基于计算机视觉的大米裂纹检测研究

针对人工目测的传统方法在进行米粒裂纹检验时存在主观性及随意性较大、效率较低、可重复性较差等缺点,在分析大米裂纹光学特征的基础上,在Visual C++ 6.0环境下开发了一套大米裂纹计算机识别系统,通过图像二值化、区域标记等方法从原始图像中提取单体米粒图像,并对提取出的单体米粒图像进行灰度拉伸变换处理以突出米粒裂纹特征,然后提取单体米粒的行灰度均值变化曲线,并对曲线进行加权滤波处理,提出了一种基于单体裂纹米粒图像行灰度均值变化特征的大米裂纹检测算法。运用该算法对从金优974、菲优600、冈优182、中优205、89-94等5类大米品种中各选取的6 组特殊类样品和5 组随机样品进行裂纹检测。试验结果表明,该系统对特殊类大米样品和随机大米样品裂纹率的判断准确率分别为98.37%和97.88%,为进一步完善大米品质的计算机视觉检测提供了理论和实践基础。     

基于梯度下降和角点检测的玉米根茎定位导航线提取方法

针对玉米根茎图像信息，提出一种在拔节期后玉米大田环境下快速、精准提取导航基准线的新方法。首先利用2G-B-R和最大类间方差法分割图像，并利用形态学处理提高图像质量，对去噪图像像素按列累加获取垂直投影。传统峰值点法在寻找特征点时需要设定阈值，耗时长且伪特征点多，因此提出一种基于梯度下降的特征点寻找方法，利用某点沿梯度下降的方向求解极小值从而求得特征点。根据角点检测原理，利用特征点像素各个方向梯度变化不同剔除伪特征点，解决了传统算法异常点过多、错误剔除玉米根茎定位点等问题，最终采用随机采样一致算法拟合导航线。试验结果表明，与传统算法相比该算法能够很好的适应复杂环境，实时性强，即使在缺苗、杂草等情况下仍具有很强的鲁棒性，平均处理准确率为92.2%，处理一帧分辨率为1 280像素×720像素的图像平均耗时为215.7 ms，该算法为智能农业化机械在玉米田间行走提供了可靠的、实时的导航路径。     

基于显微图像处理的稻瘟病菌孢子自动检测与计数方法

稻瘟病菌孢子的检测通常在显微镜下由人工目测完成,该方法费时、费力、自动化程度低。因此,该研究提出了一种基于显微图像处理技术的稻瘟病菌孢子自动检测和计数方法。首先,采用显微图像系统获取稻瘟病菌孢子图像;然后提出一种分块背景提取法对其进行光照校正;根据显微图像中孢子的边缘特征,利用Canny算子进行边缘检测,其中Canny边缘检测过程中的阈值应用模糊C均值算法在梯度图上自动确定;接着对边缘检测后的二值图像进行数学形态学闭开运算处理。根据孢子和主要杂质的形态特征,利用椭圆度、复杂度和最小外接矩形宽度等形态特征参数对目标物进行分类,提取只含孢子的二值图像。最后,提出了基于距离变换和高斯滤波的改进分水岭算法对粘连孢子进行分离。测试结果表明:在100幅测试的显微图像样本中,孢子检测的平均准确率为98.5%,满足稻瘟病菌孢子自动检测和计数要求。     

基于数据融合的玉米种子内部机械裂纹检测方法

为深入研究玉米种子脱粒和输送等环节中产生的内部裂纹机理和检测技术,该文在体视显微检测基础上提出了基于融合技术的边缘检测方法。该方法采用改进的数学形态学方法和传统Sobel边缘检测算子对损伤玉米种子图像进行边缘检测,建立相应的融合规则,将2种方法检测出来的图像边缘进行基于小波变换的融合处理,并从新图像中提取玉米种子内部机械损伤的特征信息。结果表明,该检测方法结合了2种边缘检测方法的优点,有效提高了边缘检测准确性,在准确提取玉米种子内部裂纹特征同时能有效降低噪声,较单一边缘检测算法有更好的效果。     

基于相移算法的苹果果梗/花萼检测方法

由于苹果表面缺陷与果梗/花萼具有相似的灰度特征,通过传统机器视觉方法难以对两者进行有效区分。为避免苹果果梗/花萼对其表面缺陷识别造成干扰,该研究提出了一种基于相移算法的苹果果梗/花萼检测方法。通过搭建条纹投影系统,投影仪投射三步相移条纹至苹果样本,摄像机同步采集经苹果表面调制的条纹图像;通过分析发现果梗/花萼区域的条纹图像凹凸性与正常区域存在明显差异,利用三步相移算法恢复条纹图像的截断相位,结合相位偏移、阈值分割和二维凸包算法便可检测出苹果果梗/花萼。试验结果表明：该方法能够有效地区分果梗/花萼和表面缺陷,识别出不同位置和角度的果梗/花萼,整体准确率可达到99.12%;同时能够满足在线检测需求,平均处理时间约为0.479s。该研究可为苹果外观品质检测提供技术支持。     

小波变换的模极大值在图像边缘检测中的应用研究

边缘检测在图像处理中有着重要的作用。依据canny算子的核心思想,运用小波分析技术,提出了一种基于小波变换的模极大值边缘检测算法。仿真结果表明：该算法能提取图像较弱的边缘,有较好的去噪效果,且边缘有较强的连续性,优于传统的边缘检测算子。     

基于计算机视觉的番茄损伤自动检测与分类研究

为了提高番茄损伤检测与分类的准确率和效率,综合运用计算机视觉技术、BP算法、人工神经网络技术,实现番茄损伤的自动检测与分类。首先,通过计算机视觉系统获取番茄图像,利用图像处理去除噪声、图像分割、图像增强等多种基本图像处理的方法对番茄损伤图像进行了处理,综合运用并行和串行区域分割技术进行番茄表面缺陷区域检测。其次,对番茄图像进行了特征分析,通过提取三种特征包括8个特征参数,采用改进的BP算法训练的多层前向人工神经网络对番茄的损伤进行分类。该文中缺陷检测方法和特征提取方法的采用,使该计算机视觉系统节省了时间,提高了精度。试验证明番茄损伤检测和分类的准确率不低于90%。     

纤维红外吸收特性及其在皮棉杂质检测中的应用

皮棉异性纤维杂质检测技术是近几年来国内外研究的难点。为有效检测皮棉中与棉纤维外观极其相似的异性纤维杂质，提出了一种显微近红外成像方法用于检测皮棉中异性纤维。该方法将棉纤维与异性纤维在特定红外波段的吸收特性差别，转化为近红外光谱成像系统中两者的灰度、形态图像特征差别，通过显微光路对图像特征差别放大，利用图像分割技术将异性纤维目标分割出来。试验结果表明，采用显微近红外成像方法捕获的图像中，异性纤维灰度、形态特征明显，其检测结果与实际相符，此方法可有效识别皮棉中异性纤维杂质。     

基于改进可变形部件模型与判别模型的葡萄叶片检测与跟踪

为解决酿酒葡萄生长状态自动监测问题,该文提出基于机器视觉和视频处理技术的自动监测系统,开发了多角度可变形部件模型的葡萄叶片检测算法和基于颜色特征的判别模型跟踪算法。在叶片检测方面,该算法对颜色特征图像采用可变形部件模型训练出多角度叶片检测器,通过多模型匹配后产生叶片检测候选集合,选择集合中得分最高的检测结果作为最后的定位信息;在跟踪方面,结合图像中目标的颜色直方图,建立具有区分背景和目标的组合判别模型,并将位置函数的最大值作为相邻帧的目标位置,从而实现对叶片目标的实时跟踪。试验结果表明,该文检测算法对自然条件下的葡萄叶片平均检测率为88.31%,误检率为8.73%;叶片跟踪的准确性也相对较高,其重叠率高达0.83,平均中心误差为17.33像素,其证明了该算法的有效性,研究结果为葡萄生长状态的自动分析提供参考。     

基于尺度不变特征转换算子的水果表面图像拼接方法

水果全表面图像信息是否完整,直接影响水果表面颜色和缺陷检测的结果。该文提出了一种基于尺度不变特征转换(SIFT,scale invariant feature transform)算子的图像拼接方法,实现多视角水果图像的拼接以获取完整的水果表面信息。首先以15°固定间隔旋转水果以获取各视角下的连续图像,在图像2R-G-B通道下实现图像目标和背景分离,并对目标图像进行灰度直方图均衡化以增强其纹理信息,有利于特征点的提取。运用SIFT算法提取图像特征点,因为特征向量数量多、维数高,采用普通的K-D树算法搜索匹配点将消耗大量时间,因此将图像划分为16个区域,通过多次试验可知中间4个区域为特征点是最容易匹配的区域,这样就缩小匹配点可能存在的区域。采用极线几何约束法和改进型随机抽样一致(random sample consensus,RANSAC)算法以提高图像拼接精度,减少匹配时间。根据平移矩阵,对前后图像进行拼接,从而实现水果表面图像的完整拼接。试验结果表明:该算法平均匹配精度提高35.0%,平均拼接时间为2.5 s,较传统K-D树算法缩短67.8%时间,拼接效果还原率为93.9%。该文算法具有一定的尺度、旋转以及仿射变换不变性,适用于随机呈现的不同姿态球状水果图像拼接。该研究可为基于机器视觉的农产品品质检测和等级划分提供科学参考。     

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。     

机采籽棉收购环节含杂率快速检测系统研制

籽棉收购过程中含杂率检测工序繁杂、劳动强度大、效率低,不利于籽棉的快速检测分级,严重影响籽棉收购效率。该研究开发了一种适于收购环节的机采籽棉含杂率快速检测系统。系统由驱动传输单元、压棉单元、传感单元、机器视觉系统、PLC控制系统组成。首先利用大杂清理机清除籽棉中的棉杆和铃壳等大密度杂质(大杂),对去大杂后的籽棉进行称量后送至机器视觉系统,采用RGB双面成像方法获取籽棉样本图像,分析计算图像中的杂质面积,预测去除大杂的籽棉含杂率和小杂质量,最后结合计算的大杂质量预测籽棉样本总含杂率。其中,RGB图像处理中使用同态滤波、主成分分析(Principal Component Analysis,PCA)变换和局部自适应阈值方法提升图像的可分割性;比较了线性回归(Linear Regression,LR)和支持向量机回归(Support Vector Regression,SVR)2种回归模型的准确率,确定较优的回归模型为LR,总含杂率决定系数R~2为0.95,均方根误差RMSE为0.58%,最后利用100个籽棉样品对系统性能进行验证,实测值与预测值之间平均绝对误差为0.36个百分点,单个样本含杂率检测程序处理时间为48.38 s。结果表明该系统具有较高的预测准确率和效率。     

Machine Vision System for Automatic Quality Grading of Fruit

Fruit and vegetables are normally presented to consumers in batches. The homogeneity and appearance of these have significant effect on consumer decision. For this reason, the presentation of agricultural produce is manipulated at various stages from the field to the final consumer and is generally oriented towards the cleaning of the product and sorting by homogeneous categories. The project ESPRIT 3, reference 9230 ‘Integrated system for handling, inspection and packing of fruit and vegetable (SHIVA)’ developed a robotic system for the automatic, non-destructive inspection and handling of fruit. The aim of this paper is to report on the machine vision techniques developed at the Instituto Valenciano de Investigaciones Agrarias for the on-line estimation of the quality of oranges, peaches and apples, and to evaluate the efficiency of these techniques regarding the following quality attributes: size, colour, stem location and detection of external blemishes. The segmentation procedure used, based on a Bayesian discriminant analysis, allowed fruits to be precisely distinguished from the background. Thus, determination of size was properly solved. The colours of the fruits estimated by the system were well correlated with the colorimetric index values that are currently used as standards. Good results were obtained in the location of the stem and the detection of blemishes. The classification system was tested on-line with apples obtaining a good performance when classifying the fruit in batches, and a repeatability in blemish detection and size estimation of 86 and 93% respectively. The precision and repeatability of the system, was found to be similar to those of manual grading.     

实时识别行间杂草的机器视觉系统

在实验室环境条件下,开发和测试了识别行间杂草的机器视觉系统。硬件系统主要由速度可控的土壤箱设备、三台实时采集图像的摄像机和计算机组成;软件系统根据植物和背景的颜色特征二值化图像,再根据田间作物的位置特征识别作物和行间杂草。实验表明,采集并处理一幅大小为710×512像素的彩色图像的平均时间为426 ms,系统的正确识别率达到了86%。     

基于补偿模糊神经网络的脐橙不同病虫害图像识别

为了开发脐橙不同病虫害的通用机器识别技术,对病虫害危害后的脐橙图像进行蓝色分量去背景,改进型分水岭算法提取病虫害为害状边界,据此边界对原彩色图像中的为害状进行标记,以标记区红色、绿色、蓝色分量表征病虫害为害状的颜色特征,为害状边界分形维数表征病虫害为害状的形状特征,将这4个特征值作为补偿模糊神经网络输入,建立补偿模糊神经网络脐橙病虫害识别模型,识别脐橙病虫害。4种病虫害及机械损伤果的平均正确识别率为85.51%,该方法可用于脐橙病虫害识别。     

遗传神经网络在稻米垩白度检测中的应用研究

新的优质稻谷国家标准中，垩白度是4个定级指标之一，被用来代表稻谷的商品品质。垩白度的检测目前仍由人工目测完成。为使检测结果更具客观性、一致性，建立了遗传神经网络对垩白像素和胚乳其它像素进行了识别，从而实现了垩白度的自动无损检测。对两种市售粳米进行了检测，计算机视觉的检测结果与人工检测结果的误差小于0.05。试验结果表明所建立的新方法是可行的，它为开发垩白度在线检测系统提供了科学依据。     

彩色油菜花瓣色素成分研究

为明确彩色油菜花瓣色素成分和色素呈色机制,提高彩色油菜育种效率,本研究比较了红色、橙色、黄色和白色4种色系共10种彩色油菜花瓣色素代谢的次生代谢物含量,并采用液质联用仪(HPLC-MS/MS)分析红色、橙色和黄色油菜花瓣中花青素和类胡萝卜素含量,同时对花青素合成关键酶活性和编码关键酶活性的基因表达量进行分析。结果表明,各色系油菜花瓣积累了大量酚类和类黄酮化合物。红色系和橙色系油菜花瓣中含有丰富的原花青素和花色苷;黄色系油菜花瓣中不含原花青素,但含花色苷;白色系油菜花瓣既不合成原花青素,也不合成花色苷。红色和橙色油菜花瓣中的花色苷主要成分是矢车菊素和芍药素。红色、橙色、黄色和白色油菜花瓣中均含有胡萝卜素和番茄红素,且4种花色花瓣中的番茄红素含量均高于胡萝卜素。红色、橙色和黄色油菜花瓣的番茄红素含量仅为对应花色花瓣花青素的0.25%、0.15%、0.02%。基因表达分析结果表明,引起花青素在不同色系油菜花瓣中积累差异的基因为二氢黄酮醇还原酶基因(DFR)和花青素还原酶基因(ANS),在红色、橙色和橙黄色花瓣中DFR和ANS的表达量分别为黄色花瓣的100倍和1 000倍以上。相关性分析表明,彩色油菜DFR和ANS基因的表达量与花色苷含量呈高度正相关性。但是,DFR和ANS活性在红色、橙色、黄色和白色油菜花瓣中差异不显著。本研究为彩色油菜进行基因操纵中靶基因的选择和合理的育种线路提供了理论基础。     

基于机器视觉的板栗分级检测方法

为实现合格和缺陷板栗的分级,研究了1种基于BP神经网络与板栗图像特征的板栗分级方法。试验以罗田板栗为研究对象,提取的颜色及纹理等8个特征值,通过主成分分析提取相应的主成分得分向量构成模式识别的输入。利用BP神经网络方法建立了板栗分级模型。试验结果表明,在图像信息主成分因子数为3,中间层节点数为12时,建立的模型最佳,模型训练时的回判率为100%,预测时识别率达到了91.67%。研究结果表明基于机器视觉技术的针对缺陷板栗分级检测方法是可行的。     

柑橘成熟度机器视觉无损检测方法研究

水果内部品质无损检测技术是确定水果最佳采收期和按成熟度进行准确分级的关键。本研究以表面色泽与固酸比为柑橘成熟度指标，建立了用于柑橘成熟度检测的机器视觉系统，确定了适宜的背景颜色，进行了柑橘的分光反射试验，发现绿色柑橘表面与桔黄色表面的反射率在700 nm时反射率相差最大，约达53%，且各自的反射率都较大，700 nm是获得高质量的柑橘图像的较佳中心波长。建立了利用协方差矩阵和样本属于桔黄色和绿色的概率来判断柑橘成熟度的判别分析法，并以实测的固酸比值作为对照，对72枚柑橘样本进行了试验，柑橘成熟度的判别准确率达到91.67%。这表明柑橘果实的表皮颜色与成熟度之间具有相关性。     

机器视觉技术在农产品检测中的应用研究

机器视觉技术在农产品检测领域得到了广泛的应用,并随着相关技术的不断成熟和发展,机器视觉在农产品检测领域中的应用必将对传统检测模式产生巨大影响。本文分析了机器视觉技术在农产品检测中的应用现状,提出了应用中出现的问题,并为未来的研究方向进行了初步的探讨。