基于机器视觉的马铃薯自动分级与缺陷检测系统设计

针对现有的马铃薯分级和检测需要大量的人力物力、检测效率不高,设计了基于机器视觉的马铃薯自动分级与缺陷检测系统.工作时,自动分级系统对大量马铃薯进行快速表皮去泥和分级工作,得到3种规格的马铃薯并逐个运输到缺陷检测系统进行马铃薯缺陷的识别检测;通过多种图像处理算法对比分析,以平均值法灰度化、中值滤波处理、大津法分割等方法得...     

基于机器视觉的紧固套缺陷检测方法估计

针对紧固套缺陷检测中人工检测效率低等问题,设计了基于机器视觉的紧固套缺陷检测方法.首先根据紧固套的特点搭建了图像采集平台,突出缺陷特征;然后基于Halcon设计了相应的缺陷检测方法:先通过模板匹配的方法对检测区域定位;再使用基于频域图像差分的方法抑制干扰,突显缺陷特征;然后使用改进的动态阈值法得到缺陷备选图;最后使用面...     

基于机器视觉的马铃薯单薯质量检测技术研究

国内外关于马铃薯品质检测的机器视觉分级技术研究甚少,马铃薯单薯质量是马铃薯的重要指标.为此,通过对马铃薯图像进行预处理,提取相关特征参数,采用逐步回归分析方法对多个特征参数进行分析和筛选,用马铃薯俯视和侧视投影图像中的面积参数构建了单薯质量模型.利用该模型对300个马铃薯进行了检验,结果表明:该方法提取的参数个数少且检测误差小,满足了生产的需要.     

基于机器视觉和PNN神经网络的鸭蛋表面缺陷检测研究

本章提出了一种基于概率神经网络（PNN）结合机器视觉的鸭蛋表面裂痕检测方法,配合背景光照法,结合灰度图像处理、图像高斯滤波处理、图像分割处理等算法去除图像杂质干扰,采用反锐化掩模局部对比度增强的分段增益改进算法来增强裂痕,收集裂痕、污点的相关信息作为数据集录入PNN神经网络,进行识别判断。本研究对1 600张鸭蛋图片样本进行采样分析,将鸭蛋分为好蛋、脏污蛋、裂纹蛋3种。试验表明,该系统对干净无损蛋、脏污无损蛋、裂纹蛋的检测准确率分别达到了95.1%、77.9%、95.3%,具有较好的泛化性和鲁棒性,符合复杂鸭蛋生产加工环境的应用需求。     

基于机器视觉的内丝接头密封面缺陷检测系统

在生产过程中,由于内丝接头制造工艺的原因,通常会使得其密封面出现凹坑、划痕、孔洞、翘皮等缺陷。为了解决内丝接头密封面检测精准度和检测效率不高的实际问题,设计了一套基于机器视觉的内丝接头工件密封面缺陷检测系统,搭建实验平台采集图像并对图像进行平滑去噪、阈值分割和形态学修整的预处理操作,采用特征检测算法实现缺陷识别及检测。试验和实际使用情况表明,该缺陷检测系统的准确率达到95%,能有效保证产品的质量和检测精度。     

基于机器视觉红枣缺陷检测装置的设计与试验

基于机器视觉的红枣缺陷检测研究中,普遍采用单相机采像,由于相机位置固定,加之红枣通常由普通传送带运送,红枣间易产生堆积、黏连造成红枣之间相互遮挡和红枣自身遮挡,导致红枣表面完整图像无法被采集,即使改用多相机采相也存在盲区,仍无法解决采集的图像不完整,导致检测准确率降低的问题.为了解决以上问题,设计了一种基于机器视觉红枣...     

基于机器视觉的胡萝卜表面缺陷识别方法研究

胡萝卜在生长与收获运输过程中,不可避免会出现一些外观缺陷,缺陷胡萝卜的剔除是胡萝卜上市销售前的重要环节。目前缺陷胡萝卜主要依靠人工分选,具有分选标准不稳定、劳动强度大、成本高等缺点。为了快速、准确、无损地检测缺陷胡萝卜,将机器视觉技术引入到胡萝卜分选过程中,以提高分选准确率和效率。胡萝卜表面缺陷包括青头、弯曲、断裂、分叉和开裂等,缺陷特征互不相同,所以不同缺陷需要不同的检测算法。青头检测利用胡萝卜正常区域与青头区域的颜色差异实现,胡萝卜图像在HSV颜色空间下,利用统计方法确定青头区域H、S和V的判别阈值;弯曲、断裂和分叉识别是根据正常胡萝卜与缺陷胡萝卜之间的形状差异实现,凸壳算法、Hu不变矩和Harris角点检测算法分别用来检测胡萝卜弯曲、断裂和分叉缺陷;开裂检测则是利用胡萝卜正常与开裂区域的纹理差异实现,Sobel水平边缘检测算子、Canny边缘检测算子结合形态学操作实现胡萝卜开裂区域提取。结果表明青头、弯曲、断裂、分叉和开裂的识别准确率分别为100%、91.14%、90.57%、94.57%和95.45%,总体识别准确率达94.91%,满足胡萝卜在线分选精度要求。     

机器视觉在水果缺陷检测中的研究现状

随着我国加入WTO,提高农产品质量和国际竞争力能力是当务之急。为此,对机器视觉在水果缺陷检测进行较为全面地论述。首先简单地介绍了机器视觉在水果分级检测中的重要性,并分别从国内和国外两个方面描述了机器视觉在水果缺陷研究中的最新进展,指出了当今国内外研究中存在的问题和今后进一步研究的设想。     

机器视觉技术的发展和应用

1机器视觉系统的概述 机器视觉(又称计算机视觉)是指用计算机来实现人的视觉功能,也就是用计算机来实现对客观的三维世界的识别.简言之,机器视觉就是用机器代替人眼来做测量和判断.机器视觉系统是指通过机器视觉产品(即图像摄取装置,分CMOS和CCD两种)将被摄取目标转换成图像信号,传送给专用的图像处理系统,根据像素分布和亮度、颜色等信息,转变成数字信号;图像系统对这些信号进行各种运算来抽取目标的特征,进而根据判别的结果来控制现场的设备动作.     

基于机器视觉的育秧盘裂缝缺陷检测方法研究

育秧盘因长期使用或运输不当等原因易出现破损,影响了工厂化自动育秧生产线的作业性能。针对水稻育秧盘的裂缝缺陷,采用机器视觉技术,利用图像灰度化、自适应阈值处理和形态学运算等方法对育秧盘的裂缝缺陷进行检测;利用平均值法对RGB图像进行灰度化,采用自适应阈值处理对灰度化后的图像进行二值化,然后通过形态学膨胀对断裂处的裂缝进行连通,以求得最大连通区域,再运用最小外接矩形把最大连通区域标记出来,实现对裂缝缺陷的识别。试验结果表明:对带有裂缝缺陷的育秧盘的正确识别率可达到94.38%。本文的研究为育秧盘裂缝缺陷的检测和判定奠定了基础。     

基于机器视觉的苗期杂草实时分割算法

对利用植物的位置来识别作物苗期田间杂草的方法进行了研究。根据苗期田间植物的位置特征 ,建立了基于机器视觉的分割苗期田间杂草的算法 DBW。通过比较分析各种算法的分割效果图和所耗费的时间 ,运用超绿色法灰度化原始图像 ,然后应用最大方差自动取阈法二值化图像 ,最后运用种子填充算法分割作物和杂草。研究表明 ,算法 DBW在实时性方面表现出一定的优越性 ,处理一幅 5 4 4× 117像素的图像只需大约 6 0 ms     

基于机器视觉的麦田边界检测

针对不同时期麦田场景,提出了基于机器视觉的边界（田埂）检测算法。将摄像机安装在农田作业机械前方,在作业过程中采集麦田场景图像。根据麦田和田外区域的不同颜色及亮度特征,判断出田埂的位置以及田埂线的方向候补点群,使用过已知点的哈夫变换计算出田埂线的斜率。经过对多幅不同时期麦田图像的处理,证明本检测算法可以适应不同时期的麦田环境,并且具有速度快、抗干扰、准确性高等优点。     

基于机器视觉的鸡胴体表面污染物在线检测技术

基于机器视觉技术设计了鸡胴体表面污染物在线检测及处理系统。通过工业相机+滤光片+计算机的方式在线采集鸡胴体表面波长500 nm和710 nm的特征图像,采用中值滤波、灰度增强进行图像预处理,然后采用Otsu法自动确定阈值并获得二值化图像,再对图像进行腐蚀、膨胀、空洞填充以及异或操作,分割得到鸡胴体表面污染物区域并以此判断鸡胴体表面是否存在污染物,然后对鸡胴体表面的污染物进行喷淋处理。试验结果显示,利用该系统进行鸡胴体表面3种污染物(盲肠粪便、血液、胆汁)检测,检测总体平均正确率为90.5%,表明该系统可实现鸡胴体表面污染物的在线检测和正确识别。     

基于单目多视角视觉的珍珠品质检测

利用单目多视角摄像装置直接获取5个不同视角的珍珠表面图像,对其进行图像预处理并按照成像规则进行融合拼接,从融合拼接的珍珠全景图像中提取出珍珠表面颜色、光泽度及均匀度等特征参数;依据与国家标准相一致的判断指标与相应的检测算法来识别和检测珍珠品质。实验结果表明,设计的基于单目多视角机器视觉装置能保证在一个统一的颜色系统中一次获得珍珠整个球体表面的图像,可实时完成珍珠的颜色、光泽度及均匀度等外观品质指标的视觉检测与分类,各个指标的检测精度均达到了80%以上。     

基于计算机视觉技术的玉米植株高度检测的研究

玉米植株高度的检测对于玉米生长期间的营养调控有着非常重要的意义,玉米植株高度也是玉米种植密度的重要参数,更是玉米产量的影响因素之一。大范围地种植玉米,在玉米植株长势的整体控制上就会存在空白区,而引用计算机视觉技术可以全面、快速地检测玉米植株高度,提高检测数据的正确率,减轻测量工作需要的劳动强度和缩短测量时间。为此,基于计算机视觉技术来检测玉米植株高度,利用事先安装在田间的带有红外照明的摄像头采集白天和夜晚的玉米植株图像,通过图像分割、边缘轮廓计算、图像增强等方法处理图像后,测得玉米植株白天和夜晚两个时间段的高度,分析出植株的生长情况,控制其长势。研究结果表明:相较于人眼粗略的判断或是人工采用直尺测量,利用计算机视觉技术来测量玉米植株高度,可以大范围测量,且测量的速度快、测量结果误差小,最大程度地降低了人工的投入。     

基于机器视觉的母猪分娩检测方法研究

检测母猪分娩需对分娩限位栏内的仔猪进行目标识别,分析了母猪分娩视频图像特征,提出首先利用半圆匹配算法进行母猪目标分割,排除母猪运动干扰,基于改进的单高斯模型的背景减除法进行运动目标检测,根据运动区域的颜色和面积特征,对仔猪进行目标识别。试验表明:基于半圆匹配算法的母猪目标识别方法能够有效分割出母猪目标,基于改进单高斯模型的运动目标检测方法,对面积较大、运动缓慢的仔猪目标检测较为完整,适用于母猪分娩检测场景。     

基于单目多视角机器视觉的珍珠在线分类装置

利用摄像机前放置多枚平面镜组成的对称斗型腔体构成以物为中心的单目多视角摄像装置,在摄像机投影平面上直接获取从不同视角拍摄的珍珠表面图像;然后对不同视角的珍珠表面图像进行处理,获得反映珍珠品质的各种特征值;最后用特征融合的方式判定珍珠的品质。实验结果表明,设计的基于单目多视角机器视觉装置能保证在一个统一的颜色系统中一次获得珍珠整个球体表面的图像,实时完成珍珠的大小、形状、光泽、瑕疵和颜色等外观品质指标的视觉检测与分类。     

基于机器视觉的农业植保技术研究进展

综述国内外机器视觉技术在农业植保领域的应用进展,分析机器视觉技术在农作物病虫害自动识别与诊断的应用前景,指出目前尚需解决的难点和研究方向。     

基于机器视觉的水下河蟹识别方法

为了探测河蟹在池塘中的数量及分布情况,为自动投饵船提供可靠的数据反馈,提出了基于机器视觉的水下河蟹识别方法。该方法通过在投饵船下方安装摄像头进行河蟹图像实时采集,针对水下光线衰减大、视野模糊等特点,采用优化的Retinex算法提高图像对比度,增强图像细节,修改基于深度卷积神经网络YOLO V3的输入输出,并采用自建的数据集对其进行训练,实现了对水下河蟹的高精度识别。实验所训练的YOLO V3模型在测试集上的平均精度均值达86. 42%,对水下河蟹识别的准确率为96. 65%,召回率为91. 30%。实验对比了多种目标检测算法,仅有YOLO V3在识别准确率和识别速率上均达到较高水平。在同一硬件平台上YOLO V3的识别速率为10. 67 f/s,优于其他算法,具有较高的实时性和应用价值。