共查询到16条相似文献,搜索用时 62 毫秒
1.
绿橙表面缺陷的计算机视觉分级技术 总被引:1,自引:0,他引:1
应用计算机视觉研究了绿橙表面缺陷的分级检测技术.通过CCD采集绿橙的可见光图像,经图像低层处理后,采用美国National Instruments Vision Assistant软件测得绿橙的果实横径、整果和缺陷像素数值,将果实横径像素数变换成实际的果实横径后,即可求出绿橙的表面积;再根据绿橙的表面积和整果、缺陷像素数之间的比例关系计算出缺陷面积,进而对其进行分级.检测结果表明,该方法对绿橙的4个质量等级的正确分级率分别是97 44%,91.49%,91.78%和95.12%. 相似文献
2.
3.
为了准确、定量地检测齿轮的表面缺陷,提出了2种采用深度学习算法的卷积神经网络模型(CNN)检测齿轮的表面缺陷。该方法对卷积核和卷积层进行了优化,并使用最大池化代替了大步长卷积,以扩大接收场的大小并以高分辨率捕获齿轮的精细特征,改进了分类器模块。使用和不使用数据扩充的Alex Net和Res Net模型都涉及通过操纵原始数据创建新数据点的过程,此过程无需添加新照片即可增加深度学习(DL)中训练图像的数量,适用于数据集较小的情况;收集生产过程中齿轮的200个图像的自数据集,通过灰度处理、调整图像大小获得清晰的目标齿轮轮廓并识别齿轮特征点。实验结果表明,经过训练的数据增强模型对Res Net和Alex Net分别具有95.83%和97.94%的最佳效果。与目前仅基于机器视觉的齿轮表面缺陷检测技术相比,该方法具有很好的通用性,获得了最高的识别率。 相似文献
4.
5.
桃子表面缺陷分水岭分割方法研究 总被引:2,自引:0,他引:2
水果表皮缺陷的有效检测是水果自动化无损检测重要的部分,并且表皮缺陷的准确分割是对缺陷果准确分级的前提,也有助于缺陷果的分类识别。然而,通常水果表面具有较大的曲率变化,这种变化的曲率导致水果表面对同一入射光源照度反射的不均,进而影响缺陷区域的准确分割。本研究以平谷大桃为例,提出采用基于形态学梯度重构和内外标记的分水岭算法对水果表面缺陷进行分割。首先,提取R通道图像,采用NIR图像构建掩模模板并对R通道图像去背景;随后,去除背景后的图像进行形态学梯度变化获取梯度图像,并对梯度变化后的图像进行梯度重建以去除水果表面的细小噪声;接着,对重建后的梯度图像进行形态学标记运算获取标记图像;然后,采用标准分水岭算法实现缺陷的准确分割。对正常果、刺伤果、裂果、黑斑果、虫咬伤果、腐烂果和疤伤果7种表皮类型样本共计525幅图像检测结果表明,能够获得96.8%识别率。实验证明,基于形态学梯度重构和标记提取的分水岭算法能够有效用于桃子表面缺陷的分割,并不会受到桃子表面光照不均的影响。 相似文献
6.
7.
猕猴桃果实单果重、果实大小是分级的主要指标。为了科学合理地量化分级指标,以陕西主产的秦美猕猴桃为研究对象,选取果实单果重、果实长轴、果实短轴3个指标,研究了不同指标的分级区间和关系。首先,对3个指标信息统计分析,依据秦美猕猴桃实际收购区间和优质果实区间,划分出正常果实长短轴区间、优质果实长短轴区间,并统计各区间样本比例;然后,以果实长轴、果实短轴为果实大小单一指标,果实矩形面积、椭圆面积为复合果形指标,进行了果实大小单一指标、复合果形指标与果实单果重之间的关联性研究。结果表明,秦美猕猴桃果实单果重、果实长轴、果实短轴的数据服从正态分布,划分了合理的分级区间;果实大小单一指标、复合果形指标与单果重的线性关系明显,果实单果重与果实长、短轴之间函数拟合系数为0.71和0.80,单果重与面积的函数拟合系数为0.92。以上结果为猕猴桃果实果形指标量化提供了方法和理论依据。 相似文献
8.
9.
目前市场上存在的猕猴桃分级机械主要是针对质量特征进行分级的大型机械,而消费者在购买猕猴桃时往往更注重它的外观品质,且大型设备难以在以农户小规模营销为主的市场环境下得到普及。为了实现猕猴桃外观品质的自动分选,适应广大猕猴桃种植农户的需求,设计了一种基于机器视觉的小型移动式猕猴桃外观尺寸在线检测与分级系统。该系统主要由输送机构、检测机构、分级执行机构和控制系统组成。输送机构采用倾斜式输送带方案,结构简单,便于实现猕猴桃的输送和分级;检测机构采用图像处理的方法得出猕猴桃的大小等级信息;分级执行机构借助猕猴桃的重力与旋转磁铁的开合实现猕猴桃的分离。对样机进行了试制和验证试验,结果表明:该系统的平均分级成功率为96.3%,单个猕猴桃分级时间约为2.5s。该猕猴桃检测分级系统的设计为今后完成多特征指标的融合分级提供了基础和依据。 相似文献
10.
11.
12.
针对机器视觉在线分选时球形水果表面缺陷斑块在图像中形状、尺寸失真的问题,依据射影几何原理和通用成像配置,建立了斑块的成像普遍方程及斑块成像面积的通用算法,分析了斑块图像的面积失真规律;利用Matlab建立了满足特定分选准确度要求下有效采像区域与成像系统参数的配置关系,提出了一种有效采像区域的简化划定方法;分别以半球块和埃及甜橙为实验对象,利用NI Vision Assistant对工业相机采集到的、位于划定区域内的缺陷斑块进行了面积失真度校验。实验结果表明,特定采像条件下,当失真度阈值A为20%时,求得最小球心角λ_(0 min)为79. 32°来划定有效采像区域,采集到的5个半球块位于不同采像工位及其对应的采像姿态下的图像,有效采像区域内各缺陷斑块面积失真度均小于20%,满足失真度控制要求;同样地,5个埃及甜橙样本中,满足失真度要求的缺陷斑块比例分别达:97. 38%、97. 33%、94. 22%、96. 44%、97. 78%。可见,利用球形水果表面缺陷斑块成像普遍方程预测结果进行图像的有效采像区域分割,即可实现对分选准确率的有效控制;通过测定有效采像区域中缺陷斑块面积进行分选阈值判断,有利于简化图像处理计算,为球形水果成像系统成像参数配置提供理论指导。 相似文献
13.
14.
针对柑橘果、叶、枝对象具有球体、片体和细柱体不同的三维几何特征,提出一种识别柑橘果实的深度球截线方法。首先提出了球形果实特征提取的深度球截线方法的基本原理和关键参数,进而分别针对枝上果、叶孤立和贴碰区域提出了孤立果实的特征提取算法和贴碰果实的特征提取算法,得到了复杂枝环境下的深度数据处理与果实识别策略,并综合根据Intel Real Sense F200型深度传感器参数、柑橘果实尺寸、近景探测范围、数据预处理与特征提取需要完成了深度球截线方法的参数确定。大量室内试验结果表明,深度球截线方法对孤立果实提取的平均成功率为97.8%,贴碰区域内果实提取的平均成功率为76%,而复杂枝环境的果实提取综合成功率为63.8%。该深度球截线的识别方法仅利用有限的深度数据点,在保证原始数据精度的同时降低了运算量和果实特征提取复杂性,能有效应对果叶遮挡问题,实现对贴碰果叶的有效区分,对柑橘果实具有良好的适应性,为采摘机器人在复杂环境下的果实识别与定位提供了新的技术思路。 相似文献
15.
苹果采摘机器人目标果实快速跟踪识别方法 总被引:10,自引:0,他引:10
为了减少苹果采摘机器人采摘过程处理时间,对苹果采摘机器人目标果实的快速跟踪识别方法进行了研究。对基于R-G颜色特征的OTSU动态阈值分割方法进行首帧采集图像分割,采用图像中心原则确定要采摘的目标果实;利用所采集图像之间的信息关联性,在不断缩小图像处理区域的同时,采用经过加速优化改进的去均值归一化积相关模板匹配算法来跟踪识别后帧图像的目标果实,并进行不同阈值分割方法实现效果,不同灰度、亮度和对比度的匹配识别以及新旧方法识别时间对比试验,从而验证了所采用和设计方法的有效性;其中所设计跟踪识别方法的识别时间相比于原方法,减少36%。 相似文献