基于HIS颜色模型的珍珠颜色分选方法

为研究和实现珍珠的自动分选,提出了一种对珍珠的色调及饱和度进行分选的方法.将珍珠图像由RGB颜色模型转换到HIS模型中进行处理,根据,(亮度)分量直方图,通过全局分割提取珍珠光亮区,掩模后得到光亮区H(色调信息)、S(饱和度信息)均值.其中针对色调分选要求,运用了基于RPROP算法的人工神经网络学习方法;针对各色系内色彩的深浅差异,运用了K-均值聚类方法对S均值进行分类.从而实现了先按照珍珠表面色彩进行分类,再将同一色系内的珍珠按照饱和度进行再度分选,最终达到颜色分选要求.     

牛胸椎骨图像中软骨和硬骨区域的自动分割技术

研究了基于Ohta颜色空间的牛胸椎骨图像中软骨和硬骨区域自动分割技术,这为应用计算机视觉评定牛肉的生理成熟度提供了条件。首先使用数码照相机现场拍摄牛胸椎骨RGB格式图像传输到计算机内,并转换到Ohta颜色空间,然后对Ohta颜色系统的第二分量(I₂)和第三分量(I₃)图像进行二值化、形态腐蚀操作、扫描填充、面积阈值分割等一系列处理。这样,可获得牛胸椎骨图像中软骨和硬骨的区域。研究结果表明,图像处理方法自动分割牛胸椎骨图像中的软骨和硬骨是可行的,为牛生理成熟度的计算机视觉自动检测打下了基础。     

基于视觉显著性改进的水果图像模糊聚类分割算法

准确分割水果图像是采摘机器人实现视觉定位的关键技术。该文针对传统模糊聚类对初始聚类中心敏感、计算量大和易出现图像过分割等问题,结合机器人的视觉特性,提出了一种基于多尺度视觉显著性改进的水果图像模糊聚类分割算法。首先,选择适当的颜色模型把彩色水果图像转换为灰度图像;然后对灰度图像做不同尺度的高斯滤波处理,基于视觉显著性的特点,融合了多个不同尺度的高斯滤波图像,形成图像聚类空间;最后,用直方图和模拟退火粒子群算法对图像的传统模糊聚类分割算法进行了改进,用改进的算法分别对采集到的100张成熟荔枝和柑橘图像,各随机选取50张,进行图像分割试验。试验结果表明:该方法对成熟荔枝和柑橘的图像平均果实分割率分别为95.56%和93.68%,平均运行时间分别为0.724和0.790s,解决了水果图像过分割等问题,满足实际作业中采摘机器人对果实图像分割率和实时性的要求,为图像分割及其实时获取提供了一种新的基础算法,为视觉精确定位提供了有效的试验数据。     

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。     

基于扫描滤波的农机具视觉导航基准线快速检测方法

针对基于机器视觉的自动导航系统现有导航线提取算法易受外界环境干扰和处理速度较慢等问题,该文提出一种基于图像扫描滤波的导航线提取方法。首先获取不同农作物的彩色图像,使用2G-R-B算法对彩色图片进行灰度化处理,得到作物行和土壤背景对比性良好的图片。使用Otsu方法对图像进行分割,得到二值化的图像后,再采用腐蚀-中值滤波-膨胀的滤波方法对图像进行去噪处理。然后使用该文提出的扫描滤波导航线提取算法,将图像分成左右两部分,使用等面积三角形对两部分分别进行扫描后,再对扫描的结果进行滤波,从而提取作物行,得到导航线。试验结果表明,采用该方法处理一幅640×320像素的图像只需要76ms,可满足农机具实时导航的要求;与传统导航线提取算法相比,该算法计算速度快,适应能力强。     

基于数学形态学的牛肉图像中背长肌分割和大理石纹提取技

牛肉图像中背长肌区域的分割和大理石纹提取是利用计算机视觉评定牛肉胴体等级的重要步骤.研究了利用数学形态学的方法来分割牛肉眼肌切面图像中背长肌区域并将大理石纹提取出来的技术.眼肌切面图像经过去除背景并进行肌肉和脂肪像素识别等预处理后,再用形态学腐蚀与膨胀相结合获得背长肌区域图像,通过图像逻辑运算提取大理石纹.结果表明,这种方法能有效地把背长肌区域与其周围肌肉组织分离开来并提取大理石纹.     

基于视觉显著性和脉冲耦合神经网络的成熟桑葚图像分割

为了提高在自然采摘环境中成熟桑葚机器视觉识别的有效性和鲁棒性,克服图像目标形态小、分布杂散、背景干扰多和光照不均匀等困难,该文提出了一种采用视觉显著性和脉冲耦合神经网络(pulse coupled neural network,PCNN)模型的成熟桑葚图像分割方法。该方法首先将采集的图像映射到Lab颜色空间,利用空间颜色分量的算术平均值和高斯滤波值之间的差异,构建起桑葚图像的频率调谐视觉显著图;其次,提取采集图像在HSI颜色空间的色调分量,经过均衡化处理后,与视觉显著图进行融合,实现桑葚目标的融合特征表达;最后,通过改进的分层阈值化脉冲耦合神经网络模型进行目标分割以及形态学处理,得到成熟桑葚的识别结果。利用从重庆市天府镇果桑生态园采集到的200余幅桑树挂果图像进行试验,结果表明,该方法能够在不同光照条件的复杂背景下,有效分割出成熟果实,平均误分率为1.87%,优于结合频率调谐视觉显著性的OTSU法(17.73%)、K-means聚类算法(10.69%)、基于Itti视觉显著性的PCNN分割方法(7.34%)和基于GBVS(graph-based visual saliency,GBVS)视觉显著性的PCNN分割方法(5.83%)。研究结果为成熟桑葚果实的智能化识别提供参考。     

基于掩模及边缘灰度补偿算法的脐橙背景及表面缺陷分割

缺陷检测一直是利用计算机视觉技术进行水果自动分级的难点。为了解决带有缺陷的水果在图像分割时部分缺陷容易被误分割为背景这一问题,以脐橙为研究对象,首先提取B分量,利用B分量构建掩模图像,然后对R分量图像进行掩模,从而在不损伤缺陷的情况下实现了水果与背景100%分割。考虑到水果呈球状,检测时边缘灰度较低,在缺陷分割时容易出现误分割,提出快速水果图像边缘灰度补偿算法,利用此算法,对6种常见脐橙缺陷,共计220幅图像,设定分割阈值为165,使不同灰度等级的缺陷一次性分割成功,分割率最高为100%,最低为79.5%。试验结果表明由于单阈值的使用,提高了缺陷分割效率。     

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。     

基于逐步改变阈值方法的玉米种子图像分割

针对图像处理中玉米计数的问题,提出了基于逐步改变阈值的分水岭变换方法。首先,对二值图像进行欧氏距离变换,合并图像中灰度值大于或者等于初始阈值的区域,并通过分水岭算法初步分割图像。为避免单粒玉米被过度分割,提取图像中单个种子区域存入结果图像。然后,判断去除单粒玉米后的图像是否为空;如果不为空,增大分割阈值并重复上述操作。最后,统计目标图像中的玉米个数。对50幅种子数目500粒左右的图像进行处理,分割正确率为97.7%,较好地解决了粘连玉米的分割问题。该方法已成功应用于基于机器视觉的玉米计数。     

棉花异性纤维中麻绳与羽毛的分类特征

摘要：为准确识别棉花异性纤维中较难识别的羽毛和麻绳异性纤维,采用机器视觉技术,通过图像处理方法采集异性纤维目标,对羽毛和麻绳异性纤维的色彩和纹理特征进行有效的特征提取,形成异性纤维目标的特征向量。再通过一种自底向上的凝聚型层次聚类算法对提取的羽毛和麻绳的色彩与纹理特征进行层次聚类分析,选择最优特征向量。将8个特征向量进行降维分析并比较各维数下的层次聚类效果,试验结果表明,选取红色(R_ave)、绿色(G_ave)、蓝色(B_ave)、能量、熵、惯性矩等6个特征进行层次聚类效果最好,羽毛识别率达到94%,麻绳识别率达到95%, 说明选择的特征向量对这2种异性纤维具有理想的区分性。该研究可为棉花异性纤维的正确识别提供参考。     

农产品质量的计算机辅助检验与分级（第Ⅰ报）烟叶外观品质特征的定量检验

应用计算机图象处理技术和色度学理论，研究了烟叶外观品质特征（颜色、叶形、叶面等）的提取、描述与定量检测方法，为开发烟叶外观品质的检验仪器与分级设备提供了理论依据     

农产品质量的计算机辅助检验与分级（第Ⅰ报）——烟叶外观品质特征的定量检验

应用计算机图象处理技术和色度学理论，研究了烟叶外观品质特征（颜色、叶形、叶面等）的提取、描述与定量检测方法，为开发烟叶外观品质的检验仪器与分级设备提供了理论依据     

应用数字图像进行小麦氮素营养诊断中图像分析方法的研究

简便、快速、经济地诊断作物氮素营养状况是实施氮肥用量调控的关键。利用数码相机对作物冠层进行拍照, 通过图像处理软件获得作物色彩参数, 根据色彩参数与作物氮素营养状况的关系可以对其氮素丰缺进行诊断。针对作物数字图像色彩参数的获取方法, 结合小麦多水平氮肥试验, 采用遥感软件PCI Geomatics的非监督分类功能, 将小麦图像分为土壤、反光叶面和不反光叶面, 与Adobe Photoshop 软件普通图像处理方法对照, 比较分析了小麦图像不同类别叶片的8 种色彩参数与SPAD 值及植株全氮的相关性。结果表明, 返青期小麦反光叶面的G/R 与R/(R+G+B)色彩参数能较好地反映小麦的氮素营养状况; 拔节期不反光叶面和反光叶面的R/(R+G+B)色彩参数与植株全氮相关性较好。利用普通图像处理软件获得色彩参数的方法有待改进, 图像分类后能够提高其色彩参数对作物氮素营养诊断的准确性。     

羽毛蛋白粉高效利用研究

采用物理加工与生物加工结合的方法，即先超微粉碎至微米级后再用解朊酶进行体外水解处理的方法对羽毛粉进行饲料化研究，通过研究发现经处理的羽毛粉比对照组（未经处理过的羽毛粉）的可溶性蛋白质含量和溶解度分别比原来增加了3.37倍和3.38倍，胃蛋白酶消化率提高了15%，表明此加工工艺可大大提高羽毛粉的生物学效价。     

基于冠层图像颜色特征提取的小麦氮营养水平评价

该文利用计算机图像处理技术,通过提取小麦冠层图像颜色特征,进行了小麦氮营养水平评价的研究。通过对RGB和HIS两种颜色系统表示的R、G、B、H、S、I和L参量进行了直方图统计量的计算,提取出一些简单有效的特征用于表达小麦自返青后的7个主要生育时期冠层的颜色。结果表明：1）这些特征可以有效表达小麦在不同氮营养水平下的冠层颜色,尤其在表达低氮水平和中高氮水平上效果更好。2）对总施氮量一致,施氮方式和施氮时期不同的小麦,这些特征也表现出显著的差异,而且可靠性高,简单易行。利用小麦冠层图像为评价小麦氮营养状况提供     

鲜肉图像信息提取算法分析研究

实验通过提取鲜肉图像色彩特征值、眼肌面积和白红比等信息,以期成为计算机鲜肉评级的依据之一。为最大限度消除肉类图片在数据收集阶段的噪声影响,本研究对多种图片信息提取算法进行了分析和比较,提出了一种比较合理的鲜肉图像信息提取方法。     

基于改进ConvNeXt模型的黄羽鸡表皮层黑色素智能分级方法

为解决活体黄羽鸡表皮层黑色素分级方法成本高、效率低下、分级环境易受环境光干扰等问题,该研究探索一种基于ConvNeXt模型的黄羽鸡表皮层黑色素智能分级方法 ConvNeXt-WPCA,用于实现活体黄羽鸡表皮层黑色素智能分级。ConvNeXt-WPCA模型通过以下3点改进提高模型对黄羽鸡黑色素的识别效果：1）针对黄羽鸡黑色素图像RGB三通道内黑色素信息分布不均衡问题,改变输入图片通道权重来增强模型对黑色素特征的提取能力;2）使用部分卷积代替深度可分离卷积,减少模型计算量和内存访问次数提高对计算资源的利用率;3）引入坐标注意力机制,引导模型关注黄羽鸡胸腹部及肛门附近皮肤提升模型精度。同时,该研究还设计一种双光源图像获取装置,分别在自然光和偏振光条件下拍摄黄羽鸡样本,以减小分级结果受环境光干扰的影响,并探索偏振光在黑色素分级任务中的应用潜力。结果表明ConvNeXt-WPCA模型相较标准ConvNeXt模型,针对自然光下黄羽鸡黑色素图像数据集分级准确率提升9.68个百分点,最终达到89.03%的识别准确率,针对偏振光下黄羽鸡黑色素图像数据集分级准确率提升15.26个百分点,最终达到98.87...     

结合LLE流形学习和支持向量机的猪肉颜色分级

猪肉颜色分级是肉品品质无损检测的重要内容。该文通过对猪肉彩色数字图像颜色规律的分析,结合猪肉红(R)、绿(G)、蓝(B)颜色分量及其亮度和饱和度值,构建了一个新的颜色维度。将采集的1070份猪肉图像样本进行专家分级和标记后,给出了猪肉颜色的特征表示,并利用支持向量机(SVM)进行了颜色分级。试验结果表明,随着训练集样本数的增加,分级准确率有所提高。当将所有样本作为训练集时,分级准确率高达96.5%。针对SVM分级后泛化能力不强的问题,采用流形学习LLE维数变换,使其泛化能力由37%提高近1倍。结果表明LLE可有效改善SVM的分级准确率。该方法可为猪肉品质无损检测的研究与应用提供参考。     

基于机器视觉的水稻杂质及破碎籽粒在线识别方法

为了解决目前国内联合收获机缺乏针对含杂率、破碎率的在线监测装置的问题,该文提出基于机器视觉的水稻图像采集,杂质与破碎籽粒分类识别方法。采用带色彩恢复的多尺度Retinex算法增强原始图像,对HSV颜色模型的色调、饱和度两个通道分别设定阈值进行图像分割,并结合形状特征得到分类识别结果。采用综合评价指标对试验结果进行量化评价,研究表明,茎秆杂质识别的综合评价指标值达到了86.92%,细小枝梗杂质识别的综合评价指标值为85.07%,破碎籽粒识别的综合评价指标值为84.74%,平均识别一幅图像的时间为3.24 s。结果表明,所提出的算法能够快速有效识别出水稻图像中的杂质以及破碎籽粒,为水稻含杂率、破碎率的在线监测提供技术支撑。