基于空间邻域信息的加权FCM图像分割方法

提出了一种新的加权模糊c均值图像分割方法,该方法根据邻域象素间的灰度变化,选取与目标象素灰度特性相似的邻近象素组成高度相似象素区域,建立邻域像素隶属度对目标象素隶属度的空间影响函数,通过空间影响函数来重新估计目标象素的模糊隶属度,以反映不同象素点对目标象素点分类的影响。由于该算法利用象素空间邻域关系对模糊隶属度进行了调整,使得目标分类时考虑了图像象素的邻域信息。试验结果表明,提出的方法抗噪性能强、收敛速度快,能够有效的分割图像。     

密度碰撞恢复系数测量

为了深入探讨花生脱壳机脱壳过程中花生的运动情况,通过离散元软件Edem的颗粒仿真效果,测花生参数:密度、碰撞恢复系数,建立颗粒模型加以仿真,导出其工作过程图像,以期为花生脱壳机的运动情况提供借鉴。选取品种为大白沙和花育23的花生做参数测量试验。     

花生静摩擦系数刚度系数测量

为了深入探讨花生脱壳机脱壳过程中花生的运动情况,通过离散元软件Edem的颗粒仿真效果,测花生参数:百粒重、静摩擦系数、刚度系数,建立颗粒模型加以仿真,导出其工作过程图像,以期为花生脱壳机的运动情况提供借鉴。选取品种为花育23的花生做参数测量试验。     

机器视觉在线检测核桃大小软件设计

【目的】设计一种可以利用机器视觉对核桃大小进行在线分级处理的软件。【方法】通过配置大恒USB2.0工业相机,实时获取核桃在线检测时RGB图像,利用VS2010开发出界面程序对采集到的图像源数据进行格式转换和预处理,获得轮廓图像。利用OpenCV的图像矩计算原理提取核桃外形尺寸数据,为下位机控制板提供等级信号控制不同等级电磁阀动作。【结果】软件可以同步显示处理前后的图像,实现了图像优化采集和分割阈值手动调节。【结论】基于机器视觉在线检测核桃大小软件可以判定不同外形尺寸大小的核桃,可以将分级信号准确送出。     

基于SVM的中值滤波去噪方法研究

提出了一种针对椒盐噪声的去噪方法.去噪过程先利用SVM分类器将含噪图像中的象素分为噪声或非噪声点;接着,非噪声点象素值被保留,而噪声点象素值则通过中值滤波方法进行处理,从而达到去噪的目的.本研究在MATLAB6.5环境下搭建实验平台,运用OSU_SVM3.0工具箱分别建立了四邻域,八邻域和二十四邻域三种分类模型,仿真实验证明,与已有的算法比较,本研究方法能达到较高的峰值信噪比,具有很好的去噪效果.     

1个花生EMS突变体的表型评价及荚果大小相关性状分析

花生是我国重要的植物油和植物蛋白来源，随着近年来我国对花生油的需求日益增加，培育高产优质的花生新品种是花生育种研究的重要课题。花生荚果大小直接决定了花生的产量，明确花生荚果大小调控机制对提高产量具有重要意义。EMS诱变是创制花生优异新种质的有效手段，有助于加速育种进程。通过对美国栽培花生Tifrunner进行EMS诱变，获得了一个分枝数减少、花期提前且荚果变大的突变体（ps）。结果表明：相关性分析表明种子的长宽与荚果长宽存在极显著线性关系（p<0.0001），且ps的果型没有发生改变但粒型显著变长。进一步对果壳进行细胞学分析表明，ps荚果变大的原因是果壳细胞数量增加。通过EMS诱变创制了1个分枝数减少且早熟的花生种质，为培育适应机械化的早熟花生品种提供了优异种质资源。此外，花生的荚果和种子的大小具有不同的调控途径，针对ps荚果大小突变的研究更应关注果壳的发育。研究结果为探究调控花生荚果大小的分子机制提供了依据，同时为加速优质花生种质资源创制提供了优异材料。     

花生图像采集中背景颜色和光强影响的研究

为评价花生图像质量,首先通过阈值分割算法分割花生图像,接着进行开操作,然后根据连通区域个数得出花生粒数作为评价标准。从3种背景颜色和5种光照强度的试验中得出在黑色背景50～90 lx的光强下效果较好。研究将有助于花生自动检测。     

基于机器视觉的核桃仁大小自动分级技术

为了改善我国核桃仁外观品质人工检测速度慢、精度低、费时费力的现状,提出1种基于机器视觉和图像处理技术的核桃仁大小检测方法。构建图像采集系统以获得与背景颜色对比度明显的待检核桃仁图像;通过灰度变换、中值滤波,降低了图像处理计算数据量,提高了图像信息的可读性;通过阈值分割和区域填充,得到了清晰完整的核桃仁区域分割图;使用像素统计法计算核桃仁像素面积;提出1种自适应平均算法对样本学习训练,进而计算出大小分级阈值;以Lab Windows/CVI 2012为开发平台,借助其图像采集和图像处理函数,设计配套的核桃仁大小自动分级软件。结果表明,该方法在实验室条件下可实现核桃仁大小分级,分级正确率达90.0%以上。     

基于机器视觉的花生种子外观品质检测与分类方法研究

[目的]花生种子的有效分类是花生产业中选育良种的重要环节,为降低花生产业对人工的依赖程度,简化选种过程,提出了一种基于机器视觉的花生种子外观品质检测与分类方法.[方法]在相同环境下采集单粒花生种子图像,建立花生种子对象在图像中像素数与其实际质量的回归模型,以花生种子尺寸和外观颜色作为主要特征,采用支持向量机分类模型完成分类任务.[结果]使用该方法完成12个类别的分类,对批量花生种子的分类准确率达86％,符合实际生产中花生种子初步分类要求.[结论]该方法对花生种子图像代表性特征的选择和识别样本的简化使得分类系统更符合实际生产需要,对同品种花生种子的不同品质分类以及不同品种花生种子的直接分类有着积极意义.     

基于Faster-RCNN的花生害虫图像识别研究

为实现花生害虫图像的准确分类,共收集花生主要害虫图片2 038张,针对目前在基于Faster-RCNN的图像识别领域较为成熟的VGG-16和ResNet-50这2种网络模型进行对比研究,并针对ResNet-50模型参数进行调整,提出了基于学习率、训练集和测试集以及验证集的比例选择、迭代次数等参数改进的ResNet-50卷积神经网络的模型。结果表明:该模型可以准确高效地提取出花生主要害虫的多层特征图像,在平均识别率上,经过改进的ResNet-50网络模型在识别花生害虫图像上优于ResNet-50原始网络模型。该模型可以准确地分类花生主要害虫图像,可在常规情况下实现花生害虫的图像识别。