基于计算机视觉的番茄催熟与正常熟识别

国内常有菜农采摘远离成熟期的番茄,采用乙烯利处理进行催熟,为了阻止催熟番茄进入瓜果市场危害食用者的身体健康,给出了催熟番茄识别系统的硬件组成,通过计算机视觉装置获取番茄透射光颜色参数（R、G、B）,并将RGB值转换成HIS值,采用遗传算法训练的多层前馈神经网络实现催熟番茄的自动识别。试验结果表明,系统正确识别率为91.7%,为进一步进行番茄催熟与正常熟识别的研究提供参考。     

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％。     

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%。     

用遗传算法训练的多层前馈神经网络对番茄成熟度进行自动检测的研究

建立了计算机视觉系统获取番茄的图像，并将RGB值转换成HIS值，通过H值提取番茄表面颜色特征。采用遗传算法训练的多层前馈神经网络实现番茄成熟度的自动判别。实验表明：该方法准确率达到94%。     

基于计算机视觉的水产动物视觉特征测量研究综述

作为水产养殖集成信息化管理的主要信息源,水产动物视觉属性信息的测量不仅是判定水产动物生长状况,调控水质环境的主要信息依据,也是对水产动物进行喂养、用药、捕获、选别和分级等操作的前提基础。近年来,计算机视觉技术作为一项快速、客观、无损的检测方法,已被逐渐用于水产动物视觉属性的测量中,许多研究学者开展了大量的研究工作。该文更新和总结了国内外近20多年来有代表性的相关研究和解决方案,在描述计算机视觉检测系统的概念和组成结构的基础上,围绕尺寸测量、形状分析、颜色识别和质量估计等方面详细分析了计算机视觉技术在水产动物（以鱼类为主）视觉属性测量方面的国内外研究现状,着重阐述总结了研究人员在水产动物视觉检测的图像采集、轮廓提取、特征标定与计算等方面的具体改进措施,并对基于计算机视觉测量的水产动物疾病诊断,识别分类等综合应用现状也进行了分析探讨,以评估计算机视觉技术在水产动物视觉质量检测领域的总体应用情况和现存的主要问题,同时给出了今后的研究趋势与发展方向。     

基于双目立体视觉的番茄定位

为提高番茄采摘机器人视觉系统的定位精度,该文提出了一种基于组合匹配方法及深度校正模型的双目立体视觉测距方法。该方法在形心匹配的基础上,将形心匹配得到的视差值作为区域匹配时设定视差范围的参考值。这样可以减小区域匹配计算量及误匹配的概率。区域匹配后,利用三角测距原理得到番茄区域对应的深度图,并将区域的深度均值作为其深度维的坐标。试验发现定位误差与测量距离间具有很好的线性相关性。通过回归分析,建立了线性回归模型,并对深度测量结果进行校正。结果表明,工作距离小于650mm时,定位误差约为-7～5mm,工作距离小于1050mm时,定位误差约为±10mm,可满足番茄采摘机器人视觉系统在大多数采摘作业环境下的工作要求。     

基于计算机视觉的粒度检测方法研究

利用计算机视觉技术进行超微粉碎物料粒度检测方法的研究。采用非线性变换对图像进行对比度增强处理，利用自动取阈值算法分割目标和背景，设计了识别算法用于去除凝聚颗粒，以得到样本真实粒度和分布。实验证明用显微图像进行粒度检测，测定分布状态直观明了，检测结果稳定，可测量0.1～150 μm颗粒粒径。     

基于计算机视觉的大米裂纹检测研究

针对人工目测的传统方法在进行米粒裂纹检验时存在主观性及随意性较大、效率较低、可重复性较差等缺点,在分析大米裂纹光学特征的基础上,在Visual C++ 6.0环境下开发了一套大米裂纹计算机识别系统,通过图像二值化、区域标记等方法从原始图像中提取单体米粒图像,并对提取出的单体米粒图像进行灰度拉伸变换处理以突出米粒裂纹特征,然后提取单体米粒的行灰度均值变化曲线,并对曲线进行加权滤波处理,提出了一种基于单体裂纹米粒图像行灰度均值变化特征的大米裂纹检测算法。运用该算法对从金优974、菲优600、冈优182、中优205、89-94等5类大米品种中各选取的6 组特殊类样品和5 组随机样品进行裂纹检测。试验结果表明,该系统对特殊类大米样品和随机大米样品裂纹率的判断准确率分别为98.37%和97.88%,为进一步完善大米品质的计算机视觉检测提供了理论和实践基础。     

农业领域中的计算机视觉研究

计算机视觉技术在农业各领域中的应用研究发展非常迅速，本文回顾了计算机视觉技术近年来的国内外农业中的发展情况，从四个方面进行综述，最后概述我国现阶段计算机视觉技术在农业中的应用主要存在的问题及发展前景。     

基于双目立体视觉技术的成熟番茄识别与定位

研究了基于双目立体视觉技术的成熟番茄的识别与定位方法,获取了成熟番茄的位置信息,用于指导温室内成熟番茄的自动化采摘作业.该方法利用成熟番茄与背景之间颜色特征的差异进行图像分割来识别成熟番茄;根据图像分割的结果,用形心匹配方法获取番茄中心的位置;然后根据相邻区域像素点灰度的相关性,利用区域匹配方法计算番茄表面各点的深度信息.使用限制候选区域和两次阈值分割的方法减少计算量,提高了计算精度.实验结果表明,工作距离小于550 mm时,番茄深度值的误差约为±15 mm.利用该测量方法可以实现成熟番茄位置信息的获取,测量精度较高.     

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%。     

基于机器视觉的作物多姿态害虫特征提取与分类方法

由于野外诱捕害虫的姿态存在多样性和不确定性,使得利用机器视觉进行害虫的自动识别与计数仍然是一个难题。该文提出一种基于颜色和纹理等与形态无关的特征相结合和利用多类支持向量机分类器的多姿态害虫分类方法。通过对目标害虫图像进行不同颜色空间特征、基于统计方法的纹理特征和基于小波的纹理特征的提取,构建了6组不同组合的特征向量。将10阶交叉验证的识别率作为适应度函数值,利用遗传算法对各组特征向量进行降维筛选。最后利用基于有向无环图多类支持向量机分类器对多姿态害虫进行识别和特征组选择。结果表明,遗传算法最多可以使特征向量维数降到原来的38.89%,基于HSV三通道颜色图像的小波纹理特征组在建模时间和平均准确率方面都表现最优,可以作为一种有效的多姿态害虫分类特征选择。     

基于机器视觉的番茄多目标提取与匹配

果实的提取和匹配是番茄采摘机器人进行番茄定位和采摘的基础。为解决获取图像中多个成熟番茄粘连或被遮挡的情况下果实的提取和匹配问题,该文提出了使用局部极大值法和随机圆环变换检测圆算法结合进行目标提取,再使用SURF算法进行目标匹配的算法。该方法首先基于颜色对番茄进行分割提取,然后使用局部极大值法对番茄个数进行估计,结合番茄区域面积进行半径估计,之后通过随机圆环变换算法检测番茄中心和半径进行目标定位,再使用SURF算法进行双目目标匹配的算法。该方法在一定程度上解决了复杂自然环境下,多个番茄的提取和图像特征匹配的问题,并通过试验验证了其有效性和准确性,可为采摘机器人目标识别技术的研究提供参考。     

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。     

玉米苗期杂草的计算机识别技术研究

利用计算机视觉技术和人工神经网络技术对识别玉米苗期田间杂草进行了研究。首先利用类间方差最大自动阈值法二值化杂草图像的超绿特征,再进行连续腐蚀与膨胀,然后根据长宽比、圆度、第一不变矩3个形状特征由BP网络识别出玉米幼苗,最后利用种子填充法从阈值分割结果中擦除玉米目标,剩余的就是杂草目标。研究表明,基于BP网络的杂草识别算法对玉米幼苗与杂草的正确识别率分别为87.5%和93.0%,处理一幅640×480像素的杂草图像平均耗时约为58 ms。