基于计算机视觉的蔬菜中活菌总数快速检测

为了开发一种蔬菜中活菌总数的快速检测系统,综合利用活体染色、计算机视觉、图像处理、人工神经网络等技术。采用亚甲基蓝作为活体染色剂来区分活菌和死菌,用分辨率为520万像素的数字摄像机拍摄细菌内部的染色效果,并确定了有效提取活菌图像的新算法。根据细菌的形态学特征选择偏心率、圆形度、矩形度等8个特征参数,作为人工神经网络的输入向量来对细菌进行识别。该系统操作简单,且每个样品的检测时间少于40 min,远远小于传统的平板计数法的48 h。其检测结果与平板计数法检测结果的相关性为0.9987,且两者不存在显著性差异（T检验,P＞0.05）。因此该检测系统可以很好的适应农产品安全现场快速检测的要求。     

基于机器视觉的大豆籽粒精选技术的研究

摘 要：为实现大豆精选模型的设计,选择东农405、东农410、东农634三个大豆品种,以正常豆、灰斑豆、霉变豆、虫蚀豆为研究对像,采用可脱离PC机独立工作的智能摄像头获取分析豆粒图像。通过动态阈值分割算法分离豆粒与背景,提取豆粒图像的形状、颜色、纹理三方面的特征参数15个。采用BP神经网络建立分类模型,模型平均识别准确率达98%。试验选择2000粒大豆样本对精选装置进行测试,测试结果显示：该装置对正常豆、灰斑豆、霉变豆和虫蚀豆的筛选精度分别达到98.3%、93.4%、92.2%、95.9%,筛选效率达到300粒/分钟。试验结果表明：将机器视觉技术应用于大豆精选机的设计中是可行的。     

基于机器视觉的鸡胴体断翅快速检测技术

为实现肉鸡屠宰过程中断翅鸡胴体的快速检测,提高生产效率,该研究利用机器视觉系统采集了肉鸡屠宰线上的1 053张肉鸡胴体图,构建了一种快速识别断翅缺陷的方法。通过机器视觉装置采集鸡胴体正视图,经图像预处理后分别提取鸡胴体左右两端到质心的距离及其差值（d1、d2、dc）、两翅最低点高度及其差值（h1、h2、hc）、两翅面积及其比值（S1、S2、Sr）、矩形度（R）和宽长比（rate）共11个特征值,并通过主成分分析降维至8个主成分。建立线性判别模型、二次判别模型、随机森林、支持向量机、BP神经网络和VGG16模型,比较模型的F1分数和总准确率,在所有模型组合中,以VGG16模型的F1分数和总准确率最高,分别为94.35%和93.28%,平均预测速度为10.34张/s。利用VGG16建立的模型有较好的分类效果,可为鸡胴体断翅的快速识别与分类提供技术参考。     

重金属快速检测技术研究进展

重金属（类金属）污染是威胁农产品质量安全的一个重要因素。重金属快速检测技术以其快速、高通量的技术优势在农产品质量安全监测及受污染农用地安全利用中发挥着重要的作用。文中主要介绍了基于免疫识别、X射线荧光、电化学及高光谱技术重金属快速检测方法,同时对相关技术的优势与劣势进行了探讨。并对相关技术在农产品质量安全控制中的应用前景进行了展望。     

基于机器视觉的大豆籽粒精选技术

为实现大豆精选模型的设计,选择东农405、东农410、东农634 共3个大豆品种,以正常豆、灰斑豆、霉变豆、虫蚀豆为研究对像,采用可脱离PC机独立工作的智能摄像头获取分析豆粒图像。通过动态阈值分割算法分离豆粒与背景,提取豆粒图像的形状、颜色、纹理3方面的特征参数15个。采用BP神经网络建立分类模型,模型平均识别准确率达98%。试验选择2000粒大豆样本对精选装置进行测试,测试结果显示：该装置对正常豆、灰斑豆、霉变豆和虫蚀豆的筛选精度分别达到98.3%、93.4%、92.2%、95.9%,筛选效率达到每分钟300粒,将机器视觉技术应用于大豆精选机的设计中是可行的。     

采用机器视觉与自适应卷积神经网络检测花生仁品质

该文以花生质量自动化检测为研究目标,提出了一种基于机器视觉与自适应卷积神经网络的花生质量检测方法。构建花生图像数据库用于识别花生的常见缺陷,包括霉变、破碎、干瘪等;然后建立卷积神经网络自动提取花生图像特征。为避免深层网络训练时间过长,分别将二次函数与正态分布模型引入网络损失中,同时从网络的损失与权值2方面提出自适应学习率,并分别结合梯度下降与梯度上升法更新网络。为提高模型的泛化能力,引进迁移学习算法,分别在网络的特征层与分类层后加入领域自适应,实现跨领域与跨任务的检测。试验结果表明,该方法对花生常见缺陷的平均识别率达99.7%,与传统的深度网络相比实现了更高的收敛速度与识别精度。     

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。     

近红外光谱和机器视觉信息融合的土壤含水率检测

为了精确、快速和稳定测定土壤含水率以及扩大所建模型的适应性,该文提出了机器视觉与近红外光谱技术融合的土壤含水率分析方法。通过试验建立了湖北地区主要土壤基于近红外光谱的土壤含水率分析模型、基于土壤表层图像特征参数的含水率分析模型和机器视觉与近红外光谱信息融合的土壤含水率分析模型。结果表明,基于近红外光谱含水率分析模型虽然具有较高的精度,但该模型预测非建模样品黄绵土误差均大于4%;以图像特征参数H,S和V所建BP人工神经网络非线性预测模型最优,模型的决定系数R2为0.9849,但当土壤水分饱和（达到20%以上）时存在分析误差;而所建立的土壤的近红外光谱与机器视觉BP神经网络信息融合模型可预测非建模样品黄绵土与水分饱和达20%以上土壤,决定系数R2可达到0.9961,融合模型分析精度均高于单独使用近红外光谱或机器视觉分析模型。     

基于计算机视觉和神经网络检测鸡蛋裂纹的研究

为了提高鸡蛋裂纹检测的准确性和效率，综合运用计算机视觉技术和BP神经网络技术，实现对鸡蛋表面裂纹的无损检测和分级。首先，通过计算机视觉系统获取鸡蛋表面的图像，对图像分析处理，提取了裂纹区域和噪声区域的5个几何特征参数。其次，将5个参数作为输入，建立结构为5-10-2的BP神经网络模型，对裂纹进行识别和鸡蛋的自动分级。试验结果表明模型对裂纹鸡蛋的识别准确率达到了92.9%，对整批鸡蛋的分级准确率达到了96.8%。     

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...     

优化BP神经网络提高高光谱检测调理鸡肉菌落总数精度

针对调理鸡肉菌落总数在贮藏期间易受到外界因素影响,提出了一种优化反向传播(back propagation,BP)神经网络的调理鸡肉菌落总数预测方法。以贮藏在4℃条件下的调理鸡肉为研究对象,采集其表面400~1 000 nm高光谱信息共计419个波段作为全波段,并利用竞争性自适应重加权(competitive adaptive reweighted sampling,CARS)算法筛选出34个特征波段,分别以全波段和特征波段对应的光谱值作为BP神经网络输入,采用鸟群算法(bird swarm algorithm,BSA)和免疫算法(immune algorithm,IA)优化BP神经网络的初始权重和阈值,建立调理鸡肉菌落总数的BP、BSA-BP、IA-BP、BSA-IA-BP预测模型。试验结果表明:经过CARS筛选特征波长的BSA-IA-BP模型预测效果最佳,预测集相关系数RP、均方根误差、剩余预测偏差分别为0.93、0.31lg(CFU/g)、2.68,且模型稳定性最好。该研究为基于BP神经网络实现调理鸡肉菌落总数快速无损检测提供了算法支撑和理论基础。     

用遗传算法训练的人工神经网络识别番茄生理病害果

综合运用计算机视觉技术、遗传算法、人工神经网络技术，实现番茄生理病害果的自动识别。首先，通过计算机视觉系统获取番茄的图像，利用图像的圆度值判别空洞果，利用图像的果径变化特征判别变形果。其次，采用遗传算法训练的人工神经网络进行试验研究。试验表明，该方法能准确识别番茄的形状，满足分级的要求，对番茄生理病害果的识别准确率可以达到100%。     

基于人工智能计算技术的区域性土壤水盐环境动态监测

根据区域水环境监测与评价的要求，采用人工智能计算技术的BP神经网络模型进行二维区域性土壤水盐环境动态监测，仿真计算了河套灌区内两个实验区的区域土壤水盐动态值，绘制出水盐等值线图与三维透视图，将两年的预测成果对比分析。结果表明：隆胜实验区2002、2004两年春季耕作层土壤水分平均值稳定为21.0%，电导率平均值分别为0.35 ms/cm、0.42 ms/cm，有少量积盐。沙壕渠实验区两年春季耕作层土壤水分平均值分别为25.8%、21.8%，水分减少4%，而电导率明显增加，从0.44 ms/cm增至0.66 ms/cm，土壤耕层积盐明显，值得引起重视。由于BP神经网络技术对原始数据无参数及分布要求，不涉及特异值处理问题，可消除普通克立格法的平滑效应，具有较强的非线性拟合智能，对采样系统布置无严格要求，计算程序简单实用，是对常用地质统计学Kriging传统预测方法的改进，有独特的优点，可应用于大面积土壤水盐动态监测工作。     

基于扫描滤波的农机具视觉导航基准线快速检测方法

针对基于机器视觉的自动导航系统现有导航线提取算法易受外界环境干扰和处理速度较慢等问题,该文提出一种基于图像扫描滤波的导航线提取方法。首先获取不同农作物的彩色图像,使用2G-R-B算法对彩色图片进行灰度化处理,得到作物行和土壤背景对比性良好的图片。使用Otsu方法对图像进行分割,得到二值化的图像后,再采用腐蚀-中值滤波-膨胀的滤波方法对图像进行去噪处理。然后使用该文提出的扫描滤波导航线提取算法,将图像分成左右两部分,使用等面积三角形对两部分分别进行扫描后,再对扫描的结果进行滤波,从而提取作物行,得到导航线。试验结果表明,采用该方法处理一幅640×320像素的图像只需要76ms,可满足农机具实时导航的要求;与传统导航线提取算法相比,该算法计算速度快,适应能力强。     

基于计算机视觉的番茄缺素神经网络识别

提出了采用不受植株叶片大小和背景影响的色调域平均百分率直方图来提取番茄叶片的颜色特征,用于识别番茄是否缺乏营养元素;提出了采用基于最大差分算子的色调域百分率直方图法、灰度－梯度共生矩阵法和小波分析法提取番茄缺素叶片的纹理特征,用于识别番茄缺何种营养元素;设计了番茄缺N、缺Fe、缺Mg的BP神经网络系统,综合识别结果为：正常中叶、正常新叶、缺铁新叶,缺氮中叶、缺镁中叶的识别准确率依次为95％、92.5％、92.5％、87％、87％。     

融合卷积神经网络与视觉注意机制的苹果幼果高效检测方法

果实表型数据高通量、自动获取是果树新品种育种研究的基础,实现幼果精准检测是获取生长数据的关键。幼果期果实微小且与叶片颜色相近,检测难度大。为了实现自然环境下苹果幼果的高效检测,采用融合挤压激发块（Squeeze-and-Excitation block, SE block）和非局部块（Non-Local block, NL block）两种视觉注意机制,提出了一种改进的YOLOv4网络模型（YOLOv4-SENL）。YOLOv4模型的骨干网络提取高级视觉特征后,利用SE block在通道维度整合高级特征,实现通道信息的加强。在模型改进路径聚合网络（Path Aggregation Network, PAN）的3个路径中加入NL block,结合非局部信息与局部信息增强特征。SE block和NL block两种视觉注意机制从通道和非局部两个方面重新整合高级特征,强调特征中的通道信息和长程依赖,提高网络对背景与果实的特征捕捉能力。最后由不同尺寸的特征图实现不同大小幼果的坐标和类别计算。经过1 920幅训练集图像训练,网络在600幅测试集上的平均精度为96.9%,分别比SSD、Faster R-CNN和YOLOv4模型的平均精度提高了6.9百分点、1.5百分点和0.2百分点,表明该算法可准确地实现幼果期苹果目标检测。模型在480幅验证集的消融试验结果表明,仅保留YOLOv4-SENL中的SE block比YOLOv4模型精度提高了3.8百分点;仅保留YOLOv4-SENL中3个NL block视觉注意模块比YOLOv4模型的精度提高了2.7百分点;将YOLOv4-SENL中SE block与NL blocks相换,比YOLOv4模型的精度提高了4.1百分点,表明两种视觉注意机制可在增加少量参数的基础上显著提升网络对苹果幼果的感知能力。该研究结果可为果树育种研究获取果实信息提供参考。