深度卷积神经网络在计算机视觉中的应用研究综述

深度卷积网络这一包括众多隐含层的网络结构发展,具有传统机器应用无法比拟的表达能力与特征学习水平。因此在其应用于深度学习算法训练以来,已经在许多大型的识别研究中赢得了良好荣誉。本文主要研究了深度卷积神经网络在计算机视觉中的主要应用。对深度卷积网络的池化操作、图像分类物体检测工作具体分析,推动深度卷积神经网络在计算机视觉中的应用发展。     

农业领域中的计算机视觉研究

计算机视觉技术在农业各领域中的应用研究发展非常迅速，本文回顾了计算机视觉技术近年来在国内外农业中的发展情况，从四个方面进行综述。最后概述我国现阶段计算机视觉技术在农业中的应用主要存在的问题及发展前景。     

点圈并图的匹配等价图数

若两个图G和H的匹配多项式相等,则称图G和H匹配等价.用δ(G)表示图G的所有不同构的匹配等价图的个数.计算了δ(sK_1∪t_1C_6∪t_2C_(15)).     

计算机视觉在作物生产中的应用研究

计算机视觉已经随着信息技术的发展而应用到很多领域,其在农业上的应用已经成为农业信息化不可分割的一部分.本研究利用国内外图像处理或计算机视觉在作物生产过程中应用的实例,以及目前常用的一些方法来介绍农业中的计算机视觉.同时,结合作者研究提出目前农业中计算机视觉应用的一些缺点和不足,以及需要解决的问题.     

基于计算机视觉的三维重建技术综述

计算机视觉三维重建技术现在所拥有的种类非常多,并且还处于飞速发展阶段。这其中,从多年研究运动恢复结构法,并取得突出成果的单目视觉三维重建技术,是计算机视觉三维重建技术的非常重要的一个组成部分,主要对从运动恢复结构法的实际应用和发展加以陈述并研究其未来的发展方向,来综述几个比较有代表性的三维重建技术。     

基于计算机视觉的立木枝干直径自动测量方法

立木枝干直径是智能型立木整枝机器人工作的重要工作参数.该文提出了一种基于计算机视觉原理的立木枝干自动测量方法.该方法利用已知大小的标定尺简化无线性畸变CCD摄像机标定过程.首先,将标定尺与被测立木紧贴在一起并通过CCD摄像机获取它们的图像;其次,从图像中通过二次模板匹配方法检测标定尺并统计标定尺像素数;然后,计算出图像每一个像素代表的实际尺寸;第四,通过立木枝杈点检测分离出树干和树枝;最后,将统计立木枝干直径的像素数与每一个像素代表的实际尺寸相乘就可以很容易地计算立木枝干直径.该文测量了12组立木枝干的直径,平均绝对误差为0.67 cm,平均相对误差为1.9%.实验结果表明,计算机视觉的立木枝干直径自动测量方法能够比较精确地解决智能型立木整枝机器人中的立木枝干自动测量问题,但是该方法在进行复杂背景立木枝干直径测量时精度需要进一步提高.      

针叶苗木计算机视觉特征提取方法

为解决基于计算机视觉技术的针叶树种苗木自动分级系统的关键技术问题,提出了一种应用精确定位的苗木图像特征标志点提取苗木计算机视觉特征的新方法。该方法通过分析苗木的形态特征。利用苗木图像灰度矩阵和背景分离的灰度矩阵分别得到了５个特征标志点和苗木轴向边缘标志点矩阵。并在标志点的基础上,应用相应的计算方法实现了苗高、地径、根长、冠投影面积、根投影面积等１２个苗木视觉特征量的提取,为苗木自动分类器提供了有效的特征输入。实验结果表明,本方法具有计算速度快、易于实现、测量准确等优点。     

基于计算机视觉的杜鹃自动分级方法

随着我国花卉产业的蓬勃发展,花卉的自动化生产已经成为了必然趋势。提出了基于计算机视觉的杜鹃分级方法,对杜鹃的侧视图、俯视图进行图像分割,通过分析计算,得到株高、冠径、花盖度、花朵分布均匀度4项关键指标。对60盆杜鹃的分级试验结果表明,综合分级正确率达96.7%,其中株高的平均测量误差为5mm,冠径的平均测量误差为7mm,而对花盖度及均匀度的分级正确率分别达98.3%和96.7%,并可测出准确的分级参数,用于杜鹃的培育分析。该分级方法准确,实时性高,为杜鹃自动化分级提供了有效的途径。     

基于计算机视觉的水稻三维重建方法

利用多幅多角度的拍摄方法对二维图像进行采集,通过数字化处理得到单株水稻各视角侧面投影及轮廓图像。然后使用基于计算机视觉的三维重建方法,构造单株水稻的可视立体包络,从而得到单株水稻的三维立体像素模型。使用移动立方体算法对单株水稻立体像素模型进行外围表面重建,最后得到单株水稻三维重建模型。     

计算机视觉鸭蛋重量检测方法研究

为了实现鸭蛋重量的智能检测,提出基于计算机视觉鸭蛋重量检测方法。首先构造鸭蛋图像的灰度—梯度共生矩阵,根据最大熵原理求出最佳灰度和梯度分割阈值,实现二维阈值分割;其次采用数学形态学方法进行分割图像后处理,去除蛋壳表面存在的伪目标,统计鸭蛋区域像素点;最后利用多项式拟合方法建立面积与鸭蛋重量关系。试验表明,检测误差在±2g以内,平均误差为-0.13353 g,检测精度能够满足生产加工需求。     

计算机视觉技术在植物根系形态研究中的应用

介绍了国内外计算机视觉技术在植物根系形态研究中的应用情况,并就植物根系形态研究中所涉及的图象分割、图象细化和矢量化等具体技术环节进行了评述,为以后类似的研究提供了框架.     

计算机视觉技术在工厂化农业中的应用

近年来我国工厂化农民发展迅速，但自动化程度不高，因此将计算机视觉技术引入设施农业对于提高温室的智能化控制水平具有重要意义。从利用计算机视觉对植物生长监控控制和开发农业生产机器人2个方面综述了国内外的研究进展，根据目前国内外研究现状及存在问题对未来发展方向进行了预测，认为今后的研究方向主要在图像处理硬件的开发、神经网络技术的应用和图像处理新方法的研究等3个方面。     

计算机视觉在果蔬分类中的现状分析

计算机视觉在农产品分类领域广泛应用,但受限于类间相似性和不规则的类内特征,果蔬分类仍是一个复杂的问题。本文针对近年来基于计算机视觉的水果分类进行比较,简述了现阶段果蔬分类所面临的挑战,如传感器的选择等问题。     

计算机视觉技术在水产养殖中的应用

介绍了计算机视觉技术的概念及其系统组成,综述了计算机视觉技术在鱼种及形状识别、鱼只计数、鱼体尺寸和重量测量、投饵监控和鱼的行为监测中的应用。     

计算机视觉技术在农产品品质检测中的应用

从农产品表面缺陷与损伤识别、尺寸与面积检测、颜色识别、果梗识别、果形识别 5个方面综述了国内外在利用计算机视觉技术进行农产品品质检测的研究进展。     

基于计算机视觉的竹块颜色分类方法研究

为了实现计算机视觉对竹块的自动识别与颜色分类,研究了竹块图像的颜色特征、颜色分类方法。首先,将原始图像由RGB空间转换为HSI空间,用OTSU法确定阈值对原图灰度图像分割背景,用radon变换倾斜校正,提取竹块颜色判定有效区域,并计算其HSI的均值和标准偏差,作为特征参数输入BP网络进行训练。结果表明,该方法简捷有效,人工神经网络与人工分级的平均一致度为94.5%。     

计算机视觉技术在水产养殖中的应用

本文介绍了计算机视觉的概念,比较了传统测量方式与计算机视觉技术的不同,并从养殖水环境监控、投饵监控、鱼类生长监控及鱼类行为监控等几个方面对计算机视觉技术应用情况进行综述。     

基于计算机视觉的鸡蛋表面积估算方法

鸡蛋表面积参数已广泛应用于蛋品加工业以及生物学的研究上,但其传统手工检测方法存在着效率低的缺点.基于计算机视觉技术,提出了一种像素面积投影法来计算三维目标的表面积,该方法简单易于实现,且对任意不规则目标表面积的估算都适用.以3种特殊曲面的表面积为例,验证了该估算方法的精确度.通过对鸡蛋建立旋转椭球数学模型采用像素面积投影法进行了计算,并与实验数据对比,二者相对误差小于10%,满足实际工程需求.     

计算机视觉技术在农产品检测中的应用

农产品品质检测是保证农产品质量和农产品安全的关键环节,而品质的检测和控制往往是基于成分分析之上.但是,无论是化学分析还是仪器分析,其试样的前处理、实验本身的耗时性以及对物料的破坏性又是许多场合所不允许的.例如,小麦和油菜籽按品质分仓贮运,用标准化学分析方法测定小麦中蛋白质含量需2 h,油菜籽中油脂含量需18 h,赖氨酸含量约需2d[1],机器视觉检测技术是一种非破坏的检测技术,既在不破坏样品的情况下对其进行品质评价的方法,该技术则以它的快速、准确、实时性,弥补了这一缺陷,因而受到许多研究者的青睐.计算机视觉检测技术在国外研究较早,近年来,国外在利用计算机视觉技术对农产品检测上研究好多已达到商品化.而在我国,虽然报道也很多,但到目前仍处于理论探索阶段.本文在这里简单的介绍最近国内外计算机视觉技术在农产品检测中的应用研究,并对目前的发展状态提出见解.