基于机器视觉群体鸡蛋尺寸的检测方法

利用机器视觉技术对鸡蛋外形尺寸进行检测,采用区域标记法分割出单个图像区域,然后确定图像区域形心点,求出其长轴、短轴和面积。研究结果表明,软件预测的鸡蛋平面投影面积(像素)长轴和短轴与实测的蛋重、长轴和短轴的相关系数分别为0.92、0.91和0.84。     

水果尺寸和面积的机器视觉检测方法研究

针对我国水果品质检测仍停留在靠人工感官进行识别判断的现状和机器视觉技术在水果品质检测中的广阔应用前景 ,作者研究了利用机器视觉技术精确检测水果尺寸和表面缺陷面积的方法 ,建立了图像中的点与被测物体中的点之间的定量关系 ;提出了仅需利用物体的边界信息求出物体的形心坐标的新方法 ;所测水果最大横径与实际最大横径的相关系数为 0 .96;采用像素点变换法 ,实现了根据三维物体的二维投影图像恢复物体表面的真实几何面积的设想 ;提出了一种新的面积修正方法 ,进一步提高了面积检测的精度 ,从而为进一步研究开发机器视觉水果品质检测系统打下了基础 .     

水果机器视觉质量综合分选机的设计研究

人们在选择水果的时候,往往会根据水果的外观(如颜色、大小等)来对水果的质量进行评判,但是这种评定方法没有理论依据。为了满足人们对水果外观品质与质量综合分选的实际需求,相关技术人员设计了一种水果机器视觉质量综合分选机,以实现对水果的全面综合检测,自动对水果进行分级选择。基于此,本文对水果机器视觉质量综合分选机的设计进行介绍,加深人们对分选机的认识。     

一种用于水果碰压伤面积检测的数学模型

依据所研究的梨、苹果等品种水果的外形以及碰压伤特征,提出了一个简单的计算碰压伤面积的数学模型。实验结果表明与统计像素的方法相比,用模型可大大提高测量精度。     

基于机器视觉的转速过程检测方法

采用机器视觉技术对排种器排种盘的转速过程进行了检测。在排种盘上设置检测标志物,利用CCD摄像机采集排种盘在不同转速下的转速过程,并对获取的检测样本图像进行背景去除、二值化、图像平滑、特征量提取等处理,检测出转速序列{ni}和加速度序列{iε},并对转速过程进行时序分析和误差估计。结果表明,在不同的设定转速下,机器视觉的转速检测相对误差范围为0.67%~3.40%。     

群体水果动态图像的获取方法研究

群体水果动态图像的采集系统是水果品质实时检测与分级机器人系统的关键组成部分之一,主要由计算机、摄像机、图像采集卡、涡流式接近开关、水果和动态图像采集软件等组成.涡流式接近开关作为水果运动状况检测传感器,用于检测水果位置和触发动态图像采集.群体水果动态图像采集软件在Visual C++6.0环境下结合MIL-LITE函数库实现.根据水果实时自动检测和分级的特点及功能要求,提出了群体水果动态图像的时间序列连续场扫描采集方法,在来自于水果运动状况检测传感器的外触发信号的触发下,计算机视觉系统采集从时间t1到时间tn期间视场内连续运动的水果图像,这些渐进的时间序列水果图像在计算机内被综合后即可检测视场内的每一个水果的外观品质指标,用于分级控制.试验结果表明,该系统可在外界输入信号的触发下,以每秒12帧的速率实时采集群体水果的动态图像,研究结果达到了预期的目标.     

基于机器视觉的小麦种子活力检测方法

种子发芽试验是种子检测的重要环节.传统的发芽检测采用人工检测方式,存在费时费力、且受人为主观因素影响较大等问题.以小麦种子为研究对象,设计一种小麦种子垂直发芽装置,基于形态学分析设计了种子发芽点检测方法,借助芽点位置对胚根、胚芽长度进行检测,实现种子发芽快速判别.通过7d的发芽试验计算小麦种子的发芽率、发芽指数、平均发芽指数,与人工检测结果进行对比,该方法测定的小麦种子发芽率的准确率达100％,发芽指数、平均发芽指数误差分别为1.68％、2.40％.该装置和方法实现了种子活力参数的检测分析,为农作物种子快速检测提供了研究基础.     

机器视觉技术在农产品检测中的应用研究

机器视觉技术在农产品检测领域得到了广泛的应用,并随着相关技术的不断成熟和发展,机器视觉在农产品检测领域中的应用必将对传统检测模式产生巨大影响。本文分析了机器视觉技术在农产品检测中的应用现状,提出了应用中出现的问题,并为未来的研究方向进行了初步的探讨。     

水果图像的背景分割和边缘检测技术研究

根据区域阈值法分别对所采集的彩色图像的红、绿、蓝三帧图像进行背景分割,发现在B 分量灰度直方图中利用双峰法选择阈值进行背景分割的效果最好;利用多种微分算子提取水果图像的阶跃性边缘,并用Hilditch 细线化方法对已提取边缘的图像进行了细线化处理,获得了较好的边缘提取和细化处理效果;所研究的背景分割和边缘检测技术的处理效果可以满足进一步进行水果的尺寸、果梗、形状和表面缺陷等检测的要求     

基于机器视觉的山核桃等级检测技术

提出了一种基于机器视觉的山核桃等级检测方法。在对山核桃形状充分理解的基础上,采用CCD相机获取其数字图像,通过数学形态学的方法,提取山核桃图像的横径、果长、大小等特征。结合山核桃的几何尺寸建立数学模型。根据山核桃从业人员建议,对这些特征赋予一定的权重,建立综合等级评价标准,据此来综合评定山核桃的等级。试验结果表明,该分级方法较机器筛选法更客观、合理,分级结果更符合人们的消费心理和视觉习惯。     

水果图像的背景分割和边缘检测技术研究

根据区域阈值法分别对所采集的彩色图像的红、绿、蓝三帧图像进行背景分割,发现在B分量灰度直方图中利用双峰法选择阈值进行背景分割的效果最好;利用多种微分算子提取水果图像的阶跃性边缘,并用Hilditch细线化方法对已提取边缘的图像进行了细线化处理,获得了较好的边缘提取和细化处理效果;所研究的背景分割和边缘检测技术的处理效果可以满足进一步进行水果的尺寸、果梗、形状和表面缺陷等检测的要求。     

基于机器视觉的茶叶等级区分

提出利用机器视觉和matlab图像处理技术来区分茶叶的等级。以4个等级的绿茶为实验对象,通过提取不同等级茶叶的图像形状特征参数,采用多类逐步分析法进行特征优化并建立区分模型,实现了室内条件下茶叶等级的区分,正确率达81.25%。     

基于机器视觉的智能种子分选机设计

针对目前市场上种子分选装置多以传统机械式、半自动式为主,智能化程度不高、分拣准确率较低的问题,基于机器视觉技术设计一种智能种子分选机,主要由传输系统、供料系统、图像采集系统、种子筛选系统和控制系统五大部分构成。以‘郑丹958’玉米种子为研究对象,以种子气流下斜抛的水平距离和传送带传输速度为寻优条件进行试验,确定最优气泵压力值和控制器脉冲频率。对960个种子样本（优质、劣质种子分别为824和136 个）通过目标检测模型进行质量识别,判别种子质量,对种子状态进行标注框选和坐标记录。使用PLC（SIMATIC S7-200 CN,CPU224XP）分选模块控制直动式电磁阀组,对种子进行分选试验。结果表明：1）最优组合气泵压力值为0.3 MPa,控制器脉冲频率为3 175 Hz。2）优质、劣质种子识别率分别为93.69%和91.91%,种子分选率为89.6%。该分选机能够有效满足种子分选要求。     

基于机器视觉的大豆细菌斑点病粒检测

文章基于机器视觉,通过图像获取系统得到大豆的表面颜色特征,应用SAS对大豆表面颜色特征进行LOGISTIC回归后,应用BP神经网络对大豆进行标准粒与细菌斑点病粒的分类。经过网络训练后,选用收敛效果好的网络对数据进行仿真预测,共计160粒,其中标准大豆80粒,细菌斑点病80粒。得到的测试识别率为:标准大豆96.3%、大豆菌斑粒98.8%。本研究为大豆菌斑粒的在线识别提供了一定的依据,有利于实现大豆的在线缺陷粒检测。     

机器视觉技术在稻米外观品质检测中的应用与展望

文章主要介绍了机器视觉技术在稻米外观品质(爆腰、垩白、留胚率和颜色)检测,以及稻米的碾磨精度、破损率、异形米和直链淀粉检测中的应用。针对现阶段机器视觉技术在稻米检测中的不足,对其进一步的应用提出展望。     

基于机器视觉的穴盘幼苗识别与定位研究

【目的】设计一套机器视觉系统,用于实时测量各穴孔中幼苗叶片面积、判断是否适合移栽作业、确定适合移栽幼苗的抓取位置,为实现穴盘幼苗自动移栽作业奠定基础。【方法】用CCD数字摄像机采集番茄幼苗图像,转换成灰度图像,将幼苗与背景分割得到二值图像,去噪处理后,通过计算每个穴孔中幼苗叶片的面积来确定适合移栽的单元,并用形心法确定机械手抓取位置。【结果】采用1.8G-1.5R-1.8B灰度化因子、Otsu法分割幼苗与背景图像效果较好;采用单连通区域法统计幼苗叶片面积,经修正后相对误差小于1.0%,相对误差值平均下降了87.6%。【结论】设计的机器视觉系统具有较高的测量精度,能够满足穴盘幼苗自动移栽作业要求。     

基于机器视觉的苹果果袋检测方法

针对机械手摘除苹果果袋时的图像识别问题,提出了一种通过转换颜色空间的分割算法:将RGB颜色空间的图像转换到L*a*b*颜色空间,进行自适应阈值分割、去噪、面积提取等处理后,获得果袋分割后的图像,并计算出果袋的重心坐标。实验结果表明,当果袋遮挡面积不大于果袋总面积的25%时,重心坐标水平方向误差≤10.5 mm,垂直方向误差≤8.8 mm,满足机械手进行果袋摘除的定位要求。利用该方法进行果袋图像分割可解决光照强度对图像检测影响的问题。     

基于机器视觉的稻田灌溉用水铜离子浓度检测

为实时、快速地监测稻田灌溉用水的质量,确保粮食生产安全,提出了基于机器视觉的稻田灌溉用水铜离子浓度检测方法.利用搭建的机器视觉检测试验装置,设计了不同浓度铜离子溶液的机器视觉检测试验,通过提取试纸图像的特征值,运用指数回归、对数回归、2阶多项式回归和线性回归等方法建立铜离子浓度的预测模型,减少了人为认知对检测结果的影响.试验结果表明,在0～300 mg/L范围内,基于机器视觉的试纸检测水中铜的方法训练集和预测集的相关系数分别达到0.9438和0.9191,均方根误差分别为19.9563、9.7889 mg/L,误差控制在8％以下,基本上达到了对稻田灌溉用水进行实时快速检测的要求,为进一步开发实用的稻田灌溉用水监测设备提供了依据.     

基于机器视觉的温室作物行间杂草的识别

根据温室行间植物的位置特征,应用空域中值滤波对图像进行预处理,然后运用色度法和最大方差自动取阈值法对图像处理,最后应用种子填充法将杂草和作物进行分割。结果表明,机器视觉技术在对温室杂草的识别方面具有一定的优越性。