计算机视觉图形轮廓的获取及其尺寸测量

探讨利用计算机视觉系统进行测量时目标物体轮廓的获取方法，以及周长的测量。本文还对测量的精度进行分析，并提出校正由光学系统所产生的测量误差，文章注重计算机视觉系统编程实践     

基于机器视觉的零件尺寸测量装置的设计

文章提出了基于机器视觉的测量方式,主要测量工件的面积、周长和边长等数据。测量采用固定装置,标定采用传统标定法。硬件系统采用了USB接口的工业相机。软件主要对图像进行了预处理,预处理为图像的切割、灰度化、滤波。     

计算机视觉技术在农业机械中的应用

分析了计算机视觉技术的特点，概述了其发展过程；回顾和综述了计算机视觉技术在自动检测机械、智能收获机械、农业智能加工机械、智能田间作业机械等方面的应用；提出了计算机视觉技术在农业机械应用研究中需要重点解决的几个问题。     

计算机视觉技术在农业机械中的应用

分析了计算机视觉技术的特点,概述了其发展过程;回顾和综述了计算机视觉技术在自动检测机械、智能收获机械、农业智能加工机械、智能田间作业机械等方面的应用;提出了计算机视觉技术在农业机械应用研究中需要重点解决的几个问题.     

计算机视觉技术在番茄收获中的应用

运用双目立体视觉技术对红色番茄进行定位,图像进行灰度变换后,对图像的二维直方图进行腐蚀,膨胀以后除小团块,提取背景区边缘,然后用拟合曲线实现彩色图像的分割,将番茄从背景中分离出来,对目标进行标定后,用面积匹配实现共轭图像中目标的配准,运用体视成像原理,从两幅二维图像中恢复目标的三维坐标,从实验数据可知,当目标与摄像机的距离为300－400mm时,深度误差可控制在3％－4％。     

论计算机视觉技术在自动化中的应用

算机技术在科技发达的当下有着十分广泛的应用,在自动识别人工智能系统中,计算机视觉技术是其系统中最关键的技术,因此大力发展计算机视觉技术就是对其系统的进步。文章首先对计算机视觉技术、工作原理进行简单的概述,之后重点对计算机视觉技术在农业自动化以及医学自动化方面的应用进行探讨,希望可以对计算机识别技术的推广起到一定的作用。     

计算机视觉技术在智能化农业机械中的应用探析

【目的】在智能化农业机械中合理应用计算机视觉技术,为农业现代化生产提供强有力的技术支撑。【方法】笔者通过分析计算机视觉技术在智能化农业机械中的应用优势,从田间作业机械、农业收获机械、农业导航机械、农产品加工与分选机械、病虫害防治农业喷洒机械这5个方面阐述了计算机视觉技术在智能化农业机械中的具体应用,并提出加大政府支持力度、注重专业人才培养等对策提高计算机视觉技术在智能化农业机械中的应用效果。【结果】智能化农业机械与计算机视觉技术的有机结合,可以有效调整和优化农业生产模式,减少生产成本投入,促进农民增收,节能环保,助推我国农业可持续、高质量发展。     

计算机视觉技术在农业中的应用

计算机视觉技术是模式识别与人工智能的一个重要领域,其应用已扩展到农业领域的诸多方面。为此,介绍了计算机视觉的概念及其系统组成;概述了计算机视觉技术在农业中的应用状况;并指出了计算机视觉技术应用于农业所存在的问题及其发展前景。     

基于机器视觉的零件尺寸测量及分析

课题组设计的基于机器视觉的零件尺寸测量系统以尼龙材质注塑成型、后期经铣床加工制成的U形连接块为研究对象,测量其上表面面积、周长以及加工孔半径。课题组优先选用5×5平滑滤波器进行图像预处理,利用Roberts算子进行边缘检测分割,再利用数学形态学算法(开运算、闭运算)锐化边缘,最后利用标板给予的标定系数,将图像上零件尺寸的像素值转换成物理空间的实际测量尺寸。     

基于计算机视觉的葡萄茎直径高精度测量方法

提出了基于计算机视觉的葡萄茎直径测量方法,采用双边滤波降低图像噪声,通过Otsu阈值分割和BloB分析实现葡萄茎与背景的分离,应用基于特征点的定位方法得到茎直径测量位置,由茎直径所包含像素数和尺寸当量计算出茎直径值,从而实现茎直径连续测量.实验和现场应用表明,系统测量重复精度可达±0.5μm.     

基于计算机视觉的微小轴承表面缺陷在线识别

采用计算机视觉识别技术对625ZZ微小轴承端盖上的缺陷进行自动识别，针对缺陷的位置、面积、深度的随机性，对计算机视觉系统的构成、表面缺陷的数字图像采集、图像分割、图像差影、矩不变量等模式识别理论与技术进行了研究，发现轴承表面的均匀分布区域可以直接采用差影法。对刻印文字的区域可采用模板匹配法进行，结果表明该方法识别正确率达98％。     

基于机器视觉的零件尺寸测量方法研究

为了提高视觉测量软件平台图像处理的效率与实用性,在进行基于机器视觉零件尺寸测量软件开发前必须要规划出一套行之有效的测量方案。通过对比现有的图像处理技术,分析了相机标定、滤波、阈值化处理、形态学处理、边界检测、轮廓提取等算法,给出了实用性更强、测量效率更高的零件尺寸测量方案。在新提出的零件测量流程中,明确了特征值获取的算法,同时在零件模型构建算法中,给出了改进后的零件位姿匹配算法,通过整合各个已改进的算法,极大地提高了本套零件尺寸测量方法的实用性。     

山竹的计算机视觉分级方法

提出了一种基于计算机视觉技术的山竹大小和颜色分级方法.针对以蓝色滚子为背景的山竹图像,在RGB色彩空间使用双阈值对图像进行初步分割;然后通过形态学运算、轮廓跟踪、区域填充提取出整个山竹目标;最后由颜色因子2G-R-B和G识别出果柄、果蒂和果皮.由果柄、果蒂区域形心和果皮区域形心位置判断水果的姿态,提取水果的最大横径作为大小分级指标;在HIS颜色空间以果皮区域的饱和度S和色调H的差值作为颜色分级指标.选取200个山竹进行分级试验,试验结果表明:果径检测精度为±1.8 mm,颜色分级串级果最大比例为10.2%.     

基于计算机视觉的玉米籽粒形态测量与研究

视觉技术目前被广泛应用于社会各生产领域,包括制造行业、文档分析、医疗诊断及农业品质检测等。为此,基于计算机视觉技术,设计出一种玉米品质自动检测分析方法,即玉米籽粒实时分析系统,具有客观、高效、准确的优势,解决了传统人工检测模式下主观、低效、误差大等问题。最后,设计出一种基于计算机线扫描技术和自动化控制技术相结合的玉米籽粒考种装置。     

基于计算机视觉的大米外观品质检测

开发了一套基于计算机视觉技术的稻谷品质检测系统，采用灰度变换、自动阈值分割、区域标记等方法从采集的稻米群体图像中提取单体米粒图像，对单体米粒的裂纹、垩白特征进行了统计和检测方法研究。提取了米粒的面积、周长等10个特征参数作为整精米检测特征，并进行了主成分分析，确定了判别整精米的优化阈值。检测试验结果表明：裂纹米粒识别的准确率为96．41％；垩白米粒识别的准确率为94．79％；整精米识别的准确率为96.20%。     

基于计算机视觉的滚珠螺母形位误差检测

提出了基于计算机视觉的滚珠丝杠副螺母的形位误差检测方法。使用DH-HV3000FC型数字摄像头采集滚珠螺母的图像,经过IEEE1394数字接口卡传输到计算机。对含有噪声的原始数字图像实施预处理、图像分割及细化等处理,使图像转变成易于检测的单像素宽边缘信息。使用自编程序测量和计算螺母的圆度、圆柱度、滚道跳动及滚道对螺母外径的同轴度,测量值分别为f1=8.34μm,f2=11.94μm,f3=12.76μm,f4=8.87μm。测量结果满足滚珠螺母的形位公差要求,并分析了误差的产生原因。理论分析及实验测量结果表明该方法正确可行。     

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.     

基于激光视觉的农作物株高测量系统

针对目前视觉测量农作物株高技术中存在农作物顶点和底点难以识别的问题,设计了一种基于激光视觉的农作物株高测量系统。该系统针对农作物株高测量特点,改进了三角测量模型,改进后的三角测量模型参数包括相机参数、光平面方程和相机安装参数;依据系统测量模型,该系统标定过程中通过至少一次将棋盘格标定板置于农作物底端点对应水平面的平行平面上,建立农作物底点平面对应的地面坐标系,通过将激光器发出的激光线投射到农作物上,识别农作物顶点。在株高为558.00~1 843.30 mm的农作物上的测试结果表明,测量绝对误差最大值28.30 mm,相对误差最大值为2.17%。该系统标定完成后可实现自动化与实时测量,且测量精度高,具有良好的实用价值。     

梨果面坏损区域的计算机视觉检测方法

为检测梨的果面的坏损区域,提出了一种利用多台摄像机在多个角度进行拍摄,对多幅采集后的图像进行切割,提取各自特征并进行拼合的算法。试验证明,这是一种较为快速、准确检测梨的果面坏损区域大小的算法,识别梨的坏损面积的相对误差能控制在±0.2范围内,处理时间为250～350ms;识别梨坏损区域数的正确率为0.89,可以满足系统设计要求。