校正,以确定待检测竹片在图像中的具体位置.根据竹片的位置提取竹片区域平均颜色特征及纹路特征,将其作为样本的属性特征,采用Bayes训练的颜色等级作为输出,建立特征参数与颜色等级之间的Bayes分类器,上位机获得分级信号后经串口通过下位机实现竹片的自动分级.试验结果表明,该方法对竹片颜色检测准确率达到91.7%,可为竹制品行业的竹片颜色自动在线检测提供理论依据.     

基于颜色直方图和LBP-TD算子的木板材节疤缺陷区域检测

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。