计算机视觉信息处理技术在苹果自动分级中的应用

苹果在水果消耗中占有较大份额,对其进行分级销售可提高经济效益。在以往的苹果分级中,大都采用人工方法进行,只考虑大小、色泽方面的影响,导致分级精度低和人工消耗大。计算机系统现今已被广泛应用在精细农业中,如水果和蔬菜的自动收获及农产品的分级。为此,利用计算机视觉系统采集提取苹果图像,采用边缘检测、图像改善、图像二值化等图像数据处理方法对采集的图像前处理,设定等级区分参数,再依据特征参数对苹果进行自动分级。采用机器视觉进行苹果等级分离,提高了苹果分级的正确率,节省了劳动力,可以广泛地推广应用。     

苹果着色面积的计算机视觉研究

计算机图像处理技术适用于设计制造水果自动分级流水线,因其大大减轻了分级时的劳动强度,因而应用计算机图像处理技术进行农产品质量检测与分级有非常好的应用前景。为此,根据图像中三原色R、G、B值,通过1931色度图,进行了颜色测量,用像素点变换法恢复苹果在二维投影图像中真实几何信息,重新计算像素点的面积,从而计算了苹果的着色面积,得到了满意的结果。     

基于计算机视觉技术大枣品质检测分级的研究

我国的大枣种植面积和产量占世界总量的95%,产量和出口量巨大。因此,加强大枣分级能给我国带来可观的经济效益,对大枣产业的升级也具有重要意义。目前,大枣的分级以人工为主,也开发了多种自动分级的系统和方法。基于计算机视觉的分级方法检测精度高,能实现无损操作,具有广阔的应用前景。为此,基于计算机视觉技术,建立了一个大枣品质检测分级系统。工作时,系统拍摄传送带上的大枣图像,传入计算机中进行灰度化、图像分割和轮廓提取;然后,以最小外截矩形的长宽为参数,计算大枣质量并以此划分等级。试验结果表明:系统对各级大枣的识别准确率为92%96%,平均为94%,具有很高的精准度。处理单幅图像耗时0.5s,能够满足自动分级的要求;在传送带运行速度0.5m/s、拍摄间隔0.8s时,可以实现20个/s的分级效率,可用于大枣的自动化分级。     

基于计算机视觉的苹果水心病无损在线分级系统

对苹果按照水心病患病程度进行无损在线分级对于苹果采摘机器人具有重要的意义。在苹果园中,利用无损在线检测出轻度患有水心病的苹果果实并优先采摘,以避免因患病苹果烂掉而造成经济损失,构建了基于计算机视觉和高光谱技术的苹果水心病患病程度无损在线分级系统。本系统以西北农林科技大学白水苹果试验示范站的秦冠苹果为研究对象,采集苹果果实的高光谱图像和果面图像,对苹果图像进行压缩感知预处理和计算机视觉特征提取,并使用支持向量机算法根据苹果图像的计算机视觉特征来对苹果的水心病患病程度进行分级。实验表明:该系统对苹果水心病的分级准确率可以达到78.2%。与人工对苹果水心病分级相比,该系统不依赖于农业专家对苹果水心病特征的丰富知识,不受农业专家的主观影响。本系统作为苹果采摘机器人的一个模块可以为苹果的采摘行为提供指导,降低了人工成本,提高了经济效益。     

视觉捕捉拾取机器人在水果分类系统中的应用

苹果是世界上最常见和最广泛消费的水果之一,在进入市场之前需要分级买卖,而苹果的直径和色泽是影响销售价格的重要因素。为此,利用视觉捕捉技术,设计了一套拾取机器人水果自动分类系统,包括输送机构、图像采集系统、控制模块和执行器等,能够根据苹果直径进行分类。实验结果表明:系统分类准确率达到了93.6%,符合设计需求,且在分类过程中没有对苹果造成任何损坏,具有一定的有效性和可靠性。     

基于计算机视觉的橙子分级研究设计

橙子具有很高的营养价值,是我国部分地区的支柱产业,在农业经济中占有一定地位。分级是水果销售前的一道重要工序,有利于增加销售收益,提高产业竞争力。橙子种类繁多,品质各异,对其检测分级显得尤为重要。目前,橙子的分级主要由人工完成,但不能满足可持续发展的要求。基于计算机视觉的橙子分级设备类型、分析和计算方法都较多,但处于试验阶段,还没有应用于实际生产。为此,基于计算机视觉技术,建立了橙子的实时分级系统。橙子图像用计算机进行预处理和灰度化后提取目标轮廓,然后分别对大小、颜色和表面缺陷进行检测,采用RBF神经网络模式划分等级。系统对各级橙子的识别准确率为82.5%~90.0%,平均准确率为8 6.3%。系统处理单张图像平均用时0.6 s,分级效率达到1 8 0个/s,可以实现对橙子的自动化检测和分级。     

基于机算机视觉的杨梅自动检测分级

我国是杨梅的发源地和主产区,地理环境差异大,形成了多样的品种和品质。杨梅以鲜果形式进行销售和食用,销售期很短,因此快速高效的分级具有重要意义。人工分级的劳动强度大、效率低且分级质量不稳定,这些问题在杨梅上体现得更为明显。计算机视觉技术是水果分级研究中的热点,目前已经安装在杨梅采摘机器人上,用于自然环境下的果实识别。本文设计了基于计算机视觉的杨梅自动检测分级系统,经过计算机视觉软件的预处理、灰度化和图像分割后提取杨梅轮廓;然后检测鲜果果径、圆形度和颜色深度,根据相应的等级标准进行分级。系统分级的准确达到92.7%,对大小和果形均具有较高的识别准确率;单幅图片处理耗时0.45s,能够满足实时检测分级的要求。这个系统与合适的分级执行装置结合使用可以达到高效无损的分级效果,为我国杨梅产业可持续发展提供技术支撑。     

基于PLC和机器视觉的水果自动分级系统研究

介绍了水果自动分级系统总体设计,并从机器视觉模块和水果图像处理等两方面介绍了系统的视觉模块,最后基于图像处理和PLC控制技术实现了水果自动分级功能。试验结果表明:系统能够对水果进行等级分拣,系统最高精度为98%,具有较高的可靠性、可信性及一定的推广价值。     

基于机器视觉的火龙果自动分级系统设计

针对目前水果机械化分级效率低、效果差的现状和机器视觉技术在水果分级检测的应用前景,提出了利用机器视觉的技术对火龙果进行分级的方法。通过利用CCD摄像机和DSP处理器对火龙果进行缺陷检测及大小和色度的分级。试验结果表明:基于机器视觉的火龙果自动分级系统可以高效率、高准确率地实现对火龙果的自动分级,为后续产业化机器视觉水果分级系统提供了技术支持。     

基于Hamming网络的苹果颜色分级研究

在基于计算机视觉的水果分选中,颜色是最主要的指标之一。为此,将Hamming神经网络应用于苹果的颜色分级。依据富士苹果的颜色将其分为3个等级,分析了各等级的平均色调累积直方图,据此构建了Hamming神经网络;从直方图上提取色调在0o,10o,20o,30o,40o,50o所对应的频度作为Hamming网络的输入向量;采集了3个等级各10个苹果图像作为训练样本,另外同样30个苹果图像作为测试样本。试验结果表明,Hamming网络颜色分级的准确率不低于96%,识别1个苹果的时间在0.1～0.2ms之间。     

6ZBX智能型果蔬保鲜分选成套设备

该设备采用先进的计算机视觉识别技术,通过彩色数码摄像系统来捕捉高速运行的水果图像,配合电脑分析软件及高效终端自动执行机构,按需对水果进行大小、颜色等分选处理。可适用于柑桔等类球形水果高标准的分拣,是目前国际先进的水果分选技术设备。     

计算机视觉苹果分级系统

回顾了计算机视觉技术在苹果品质检测和分级中应用的进展,提出了计算机视觉苹果高速分级的系统模型。计算机视觉苹果分级系统可以对苹果的外部缺陷、色泽、尺寸和形状进行全面的检测,在此基础上,可对苹果进行高速和精确的分级。     

基于机器视觉的农业机械图像识别系统分析

随着计算机和机械自动化技术的不断发展,基于机器视觉的无损检测技术被应用到各个领域。在苹果分拣机上使用无损检测技术,不仅可以提高苹果的分拣效率,而且可以减轻苹果的损伤。为此,将机器视觉技术引入到了苹果分拣机的图像识别系统设计上,通过对苹果图像的采集、处理、轮廓特征提取与计算,利用确定好的分拣等级自动实现了苹果的等级分类,再由自动控制系统将不同等级的苹果分拣到指定位置,从而实现了苹果分拣的自动化。为了验证方案的可行性,对分拣机的图像识别系统进行了测试,结果表明:分拣机根据苹果周长可以成功地实现等级的自动化划分,对于实现水果的自动化分拣具有重要的意义。     

计算机视觉在芒果品质检测中的应用研究

传统的芒果分级采用人工观察和化学分析方法,无法适应产业的发展。随着科学的进步,人们开发出多种无损检测和分级技术以提高水果的市场竞争力,但受检测和分级设备的限制,目前的相关研究都停留在试验阶段。为此,设计了一种基于计算机视觉的芒果品质检测方法,拍摄芒果图像后利用自适应Canny算法获取目标区域的边缘,以大小、颜色和表面缺陷反映芒果的品质,并基于BP神经网络实现对芒果的分级。仿真试验表明:计算机视觉对芒果品质分级的准确率超过93%,处理单张图像平均耗时0.8s,可以用于芒果品质的实时检测和在线分级。     

基于虚拟仪器视觉系统苹果图像采集装置的研究

以虚拟仪器视觉系统为主要技术手段,综合运用图像学、机械学、电子技术和计算机科学等方面的知识,以苹果为研究对象,在LED背景光源下通过NI1744智能相机对苹果图像进行实时采集,对所采集图像进行识别和处理,实现对苹果的分级。结合苹果分选装置的结构,具体介绍了供料机构、图像处理、光学检测系统、分选系统和测控系统等重要部分的设计及其工作原理,为以后水果分选机的研制提供了重要的理论依据。     

马铃薯质量和形状自动分级系统研究—基于计算机视觉

马铃薯是一种粮食和蔬菜作物,具有很高的产量和经济价值。我国的马铃薯种植面积和产量均居世界首位,但是检测分级主要由人工完成,作业效率较低,准确性和客观性差。随着科学的发展和技术的进步,我国开发出了多种新的马铃薯检测分级方法、系统和装置,以计算机视觉技术应用最多。为此,基于计算机视觉,设计了针对马铃薯质量和形状的自动分级系统,可以实现40个/min的自动分级速度。系统对单薯的质量和形状分级效果均较好,总体准确率分别达到95%和90%,可以作为提升我国马铃薯产业水平的技术支撑。     

山竹的计算机视觉分级方法

提出了一种基于计算机视觉技术的山竹大小和颜色分级方法.针对以蓝色滚子为背景的山竹图像,在RGB色彩空间使用双阈值对图像进行初步分割;然后通过形态学运算、轮廓跟踪、区域填充提取出整个山竹目标;最后由颜色因子2G-R-B和G识别出果柄、果蒂和果皮.由果柄、果蒂区域形心和果皮区域形心位置判断水果的姿态,提取水果的最大横径作为大小分级指标;在HIS颜色空间以果皮区域的饱和度S和色调H的差值作为颜色分级指标.选取200个山竹进行分级试验,试验结果表明:果径检测精度为±1.8 mm,颜色分级串级果最大比例为10.2%.     

基于计算机视觉的玉米种子形态识别测量

种子的一致性包括品质、形态和颜色特征方面。采用具有高度一致性的种子,可以提高后期的机械化作业程度,从而降低生产成本。要提高种子的一致性,则必须识别并清除裂变和畸形的种子,传统的清选操作只能保证种子的净度和健康度,且效率太低。计算机视觉是目前种子精选分级方面研究最多的技术,适用的作物种类也很广泛。为此,基于计算机视觉技术,建立了玉米种子的形态识别测量方法和系统。系统通过扫描获取种子图像,再进行预处理和图像分割,提取单粒种子的图像;然后以面积和圆形度为参数,将种子划分为4个等级。在验证试验中,系统的图像处理过程仅耗时2s,对种子大小和圆扁的识别准确率分别为98%和96%,能够满足自动分级的要求。系统的创新在于用扫描仪代替相机,分析的通量大,且成像的质量高。另外,仅选择两个特征值作为分级参数,减少了分析过程中的计算量,有利于在实时分级装置中应用。     

基于机器视觉的苹果大小自动分级方法

介绍了采用机器视觉的苹果大小自动分级方法,利用CCD摄像机获取苹果的样本图像,应用MATLAB软件编程实现了对样本图像的背景去除、二值化、图像平滑、特征量提取和图像标定等处理,参照苹果分级的国家标准完成了苹果自动分级.试验表明,此方法分级精度高,且速度快.     

基于Deeplabv3+的猕猴桃特征提取和自动分级研究

【目的】当前猕猴桃的缺陷识别与分级大多基于传统图像处理技术,无法完全脱离人工操作,且对图像的质量要求高、可靠性差,无法满足猕猴桃现有的分级需求。【方法】课题组提出了一种基于Deeplabv3+网络模型的猕猴桃特征提取和自动分级方案,采用轻量级卷积神经网络MobileNetV2作为图片特征提取工具,将采集的466张猕猴桃图片进行滤波处理、数据增强等步骤后获得2 796张图片,按8∶2的比例分为训练集和预测集进行网络模型训练,并与传统模型识别率进行了对比。【结果】基于Deeplabv3+网络模型的猕猴桃四个等级的识别率分别为100%、96.15%、95.83%和97.05%,高于传统计算机视觉方法的识别率,验证了该方法在猕猴桃分级上的可行性。【结论】该模型有效地降低了系统的参数和计算量,具有训练时间短、空间复杂度低等优点,在猕猴桃图像的特征抽取和分级任务上具有较好的表现。