基于机器视觉的核桃仁大小自动分级技术

为了改善我国核桃仁外观品质人工检测速度慢、精度低、费时费力的现状,提出1种基于机器视觉和图像处理技术的核桃仁大小检测方法。构建图像采集系统以获得与背景颜色对比度明显的待检核桃仁图像;通过灰度变换、中值滤波,降低了图像处理计算数据量,提高了图像信息的可读性;通过阈值分割和区域填充,得到了清晰完整的核桃仁区域分割图;使用像素统计法计算核桃仁像素面积;提出1种自适应平均算法对样本学习训练,进而计算出大小分级阈值;以Lab Windows/CVI 2012为开发平台,借助其图像采集和图像处理函数,设计配套的核桃仁大小自动分级软件。结果表明,该方法在实验室条件下可实现核桃仁大小分级,分级正确率达90.0%以上。     

基于机器视觉的咸蛋在线自动分级

咸蛋在腌制过程中存在着品质上的差异,需要在出厂前进行检测和分级。在输送带上采集咸蛋的动态图像后,首先对彩色图像进行预处理:采用数学形态学运算及去除小面积对象法来确定二值图像的目标区域。根据二值图像的凸凹程度来判断目标区域是否漏光。应用搜索突变点来消除漏光区域,再用最小二乘法拟合漏光的鸭蛋图像边界,对二值图进行标记并提取单个目标区域。然后,应用彩色空间法提取图像的6个特征描述参数,采用最小误差选择法确定分类建立咸蛋品质检测模型。试验结果表明,模型检测精度达到93%以上,分级效率为5400个/h,利用模型对咸蛋进行分级是可行的。     

基于机器视觉的核桃仁分级方法

机器视觉检测技术在农产品的检测中应用越来越广泛,核桃在脱青皮、干燥、储藏过程中可能发生变质,核桃仁表皮的色泽会发生变化,破壳取仁的过程也可能造成核桃仁碎裂。本研究通过机器视觉的方法代替人工对核桃仁从颜色与完整度上的分级,对核桃仁图像进行预处理与分割,并提取色调、饱和度、核桃仁轮廓面积与最小外接圆面积之比等特征,通过机器学习的方法建立决策树模型对核桃仁样本进行预测,总体正确率达到92%,为核桃仁的自动分级提供了参考。     

基于机器视觉和机器学习技术的浙贝母外观品质等级区分

为区分浙贝母外观品质等级,本研究利用数字电子眼系统及图像标注工具构建浙贝母数据集,选择若干统计学习算法和目标检测算法在该数据集上进行训练与测试。结果表明：目标检测算法YOLO(you only look once)系列YOLO-X所得模型的效果最佳。为优化YOLO-X,根据浙贝母数据集的特点,针对性地向YOLO-X的主干特征提取网络末端嵌入空洞卷积结构,以加强模型对尺度特征的敏感度。改进后模型（空洞率为4）的平均精确率均值为99.01%,对于特级、一级、二级、虫蛀、霉变、破碎浙贝母的平均精确率分别为99.97%、98.33%、98.47%、98.71%、99.73%、98.85%,精确率和召回率的加权调和平均数（F1）分别为0.99、0.92、0.94、0.97、0.99、0.97。本研究在不增加参数量、计算量或者对算法进行大规模改动的情况下,改善了模型的检测效果,为后续浙贝母检测平台的搭建提供了科学依据。     

基于机器视觉的百合切花分级方法研究

为了提高百合切花分级生产自动化程度,依据百合切花分级国家标准,对百合切花的花蕾数目与花径长度的识别进行了分析研究.搭建了百合切花图像采集系统,对采集图像进行背景分割,利用超绿特征(2g-r-b)建立切花的花蕾分割模型.采用Matlab软件编程进行花蕾目标图像的计数,分析了花蕾计数误差产生的原因,并采用小面积去除与图像骨架化方法提出花蕾修正计数方法,给出利用分割后的花蕾图像计算花径的简单方法.本分级方法在试验中按照国家标准进行百合切花分级的平均精度为82.3%.     

基于计算机视觉的杜鹃自动分级方法

随着我国花卉产业的蓬勃发展,花卉的自动化生产已经成为了必然趋势。提出了基于计算机视觉的杜鹃分级方法,对杜鹃的侧视图、俯视图进行图像分割,通过分析计算,得到株高、冠径、花盖度、花朵分布均匀度4项关键指标。对60盆杜鹃的分级试验结果表明,综合分级正确率达96.7%,其中株高的平均测量误差为5mm,冠径的平均测量误差为7mm,而对花盖度及均匀度的分级正确率分别达98.3%和96.7%,并可测出准确的分级参数,用于杜鹃的培育分析。该分级方法准确,实时性高,为杜鹃自动化分级提供了有效的途径。     

基于机器视觉技术的单粒葡萄质量与果径预测分级研究

[目的]采用机器视觉技术,针对新疆无核白和红提单粒葡萄的质量和果径大小进行预测和分级研究.[方法]在不同的颜色特征空间模型,预处理原始图像,采用最大类间方差法分割目标区域;采用数学形态学方法去除二值图像中部分果梗及噪声点,获得最佳二值图像;基于二值图像,分析获取单粒葡萄的几何特征;最后,分别采用一元线性回归法和偏最小二乘回归法预测单粒葡萄的质量和果径,采用二次判别分析法对单粒葡萄的质量和果径进行分级.[结果]利用短轴与果形指数特征相结合建立的偏最小二乘回归模型可有效预测单粒葡萄的质量和果径,预测决定系数达到0.98和0.945;基于该特征组合的二次判别分析法可用于单粒葡萄的质量和果径分级,准确率超过85;.[结论]机器视觉技术能够较准确预测单粒葡萄的质量和果径,并能对质量和果径进行分级.     

基于机器视觉的核桃仁特征提取与分级方法研究

基于机器视觉技术研究出一种适合新疆核桃仁分级特征提取与分级的方法。该方法利用已经完成图像预处理的实时采集的样品核桃图像,运用OpenCV完成从RGB到HSV的颜色空间转换,提取核桃仁颜色和完整度特征,建立原始特征矩阵特征,利用mRMR特征选择算法筛选原始特征集并对特征的重要性进行排列,最后通过对支持向量机、决策树和朴素贝叶斯3种机器学习算法进行模型训练和测试,得出最佳分级方法。结果表明,在使用特征bin19、K_1和bin15训练朴素贝叶斯分类器时,核桃仁的分级正确率达到最大,为97.33%。故得出基于机器视觉研究出的核桃仁特征提取与分级方法可以完成对核桃颜色和完整度的分级任务的结论。     

基于机器视觉技术的鸡翅质量预测

旨在设计一种基于机器视觉技术对鸡翅质量智能识别的方法,实现对鸡翅质量的预测。运用机器视觉技术采集140根鸡翅的俯视和侧视图像建立图像库,并对库中图像进行灰度化、形态学运算等处理;分别提取鸡翅俯视图和侧视图的面积、轮廓周长、长轴、短轴特征,并采用相机标定方法计算出实际各项特征值,分别建立鸡翅实际质量和样本实际特征值之间的一元线性、幂指数及多元混合预测模型。试验结果显示,采用多元混合预测模型效果最佳,相关系数达到0.971 7,估计误差方差为0.505 5;运用检验数据对该预测模型进行验证,得到预测鸡翅质量与实际鸡翅质量的绝对误差均值为0.265 6 g,相对误差均值为0.57%。试验结果表明,基于机器视觉技术的鸡翅质量预测方法可行,可应用于鸡翅质量分级。     

基于机器视觉的核桃仁动态分级研究

【目的】基于机器视觉技术研究出一种适合新疆核桃仁动态分级处理的方法。【方法】利用实时采集且已经完成图像预处理的样品核桃图像得到核桃仁特征集合,运用mRMR特征选择算法筛选原始特征集并对特征的重要性进行排列,通过对支持向量机、决策树和朴素贝叶斯三种机器学习算法进行模型训练和测试,得出最佳分级方法,设计核桃仁自动追踪方法和动态分级流程,构建的核桃仁自动分级系统。【结果】在使用特征bin19、K₁和bin15训练朴素贝叶斯分类器时,核桃仁的分级正确率达到最大为97.33%,在动态条件下运用构建的核桃仁自动分级系统对150个核桃仁进行分级测试,正确率为81.33%。【结论】基于机器视觉研究出的核桃仁特征提取与分级方法、核桃仁动态分级处理动作方法,可以有效完成对核桃颜色和完整度的分级。     

基于机器视觉的双孢蘑菇分级算法

针对双孢蘑菇智能精选分级需求,提出基于机器视觉的双孢蘑菇分级算法。首先提出以全局阈值分割法与最大熵阈值分割法相结合的第1次分水岭算法,去除图像的阴影;其次提出Canny算子与或运算和闭运算结合的第2次分水岭算法,去除柄部干扰;最后采用最小外接矩形法求得双孢蘑菇的直径。通过在试验样机上进行试验发现,该方法可以很好地克服图像采集时阴影的存在和双孢蘑菇柄部对最大直径的影响,且可达到预期效果。     

基于机器视觉的苹果品质在线分级检测

目前苹果分级自动化程度较低,为了实现苹果品质自动、快速、准确分级设计了一套苹果智能在线检测分级系统。以寒富苹果为测试对象,采用机器视觉技术对苹果分级进行研究。采用阈值分割的方法分割苹果正面图像,逐像素遍历法提取苹果外部轮廓,通过计算其各点到重心的距离提取苹果大小特征,同时计算苹果横径与纵径比提取果形特征。采用支持向量机方法分割侧面苹果图像,计算苹果红色像素占苹果像素的比例提取颜色特征,利用Fisher统计识别的方法提取苹果缺陷。实现了整个分级系统的硬件搭建以及软件的功能,利用该系统对400个苹果样本进行了分级试验,结果表明该系统分级的苹果总体正确率达到95%。设计的基于机器视觉的苹果智能在线检测分级系统克服了传统分级方法的不足,加快了苹果品质分级自动化速度,对水果品质分级等领域有重要研究意义。     

基于机器视觉核桃大小分级系统的软件设计

在基于机器视觉核桃大小分级系统硬件的基础上,完成分级系统软件的设计,并进行核桃大小分级的初步测试,设计主要包括3个方面,在相机生产厂家提供的软件开发工具包(SDK)上,基于VS 2010开发工具,进行相机的二次开发;利用VS 2010开发工具自带的窗口界面工具MFC开发程序界面;通过编写的图像处理程序完成对相机实时图像的采集和处理,并将处理结果实时显示在程序界面上。经初步试验验证,该系统软件对核桃大小分级正确率为88%。     

基于机器视觉技术的田间籽棉品级抽样分级模型研究

【目的】客观评价田间籽棉质量。【方法】依据中国籽棉品级分级标准，基于机器视觉技术选取棉花尺寸、色泽特征建立田间籽棉品级抽样分级模型。【结果】相关分析表明：亮度修正后，图像特征与籽棉品级之间相关显著。贝叶斯判别分析结果表明：基于10折交叉验证建立的籽棉品级判别模型的识别率在75.00％～92.86％之间，模型的平均识别率达83.20％。基于“1个标准误差”规则选取较好的贝叶斯判别模型，它在独立数据集上的泛化精度达89.11％，其中，前3级籽棉的识别率均达到100％。【结论】基于机器视觉技术识别籽棉品级是可行的，有利于提高籽棉品级抽样分级模型精度。     

基于计算机视觉的三七主根质量的分级方法

选取干燥后的三七主根样本110个,运用计算机视觉技术获取三七主根样本图像,对图像进行灰度化、二值化以及形态学运算,提取长、宽、投影面积等特征值。结果表明,三七主根的形状可分为锥形和瘤形,分别对2种主根建立投影面积和质量的关系预测模型,三七主根的质量和投影面积呈线性相关,锥形三七主根与瘤形三七主根投影面积和质量预测模型的决定系数R2分别为0.984 9和0.986 6。采用十折交叉验证法对质量预测模型进行验证,锥形三七主根质量误差均值0.334 8 g;瘤形三七主根质量误差均值0.494 9 g。     

机器视觉核桃分级中相机可变视场与像素转换系数自动获取方法

针对利用机器视觉进行农产品无损检测中相机视场调节困难以及调整后需要重新标定的问题,提出一种基于MFC软件界面控制的大恒定焦USB 2.0工业相机视场自动调节方法,并通过试验对相机进行标定,拟合出相机高度和像素转换系数的关系式,当相机视场发生变化时,系统中超声波测高模块可以实时给出相机高度,程序根据关系式实时给出对应高度的像素转换系数,方便图像处理软件根据核桃轮廓像素数据换算出核桃尺寸,精确判断等级。     

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。     

基于机器视觉的黄瓜等级自动判别研究

通过机器视觉研究黄瓜的形态特性,建立黄瓜量化分级评判标准,并总结出提取黄瓜特征值的理论算法。用Matalb软件实时采集读取CCD摄像机视频图像,再利用Matlab图像处理功能对采集到的图像进行图像滤波、图像分割处理,提取基于数学理论的表征黄瓜等级的特征值,建立人工神经网络的等级判别模型,训练神经网络,并进行泛化检测。结果表明,该等级判别模型的精度高达91.7%,具有一定的市场价值。     

基于机器视觉的葡萄自动识别技术

为了应用计算机对自然场景下的葡萄进行自动识别,根据机器视觉原理,进行图像采集.将葡萄的图像进行平滑、锐化等预处理后,在RGB颜色空间内计算葡萄颜色样本值,并根据样本值进行图像分割,最后利用分割的结果进行特征提取.仿真试验证明,这种方法对葡萄的识别效果较好,紫色、红色葡萄的准确率接近90%.     

基于双目机器视觉的菠萝自动采收机设计

由于菠萝植株和菠萝果实结构的特殊性,目前国内大部分菠萝采摘主要以人工为主,机械化水平较低,采摘工作效率较低,工作环境较差,对手、手臂等身体部位有较大的伤害。设计了一种基于双目视觉的自动菠萝采收机,主要由分行器、行走装置、双目视觉系统、采摘装置、输送装置、收集装置、控制系统和电源供给装置组成,对双目视觉定位系统和主要机械部件进行了介绍,使用SolidWorks软件对采收机进行三维建模,并对其进行了经济效益分析。实践表明,该菠萝自动采收机能满足采摘需求,效率较高,经济效益较好。