破损花菇机器视觉检测技术

为实现基于机器视觉技术的破损花菇自动检测,研究了基于曲线演化和花菇边缘灰度分析的破损检测方法以及破损花菇在线检测系统。去除花菇背景,跟踪花菇边缘,得到花菇边缘坐标曲线,对此曲线的内外部进行曲线演化,并计算内外部演化曲线与原始花菇边缘曲线接近的点的个数(Nin、Nout),以此参数可判定花菇的破损状况;利用形态学腐蚀的方法对花菇边缘进行采样,从采样灰度序列中提取均值(μ)、方差(ρ)、平均波峰宽度(Lp)和最大波峰宽度(Lmax)4个破损特征参数,进而使用模式识别的方法分析此4个破损特征参数,得出花菇的破损状况。结合曲线演化和边缘灰度分析的结果联合判断花菇的破损状况。对180个花菇样本进行测试,得出最终破损识别率为88.33%,检测速度为98个/min。     

基于机器视觉技术的棉籽破损检测

种子质量对增产丰收具有十分重要的意义。提出一种基于机器视觉提取单粒棉籽,自动识别破损棉籽的方法。试验用最大类间法自动选择阈值结合膨胀处理和区域属性度量函数提取单粒棉籽图像;基于改进阈值的小波去噪对图像进行增强;通过对多幅单粒棉籽图像的研究找到对破损区域进行阈值分割的最佳阈值,对整个棉籽进行阈值分割的最佳阈值;进而对分割后的图像进行相乘和数学形态学处理等方法得到破损区域特征;最后利用获取连通区域的方法实现破损棉籽的识别并将此方法用Matlab App Designer设计成软件。试验表明,此系统对破损棉籽的平均准确率达到89%。优于软阈值函数、硬阈值函数和软硬阈值折衷函数的平均准确率83.5%、85%和87.5%。     

基于机器视觉的脱绒棉种"破碎"特征检测技术

针对新疆地区存在的破碎棉种问题,基于机器视觉技术搭建了破碎棉种检测系统.通过对脱绒棉种图像进行分析和预处理后,提取出脱绒棉种的特征参数-面积、周长、圆形度和长短轴等,并对特征参数的分析研究,确定选取圆形度作为检测破碎棉种的特征.随机选取了100粒新陆早-24#棉种进行试验,检测精度达到了87.5%.     

脱绒棉种分选关键技术研究现状——基于机器视觉技术

棉种的优劣直接影响棉花的产量和质量,而机器视觉技术在种子的检测与分级中发挥重要的作用.为此,基于机器视觉技术,分析了脱绒棉种分选系统在硬件方面关键技术的研究现状,总结了脱绒棉种在图像处理中的分选算法,并随着分选的自动化与智能化的不断提高,提出了今后的发展趋势.     

基于机器视觉的玉米种粒破损识别方法研究

针对玉米种粒在收获、脱粒、贮藏时因各种因素造成损伤和人工选种耗时耗力的问题,提出了一种基于机器视觉的玉米种粒破损检测方法。首先,利用图像获取装置得到单粒玉米种粒图像,通过差影法确定图像噪声种类,采用中值滤波方法对图像进行降噪;其次,标记图像边界,运用灰度阈值法完成玉米种粒图像分割。根据玉米种粒的形态特征分别提取玉米种粒的周长、面积、周长面积比、长轴长、短轴长、长宽比6个几何特征和矩形度、圆形度、紧凑度、7个Hu不变矩10个形状特征,共16个特征。完整玉米种粒和破损玉米种粒图像各50幅作为训练样本,将提取的16个特征分量作为输入量,对支持向量机(Support Vector Machine,SVM)进行训练,输出量为1、0,分别代表"合格""不合格",训练完成后获得玉米种粒的SVM识别模型;另取完整的玉米种粒和破损的玉米种粒图像各50幅作为测试样本,对训练好的SVM模型进行测试。结果表明:该检测方法对玉米种粒破损识别准确率达95%以上,识别100幅玉米种粒图像的时间为1.27s。研究结果为玉米种粒的实时破损检测提供了参考。     

基于机器视觉的脱绒棉种染色特征的提取算法

针对种子活力四唑染色法检测中由于人工视觉疲劳、劳动强度大等因素引起的人工误判情况,提出了一种基于机器视觉的脱绒棉种染色特征的提取算法。此算法是在随机选取了庄稼汉品种的脱绒棉种进行四唑试验后进行的,通过对染色棉种进行图像采集,对图像进行灰度变换、HSI颜色空间转换、中值滤波、自动阈值分割等预处理,经去噪、补洞后得到整粒脱绒棉种的面积和染色部分的面积。同时,计算出图像染色比例,为脱绒棉种活力在线检测奠定理论基础。     

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。     

机器视觉技术在农产品破损检测上的应用

农产品的表面缺陷是农产品品质的重要特征,利用机器视觉进行检测具有人工检测所无法比拟的优越性。为此,分析了目前国内外利用机器视觉和图像处理技术进行农产品破损检测研究的现状和存在的问题,提出了今后研究的方向和发展途径。     

基于FISHER模型的棉种分色研究

利用棉花种子表皮光学特性,对颜色不正常、表面有缺陷或内部变质的疵品及杂物进行分选是一种有效的方法。研究棉种分色模型是研制自动化棉种分色机械的基础。为此,通过提取彩色棉种图片的RGB分量,利用Fisher准则对RGB分量特征值进行提炼,建立了棉种的分选模型。试验表明,该色选模型可以对棉种进行有效分选,其分选精度达到97.2%。     

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。     

基于三维机器视觉的植物叶片萎蔫预测模型

采用基于激光斜射测距原理的三维扫描装置实时获取植株三维图像,从中提取叶面卷曲统计指数、分形维数和二维傅里叶变换直流分量作为萎蔫指数来定量研究植物的萎蔫程度,采用西葫芦、葫芦、南瓜及秋葵4种植物的嫩叶期体态变化检验了3种萎蔫指数与萎蔫程度的相关性,结果表明:3种萎蔫指数与萎蔫程度均具有较好的相关性,相关系数都达到了0.82以上。在此基础上,运用SPSS软件建立了3种萎蔫指数与环境饱和水气压差VPD及光合有效辐射的多元线性回归统计模型。     

基于机器视觉的非结构环境下黄瓜目标特征识

提出了一种基于近红外光谱成像技术的温室黄瓜信息检测方法.根据黄瓜的光谱反射特性,选用特定波长的近红外光谱图像解决与背景颜色相近的果实信息表征;利用图像内作物灰度分布差异确定果实所在区域,区域内采用矩不变优化阈值分割和特殊形态学模板滤波,实现果实目标有效识别;结合黄瓜物理性状和纹理特征检测果实的可抓取部位,并引入形心主惯性轴思想确定果柄的切割点位置.实验结果表明果实的正确识别率为93.3%,抓取点、切割点位于有效区域的几率分别为96.7%、93.1%.     

融合激光和机器视觉的立木胸径检测方法

为了提高立木胸径检测的效率,解决图像法测量立木胸径中的标定问题,提出了融合激光和机器视觉的立木胸径检测方法。将激光光束进行扩束准直后照射到立木树干上,采用树干上的激光光斑作为标尺进行图像测量。通过Otsu法对激光光斑进行分割,根据激光光斑的实际尺寸和像素数确定图像上立木胸径的位置,根据立木胸径的像素数计算出立木胸径值。试验结果表明,所提方法的测量结果与轮尺测量的胸径值最大误差1.22%,符合国家对森林资源清查操作的误差要求。     

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%。     

机器视觉技术在种子纯度检验中的应用

随着图像处理技术和机器视觉技术在农业生产中的广泛应用，利用机器视觉技术和图像处理技术进行种子纯度检验和对种子质量进行最终评判已成为可能。本文分析了种子纯度检验技术现状和存在的问题，概述了国内外对种子纯度自动化检验技术研究的最新进展，并对今后种子纯度检验技术发展进行了展望。     

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。     

基于机器视觉和信息融合的邻接苹果分割算

提出了利用亮度和颜色的信息融合来分割邻接苹果的方法.首先使用Lab模型对苹果图像进行分割.然后计算分割后每个区域的面积,并判断其是否为邻接苹果区域.接着在邻接区域内计算亮度信息,利用亮度产生的亮斑对邻接苹果进行分割.这样,在邻接区域以外的部分,亮度信息产生的噪声被Lab模型的信息屏蔽,而邻接区域以内的部分,具有惟一性的亮度信息可以较好分割经Lab模型处理后的邻接苹果.实验表明,此算法对邻接苹果识别非常有效,识别率大于92.89%,而且算法简单快速,平均每幅图片识别时间小于0.5 s.