基于椭圆截面剖分模型的原竹剖分刀具自选方法研究

剖分是原竹加工中不可或缺的关键工序,而剖分刀具的选择直接决定了原竹出材率和竹条尺寸。针对原竹剖分刀具选择研究中存在自动化程度不高、出材率计算不准确等问题,提出一种基于椭圆截面分段拟合剖分模型的原竹剖分刀具自选方法。首先建立基于椭圆截面的剖分模型,获得原竹内外径尺寸、剖分数与出材率、竹条尺寸之间的关系模型。然后通过图像预处理、Canny边缘检测和像素尺寸计算,得到内外径尺寸。最后根据不同竹条尺寸需求,基于python实现原竹剖分刀具自选方法。结果表明:基于机器视觉的原竹内外径识别准确率均达到95%以上,自动选刀后的原竹出材率均达到85%以上,为原竹剖分智能化提供了可行的研究理论基础。     

基于细胞数字特征的板材材种识别技术

木材识别是合理利用木材最基本的前提。为了解决人工鉴定失误率高的问题,本文提出基于细胞数学描述理论的板材识别方法,采用木材端面细胞的显微数字图像,利用板材材种的数学仿真技术、图像处理技术、数据库管理和系统辨识方法,提取细胞轮廓形态和尺寸等参数建立基准细胞和材种识别数字化参数库。减少传统的依赖图像像素特征识别比较方法的不确定性,创新材种识别的数字化理论体系,推动板材材种识别的实用化。     

基于数字图像的木材缺陷识别研究进展

数字图像处理技术是在木材缺陷识别中应用最广泛的技术之一,具有准确、快速、无损和成本低等优点。本文阐述基于数字图像的木材缺陷识别技术的研究现状,分析图像预处理、分割、特征提取及融合、图像识别分类过程涉及的算法,并对每种方法的特点以及局限性进行总结,对未来研究的发展趋势进行展望。数字图像处理技术进一步走向自动化和智能化,还需要更深入的研究。     

基于形态学梯度算法的木材缺陷图像边缘检测

根据形态学梯度算法的思想,选取平坦的菱形为结构元素,通过腐蚀、膨胀、开与闭运算的加权组合,构造出一种形态学优化算法,并将它应用于木材缺陷图像的边缘检测中,使提取的图像边缘更加准确、完整和连续.通过与经典边缘检测算法对比,该方法有更好的抗噪能力和边缘检测能力,实验结果也验证了该方法的可行性与有效性.     

基于形态学的锯材表面缺陷图像处理方法研究

设计了基于形态学的锯材表面缺陷图像处理方案,对典型节疤缺陷进行了实验验证,节疤缺陷检测效果较好.通过对二值图像的形态学处理,使节疤缺陷的边界变得平滑完整,更加准确地反映了节疤缺陷的轮廓     

基于图像纹理特征的木材树种识别

利用木材图像的颜色、灰度、纹理等内容实现树种的相似性匹配检索,提取色调、饱和度、亮度、对比度、二阶角矩、方差和、长行程加重因子、分形维数、小波水平能量比重共9个特征参数,依据最大相似性数学原理,基于最小差值参数判别法和综合特征阈值法来检索样本.结果显示:基于图像纹理特征能够实现木材树种的检索和识别,综合特征阈值法的检索正确率与唯一性通常要好于最小差值判别法;但当被检索样本图像的纹理较弱或不呈现纹理特征时,检索结果的唯一性并不理想.综合而言,基于图像纹理特征最大相似性的木材树种检索识别较易实现,是一种值得继续发展和应用推广的木材树种识别方法.     

基于木材微观特征的BP神经网络算法红木识别研究

我国实木家具产业链发展较为成熟。作为一种珍贵木材,红木在实木家具产业中占有重要地位,我国对红木资源的进口量也在逐年增加。传统识别红木的方法主要依靠人工经验,而准确科学地识别红木种类对于红木家具产业和红木工艺品都具有重要的意义。本文提出了一种基于木材微观特征的红木识别方法,并利用BP神经网络算法,建立了识别模型,表现出较好的识别效果,可为红木树种检测提供新方法。     

基于分形理论和数学形态学的木材表面缺陷识别的图像处理

在木材表面缺陷识别过程中,能否精确提取缺陷轮廓是提高分选准确率的重要因素。采用分形理论和数学形态学进行板材缺陷图像分割和边缘提取,能有效的克服传统方法中缺陷图像提取受背景纹理影响大的不足,为后续的木材表面缺陷的识别打下坚实的基础,提高木材的使用率,对木材表面缺陷识别具有实际意义。     

基于ARMA方法的建筑结构参数识别

首先介绍了ARMA方法的基本原理,然后根据实际建筑结构模型的振动台试验数据建立ARMA模型,并将建模的结果与试验结果进行对比分析。通过分析可得ARMA参数识别方法工程应用的重要性以及需要改进的地方。     

基于量化可见光特征的酸枝木类木材树种识别

以LCH颜色空间为表征系统,研究了以量化的可见光特征为依据的酸枝木类木材树种识别方法,并建立识别模型.结果表明:试验树种的L值分布范围在32.217 ～41.097之间,处在明度中等偏暗的阶段;C值分布范围在6.261～29.098之间,处在饱和度中等到低的阶段;除卢氏黑黄檀H值为22.246左右,色相偏向玫红色外,其余树种分布范围在41.679～51.674之间,基本处在大红色区域.在α=0.05差异显著性水平下,树种间明度差异显著性比例为71.5％,饱和度差异显著性比例为72.8％,色相差异显著性比例为43.8％,总体差异显著性比例92.9％.明度和饱和度是影响木材树种识别的主要因素,色相是次要因素.以量化的可见光特征为依据的酸枝木类木材树种识别方法基本可行.     

基于高斯混合模型的青梅表面缺陷检测识别技术

目前青梅的缺陷识别检测仍然依靠人工挑选方式来完成,但人工挑选方式受工作经验、劳动强度等因素制约,已经难以适应产业的发展。为有效提高青梅表面缺陷检测的自动化程度和检测精度,本试验应用机器视觉技术针对青梅表面的缺陷检测展开研究。通过搭建青梅表面图像静态采集系统,采用图像处理软件HALCON对青梅表面进行了单通道灰度图像提取、图像滤波、灰度二值化及特征提取等预处理操作,实现了对青梅表面图像的去背景化,并利用去边缘法在青梅H通道分量图像中成功提取到青梅表面缺陷。最后采用高斯混合模型构建青梅表面缺陷检测分类器,并创建了一套基于机器视觉的青梅表面缺陷检测系统。具体选取了348张青梅缺陷图像作为训练测试样本,其中78%的图像作为训练集,22%的图像作为测试集,结果表明:该分类器对青梅溃烂、伤疤、雨斑缺陷的检测准确率分别为100%,97.22%,92.31%,对完好青梅检测准确率为94.44%,验证了将高斯混合模型应用在青梅缺陷检测方面的有效性。     

基于时空特征的林火视频火焰识别研究

由于森林火灾监控现场是野外广阔的林区,而且树叶的摇摆使得视频图像中的运动对象很多,强烈的阳光、秋季的枯叶和红枫会导致火灾识别的误报等,这些特点都使得现有室内或静止场景火灾视频监控的视频处理技术不再适用。考虑到火灾发生有一个蔓延的过程,是一个包含若干连续视频帧图像的视频片段,笔者首先将疑似火焰视频划分成时空视频块,根据颜色特征和运动特征得到疑似火焰区域,然后在视频片段大粒度下基于空间静态特征(纹理、圆形度特征)和时序动态特征(火焰面积变化、形状相似性、闪烁频率特征)提取火焰特征向量,最后使用基于Ada Boost的算法进行火焰识别,实现森林火灾的实时检测。结果表明,该方法能够准确有效地进行林火视频火焰识别。     

基于PCA+FisherTrees特征融合的木材识别

提出一种高效的基于PCA和FisherTrees特征融合的木材识别方法,首先把训练样本分别投影到PCA和FisherTrees空间,得到PCA特征和FisherTrees特征;然后通过算术均值、交换转置均值和加权均值进行特征融合,将融合后的特征应用不同距离函数的分类器进行分类.结果表明:通过交换转置均值融合PCA和FisherTrees特征,然后使用余弦角分类器能获得最好的识别效果.     

基于多特征的高分辨率影像松材线虫病树识别

为了提高松材线虫病树的监测效率,减少其对林业生产造成的损失,利用在高分辨率遥感影像上提取松材线虫病树的光谱特征、空间特征等多特征,然后进行Relief特征选择算法,提取的合适特征为归一化植被指数NDVI(Normalized Vegetation Index)、差值植被指数DVI(Difference Vegetation Index)、OHTA颜色模型作为病树与非病树的光谱特征,对目标影像进行自动筛选,得到疑似病树像元。运用DBscan空间聚类算法对疑似病树像元进行聚类,并以周围一定范围内有一定数量的健康树像元为空间分布参考,对拍摄地点30°1′N/111°43′E附近、分辨率为0.1 m的3幅高分辨率遥感影像筛选病树。自动筛选耗时分别是人工筛选的43.99%、51.08%和46.62%,相对于人工筛选的数量准确度分别为79.37%、77.85%和82.56%。结果表明:采用光谱特征与空间特征相结合的方法在高分辨率遥感影像上识别松材线虫病树识别效率更高。     

基于全方位和多尺度结构元数学形态学的木材缺陷图像边缘检测

提出一种基于全方位、多尺度结构元的数学形态学图像边缘检测算法。针对图像中噪声和边缘形态不同，定义了全方位、多尺度的形态学结构元素，并通过形态学运算的加权组合，构造了全方位、多尺度的边缘检测算法。在针对木材缺陷图像的仿真实验中，该方法与经典的边缘检测算子相比不仅具有很好的边缘提取能力，而且有很强的抗噪性。     

基于OpenCV的桉树人工林林木株数识别与统计研究

在桉树短轮伐期工业用材林的伐区调查时,往往要估算整个采伐小班的林木株数。为了实现快速林木株数统计,提出一种基于无人机航拍影像与OpenCV图像识别计数的处理方法,对航拍的林地影像进行灰度转化、二值化、形态学处理、连通区域分割计算等处理。最后基于二值图片,标记每株树木影像的质心编号,从而实现图像范围内的林木株数统计。结果表明,该方法可将每株树冠有效分离出来,成功解决了计数目标粘连现象对后续分析、测量产生干扰的问题,算法基于Python+OpenCV平台,语言简便易行。经测试,识别准确率可达99%,是一种有效的林木株数计数方法。     

基于卷积神经网络的痛苦表情识别与分析

利用卷积神经网络在图像识别中的巨大优势,提出一种基于卷积神经网络技术的面部痛苦表情识别与分析方法,该方法采用卷积神经网络mini＿XCEPTION作为网络主要部分,在自建立的痛苦表情数据集上测试结果显示,在有效捕捉人脸后,痛苦表情识别准确率接近90%,高于VGG16、ResNet等经典网络。     

草坪杂草的识别与化学除治方法

<正>当前,草坪建设中一个不容忽视的问题是重种轻养,杂草危害日趋严重,使草坪面目全非。草坪杂草对草坪的危害不仅是与草坪争光、争肥、争空间,且淡化草坪的作用,降低草坪的美学价值,使得草坪易退化及死亡,甚至造成草荒。因此,草坪种植中除治杂草是关键。1草坪杂草的种类与识别危害草坪的杂草不外乎以下3类:一是禾本科杂草。     

融合全域与局域特征的深度卷积网络鸟类种群识别

【目的】基于鸟类影像数据,探讨全域与局域特征融合手段,结合深度卷积神经网络理论,建构鸟类种群识别模型,以期为森林与湿地的监控与治理提供新的手段。【方法】首先,依据人类识别物体从整体到局部的生理过程,采用跳跃结构实现物体整体信息与局部信息的交互,该模型主要采用2个模型框架提取鸟类的全域和局域部件特征,并采用跳跃结构,提出融合模块(Fusion block)结构进行特征融合,将全局特征信息传递至局部特征抽取模块。该模型训练阶段需提供鸟类局部的部位标注信息,而测试阶段采用Faster R-CNN模型自动提取其鸟类局部标注信息。其次,探讨不同鸟类局部影像信息对模型的影响,最后,通过对比不同网络分类模型和鸟类数据集,验证模型的有效性和适用性。【结果】该鸟类种群分类模型具有较高的分类精度,总体分类精度达90%以上;对于不同的鸟类局部影像信息,其分类精度表现出一定的差异性,其中基于鸟类头部局部影像的网络分类模型总体分类精度最高; Faster R-CNN模型对鸟类局部影像定位精度较高,测试阶段采用人工标注的局部影像标签和Faster R-CNN模型预测的局部影像标签对模型的总体分类精度差异小;对比I...     

基于机器视觉的木材特征提取与树种识别研究综述

我国是木材及木制品加工大国,近年来家具、装修等市场需求的快速增长推动了木材加工行业的发展。由不同树种制作而成的木材材料性质与价值大相径庭,因此准确识别木材树种具有重要意义。相较于传统人工识别,基于机器视觉的木材树种识别大幅度提高了准确率。文中通过分析近5年来木材识别领域的相关文献,总结了木材特征提取的相关技术与树种识别的各种方法,提出要深度融合木材的多个特征并加强各种算法间的配合使用;此外,针对机器视觉在木材树种识别中的应用普遍停留在学术研究阶段的问题,提出木材树种识别应向装备数字化方向发展,以期提高木材树种识别的工作效率。