利用计算机视觉技术评判玫瑰切花品质等级的研究

目前国内外普遍采用的鲜切花品质检测方法是感官评审法,此方法易受个人主观因素和外界因素的影响.该研究利用计算机视觉技术来代替人的感官对玫瑰切花品质等级进行分类研究,试验中对玫瑰切花图像进行图像分割、图像去噪等图像处理后选取其7个形状特征参数作为玫瑰切花的品质评价指标,并借助BP神经网络建立玫瑰切花品质分级模型,分级正确率达到94％以上.试验表明,基于计算机视觉的玫瑰切花品质分级是可行的,并且具有较高的分级正确率.     

基于BP神经网络的水果分级研究

文章介绍了一种基于BP神经网络的水果分级方法。采用数字图像处理的方法对图像进行预处理,选择水果表面颜色的均值和方差来表示水果的颜色特征,采用一个与水果目标具有同样二阶矩的椭圆来近似表示水果的形状,简化了果形描述的复杂程度。通过RP算法训练,可以得到一个具有9个隐层神经元的BP神经网络结构参数。试验表明:采用该模型对水果等级进行分级,平均正确率为92.5%,分级一个水果的时间为10.3 ms。说明采用BP神经网络技术可实现对水果等级的自动判定,该方法具有正确率高、实时性好的特点。     

基于双椭圆变化参数的香蕉形状描述方法

为实现香蕉外部形状的描述,提出一种基于双椭圆变化参数的香蕉形状描述方法。首先通过图像预处理获得对象物体的二值化图像,结合开源计算机视觉库（OPENCV）提供的库函数cv.fitEllipse进行二维点集的椭圆曲线拟合,并筛选出外接椭圆轮廓作为初始轮廓;然后在此基础上构造可变参数的外接椭圆和内接椭圆,以双椭圆叠合面积的大小为准则进行香蕉形状的拟合描述;最后提取描述香蕉形状的双椭圆参数作为特征参数,并运用该类参数对其他类型果蔬形状进行描述,判断该类特征参数的有效性。试验结果表明,所提出的方法简便易行,在AMD FX6300处理器平台上运算速度约0.1 s。算法采用C++语言编写,能够应用于水果分类包装自动化生产线。     

基于颜色特征的马铃薯绿皮检测

提出了一种基于颜色特征的马铃薯绿皮检测方法,该方法以颜色特征分析为基础,结合BP神经网络,实现对马铃薯绿皮缺陷的检测.首先建立马铃薯图片采集系统,采集丰富的绿皮马铃薯和优质马铃薯图像并对图像进行彩色图像增强.对绿皮缺陷和优质区域的颜色特征进行深入分析,提取出相对独立的特征参数R、G、B、H、P/G、B/(R+G).构建...     

基于计算机视觉的草莓等级判别研究

如何对采集到的草莓图像进行分割和如何选取评定草莓等级的特征参数是草莓自动分拣系统的2个重要环节.该研究利用草莓R、G、B通道明显的像素差值来分割目标和背景,并且选取草莓的形状特征和成熟度作为草莓评级的特征参数,综合运用机器视觉、神经网络等理论方法,通过实验数据统计,建立极坐标下草莓外形轮廓特征参数及颜色空间下成熟度特征参数的提取方法,以人工神经网络为识别模型,实现对草莓的自动分类.实验结果表明,该方法对草莓的自动分级结果与人工分级结果相比较,准确率达到90％,具有实际的可行性.     

基于叶片外形特征的植物识别研究

提出了一种基于植物叶片形状特征的方法对叶片进行识别,首先对叶片进行预处理,其中包括滤波和阈值分割,然后提取叶片的相对特征参数,得到了8个特征参数。使用BP神经网络对现有的几种叶片进行分类,选择隐含层数、调节学习效率、动量因子等参数。在VC 6.0环境下循环计算、调整权值、阈值,最终识别成功,并达到了87.5%的平均识别率。     

基于计算机视觉和神经网络的鸡蛋新鲜度检测

为了提高鸡蛋新鲜度分级的准确率,利用计算机视觉技术,通过所搭建的鸡蛋透射光图像采集系统获取鸡蛋透射光图像信息,提取鸡蛋的5个形状特征和6个颜色特征参数,结合BP神经网络与鸡蛋的哈夫单位值进行对照,从而建立鸡蛋新鲜度检测分级模型。其训练集和测试集的分级正确率分别为99.583 3%和98.333 3%。该分级模型的分级正确率达98.000 0%以上,具有较好的泛化功能及鲁棒性。结果表明,用鸡蛋的形状参数与颜色参数,结合神经网络对鸡蛋新鲜度分级是可行的,具有较高的分级正确率。     

基于计算机视觉和神经网络的芒果外观等级分类研究

针对目前对芒果外观品质分级还是采取人工分级的不足,提出了一种基于计算机视觉和BP神经网络的芒果外观等级分类方法。首先,通过计算机视觉技术获取芒果图像,并利用基本的图像处理方法对芒果图像进行预处理。其次,根据芒果外观特征对芒果外观等级分类的影响,选择芒果的小波特征、缺陷面积所占百分比、颜色H分量值、芒果横径和果形指数等特征作为芒果外观等级分类的特征参数。最后,将提取的8个特征参数作为BP神经网络的输入,以芒果的3个等级分类为输出,建立芒果外观等级分类的神经网络模型,实现了芒果的外观等级分类。试验结果表明了该方法的有效性,识别率达93.3%。     

基于图像识别的小麦腥黑穗病害诊断技术研究

传统的检疫小麦腥黑穗病害的方法效率较低影响检测的稳定性和客观性.提出一种基于图像识别的小麦腥黑穗病分类诊断技术.以显微镜下采集的小麦病害图像为研究对象,对其进行滤波增强及病害区域分割,再提取单个病害区域图像的颜色、形状和纹理等特征参数;最后利用归一化后的特征值,通过BP神经网络分类器实现了小麦腥黑穗病害的诊断.将计算机图像识别结果和实际小麦腥黑穗病类型进行对比,表明了该诊断技术的可行性和有效性     

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BP神经网络算法的红枣分级技术应用

分别从几何形状特征、颜色特征及纹理特征三方面入手,并对所有特征进行优化选择,最终得到3个表征红枣特性的特征量;建立红枣样本数据库,以BP神经网络为模型,设计合理的BP神经网络训练和测试方法,对红枣进行分级研究,通过不同样本条件下的实验测试,可以得到高达94%的红枣等级划分正确率,能较好地满足红枣分级的需求,对红枣产品的生产、销售均具有一定的理论和实际意义。     

BP神经网络在储粮害虫分类中的应用研究

综合利用计算机视觉技术和BP神经网络技术,实现了对粮仓害虫的无损检测.通过对粮仓害虫图像的CCD图像预处理,获取了几何特征和不变矩等15个特征参数,并通过优化选取其中七个参数输入神经网络进行训练.仿真结果表明训练网络对粮仓四类常见害虫的识别率达到了85%,得到了较好的识别结果.     

基于BP神经网络的马铃薯气候产量预报模型

为了准确预测马铃薯气候产量达到趋利避害的目的,利用1980—2015 年山西省大同市马铃薯产量及同期国家基准观象台观测到的气候资料,选用传统的统计回归方法和BP神经网络方法分别建立马铃薯产量预报模型。结果表明：通过二次函数曲线和最小二乘法确定马铃薯敏感期的气候因子是气温、日照和降水,其中降水对马铃薯产量的影响最大。通过改进的气候产量算法可以更好地反映气候要素与作物单产之间的函数关系。在Matlab 平台上训练精度设为0.005、学习率0.01 的BP神经网络方法可以很好地逼近非线性函数。用大于1/3 样本进行预报检验表明,在预报精度和拟合精度上,BP神经网络模型都明显优于传统的回归模型,BP神经网络方法在马铃薯产量预报中有具有非常广泛的应用前景。     

基于多特征融合与机器学习的鱼类摄食行为的检测

针对目前检测方法特征单一、样本数量少和鲁棒性低等问题,提出了一种基于多特征融合与机器学习的鱼类摄食行为的检测方法:利用图像处理技术提取鱼群摄食图像的颜色、形状和纹理特征,并对其进行归一化和特征融合处理,通过构建3层的BP神经网络对鱼群摄食行为进行检测。与SVM和KNN检测效果进行对比,BP神经网络的效果最好,精度可达97.1%。与传统的基于单一纹理特征方法相比,在保证时效性和增强鲁棒性的同时,准确率提高了4.1%。     

一种基于神经网络的扇贝图像识别方法

为了满足计算机视觉辅助下应用机器人进行扇贝自动分拣的实时性和鲁棒性要求,提出了一种基于神经网络的扇贝识别和分级方法.首先对图像进行灰度化处理,并用canny算子检测目标边界,然后用8-连通邻域追踪算法提取目标边界像素坐标,最后计算目标边界到中心点的平均距离及其绝对平均误差,并作为特征信息训练BP神经网络,实现对扇贝图像识别和分类.实验结果表明,该方法可以快速实现扇贝的自动识别和分级工作.     

基于机器视觉的烤烟烟叶部位的智能识别

采集烤烟不同叶位烟叶图像并进行预处理，提取烟叶叶长、叶宽、面积、周长和最小外接矩形面积5个叶片绝对形态特征参数，计算狭长度、矩形度、圆形度、叶宽最大处占比、叶宽轴与质心夹角5个相对形态特征；通过主成分分析筛选出特征向量，构建基于K近邻算法(KNN)、逻辑回归(LR)、基于线性核函数和径向基核函数的支持向量机(SVM)和BP神经网络的烟叶部位识别模型，并对比5种模型的识别效果。结果表明：基于图像轮廓特征所提取的形态特征参数可以较为有效地反映烤烟部位特征；5种识别模型中，基于BP神经网络模型的识别效果最好，识别准确度为93.75%，训练集和测试集的模型决定系数均高于90%。     

基于双路卷积神经网络的植物叶片识别模型

目的针对卷积神经网络识别植物叶片过程中，叶片边缘形状对卷积层的过度作用而导致相似边缘形状叶片识别错误的问题，提出了一种双路卷积神经网络的植物叶片识别模型。方法模型考虑了叶片信息的边缘形状与内部纹理特征，构建了双路卷积神经网路结构，其中形状特征路径运用7层卷积层的网络结构，前3层采用大尺寸11×11及5×5的卷积核提取大视野特征，完成叶片形状特征提取，另外4层卷积层采用3×3小尺寸卷积核提取叶片细节特征；纹理特征路径采用6个3×3卷积核的卷积层，提取叶片纹理图像细节特征；然后通过特征融合层将两类特征相加为融合特征，并利用全连接层对植物叶片种类进行识别。结果实验结果表明，双路卷积神经网络模型与单路卷积神经网络和图像处理分类识别模型相比，在Flavia叶片数据集与扩充植物叶片数据集上，Top-1识别准确率分别提高到了99.28%、97.31%，Top-3识别准确率分别提高到了99.97%、99.74%，标准差较其他识别与分类模型下降到0.18、0.20。结论本文提出的叶片识别模型能有效避免相似叶片边缘形状干扰而导致识别错误的问题，可以提高植物叶片的识别准确率。      

基于BP神经网络和支持向量机的农用地分等方法研究

为建立农用地(耕地)质量评价模型,客观准确地进行农用地(耕地)分等,减少现行农用地分等方法中的人为因素影响,提高农用地分等的精度。以福建省长泰县丘陵山地区为实证研究区,通过无监督网络——自组织特征映射网络(SOM)筛选出2 602组典型样本,分别进行有监督网络——BP神经网络和支持向量机(SVM)的学习训练,将分等指标作为输入变量,以农用地自然质量等指数和等别作为输出变量,分别建立BP神经网络农用地分等模型与SVM农用地分等模型并对其精度进行分析。BP神经网络模型的评价正确率为89%,精度较高;支持向量机(SVM)模型的评价结果正确率为99%,达到高精度等级。2种模型均能满足农用地分等的精度要求,但SVM模型较BP神经网络效果更好,更适合应用于农用地分等工作。     

基于贝叶斯正则化BP网络的粮虫分类识别研究

以粮虫为对象,研究了利用数字图像处理技术与BP神经网络技术实现分类识别的方法。首先对4类常见粮虫进行图像采集、预处理及特征提取,然后将提取到的9个形态学特征参数作为神经网络的输入参数,对应的粮虫类别代号作为输出参数,建立BP神经网络,并在网络学习过程中采用贝叶斯正则化优化算法对其进行改进。最后通过仿真试验表明:该方法在粮虫识别算法中收敛速度快,预测精度高,稳定性好,泛化能力优,从而证实了该方法在实际应用中的可行性。     

基于卷积神经网络干制哈密大枣纹理分级

【目的】研究一种基于卷积神经网络干制哈密大枣纹理分级的方法。利用卷积神经网络解决干制哈密大枣的纹理分类问题。【方法】将大小统一的彩色图片输入网络,卷积核自动提取其纹理特征,进行分类。【结果】分类准确率达到了97.7%。【结论】与常用的灰度共生矩阵提取干制哈密大枣纹理特征(最大概率,相关性,对比度、能量、同质性和熵),再用BP神经网络和支持向量机(SVM)分类准确率相比的方法,避免了复杂纹理提取和图片预处理的过程,在测试时间相近的情况下识别率更高。