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,外观品质检测的识别率在97%以上,表明提出的三七种苗外观综合品质检测方法能较好地实现三七种苗分级。     

基于机器视觉的鸡胴体质量分级方法

提出一种基于机器视觉技术的鸡胴体质量分级方法。使用数码相机在肉鸡屠宰厂随机采集95幅鸡胴体图像,对采集图像预处理后,提取出鸡胴体投影面积、轮廓长度和胸宽等6个图像特征。然后以这6个特征参数为输入,利用95个样本为训练集,通过回归分析的方法,分别建立预测鸡胴体质量的一元线性回归模型和多元线性回归模型,找出预测质量的最佳模型,最后采集5组共100个样本为验证集,对最佳分级模型进行验证。结果显示,鸡胴体图像的6个特征参数中,基于投影面积的一元线性模型决定系数最大,为0.827;基于投影面积等4个特征量的多元线性模型决定系数最大,为0.880。根据样本数据的学生化残差剔除了8个异常点的数据,修正后的多元线性模型决定系数为0.933,并将其作为最佳模型。利用最佳模型对验证集样本进行质量分级,模型对鸡胴体质量等级判定的平均正确率可达89%。结果表明基于图像特征的鸡胴体自动分级方法是可行的。     

基于机器视觉的干制红枣大小分级方法研究

为了实现干制红枣的大小自动分级,介绍了应用机器视觉的干制红枣自动分级方法,利用CCD摄像机获取红枣的样本图像,应用MATLAB软件编程实现了样本图像的灰度化、二值化、图像分割、图像滤波、图像形态学处理、边缘检测和特征量提取等处理,参照干制红枣分级标准完成了红枣自动分级。通过实验数据回归分析得出红枣实测纵径、果质量与识别值当量值之间的数学检测模型,其决定系数分别达0.995 5和0.948 1。实验表明,采用句法模式识别对数据进行红枣大小分级,分级准确率达85%。     

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。     

基于机器视觉技术对烟叶部位识别方法的研究

为探究机器视觉技术对烟叶部位的识别,通过对专家分级烟叶样本进行图像采集,提取样本烟叶图像中烟叶的颜色、形态等特征,采用不同的分类方法对训练集进行训练建模,再利用分类模型对测试集进行预测分类。结果表明：提取图像中烟叶的颜色、形态等特征能够较好地区分烟叶部位,采用朴素贝叶斯分类器判别其分类效果最好,准确率可达88.89%。该结果为实际工业分级的机器视觉技术运用提供了理论基础和数据来源。     

基于残差网络和图像处理的干制哈密大枣外部品质检测

针对目前红枣分级装置检测指标单一,难以实现外部品质综合判别的问题,设计了一款基于残差网络结合图像处理的干制哈密大枣外部品质检测系统。首先,通过深度学习图像分类实现裂纹、鸟啄和霉变缺陷检测,为克服当前残差网络计算量大、复杂度高以及信息丢失的问题,提出了一种改进深度残差网络图像分类方法;其次,根据尺寸与纹理数量的等级差异性,提出了一种阈值检测方法,通过提取干制哈密大枣图像面积、周长、拟合圆半径及纹理数量特征,实现尺寸及褶皱检测。试验结果表明缺陷识别模型和尺寸、褶皱检测模型测试准确率分别达到97.25%、93.75%和93.75%。综合缺陷、尺寸和褶皱3种外部品质指标,通过在线采集图像验证系统测试,外部品质综合检测准确率为93.13%,可初步满足干制哈密大枣品质在线检测装备的生产需求。     

无核白鲜葡萄机器视觉质量预测研究!

以新疆无核白鲜葡萄为研究对象,采用机器视觉技术预测葡萄穗的质量。首先,提取RGB图像,做G,B双通道分量加运算R+B,采用高斯低通滤波法滤除图像中的噪音,采用Gamma变换法调整图像灰度,从而增强前景与背景的对比度。其次,采用自动阈值分割法分割图像,经数学形态学的腐蚀和开运算获得最佳二值图像,提取二值图像中目标区域的几何特征。最后,采用一元线性回归、多元线性回归和偏最小二乘回归预测葡萄穗的质量。结果表明,提取分割后的葡萄穗面积、周长、长轴及短轴长度等特征建立的偏最小二乘回归模型,其预测葡萄穗质量效果最佳,相关系数r2为96.91%。     

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缺陷检测装置,主要包括刮板上料机、分料挡板、V型传送带、排列装置、图像采集装置、吹除装置和回流装置。该装置可将红枣等距排成一列,且使红枣旋转,图像采集装置连续采集3张旋转前进的红枣图片,避免盲区得到较为完整的红枣表面图像。此设备可以与红枣干燥流水线连接,实现全程自动化无需人工参与。试验结果表明:基于机器视觉红枣缺陷检测装置可明显提高红枣缺陷检测效率和准确率,增加了红枣缺陷检测自动化程度,降低了工人劳动强度,有助于红枣加工产业发展。     

基于计算机视觉的高速机器人芒果分选系统设计

针对目前芒果的外观品质分级采取人工方法所存在的不足,基于机器视觉、并联机器人等先进技术,构建了用于芒果品质动态、实时检测及分选的高速机器人系统,设计了芒果分拣的计算机视觉硬件系统,开发了高速分拣计算机视觉软件系统。工作时,芒果输送带将芒果按机器人动作节拍输送至图像采集区域由工业相机采集图像,识别系统对图像信息进行特征提取,建立图像特征与国家标准中的三级芒果的对应关系,将具有相应图像特征的芒果其所处位置信息及其级别对应的位置信息,通过单片机控制系统输送给高速分选机器人,从而完成芒果的高速分选。测试结果表明:高速分拣机器人系统可以高速、准确地完成芒果的分选工作。     

基于机器视觉的鲜骏枣大小分级研究

为改善鲜枣人工分选速度慢、效率低的现状,结合图像处理技术对鲜骏枣的质量和大小预测分级。将原图像经过去噪、形态学处理后,得到仅含目标的二值图,提取几何特征,与实际质量拟合建立回归模型,预测鲜骏枣的质量,最后采用判别分析法对大小进行分选。结果表明:使用平均面积、周长、长轴、短轴对鲜骏枣质量进行预测的相关系数达到95.45%,机器视觉技术能够较为准确地实现对质量的预测和分选。     

鸭蛋蛋心颜色模型的试验研究

应用机器视觉技术研究鸭蛋蛋壳、蛋心颜色与颜色信息R、G、B和H、I、S之间的关系,建立鸭蛋蛋心颜色等级模型,为实现鸭蛋品质的无损自动检测与分级提供依据。试验结果表明:鸭蛋蛋心颜色等级模型具有较高的回归精度,可以用于指导在线生产。     

基于多光谱视觉的油菜叶片氮素营养检测方法研究

应用多光谱视觉技术对油菜叶片氮含量百分率进行了定量分析.在RGB颜色模型下,对采集的油菜叶片图像的颜色特征进行分析.分析结果表明:G/R-G/B和G/R与叶片氮含量百分率呈高度相关,相关系数分别为0.89和0.88,而其它图像特征同含氮量百分率之间相关性都比较弱.为此,使用G/R-G/B与G/R分别与叶片氮含量百分率建立线性回归模型,经验证G/R-G/B建立的回归模型预测值平均相对误差在9%以内,这表明此特征可用于多光谱视觉快速诊断油菜叶片氮素营养的特征.     

基于机器视觉的哈密瓜大小分级研究

采用机器视觉技术对新疆哈密瓜进行自动大小分级。线阵相机在线采集哈密瓜样本RGB图像,通过对哈密瓜RGB图像进行灰度化、中值滤波、二值化、去除果梗、特征提取等一系列处理,获得哈密瓜二值化图像。利用椭圆拟合算法对二值化图像进行椭圆特征提取,基于椭圆长轴和椭圆率建立了哈密瓜大小分级标准,并以固定阈值建立分级模型。通过哈密瓜分级机系统进行大小分级,分级准确率达90.29%。     

基于机器视觉的果树树冠体积测量方法研究

针对人工测量精度低、费时费力,而基于三维激光扫描技术、超声波技术等自动测量方法成本高、操作复杂的不足,提出了基于机器视觉的果树树冠体积测量方法,搭建了可移植性果树树冠体积自动测量平台。基于机器视觉实现待测树冠图像获取,通过图像处理算法获得树冠图像面积特征,并采用最小二乘法和五点参数标定法获得普适性树冠面积与体积相关关系模型,从而得到树冠体积,通过对梨树以及桂花树样本的试验,可以发现预测树冠体积平均误差分别为13.73%和10.18%。对于不具备系列样本无法构建模型的树冠,采用单点测量法,根据树冠轮廓拟合椭球结构体,然后根据体积求算补偿公式,完成体积测量,测量误差在10%左右。表明树冠形态特征的图像提取算法可行有效,通过面积以及轮廓特征量均能很好地表达树冠体积特征。     

红枣纹理分级方法的研究

目前新疆南疆地区红枣分级大多采用原始的人工分级方法,分级效率低,漏检率高,劳动强度大,影响红枣品质指标的评价。针对这一现状,提出采用机器视觉红枣纹理分级方法,提高红枣采后分级处理能力,加快红枣产业化发展。试验选用300个红枣图片作为学习训练,60个红枣图片作为测试,应用BP神经网络进行红枣纹理分级。结果表明:BP人工神经网络分级与人工分级的一致度达到93.33%。     

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.     

生理成熟度及牛肉肌纤维特征与嫩度关系试验研究

生理成熟度(牛龄)是牛肉质量分级的重要参考指标,研究牛龄与嫩度之间的定量关系,对建立牛肉质量分级标准及牛肉自动分级系统的开发具有重要意义。选取4组不同月龄的牛肉背长肌样本,采集其眼肌区域微观图像,通过图像处理的方法提取出每个样本的肌纤维直径、周长和密度,然后再用质构仪测定出每个样本的剪切力,研究分析不同牛龄的牛肉肌纤维直径、周长和密度的变化规律及其与剪切力之间的关系。结果显示,随着牛龄的增大,牛肉肌纤维直径和周长均线性增加,而肌纤维密度则线性下降(P0.05);同时,随着肌纤维直径和周长的增加、肌纤维密度的下降,牛肉剪切力线性增大(P0.05)。牛龄对肌纤维直径、周长、密度及牛肉剪切力具有显著影响。     

水果品质机器视觉检测中的图像颜色变换模型

在水果品质的机器视觉检测过程中，水果形状导致的图像颜色失真直接影响最终的检测和分级结果。本文在6个位置分别采集了3种大小、19种不同表面颜色的标准实验球体的图像。在分析球体的大小、表面颜色和图像采集位置等因素对球体图像颜色的亮度、色调和饱和度的影响后发现，球体图像的颜色失真主要是颜色的亮度失真。建立了摄像视区中心球体图像的亮度校正模型，该模型的相关系数R^2为0．846。采用该模型在Matlab软件平台上构建了柑桔图像的颜色校正算法，实验结果表明，该颜色校正模型和算法是有效和可靠的。     

红枣自动快速无损检测分级机研究

设计了基于机器视觉技术的红枣自动快速无损检测分级机,可依据枣果外部综合指标进行判别分级。整机由单体化定向排布输送系统、多表面图像采集与处理系统、分级执行机构、传动及控制部分组成。根据整机工作原理,采用辊轮输送链板与间歇式凸轮拨枣机构相结合的方式,实现枣果快速单体化排布输送,利用工业相机与STM32嵌入式系统配合正面及背面光源进行枣果多表面图像采集,采用气动式分级执行机构完成枣果分级。理论计算与试验表明:输送带最佳倾角为28°,当运行速度为160 mm/s时,输送带驻枣率为95%,分级速度达10个/s,分级准确率92%,最大产能550 kg/h,可较好满足红枣自动化快速检测分级生产要求。     

绿橙表面缺陷的计算机视觉分级技术

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%.