苹果果梗和表面缺陷的计算机视觉检测方法研究

研究了苹果果梗与果体的识别方法和果面缺陷的查找方法.根据苹果果梗的特性,提出用分块扫描判断果梗是否存在;分析了苹果的坏损表面与非坏损表面的不同反射特性,以及不同灰度值象素点数的统计特性,找出坏损区域,并从中区分出果梗和果萼.对1 5幅无果梗的图象判断准确率为100%,对90幅果梗完好图象的准确率为88%.试验证明该方法对坏损的检测是有效的.     

基于计算机视觉的实木表面智能化分选系统设计

设计一种集实木传送、图像定位与采集、实木板材表面识别与分选的智能系统,系统通过传送带运送实木板材,CCD摄像头获取板材图像,在触摸屏工控机TPC700-9190T上应用MFC与OpenCV编写分选程序对板材图像进行分析,识别结果通过STM32单片机控制电磁阀完成实木板材的分类。在图像定位与识别算法中,采用积分投影算法确定板材边界,动态采集板材表面图像;在颜色分类方面,利用L*a*b*空间颜色分量的均值、方差和斜度3个低阶矩表达颜色;在缺陷检测方面,提出了基于纹理填充的缺陷分割方法,通过获取纹理掩膜图像,然后利用板材背景颜色淡化纹理,最后应用加权阈值法完成缺陷分割,分割后计算缺陷面积、边缘灰度均值、内部灰度均值和长宽比等特征表达缺陷信息;在纹理识别方面,提出了基于Contourlet变换的纹理特征提取方法,通过对纹理图像进行Contourlet变换3层分解,得到1个低频子带、6个中频子带和8个高频子带,分别计算低频和中频系数矩阵的均值和方差,并与高频系数矩阵的能量组成22个特征表达纹理信息;最后设计SVM分类器,分别对颜色、缺陷和纹理进行识别。采用300个柞木样本进行实验,板材传送速度在小于1.5 m/s范围内,颜色识别准确率为100%;活节、死结和裂纹识别准确率分别为92.2%、95.6%和93.3%;直纹、弯纹识别准确率分别为93.9%、92.8%。实验结果表明,分选系统具有实时、高效、准确的特点。      

计算机视觉技术识别水果缺陷的一种新方法

利用计算机视觉技术识别水果表面缺陷，提出了分割缺陷和识别缺陷的新方法。该方法考虑了水果的形状特点，使不同灰度级的缺陷一次分割成功。在识别过程中利用水果的三维空间特征，实现了缺陷与果梗、花萼的区分。试验结果表明，该方法检测速度快，正确率高，能够满足计算机视觉进行在线检测的要求。     

基于计算机视觉的香梨损伤自动检测与分类研究

为了提高香梨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、人工神经网络技术,实现香梨损伤的自动检测与分类。首先,通过计算机视觉系统获取香梨图像,利用图像处理去除噪声、图像分割,归一化等多种基本图像处理的方法对香梨损伤图像进行了处理。通过提取三种特征及八个特征参数,采用BP算法训练的多层前向人工神经网络对香梨的损伤进行分类。并对结果进行分析,另外研究了香梨缺陷果和正常果的分类。     

基于机器视觉印品缺陷检测的滤波算法

彩色印刷品是经过多色印刷后形成的，各色之间不可避免地存在一定程度的套印位置偏差等工艺缺陷．针对这个问题，提出了一种从印刷品差分图像中滤掉边缘噪声的算法．基于印刷工艺因素的影响及标准图像的自身结构特征，设计了滤波算法由图像乘、全局亮度门限和腐蚀／膨胀等部分组成．实验证明该算法能有效地降低边缘噪声。     

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。     

基于计算机视觉的花生品质分级检测研究

【目的】建立能够对花生进行品质分级的计算机视觉无损检测方法。【方法】同步拍摄和扫描11类品质,每类品质100颗和100宗,每宗100颗不同等级的花生籽粒的正反面图像;参照国家标准量化花生品质籽粒的11个限制性检测项目,设计花生规格和品质等级的判别方法;测量每个籽粒的形态、纹理、颜色共3大类54个外观特征,采用主分量分析(PCA)进行特征优化,构建并比较BP神经网络(ANN)和支持向量机(SVM)品质检测模型;分别应用Matlab和Spss工具软件实现检测过程和对结果进行统计分析。【结果】前16个主分量的SVM模型,能够鉴别95%以上的不完善粒、霉变、杂质、异品种等不同品质的籽粒,与人工检测结果吻合度达到了93%,对100宗待检样品进行检测,规格和等级检测完全正确率达到了92%。【结论】研究结果为花生的品质分级检测提供了比较系统全面的量化标准和检测方法,该方法可推广应用于花生品质鉴别、分级筛选加工和商品分级定价等领域。     

基于表面缺陷识别的猕猴桃分级方法

针对中国猕猴桃分级方法单一、分级成本高等问题,提出了一种基于猕猴桃表面缺陷的分级方法.搭建了一套猕猴桃图像采集系统,运用K-means聚类分割算法对其表面缺陷进行分割,再通过颜色对比判断是否为残次果;随后提取正常果的形状特征并设计了SVM分类器进一步判断其所属等级.该方法具有成本低、算法简单、运行高效等优势,为水果分级...     

基于遗传神经网络的苹果综合分级系统

充分利用计算机视觉和人工神经网络技术 ,建立了一个苹果综合外观品质检测与分级系统 ,实现了对苹果的正确分级 ,正确识别率可达 90 .8%。还借助于遗传算法对 BP网络进行设计 ,提高了其学习速度。     

基于改进YOLOv7的苹果表面缺陷轻量化检测算法

针对如何提高苹果表面缺陷的检测速度和精度,解决模型内存占比大的问题,提出一种基于改进YOLOv7的苹果表面缺陷轻量化检测算法。首先引入GhostNetV2作为YOLOv7网络的backbone,有效降低了模型复杂度,提高了检测速度。并引入SimAM无参注意力机制,以强化不同深度的特征信息。使用双向加权特征金字塔结构BiFPN进行加权特征融合,进一步提升苹果表面缺陷的检测精度。最后采用ECIOU损失函数来计算边界框损失,进一步提高模型收敛速度和整体性能。结果表明,改进YOLOv7模型在苹果表面缺陷检测上mAP@0.5较原YOLOv7网络提高2.0百分点,准确率和召回率也分别提升了1.7、3.9百分点,模型减小20.8 MB,速度提升36.43帧/s。其综合性能也优于SSD、CenterNet等主流算法,可实现对苹果表面缺陷的快速准确诊断。     

一种基于混合纹理特征的木板材表面缺陷检测方法

利用计算机视觉技术检测木板材表面缺陷。提出了一种基于混合纹理特征的表面缺陷检测算法,能准确、鲁棒地检测出木板材表面图像中是否有缺陷。首先,分别使用灰度共生矩阵方法、Gabor滤波方法和几何不变矩方法提取了10个优化后的图像纹理及尺度、平移、旋转不变特征;然后,对特征向量进行有效组合;最后,基于融合后的混合纹理特征向量,应用BP人工神经网络对样本集进行训练和检测。实验表明,该方法能准确地对木板材表面缺陷进行检测,平均检测成功率达96.2%。     

灰度直方图在木材表面缺陷检测中的应用

提出了一种基于灰度直方图检测木板材表面缺陷的方法。对图像以4×4像素块作25级灰度直方图分析,根据灰度直方图统计中是否有颜色突变来判别木板材是否存在缺陷。缺陷图片在直方图中表现出双峰特征,利用次波峰确定缺陷部位,但判别时应排除杂色与纹理因素的干扰。比较次波峰与主波峰的值来消除木材杂色所产生的影响,即当差值大于1/10时,次波峰代表缺陷颜色。与此同时,借助于直方图修正排除纹理因素造成的干扰。该方法能有效地识别缺陷图像与正常图像。     

3种苹果潜隐性病毒一步多重RT-PCR检测体系的优化

为建立更为快速准确的苹果潜隐性病毒检测方法,以携带苹果茎沟病毒(ASGV)、苹果褪绿叶斑病毒(ACLSV)和苹果茎痘病毒(ASPV)的田间苹果成龄树为试材,设计合成了扩增目的片段为273 bp(ASGV)、358bp(ACLSV)和432 bp(ASPV)的3对特异性引物,并对影响RT-PCR体系的主要参数进行试验优化.结果表明:建立的一步多重RT-PCR体系可以实现对3种主要潜隐性病毒的特异性检测;通过对田间多个样品的检测验证,表明该方法的准确性和灵敏度都很高,并缩短了单个样品的检测时间,极大地提高了工作效率.     

苹果分选机输送定位机构的设计

针对国内外苹果分选机在利用计算机图像识别系统进行苹果分级时，需要对每个苹果采集多帧图片，不仅耗时长，而且对梗萼凹陷与苹果真实缺陷易于混淆而影响分级精度的问题，设计了一种苹果分选机输送定位机构。该机构在系统进行图像采集之前，首先实现果梗垂直于水平面的定位，苹果平动输送过程中计算机视觉系统进行苹果图像采集和处理。由于在图像处理时无需再对梗萼凹陷进行识别，并简化了最大直径的确定过程，从而减少了图像处理时间。并可提高识别精度。试验结果表明，该定位机构对每个苹果的定位耗时多在4S之内完成，定位成功率达94％，可满足苹果在线实时检测的需求。     

基于高光谱成像的猕猴桃表面疤痕无损识别

为实现猕猴桃表面疤痕的快速无损识别,以贵长猕猴桃为研究对象,采用高光谱图像采集系统(400~1 000 nm)采集完好无损猕猴桃和表面有疤痕猕猴桃的高光谱图像。对采集到的高光谱图像进行了最小噪声分离变换,结合阈值分割及数学形态学处理方法提出了猕猴桃表面疤痕的识别方法。结果表明:采用最小噪声分离变换可有效地消除高光谱图像中的噪声;完好无损和表面有疤痕的猕猴桃样本在700~810 nm以及810~1 000 nm的光谱反射率值具有明显的差异,选取785.98 nm处的光谱反射率值为0.30~0.56以及982.59 nm处的光谱反射率值为0.54~0.73作为区分猕猴桃正常区域和表面疤痕区域的阈值条件,进一步利用阈值分割方法对60个完好无损的和60个表面有疤痕的猕猴桃进行识别,正确识别率分别为98.3%和95.0%,说明高光谱成像技术可用于猕猴桃表面疤痕的快速无损识别。     

基于CNN-Transformer的视觉缺陷柑橘分选方法

针对产线分拣缺陷柑橘费时费力等问题,以柑橘加工生产线输送机上随机旋转的柑橘果实为研究对象,开发了一种基于卷积神经网络（CNN）的检测算法Mobile-citrus,用于检测和暂时分类缺陷果实,并采用Tracker-citrus跟踪算法来记录其路径上的分类信息,通过跟踪的历史信息识别柑橘的真实类别。结果显示,跟踪精度达到98.4%,分类精度达到92.8%。同时还应用基于Transformer的轨迹预测算法对果实的未来路径进行了预测,平均轨迹预测误差达到最低2.98个像素,可用于指导机器人手臂分选缺陷柑橘。试验结果表明,所提出的基于CNN-Transformer的缺陷柑橘视觉分选系统,可直接应用在柑橘加工生产线上实现快速在线分选。     

基于改进C-V模型的木材表面缺陷图像分割

木材表面缺陷会严重影响木材的质量、性能和使用价值,对木材表面缺陷分割检测有利于提高木材的利用率,节约现有木材资源,缓解森林资源短缺的压力。针对传统的C-V(Chan-Vese)模型算法不能分割灰度不均匀图像的缺点,本文采用C-V模型与形态学结合的方法与传统的C-V模型算法进行对比试验。与此同时,根据C-V模型和C-V模型结合形态学方法的不足之处,在C-V模型基础上,引入局部拟合函数和高斯核函数,提出了一种基于C-V模型的改进算法,能够有效地克服C-V模型的不足。通过对木材表面缺陷图像分别采用传统C-V模型算法、C-V模型与形态学结合的方法和改进的C-V模型算法进行多组针对单一目标的木材表面缺陷图像的对比试验。结果表明:C-V模型能够将虫眼和活节缺陷图像分割出来,但是对纹理干扰强烈的死节缺陷图像分割困难;运用C-V模型与形态学结合的方法,可以有效地消除分割结果中的细小空洞和噪声,但是仍无法抵抗死节缺陷图像中木材自身纹理的干扰,难以将死节缺陷完整地分割出来;改进的C-V模型算法对木材表面缺陷图像的分割能够减少迭代次数,缩短分割时间,使分割轮廓线更加光滑和完整。通过采用改进C-V模型算法对多目标木材表面缺陷图像进行试验,能够更好地验证改进算法的优越性、有效性和可行性。      

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。     

A new vision-based approach to differential spraying in precision agriculture

One of the objectives of precision agriculture is to minimize the volume of herbicides by using site-specific weed management systems. To reach this goal, two major factors need to be considered: (1) the similarity of spectral signatures, shapes, and textures between weeds and crops and (2) irregular distribution of weeds within the crop. This paper outlines an automatic computer vision method for detecting Avena sterilis, a noxious weed growing in cereal crops, and differential spraying to control the weed. The proposed method determines the quantity and distribution of weeds in the crop fields and applies a decision-making strategy for selective spraying, which forms the main focus of the paper. The method consists of two stages: image segmentation and decision-making. The image segmentation process extracts cells from the image as the low-level units. The quantity and distribution of weeds in the cell are mapped as area and structural based attributes, respectively. From these attributes, a multicriteria decision-making approach under a fuzzy context allows us to decide whether any given cell needs to be sprayed. The method was compared with other existing strategies.