红枣表面缺陷快速检测方法研究

红枣表面缺陷快速检测是实现其自动分级的关键技术之一。针对红枣表面曲率变化致使其表面灰度分布很不均匀和缺陷区域很不明显的特点,提出了一种亮度快速校正算法。首先使用单色CCD、滤光片和近红外光源获得红枣近红外图像;其次对原始图像进行去背景操作,获得红枣区域灰度图像;然后使用均值滤波器对去背景后的图像进行滤波获得亮度图像,并使用该亮度图像对去背景后的红枣图像进行亮度校正;最后对亮度校正后的图像进行缺陷分割。试验结果表明,该方法能显著提高自动分级系统的实时性,且该缺陷检测方法的准确率可达95%。     

红枣自动分级机搓动旋转输送系统的研制

利用机器视觉技术对红枣进行外部品质检测分级,首先要对红枣进行全表面图像采集,针对红枣输送过程中搓动红枣旋转来实现全表面图像采集的方法进行研究。根据分级机工作原理及图像采集对红枣的转动要求,设计出辊轴搓动自旋转机构,使红枣在输送过程中不断旋转,从而保证红枣全表面都能够在摄像机视角范围内出现;然后通过计算确定了搓动机构相应的结构尺寸,分析了红枣在辊轴上的受力情况。实验证明,搓动旋转机构设计合理,输送系统运行稳定,在50-300mm／s的输送速度范围内能够满足红枣全表面图像采集的要求。     

6FGH-800型滚杠式红枣分级机研制

[目的]研究采用链驱动的无级可调成对倾斜辊轴分级结构,依据成对辊轴之间相对角度变化进行大小分级的工作原理,实现对不同品种红枣、核桃等果品的尺寸大小分级.[方法]利用CAXA绘图软件设计整机结构及关键部件;采用正交试验和Minitab软件分析确定最优参数组合;通过性能试验和生产考核,测定样机的主要性能指标,考核是否达到设计要求.[结果]红枣分级合格率的最优参数组合,纯小时生产率为1122 kg/h,分级合格率为96;,伤果率为3;,能够满足生产要求.[结论]6FGH-800型滚杠式红枣分级机结构合理、经济实用,设计的振动防堵喂料装置、滚杠间隙调节机构和机架倾角调整机构,解决了常规机械式红枣尺寸分级机分级精度不高、容易“串级”、生产效率低的难题.     

基于YOLOv5改进模型的杂交稻芽种快速分级检测

目的 提高杂交稻种子活力分级检测精度和速度。方法 提出了一种基于YOLOv5改进模型(YOLOv5-I)的杂交稻芽种快速分级检测方法,该方法引入SE (Squeeze-and-excitation)注意力机制模块以提高目标通道的特征提取能力,并采用CIoU损失函数策略以提高模型的收敛速度。结果 YOLOv5-I算法能有效实现杂交稻芽种快速分级检测,检测精度和准确率高,检测速度快。在测试集上,YOLOv5-I算法目标检测的平均精度为97.52%,平均检测时间为3.745 ms,模型占用内存空间小,仅为13.7 MB;YOLOv5-I算法的检测精度和速度均优于YOLOv5s、Faster-RCNN、YOLOv4和SSD模型。结论 YOLOv5-I算法优于现有的算法,提升了检测精度和速度,能够满足杂交稻芽种分级检测的实用要求。     

基于改进的SSD框架与表型特征的黄瓜快速分级算法

为给黄瓜表型特征的田间测量提供更便捷的方法,针对黄瓜分级现有算法的不足,根据黄瓜分级要求,基于SSD和DAG-SVM算法,研究适合黄瓜快速分级的算法,并对方法进行验证。结果表明:优化得到适用于田间场景黄瓜快速分级的算法为CSSM,该算法对黄瓜的平均检测准确率为94.9%;分级准确率为93.12%;训练速度和测试速度均较快,分别为59min和0.41s。CSSM算法可对非结构化的视觉检测场景进行检测,并能解决端到端的深度学习算法很难依据国家分级标准进行相关分级的问题,仅需拍照上传便可得到黄瓜表型数据及分级信息。CSSM算法为研发适用于小农户的黄瓜分级设备奠定了基础,算法实用性强,具有很好的推广应用前景。     

基于图像处理技术的黄瓜叶片病害识别诊断系统研究

为了提高黄瓜叶部病害检测与染病程度的分级的准确率和效率,综合运用图像处理技术、人工神经网络技术,实现黄瓜叶部病害检测与染病程度分级,并主要对发病率高且危害严重的黄瓜霜霉病、白粉病和病毒病进行试验研究.首先,通过接种方法获得了纯正的黄瓜病害样本,并采集染病植株的样本图像.利用基本图像处理的方法对黄瓜叶部病害图像进行处理,综合运用二次分割、形态学滤波得到病斑区域.其次,提取三种特征包括22个特征参数,采用BP算法训练的多层前向人工神经网络对黄瓜病害进行分类.实验证明,检测系统的黄瓜叶部病害平均识别精度为95.31%,并能够快速准确地对黄瓜叶片病害的染病程度进行分级     

基于计算机视觉的纽荷尔脐橙图像形状识别方法研究

计算机视觉是以计算机和图像获取部分为工具,无需接触特定对象便可从获取的图像中得到大量的信息,通过对这些信息的分析得到物体尺寸、表面缺陷、外观形状、表面色度等具体信息,进而实现外观质量的综合评价。水果的外形是分级的重要特征。目前国际上普遍采用柑橘的基于计算机视觉形状特征选取方法为对其进行圆度算法检测,取得了较好的实用效果,但是纽荷尔脐橙的外形并不是一个圆球形,而是一个椭球形,越是椭球形越是好品质的纽荷尔脐橙,在图像上反应为一个二维椭圆。所以笔者认为用圆度算法检测纽荷尔脐橙并不合适。本文根据椭圆弦长的比值相对固定提出了弦长比法,并运用SOM神经网络对纽荷尔脐橙进行分级,取得了一定的效果。     

基于纹理南疆红枣外观品质应用研究

红枣分级技术主要依靠人工分级,造成了生产效率低下,分级精度低。随着无损检测技术发展,利用计算机技术实现红枣的自动分级,已成为较优的红枣分级方法。以南疆红枣外部品质特征为研究对象,应用MATLAB的数字图像处理技术,寻求红枣外部品质特征参数的采集以及分级方法。采用灰度化对红枣图像作预处理以及图像的特征提取,结果表明,该方法可以实现红枣外部特征参数的采集,进而实现南疆红枣的纹理分级,具有实际应用价值,且对今后逐步实现基于机器视觉的红枣外观品质综合分级研究具有指导意义。     

结合先验形状信息和序贯学习的心血管内超声外弹力膜检测

目的 针对心血管内超声(IVUS)图像中钙化斑块、声影等干扰因素影响外弹力膜(EEM)轮廓检测准确性的问题,提出结合先验形状信息和序贯学习分类的心血管内超声外弹力膜检测的改进算法。方法 首先用多类多尺度序贯学习(M²SSL)将IVUS图像分割七大不同组织;然后在分类结果的基础上,结合血管先验形状信息筛选出外弹力膜轮廓的关键点;最后,结合IVUS图像的梯度和相位信息,采用Snake模型,获得最终的EEM轮廓。结果 临床采集22组IVUS序列,挑选出具有代表性的153帧图像做实验。统计数据显示:本文算法检测结果的平均Jacc指标为88.5%,满足临床诊断要求,性能优于国内近年来较好的算法。结论 本文的EEM自动检测算法简单有效,相比国内已有算法,提高了对钙化、纤维斑块以及声影区域的识别能力,对含钙化斑块、纤维斑块或血管中心偏移的高频IVUS图像具有较高的适用性。     

基于图像识别技术的南疆红枣品种识别研究

通过Matlab图像处理和识别技术,根据不同品种的红枣的形状特征不同,分别对5种不同品种的红枣进行识别。首先对红枣俯视图像预处理提取红枣的表面轮廓,然后利用轮廓计算矩形度,圆形度,偏心率等7个几何特征和8个图像的不变距。利用PNN和BP神经网络作为分类器,对不同品种的红枣图像进行识别。结果表明,两种神经网络能够对不同品种红枣进行识别,PNN网络的平均识别率为90%,BP网络的平均识别率为80%,PNN神经网络比BP神经网络分类效果好。