用遗传算法训练的多层前馈神经网络对番茄成熟度进行自动检测的研究

建立了计算机视觉系统获取番茄的图像，并将RGB值转换成HIS值，通过H值提取番茄表面颜色特征。采用遗传算法训练的多层前馈神经网络实现番茄成熟度的自动判别。实验表明：该方法准确率达到94%。     

基于计算机视觉的番茄缺素神经网络识别

提出了采用不受植株叶片大小和背景影响的色调域平均百分率直方图来提取番茄叶片的颜色特征,用于识别番茄是否缺乏营养元素;提出了采用基于最大差分算子的色调域百分率直方图法、灰度－梯度共生矩阵法和小波分析法提取番茄缺素叶片的纹理特征,用于识别番茄缺何种营养元素;设计了番茄缺N、缺Fe、缺Mg的BP神经网络系统,综合识别结果为：正常中叶、正常新叶、缺铁新叶,缺氮中叶、缺镁中叶的识别准确率依次为95％、92.5％、92.5％、87％、87％。     

基于计算机视觉的番茄催熟与正常熟识别

国内常有菜农采摘远离成熟期的番茄,采用乙烯利处理进行催熟,为了阻止催熟番茄进入瓜果市场危害食用者的身体健康,给出了催熟番茄识别系统的硬件组成,通过计算机视觉装置获取番茄透射光颜色参数（R、G、B）,并将RGB值转换成HIS值,采用遗传算法训练的多层前馈神经网络实现催熟番茄的自动识别。试验结果表明,系统正确识别率为91.7%,为进一步进行番茄催熟与正常熟识别的研究提供参考。     

玉米苗期杂草的计算机识别技术研究

利用计算机视觉技术和人工神经网络技术对识别玉米苗期田间杂草进行了研究。首先利用类间方差最大自动阈值法二值化杂草图像的超绿特征,再进行连续腐蚀与膨胀,然后根据长宽比、圆度、第一不变矩3个形状特征由BP网络识别出玉米幼苗,最后利用种子填充法从阈值分割结果中擦除玉米目标,剩余的就是杂草目标。研究表明,基于BP网络的杂草识别算法对玉米幼苗与杂草的正确识别率分别为87.5%和93.0%,处理一幅640×480像素的杂草图像平均耗时约为58 ms。     

基于图像处理与人工神经网络的小麦颗粒外观品质评价方法

综合利用计算机视觉、图像处理、人工神经网络技术,实现小麦品质评价自动化。通过比较不同背景,发现在黑色毛面纸板背景下,使用数码像机获得容易处理的小麦图像。应用分水岭算法自主开发了图像分割处理软件,分割小麦图像并识别提取出完整的小麦颗粒,针对每个小麦颗粒,计算了其12个形态学特征、12个色泽参数等图像特征参数。利用所提取的24个小麦图像特征参数,采用人工神经网络BP算法建立起小麦粒径外观品质评价模型,并应用于小麦的品质识别,取得了良好的试验结果。多次建模运算证明,该方法具有较好的稳定性,对小麦粒径外观品质评价的平均识别准确率可达93%。     

用计算机视觉进行黄花梨果梗识别的新方法

梨的果梗是否存在是分级的重要特征之一。通过计算机视觉系统摄取黄花梨图象,应用图象处理技术完成图象与背景的分割。针对使用细化及收缩膨胀算法识别果梗速度较慢,提出了一种快速算法。该法利用梨果梗直径小,选择不同大小的模板,判别图象中是否存在果梗,同时得到果梗头、底部与梨相交点的坐标,依据切线斜率信息,对果梗的完好性进行判断。试验结果表明,该算法可以１００％判断果梗是否存在,判断果梗是否完好的正确率达到９３％,判别速度提高４～６倍。而且该算法具有一定的鲁棒性,对旋转、移位不敏感。     

苗期温,光和营养对番茄畸形果发生的共同影响

苗期夜温，光照度和氮、磷营养对番茄畸形果发生的影响不同。经复因子试验结果表明：苗期夜温是番茄畸形果发生的主导影响因子，氮磷营养是其次因子，苗期光照度对番茄畸形果发生的影响较小。因此，在防止番茄畸形果发生的措施上应首先考虑苗期夜温，其次是氮磷营养，最后才是光照度。     

基于遗传算法的人工神经网络模型在冬小麦根系吸水模型中的应用

基于土壤水分与冠部数据,应用遗传算法优化人工神经网络模型的权值,将获得的冬小麦根长密度分布应用于根系吸水模型中,并进行了水分数值模拟,水分模拟效果整体较好,表明应用该方法可以为根系吸水模型提供准确的根系参数,并且较为方便,这对于根系吸水模型的建立及应用有着重要的意义。     

基于人工神经网络与图像处理的苹果识别方法研究

针对中国苹果等级划分主要依靠人工感官进行识别判断的现状，提出了以应用计算机视觉以及图像处理技术为基础，通过改变传统学习向量量化(LVQ)网络输入层各参数的权重来改变其在竞争层中的竞争能力。采用改进后的LVQ网络算法，对苹果进行等级判别试验，取得了良好的试验结果，识别正确率达88.9%，且具有较好的稳定性。     

应用改进遗传神经网络识别种蛋蛋形试验

针对人工检测种蛋蛋形劳动强度大,缺乏客观性,检测效率低,研究了自动快速、准确地识别鸡种蛋蛋形的方法。以蛋形指数和蛋径差为形状特征参数,利用机器视觉技术、矩技术和提出的改进遗传神经网络算法剔除畸形蛋。基于机器视觉和矩技术提取种蛋的长短径,剔除蛋形指数不合格种蛋后,再通过构建合理的遗传神经网络模型,以蛋径差作为神经网络输入参数,根据网络输出值识别种蛋蛋形。对过圆蛋、过尖蛋、畸形蛋和正常蛋检测准确率分别达到了97.10%、95.59%、94.87%和95.75%。研究种蛋蛋形自动识别方法对提高种蛋蛋形检测准确率和工作效率具有重要意义,试验结果表明提出的种蛋蛋形评价指标合理,用于识别种蛋正常蛋形,剔除畸形蛋准确率高,速度快,算法具有鲁棒性。     

基于计算机视觉的番茄损伤自动检测与分类研究

为了提高番茄损伤检测与分类的准确率和效率,综合运用计算机视觉技术、BP算法、人工神经网络技术,实现番茄损伤的自动检测与分类。首先,通过计算机视觉系统获取番茄图像,利用图像处理去除噪声、图像分割、图像增强等多种基本图像处理的方法对番茄损伤图像进行了处理,综合运用并行和串行区域分割技术进行番茄表面缺陷区域检测。其次,对番茄图像进行了特征分析,通过提取三种特征包括8个特征参数,采用改进的BP算法训练的多层前向人工神经网络对番茄的损伤进行分类。该文中缺陷检测方法和特征提取方法的采用,使该计算机视觉系统节省了时间,提高了精度。试验证明番茄损伤检测和分类的准确率不低于90%。     

遗传神经网络在稻米垩白度检测中的应用研究

新的优质稻谷国家标准中，垩白度是4个定级指标之一，被用来代表稻谷的商品品质。垩白度的检测目前仍由人工目测完成。为使检测结果更具客观性、一致性，建立了遗传神经网络对垩白像素和胚乳其它像素进行了识别，从而实现了垩白度的自动无损检测。对两种市售粳米进行了检测，计算机视觉的检测结果与人工检测结果的误差小于0.05。试验结果表明所建立的新方法是可行的，它为开发垩白度在线检测系统提供了科学依据。     

基于粗糙集和BP神经网络的棉花病害识别

为了提高棉花病害的识别率,提出了一种在自然环境条件下基于粗糙集和BP神经网络的棉花病害识别方法。该方法以轮纹病、角斑病、褐斑病和盲椿象为研究对象,将病害棉花图像从RGB颜色空间转换到HSI和L*a*b*颜色空间,应用Otsu算法对H分量、a*分量和b*分量进行阈值分割,通过H+a*+b*分量与原始图像的交集提取棉花病斑区域,利用颜色矩和灰度共生矩阵分别提取病斑的颜色和纹理特征,并结合粗糙集理论和BP神经网络,实现特征向量的优选,和棉花病害的识别。通过比较试验发现,粗糙集理论能有效减少特征维数,使提取的全部特征向量16个减少到5个,使BP神经网络的训练时间缩短到原来的1/4,且棉花病害平均识别正确率达到92.72%。研究结果表明,该方法准确识别了4种棉花病害,为棉花病害的防治提供了有效的技术支持。