基于近红外光谱和机器视觉融合技术的板栗缺陷检测

为提高合格和缺陷板栗分级检测识别精度,提出了近红外光谱和机器视觉的多源信息融合技术的板栗缺陷检测方法。试验以湖北京山板栗为试验对象,利用BP神经网络方法建立了基于近红外光谱、机器视觉和多源信息融合技术的板栗分级检测模型。试验结果表明,3种识别模型对对训练集板栗回判率分别为96.25%、96.67%和97.92%;对测试集板栗的识别率为86.25%、83.75%和90.00%。基于近红外光谱和机器视觉的多源信息融合技术进行板栗分级检测的方法是可行的,融合模型较单独采用机器视觉技术或近红外光谱分析技术建立模型的识别率均有显著提高。     

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。     

基于机器视觉的马铃薯自动分级方法

为了实现马铃薯的自动分级,设计了基于V型平面镜同时获取三面图像的马铃薯机器视觉分级系统,并提出了相应的分级算法。根据大小特性,提出基于最小外接柱体体积法的马铃薯大小分级检测方法;根据外形特性,采用最长径外接矩形的宽高比法,实现了类圆形、椭圆型以及长型马铃薯的分类;根据马铃薯缺陷特点,分别提出以缺陷面积大小作为判别准则的孔洞、干腐马铃薯判别方法,以外接矩形对角线长度作为判别准则的机械损伤马铃薯判别方法和基于交叉法的发芽、畸形马铃薯检测方法。最终马铃薯的分级正确率为91.0%。试验结果表明:基于机器视觉的马铃薯自动分级检测方法可行,可用于马铃薯外部品质的在线检测。     

鸭蛋蛋心颜色等级模型研究

应用机器视觉技术，研究出鸭蛋蛋心颜色自动分级系统中的蛋心颜色分级模型。鸭蛋蛋壳颜色与蛋心区域颜色信息有关，可用光密度值进行模糊识别。无论是青壳蛋还是白壳蛋，其蛋心颜色等级G与H，S(色饱和度)，I三个变量间存在着显著的线性相关关系。     

国家高技术研究发展计划“863”计划研究成果

成果名称:基于计算机视觉的水果品质智能化实时检测与分级生产线课题名称:水果品质实时检测与分级机器人系统研究(国家“863”计划2001AA422230)柑橘的光学特性与品质机器视觉无损检测的研究(国家自然科学基金No.39800099)基于计算机视觉的柑橘品质实时检测新方法研究(国家自然科学基金No.30270763)水果三维几何特征和色彩的在线实时机器视觉检测方法研究(国家自然科学基金No.60575026)课题完成单位:浙江大学生物系统工程与食品科学学院、杭州杭挂机电有限公司课题主要完成人:主持人:应义斌浙江大学生物系统工程与食品科学学院电话:0571-8…     

机器视觉技术在玉米生产管理中的应用现状与展望

机器视觉技术具有实时性，高精度和对不利环境的适应性，可用于玉米生产各环节，提高生产管理效率。通过文献查阅与梳理分析，总结了机器视觉技术在玉米种子管理、品质管理、病虫害管理、田间管理等领域的研究现状，并指出玉米产业应用机器视觉技术的瓶颈在于机器视觉系统研发困难、种植业主应用积极性不高、技术推广人员严重不足等问题，提出了加强协作开发，降低成本；提高田间信息化管理水平，扩大生产规模；加大科普及技术服务力度等建议。     

基于电磁式同步执行机构的鲜枣分级机设计与试验

为了提高鲜枣机器视觉分级机的分级精度和速度,该文研究设计基于电磁式同步执行机构的鲜枣机器视觉分级机,整机由辊轮输送链、拨板链条、电磁铁、同步传动链轮、STM32F407图像处理器和STM32F103控制动作执行的协处理器等组成。执行机构单元拨板与辊轮输送同步,采用灵敏度高的电磁铁吸附硅钢开关扣板执行动作。图像处理流程为图像颜色分量、Sobel算子滤波、大津法二值化、椭圆拟合提取颜色和大小特征值。样机试验结果:拨板链同步位差为0.413 mm,单元拨板击撞力为2.57 N,红枣表皮瞬间承受最大力为12.69 N;每帧图像处理时间为50 ms,执行机构动作时间为40 ms,辊轮输送速度为320 mm/s,红枣分级速度达20个/s,实现鲜枣5个大小等级和1个绿色等级的分级,分级准确率为93.7%,无损率为100%,最大产能达1 400 kg/h。设计的基于电磁式同步执行机构的鲜枣机器视觉分级机实现了鲜枣的高准确率、高速度、无损分级要求,为机器视觉红枣快速分级设备的发展提供重要的技术支撑和理论参考。     

机器视觉技术在农作物种子质量检验中的应用研究进展

我国农作物种子资源丰富，随着图像处理技术的专业化与计算机硬件成本的下降和速度的提高，利用机器视觉技术进行种子质量检验评价成为可能。该文概述了农作物种子的特性及其对质量检验技术的要求，介绍了机器视觉技术的基本理论和发展现状，从算法、硬件、研究进展几个方面综述了机器视觉技术在农作物种子质量检验中的应用，认为用机器视觉代替人的视觉进行农作物种子质量检验前景广阔。     

基于机器视觉的红掌检测分级方法

中国盆花销售量随着消费水平的提高而迅速攀升,四大盆花之一的红掌在规模化生产中存在分级标准掌控不统一、分级结果不稳定以及效率低下等问题,制约了红掌产品的规模化生产,影响了红掌的出品质量。该研究提出基于机器视觉技术的红掌分级检测方法,对90株红掌的水平和竖直方向图像采集,经过二值化等处理,从侧视轮廓、俯视轮廓及佛焰苞轮廓特征三方面获取红掌植株的高度、冠幅、佛焰苞片数、苞片横径4项指标的信息, 针对每一项指标提出检测方法。试验结果表明,该方法对植株高度测量误差小于5.4 mm;针对植株冠幅提出了当量直径测量方法,佛焰苞片数测量正确率可达98.9%,苞片横径相对误差最大为6.52%。针对试验所选90盆红掌分级成功率达到97.8%。研究表明,利用机器视觉技术能够很好地实现对红掌盆花的在线检测分级。     

基于机器视觉的双孢蘑菇在线自动分级系统设计与试验

针对双孢蘑菇工厂化生产中人工分级劳动量大、生产效率低、标准不统一等问题,该文研究设计了一套基于机器视觉的双孢蘑菇精选分级系统,提出基于分水岭、Canny算子、闭运算等处理的双孢蘑菇图像大小分级算法,设计了基于传送速度、距离、触发时间与算法处理时间的精确控制策略,开发了基于Open CV 2.4.10和visual studio 2010的系统分析与控制软件,在最大限度减少破损情况下,实现双孢蘑菇实时在线精选分级。基于研发的双孢蘑菇自动精选分级系统样机,对新鲜双孢蘑菇进行了分级性能及分级效果的测试。试验结果表明,在输送速度12.7 m/min、相机行频1 900 Hz下,自动分级系统的平均分级速度是102.41个/min、平均准确率97.42%、破损率0.05%、漏检率0.96%,相对于人工分级效率提高38.86%,准确率提高6.84%,破损率降低0.13%,可以连续稳定工作。对于长时间分级,由于人容易疲劳,自动分级的优势更加明显。     

水果品质智能化实时检测分级生产线的研究

一种用于水果动态、实时检测的水果品质智能化实时检测分级生产线,由水果输送翻转系统、计算机视觉识别系统、分级系统组成。水果输送翻转系统的双锥式滚筒水果输送翻转装置,使水果以一定速度向前输送,并使水果绕水平轴自由转动,保证检测系统能检测到水果整个表面,获得足够的水果图像信息。通过计算机视觉系统的视觉智能识别,综合判断每一水果的等级,并确定每个水果的位置信息,由计算机识别系统的控制模块将指令传输给分级系统,完成水果的分级     

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。     

基于机器视觉的白掌组培苗在线分级方法

白掌在观叶类花卉中占有很大比例,其育苗多采用组织栽培法,且组培苗生产具有规模化。为提高成苗出苗品质,需要在组培苗炼苗前对其分级,而目前常用分级法不能有效解决自然状态下水平放置的白掌组培苗存在的叶片扭曲和重叠问题,因此该文提出一种基于机器视觉实现白掌组培苗在线分级的方法,通过对自然状态下水平放置的白掌组培苗的叶片面积、苗高、地径以及投影面积的分析,得到其投影面积与叶片面积呈线性关系,相关度为0.9344;投影面积与地径呈多项式函数关系,相关性为0.9067,故确定组培苗投影面积和苗高为实际生产中的分级指标。该文采用基于颜色模板匹配算法测量组培苗投影面积,得到的叶片面积和地径与实际叶片面积和地径的变异系数相对误差分别为0.35%和7.95%;利用最小外接矩形法(MBR,minimum bounding rectangle)测量苗高,得到的苗高和实际苗高变异系数相对误差为1.44%。通过整机分级试验发现在输送间距为0.25 m,输送速度为0.5 m/s,分级级别为3级的条件下,该分级装置的分级成功率可达96%,对应生产率为7 200株/h。     

基于纹理分析的香菇品质分选方法

为了实现天白花菇、白花菇、茶花菇和光面菇这4种类型香菇的分选,研究了多种菌盖纹理模型以及各个模型参量的融合,并设计了整个香菇类型自动分选系统。首先从香菇菌盖中截取合适大小的纹理区域,利用灰度直方图统计,灰度共生矩阵(grey level co-occurrence matrix),高斯马尔科夫随机场(Gauss Makov Random Field)模型和分形维数模型从该区域中共提取23个纹理特征参数。然后使用顺序前向搜索法对各个模型特征数据进行融合,从中得出6个简约特征。最后构建K近邻分类器作为香菇类别分类器并对提取后的简约特征进行分类。试验结果表明,香菇类型分选模型的分选正确率可达到93.57%,利用香菇菌盖纹理对香菇进行类型分类是可行的。     

基于图像特征融合的苹果在线分级方法

苹果在线分级是提升苹果商品化价值的重要环节,需要同时满足分级准确度和速度要求。为进一步提高苹果在线分级效率,该文借助机器视觉技术动态采集苹果传输过程中的实时图像,提出改进的三层Canny边缘检测算法来提取苹果轮廓以克服采集图像中的光线噪声影响,通过分析苹果分级指标,采用判别树对苹果的果径、缺陷面积、色泽等特征进行初步分级判断,并采用粒子群参数优化的支持向量机对果形、果面纹理、颜色分布等特征进行模型构建与分级,最后,通过将两种分级判断结果进行决策融合来实现样本精确分级。同时,采取图像压缩和特征降维方法提高实时性。试验结果表明,基于图像特征决策融合的苹果分级准确率可达到95%,平均分级速率可达到4个/s。研究结果为水果的在线分级提供参考。     

基于虚拟仪器和神经网络的禽蛋检测系统设计

文针对现有禽蛋无损检测方法系统集成度不高,操作界面易用性差,测量误差大、试验效率低等不足,研制了基于Lab Windows/CVI的多传感器融合的禽蛋无损检测虚拟仪器品质分级系统。该系统以Lab Windows/CVI软件为设计操作平台,以MATLAB神经网络的分析算法为分析模块核心,充分结合计算机视觉检测和声学检测方法的优点,在无损检测的信息采集和处理层面实现了多传感器融合。系统通过系统静态分级测试,系统动态分级测试和系统连续动态测试等3种测试,测试结果表明该系统界面易用性好,在快速运行（27个样品/min）的情况下具有较好的准确度 (系统连续动态测试准确率大于90%),和漏检率（最高速情况下小于3%）。     

基于机器视觉技术的淡水鱼质量分级

为了便于淡水鱼后续加工,需要对其进行大小分级,而且分级是淡水鱼加工前处理的重要工序之一。该研究收集86条淡水鱼为试验样本,利用机器视觉技术获取淡水鱼样本图像,对样本图像进行灰度化、二值化、轮廓提取等预处理,获取长短轴、投影面积等特征值。通过试验研究,建立有关鱼的头部、腹部和尾部的长度以及质量关系,运用各部分所占总质量的比例对特征值面积进行一定的校正,最后通过回归分析建立鱼体质量的预测模型。试验结果为：鱼体质量与投影面积之间是高度相关,其决定系数R2为0.9878,并对质量预测模型进行验证,验证相对误差均值为3.89%,绝对误差均值为6.81 g。试验结果表明,利用机器视觉技术可以为淡水鱼质量分级方法提供参考。     

基于压力和图像的鲜玉米果穗成熟度分级方法

为实现鲜玉米果穗成熟度等级的客观评定,提出了基于压力传感器和计算机视觉技术的综合分析方法。研制了玉米果穗成熟度检测装置,提取纹理信息所得惯性矩和压力检测装置所得最大压力值作为鲜玉米果穗成熟度等级评定的特征参数,通过系统聚类分级研究,确定成熟度等级为3级。采用主成分分析法对11个颜色特征进行优化筛选,用第一、二主成分可综合反映11个颜色特征的分级信息,实现了参数的降维。试验结果表明：以最大压力值、惯性矩、颜色特征主成分分析第一、二主成分值作为构建概率神经网络的输入,进行鲜玉米果穗成熟度等级评定,正确率为96.67%。结合压力传感器和计算机视觉技术可实现对鲜玉米果穗成熟度的准确分级。