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%。     

基于机器视觉的槟榔分级方法研究

针对槟榔人工分级劳动生产率低、准确率低的问题,开展基于遗传神经网络的机器视觉槟榔分级研究。以4种类别的槟榔图像为研究对象,首先设计一个6层结构的遗传神经网络对槟榔进行分级,虽然分级准确率较高但是网络结构复杂。然后对运用主成分分析法降低图像特征的维数并将遗传神经网络简化为3层结构的方法进行研究。最后用400幅和100幅槟榔图像对这个3层神经网络进行训练和验证,经过调整网络的学习率等参数,训练和验证的准确率达到95%以上。通过神经网络模型测试试验,槟榔正确分级的准确率为90%。数据降维后的三层遗传神经网络能够实现对槟榔的实时分级,为机器分级提供了技术支持。     

基于机器视觉的苹果大小自动分级方法

介绍了采用机器视觉的苹果大小自动分级方法,利用CCD摄像机获取苹果的样本图像,应用MATLAB软件编程实现了对样本图像的背景去除、二值化、图像平滑、特征量提取和图像标定等处理,参照苹果分级的国家标准完成了苹果自动分级.试验表明,此方法分级精度高,且速度快.     

基于机器视觉的澳洲坚果分级研究

应用机器视觉技术对澳洲坚果进行自然光线下的识别分级研究。通过试验,分析得出实测果重、果实直径与识别果实当量直径之间的数学模型,其决定系数分别达0.9468和0.9928。检测试验表明,果实尺寸平均相对误差仅为0.781%,果重平均相对误差仅为1.544%,能够通过机器视觉技术对坚果进行准确识别分级。     

基于机器视觉黄瓜果实自动分级方法

为实现黄瓜果实快速准确分级,以摄像头为视频采集模块、DSP核心处理器为主控制模块、机械手为执行模块,并借助质量控制、电机传送等辅助单元,构建了自动化分级平台。参照国家标准NY/T1587-2008,利用图像处理方法对黄瓜果实图像的瓜长、把长、横径差、弓形高度进行了提取和计算。选取长春密刺、龙杂黄七号、露秋一号3个品种240根黄瓜果实作为试验样本,抽取每个品种的20个样本作为图像提取数据分析,其余60个样本作为自动分级平台测试。测试结果显示:该平台的平均分级精度为96.7%,每分钟约检测35根果实,相较人工分级具有快速、无损、准确、客观的特点,为机器视觉技术应用于椭长形果实自动化分级提供了重要依据。     

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%。     

基于机器视觉的火龙果自动分级系统设计

针对目前水果机械化分级效率低、效果差的现状和机器视觉技术在水果分级检测的应用前景,提出了利用机器视觉的技术对火龙果进行分级的方法。通过利用CCD摄像机和DSP处理器对火龙果进行缺陷检测及大小和色度的分级。试验结果表明:基于机器视觉的火龙果自动分级系统可以高效率、高准确率地实现对火龙果的自动分级,为后续产业化机器视觉水果分级系统提供了技术支持。     

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。     

机器视觉在柑橘分级技术上的研究进展

为了解决水果分选过程中,人工分选费时费力,机械分选可能会刮伤果皮,机器视觉技术用于水果行业分选有着巨大的优势。文章综述了近几年国内外机器视觉技术在水果品质分选行业的分级技术研究现状。目前学术界采用传统图像处理技术研究机器视觉柑橘检测分级方法都是人为设计特征,分选准确率有待提高,近几年深度学习算法在图像处理上表现出了极好的检测效果,该方法不需要人为设计特征,只需要训练足够的样本数据,就可输出想要的结果。针对传统图像处理技术存在的弊端,深度学习算法尤其是卷积神经网络算法（CNN）在柑橘品质检测分级上有着巨大的研究价值。     

水果机器视觉质量综合分选机的设计

为满足水果外观品质和质量综合分选的实际需要,设计了一种集机器视觉与质量检测为一体的水果自动分选机.该分选机主要由机械系统、称重模块、同步控制系统和图像处理系统组成.为此,介绍了各部分的结构及工作原理,给出了水果同步检测过程的实现方法.通过这种综合设计,该分选机能实时检测水果的大小、质量、颜色、表面缺陷状况和果形等品质,并能根据预定标准综合评定水果的等级,对水果进行自动分级.     

基于机器视觉的花菇分选技术

为了实现花菇的自动分选,设计了一种基于机器视觉的花菇分选系统,并提出了相应的算法。针对花菇分选中花菇的菇柄长度、形状类别和菌盖面积这3个重要分选指标,提出了一种曲线结构特征分析的分选方法。跟踪花菇边界并计算曲率,根据边界上点运动变化模式判断曲线凹凸性,利用曲线类半径识别并定位菇柄的位置。使用极坐标意义下的线性插值重建去除菇柄的菌盖边界曲线,在重建曲线基础上提取9种形状特征参数和1个大小特征参数,利用主成分分析法从9个形状参数中提取相应的3个主分量,以这3个主分量作为输入,构建K近邻分类器作为形状分选模型。结合花菇的菇柄识别情况、形状等级和大小等级共同判定花菇的最终等级。试验表明,菇柄识别正确率为91.4%,且菇柄识别能显著提高形状分选的准确率,最终形状分选正确识别率可达95.6%,花菇等级分选正确率为92.2%。     

基于机器视觉的苹果分级中特征参量选择方法

为提高基于数字图像的苹果分级的准确性,常提取多特征信息。然而,使用多特征信息分级时会存在信息冗余等问题。为此,运用主成分分析(PCA)来融合特征参量,并借助WilksΛ统计量选择对分级有显著作用的主成分;然后依据各特征参量对所选择主成分的贡献率筛选特征参量。Fisher判别分析(FDA)结果表明:使用所选择的特征参量进行苹果分级,分级效果明显优于特征选择前,分级正确率和交叉验证正确率分别提高了2.0%和1.5%。     

基于机器视觉的蒜头最大横切面直径分级方法

针对中国蒜头分选率和分选精度较低而影响其商品价值等现状,设计了一套基于机器视觉技术的大蒜蒜头分选系统,以蒜头最大横切面直径作为分级标准,利用VC6.0编程实现上述分级模型的算法。试验选择3 2 0个金乡蒜头样本对其进行测试,该装置对蒜头总体筛选精度达到9 0.9 3 7 5%。试验结果表明:利用机器视觉技术可以对大蒜蒜头进行分级。     

计算机视觉苹果分级系统

回顾了计算机视觉技术在苹果品质检测和分级中应用的进展,提出了计算机视觉苹果高速分级的系统模型。计算机视觉苹果分级系统可以对苹果的外部缺陷、色泽、尺寸和形状进行全面的检测,在此基础上,可对苹果进行高速和精确的分级。     

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...     

基于计算机视觉的葡萄检测分级系

设计了一套基于计算机视觉的葡萄检测分级系统,包括驱动装置、输送机构、夹持机构、图像采集与处理系统和分级控制系统,葡萄以悬挂方式连续输送,两个CCD摄像机在外触发模式下实时采集葡萄的两面图像.基于RGB色彩空间计算果面着色率,采用投影面积法和果轴方向投影曲线计算果穗大小和形状参数,进而实现葡萄外观品质分级.选用20穗巨峰葡萄进行3次分级试验,与人工分级对比,颜色和大小形状分级的准确率分别为90%和88.3%,同时在分级过程中不会对葡萄造成损伤.