基于机器视觉的大米外观品质检测装置

设计了一套基于机器视觉的大米外观品质参数检测装置,实现了对垩白度、垩白粒率、黄粒米和粒型参数的检测。该系统基于嵌入式计算机系统,应用改进的流域分割算法实现了粘连籽粒图像的分割,应用BP神经网络实现了垩白米的检测,应用色度实现了黄粒米的检测,应用极坐标下的长短轴快速检测算法实现了粒型的检测。试验结果表明,该装置对垩白粒率的检测精度为±2%,垩白度的检测精度为±1%;对黄粒米的检测精度为±5%;粒型的检测精度为±4%。     

基于机器视觉的三七种苗分级检测方法研究

利用机器视觉技术对三七种苗样本进行外观品质分级.采集200株三七种苗的图像并进行预处理,研究了像素点个数与种苗质量之间的关系,建立了线性预测模型,并提取了影响三七外观品质分级的种类、鹰嘴、侧根数的重要特征参数,采用支持向量机建立了三七种苗外观品质分级模型.研究结果表明:种苗质量与像素点个数之间有极显著的线性关系,外观品...     

基于机器视觉的蔬菜种子包衣品质鉴定

蔬菜种子包衣工作参数的智能调节,能提高包衣加工效率和成品质量。为了研究包衣工作参数的智能调节,提出了基于机器视觉的蔬菜种子包衣品质鉴定方法。针对蔬菜种子包衣过程中种子包衣完整性、包衣颜色深浅、包衣颜色均匀性3个重要指标,提出依据单粒种子的种子包裹率、种子颜色及纹理特征将包衣种子分为合格与非合格两类。对于种子图像中粘连的问题,采用分水岭算法将图像分割为单粒种子。通过对单粒种子的多阈值分割,实现种子包衣完整率的计算。基于HSI颜色空间提取H、S分量的颜色矩特征与I分量的灰度共生矩阵特征,融合种子包衣完整率、颜色矩特征和灰度共生矩阵特征这3种特征为一个11维特征向量,构建基于径向基核函数的支持向量机分类器对包衣结果进行品质鉴定。实验选用包衣后辣椒种子验证算法,结果表明:包衣结果识别准确率为90.93%。该研究可为后续研究包衣机工作参数的智能调节奠定理论基础。     

基于机器视觉的槟榔分级方法研究

针对槟榔人工分级劳动生产率低、准确率低的问题,开展基于遗传神经网络的机器视觉槟榔分级研究。以4种类别的槟榔图像为研究对象,首先设计一个6层结构的遗传神经网络对槟榔进行分级,虽然分级准确率较高但是网络结构复杂。然后对运用主成分分析法降低图像特征的维数并将遗传神经网络简化为3层结构的方法进行研究。最后用400幅和100幅槟榔图像对这个3层神经网络进行训练和验证,经过调整网络的学习率等参数,训练和验证的准确率达到95%以上。通过神经网络模型测试试验,槟榔正确分级的准确率为90%。数据降维后的三层遗传神经网络能够实现对槟榔的实时分级,为机器分级提供了技术支持。     

基于机器视觉的嫁接用苗外观特征自动检测

提出了基于数学模型的幼苗外观特征自动检测方法,检测项目包括生长状态、子叶参数和胚轴参数。首先经过图像预处理提取幼苗二值图,利用行像素统计图确定特征参数基准点位置。然后以标定胚轴最小矩形倾斜度和宽度判定弯曲状态;子叶跨度通过两子叶端点距离确定,子叶展开角通过两子叶底端平展位置拟合线夹角判定;胚轴弯曲度通过胚轴中心线上曲率最大的位置为分界点分别判断两段斜度而求得,胚轴长、轴径结合斜度补偿求得。与手工测量数据对比,轴长、轴径和子叶跨度的相关系数分别为0.935 1、0.899 9和0.903 4,相对误差分别小于7%、5%和7%,绝对误差分别小于4 mm、0.2 mm和6 mm。     

黄花梨品质检测机器视觉系统

以黄花梨为研究对象,比较了不同强度光源、不同背景对采集到的图像的影响,研制了一套适用于黄花梨及其他水果品质检测的机器视觉系统。试验结果表明,在白色背景、普通光源照明下,可以获得清晰度较高的图像,为进一步研究黄花梨的尺寸、形状和表面缺陷等的检测创造了条件。     

机器视觉技术在稻米品质检测中的应用进展

机器视觉技术在食品、农产品的检测、分级中具有广阔的应用前景。为此,综述了机器视觉技术在稻米品种、胚芽、爆腰、黄粒米等方面进行检测的研究动态,并指出了机器视觉技术在稻米品质检测中存在的不足,为进一步应用机器视觉技术提供参考。     

基于机器视觉的石榴品质自动分级方法

采用人工检测的石榴外观品质等级分级方法存在准确率和效率低的问题,提出一种基于机器视觉的石榴品质分级方法。首先,采用机器视觉系统采集石榴样本图像,进行去噪处理与获取掩模图像;其次,提取去噪图像的红、绿、蓝分量,用蓝色分量减去红、绿色分量得到色差图像,并对色差图像进行阈值分割;然后,对分割图像采用数学形态学处理获得连通的疑似缺陷区域的边界,提取纹理特征并根据缺陷与非缺陷区域纹理特征的不同来标记缺陷区域;最后,将缺陷面积与总面积之比和缺陷数目作为划分等级的依据,对石榴品质等级进行划分。试验结果表明：本方法总体分级准确率达到92.9%,能够高效、准确地识别石榴表面缺陷并进行品质分级,为实现自动分级的产业化提供思路。     

基于机器视觉和工艺参数的针芽形绿茶外形品质评价

外形是针芽形绿茶的关键感官评价指标,通常依据色泽、条形、嫩度和匀整度等表象特征进行人工评审,难以做到精准、客观和量化评价。本文以自动化生产线机制的针芽形绿茶为研究对象,基于茶叶品质、形成工艺和视觉形态等内外因素,构建了外形品质的智能感官评价方法。首先,在线采集在制品的17个机制工艺参数和成品茶的图像,进行图像特征提取,选取9个颜色特征和6个纹理特征。进而,通过与专家感官评分进行关联分析,明确了与感官品质显著相关的特征变量。为获取高效的评价模型,采用偏最小二乘法(PLS)、极限学习机(ELM)和强预测器集成算法(ELM-Ada Boost)3种多元校正方法,分别建立了基于工艺或图像特征的针芽形绿茶外形感官的量化评价模型。建模结果表明,基于图像特征建立的ELM-Ada Boost模型(Rp=0.892,RPD大于2),其预测性能优于其他模型,且具有更小的RMSEP(0.874)、Bias(-0.148)、SEP(0.226)和CV(0.018)值。同时,非线性模型的预测性能均高于PLS线性模型,能更好地表征工艺参数、图像信息与感官评分之间的解析关系,且建模速度更快(0.014~0.281 s)。而Ada Boost法作为一种混合迭代算法,能进一步提升ELM模型的精度和泛化能力。结果表明,基于机器视觉和工艺评价针芽形绿茶外形品质是可行的,为拓展茶叶感官品质评价方法和专家工艺决策支持系统研制,提供理论依据和数据支撑。     

农产品检测与收获以及加工中的机器视觉技术

综述了国内外在利用机器视觉技术进行农产品,指示器品质自动化识别、农产品收获和加工自动化方面的研究进展；主要介绍了农产品表面缺陷与损伤识别、尺寸与面积检测和颜色识别、被叶子遮挡或部分重叠的果实识别、树上果实的全天侯识别方法、果实成熟度的检测方法以及在农产品加工中的自动化定位、定向、杂质检出和质量控制等方面所取得的研究成果。     

鲜食玉米果穗外观品质分级的计算机视觉方法

在HSI颜色模型下,通过计算机视觉检测技术实现对鲜食玉米果穗外观品质分级.提出垂直投影法确定秃尖位置并去除秃尖.对H值进行双向一次微分运算以实现缺陷的识别.在此基础上获取果穗缺陷比、穗长、果穗最大直径、长宽比和矩形度作为外观品质特征参数,并以此为输入向量构建广义回归神经网络对果穗外观品质分级.试验结果表明:秃尖位置、穗长和果穗最大直径的平均误差分别为2.27 mm、1.96 mm和0.54 mm,缺陷误判率为3.00%,分级平均准确率为95.91%.     

基于计算机视觉的大米外观品质检测

开发了一套基于计算机视觉技术的稻谷品质检测系统，采用灰度变换、自动阈值分割、区域标记等方法从采集的稻米群体图像中提取单体米粒图像，对单体米粒的裂纹、垩白特征进行了统计和检测方法研究。提取了米粒的面积、周长等10个特征参数作为整精米检测特征，并进行了主成分分析，确定了判别整精米的优化阈值。检测试验结果表明：裂纹米粒识别的准确率为96．41％；垩白米粒识别的准确率为94．79％；整精米识别的准确率为96.20%。     

计算机视觉和人工神经网络技术在花生仁外观检测中的应用

本文运用计算机视觉和人工神经网络技术对花生仁检测进行了研究。通过MATLAB对花生仁图象进行数字处理,获取相关数据和参数,建立了破损花生仁与其颜色参数之间的数学关系,并通过此关系自动识别完好与破损花生仁,探索了农产品现代检测方法和手段。     

基于计算机视觉的稻谷品种数据库检索技术

利用计算机视觉技术提取稻谷的主要外形特征,初步建立了稻谷品种数据库。研究了稻谷品种数据库的检索技术,提出了将BP神经网络与相似度检索相结合的检索方法。实验结果表明,该方法可有效提高检索效率。     

计算机视觉技术与品质检测自动化

随着计算机硬件成本的下降和速度的提高，计算机视觉技术在农产品品质自动检测领域的应用前景已经越来越广阔。为此，从农产品尺寸与面积检测、形状检测和颜色检测等3个方面综述了国外在利用计算机视觉技术进行农产品品质自动检测方面的研究进展，并指出了目前尚需解决的难点问题。     

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。     

计算机视觉在大米胚芽识别中的应用

提出了有计算机视觉系统代替人眼对大米胚芽进行自动识别的方法。通过对胚芽米的颜色特性和彩色图像的分析研究,首次提出以饱和度Ｓ作为特征参数进行胚芽和胚乳的识别,从而实现了对大米留胚率的自动检测。以建立和识别指标和方法用计算机视觉系统进行胚芽识别,结果与人工检测吻合率达８８％以上。留胚率的自动检测结果与人工检测结果高度吻合。     

计算机视觉在水稻大面积制种中的应用研究

水稻是我国最主要的粮食作物,在农业经济中占有重要的地位。水稻种植环境多样,高产稳产在很大程度上依赖于优良品种。制种是杂交稻生产的关键环节,种子质量对产量有着决定性的影响。随着科学技术的发展,无人机、物联网和计算机视觉等新技术在农业中得到了应用,推动了农业现代化进程。为此,将计算机视觉用于水稻大面积制种,实现对田间的空行和杂草杂株的识别,以及对父母本抽穗期的监测。试验表明:计算机视觉能够有效识别水稻空行,对杂株杂草的识别较为准确,没有出现误检的情况。计算机视觉监测的父母本抽穗期与实际接近,最大差异仅为1天,可以提高杂交种产量和纯度,推动水稻制种技术的发展。     

水稻氮素机器视觉诊断最佳叶位和位点的选择研

选用扫描仪获取水稻叶片的数字图像,通过比较第1和第3完全展开叶 (L1和L2) 颜色参量的空间分布,研究基于机器视觉技术的水稻氮素诊断的最佳叶位和位点选择.结果表明基于机器视觉的水稻氮素营养诊断是有理论依据的,能反映出叶片的营养状况; 选择B、b、b/(r+g)、b/r、b/g作为最优颜色特征参量;比较颜色特征参量对应的变异系数CV,得到低氮处理的CV明显高于正常氮素水平,同时CV随着叶位的增加而减小;不同位点的CV其叶尖和叶基的变化幅度较为接近,不同位点间差异不显著.初步研究选择第3完全展开叶作为水稻无损氮素诊断的最佳叶位.