蒸汽式扇贝柱脱壳技术优化

扇贝柱脱壳历来是扇贝加工的技术难题.研究了海湾扇贝的贝柱脱壳最优方式及蒸汽式扇贝柱脱壳的机理,探究蒸汽喷射下扇贝柱的粘附力及脱壳效果、扇贝壳内温度随蒸汽喷射时间的变化规律,确定最佳蒸汽喷射时间的范围.结果表明,当蒸汽温度为120℃、喷射时间为5～10 s时,脱壳效果较好;不同直径范围的海湾扇贝壳内温度随喷射时间变化的规律差异明显,因此在进行海湾扇贝脱壳前,应根据其大小进行分级,以保证高效率和贝柱的高质量.     

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L-M神经网络的苹果形状快速分级

为了实现苹果形状的有效分级,提出了一种快速的智能分级方法,即将苹果边缘曲线的傅立叶描述子作为果实形状特征,采用先进的Levenberg-Marquardt算法训练神经网络结构,最后用训练好的神经网络进行苹果形状分级.实际应用表明该方法切实可行且效果显著,不仅分级速度快,而且分级正确率高达90%以上.     

用吊耳法养殖虾夷扇贝时左壳定向方法的研究

为了实现吊耳法养殖虾夷扇贝Patinopecten yessoensis的钻孔作业自动化,对扇贝左壳定向方法进行了研究。提出了利用扇贝左右壳曲率不同的形状特征,通过控制扇贝的入水速度和角度,在水中实现左壳定向的方法。结果表明：扇贝在水中运动时,左右两壳所受的压力不同,扇贝在流体压力差和重力的作用下实现左壳朝上。在入水速度为1.0～1.5 m/s、入水角度为-30°～60°、水槽直径为60 cm、槽深为26 cm以上的条件下,将扇贝投入静水中,可实现左壳朝上定向;扇贝在水中完成定向所需时间为0.42～0.45 s。该法既可避免机械振动和碰撞对扇贝的损伤,又能减少因加工过程中扇贝在空气中暴露对其生长的影响。     

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。     

基于等效椭圆和BP神经网络的马铃薯形状分类研究

根据国家马铃薯分级标准的要求,提出了一种基于区域的等效椭圆和BP神经网络相结合的马铃薯形状分类方法.首先运用等效椭圆来提取一组特征参数R和C,然后将这些特征参数输入到已训练好的BP神经网络完成对马铃薯的形状分类.结果表明:该方法选用的特征参数少,能较为有效的描述马铃薯的形状,分级结果准确率达94.7%,与人工分级的一致...     

海湾扇贝清洗试验研究与样机设计

海湾扇贝养殖是我国浅海海水养殖的主要贝类产品。扇贝清洗是扇贝分级、剥壳及后续深加工的第一道工序,扇贝清洗效果与清洗效率直接影响到后续工序的生产。本研究通过对国内外扇贝清洗设备的发展现状的分析,以及扇贝在淡水中和在空气中存活时间的对比试验,单排辊清洗试验及双排辊清洗效果分析,研究确定了扇贝清洗机结构方式为上下布置双排辊,并在上排辊间隙上方布置高压喷气装置,采用毛刷辊刷洗和高压气喷洗相结合的清洗方式。     

基于小波描述子的水果果形分类

水果果形是水果分级的重要指标之一,该文提出了一种基于小波描述子的水果果形分类方法.通过提取水果轮廓计算出半径序列,并进行归一化处理,对归一化后的半径序列进行小波变换提取小波描述子;分别截取小波描述子12、20、36和67个系数点对水果边界进行重建.结果表明:用36个系数点就可较好地重建果形,匹配率为98.64%,用67个系数点可达相当高的精度,为99.96%;选取36个系数点作为果形特征,并运用核主成分分析(KPCA)提取分类所需的7个主要特征输入径向基函数(radial basis function,RBF)神经网络进行分类,发现该方法分级准确率可达90%,效果优于傅里叶描述子,是一种有效地描述水果果形的方法.     

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.     

海湾扇贝闭壳肌剥离设备的发展现状与展望

海湾扇贝是我国引进的一个重要品种,由于其生理结构的特殊性,给机械加工带来了一定难度。我国目前闭壳肌剥离仍以手工剥离为主,实现闭壳肌自动化剥离是当务之急。在对海湾扇贝生理学结构分析的基础上,对闭壳肌剥离技术及设备现状进行了系统分析,对现有的扇贝剥离方法进行了优劣对比,并展望闭壳肌剥离设备的发展趋势。     

基于图像识别技术的南疆红枣品种识别研究

通过Matlab图像处理和识别技术,根据不同品种的红枣的形状特征不同,分别对5种不同品种的红枣进行识别。首先对红枣俯视图像预处理提取红枣的表面轮廓,然后利用轮廓计算矩形度,圆形度,偏心率等7个几何特征和8个图像的不变距。利用PNN和BP神经网络作为分类器,对不同品种的红枣图像进行识别。结果表明,两种神经网络能够对不同品种红枣进行识别,PNN网络的平均识别率为90%,BP网络的平均识别率为80%,PNN神经网络比BP神经网络分类效果好。     

基于Bayes的竹片颜色检测分级方法

为了采用机器视觉对竹片自动识别与颜色分选,研究了一种基于竹片图像颜色特征与纹路特征和Bayes分类器的颜色分类方法.首先,对灰度图像采用Canny算子进行边缘检测,再利用Hough变换对竹片进行边缘定位,并对倾斜竹片实施旋转校正,以确定待检测竹片在图像中的具体位置.根据竹片的位置提取竹片区域平均颜色特征及纹路特征,将其作为样本的属性特征,采用Bayes训练的颜色等级作为输出,建立特征参数与颜色等级之间的Bayes分类器,上位机获得分级信号后经串口通过下位机实现竹片的自动分级.试验结果表明,该方法对竹片颜色检测准确率达到91.7%,可为竹制品行业的竹片颜色自动在线检测提供理论依据.     

基于计算机视觉的库尔勒香梨脱萼果识别研究

[目的]针对库尔勒香梨的图像,对香梨脱萼果和宿萼果进行分类及识别研究。[方法]利用Matlab软件进行图像数据获取、灰度化、中值滤波,利用动态阀值分割二值化图像;为弥补二值化后图像中出现的孔洞,基于数学形态学算子填充孔洞。设计神经网络参数,然后利用试验样本对BP神经网络进行训练和测试。[结果]所提出的方法能够获得很高的正确识别率,能够有效地将脱萼果识别出来。[结论]用BP神经网络来分类识别香梨脱萼果可以达到较好的效果。     

基于叶片图像多特征融合的观叶植物种类识别

叶片图像特征提取对于植物自动分类识别有着重要的研究意义。本文以观叶植物叶片为研究对象,综合提取叶片图像的颜色、形状和纹理特征,基于支持向量机(SVM)原理提出了基于图像分析的观叶植物自动识别分类方法。通过对50种观叶植物样本图像进行训练和识别,与BP神经网络和KNN识别方法进行比较,本文所采用的SVM分类器的识别率能够达到91.41%,取得了较好的识别效果。      

基于图像处理的木片与树皮的新识别参数研究

利用数字图像处理技术对樟子松、柳木和榆木的木片和树皮图像进行分类识别,首先提取木片和树皮图像的均方差比等6个识别参数,分析其最大值和最小值,然后用支持向量机和BP神经网络对这6个识别参数进行识别研究。结果表明,新识别参数——均方差比,无论用支持向量机,还是BP神经网络,其识别率都较高,因此,均方差比可作为木片与树皮识别的新识别参数。为造纸生产中,将树皮和木片分离,提高纸张质量提供依据。     

基于Android手机的树木叶片识别系统

为了准确高效地识别树木叶片,开发了一款基于Android 操作平台的树木叶片设别系统。该系统提取13 种树木叶片特征描述子,选择支持向量机作为分类器。该系统包括图像获取、图像处理、特征提取、分类识别和结果展示5 个模块。选取来自15 个树种的1 500 片树叶进行了试验,结果表明,该系统的平均识别率可以达到94.44%,优于BP 神经网络的91.56%,达到了令人满意的效果。该系统特征描述子的筛选、提取以及分类器算法还可以进一步优化,以更好地满足用户需求。     

基于Android手机的树木叶片识别系统

为了准确高效地识别树木叶片,开发了一款基于Android操作平台的树木叶片设别系统.该系统提取13种树木叶片特征描述子,选择支持向量机作为分类器.该系统包括图像获取、图像处理、特征提取、分类识别和结果展示5个模块.选取来自15个树种的1 500片树叶进行了试验,结果表明,该系统的平均识别率可以达到94.44％,优于BP神经网络的91.56％,达到了令人满意的效果.该系统特征描述子的筛选、提取以及分类器算法还可以进一步优化,以更好地满足用户需求.     

Combining discriminant analysis and neural networks for corn variety identification

Variety identification is an indispensable tool to assure grain purity and quality. Based on machine vision and pattern recognition, five China corn varieties were identified according to their external features. Images of non-touching corn kernels were acquired using a flat scanner. A total of 17 geometric features, 13 shape and 28 color features were extracted from color images of corn kernels. Two optimal feature sets were generated by stepwise discriminant analysis, and used as inputs to classifiers. A two-stage classifier combining distance discriminant and a back propagation neural network (BPNN) was built for identification. On the first stage, corn kernels were divided into three types: white, yellow and mixed corn by distance discriminant analysis. And then different varieties in the same type were identified by an improved BPNN classifier. The classification accuracies of BAINUO 6, NONGDA 86, NONGDA 108, GAOYOU 115, and NONGDA 4967 were 100, 94, 92, 88 and 100%, respectively.     

檀香咖啡豹蠹蛾虫害的树干区域分类研究

目的檀香是一种典型的珍贵树种,但不易成活且常遭受病虫害的干扰。本研究针对受咖啡豹蠹蛾危害的檀香,为提高受害檀香树干区域的分类效果,根据不同区域在颜色和纹理方面的特点,提出了一种复杂背景下受咖啡豹蠹蛾危害的檀香树干区域分类方法。方法(1) 本文首先结合高斯高通滤波、Otsu法、2G-R-B因子以及形态学运算,将树干从复杂背景中提取出来,再通过L*a*b*系统中的L*通道和a*通道将树干分割为健康区域、虫害区域和排泄物区域。(2)提出“多纹理”并使用“相对颜色”特征变换方法以提取图像特征。(3)提出BP神经网络和RBF-SVM相结合的方法对区域进行识别。结果(1) 本文提出的图像分割算法有效地将受虫害危害的檀香从背景中提取出来,并成功分割为健康区域、虫害区域和排泄物区域。(2)与传统PCA处理相比,使用“多纹理”和“相对颜色特征”得到的分类精度有所提高。其中,“多纹理”特征通过差异扩大的方法构建出的图像特征,明显增加了类间方差;“相对颜色特征”则减小了光照对样本的影响,从而减小了类内方差。(3)通过将RBF-SVM与BP神经网络方法相结合,对比发现,使用一种方法进行三分类的精度较低,分别为74.44%和81.11%;两次二分类后提高了精度,分别为87.77%和85.56%;而两种方法相结合的方式所得到的分类精度最高,总体可达91.11%。结论本文通过数字图像对受咖啡豹蠹蛾危害的檀香树干区域进行分类,为该虫害的早期识别以及受损率计算提供了方法,可以有效地减小檀香生长所受危害,提高心材质量,也为数字图像技术在林业中的应用提供了参考。      

基于改进VGG卷积神经网络的棉花病害识别模型

为实现自然条件下棉花病害图像准确分类,提出基于改进VGG-16卷积神经网络的病害识别模型。该模型在VGG-16网络模型基础上,优化全连接层层数,并用6标签SoftMax分类器替换原有VGG-16网络中的SoftMax分类器,优化了模型结构和参数,通过微型迁移学习共享预训练模型中卷积层与池化层的权值参数。从构建的棉花病害图像库中随机抽取病害图像样本作为训练集和测试集,用以测试该方法的性能。试验结果表明:该模型能有效提取出棉花病害叶片图像的多层特征图像,并通过Relu激活函数的处理更能凸显棉花病害的边缘信息与纹理信息,分辨率为512像素×512像素图像在样本训练与验证试验效果最好。在平均识别准确率方面,本研究模型较BP神经网络、支持向量机、AlexNET、GoogleNET、VGG-16NET效果最好,达到89.51%,实现对棉花的褐斑病、炭疽病、黄萎病、枯萎病、轮纹病、正常叶片的准确区分。该模型在棉花病害识别领域具备良好的分类性能,可实现自然条件下棉花病害的准确识别。