鸭蛋大小等级模型研究

应用机器视觉 ,研究出鸭蛋大小自动分级模型。鸭蛋的面积尺寸是鸭蛋大小分级的重要依据 ,鸭蛋的重量与所成像的像素面积成正比。鸭蛋大小等级模型具有显著性和可靠性 ,鸭蛋大小的检测误差在± 3g之间 ,能够满足生产的需要     

鸭蛋动态图像预处理和获取颜色特征参数的算法

研究了动态鸭蛋图像预处理及图像颜色特征参数的提取算法。其中预处理包括去图像边缘毛刺和蛋壳污点信息；提取鸭蛋图像颜色特征参数需要通过鸭蛋轮廓识别和圆形搜索算法实现，对于鸭蛋图像的轮廓识别是以彩色图像的红色分量R来判定图像边界点，并以此计算出鸭蛋图像蛋内像素和，用圆形搜索法求出蛋芯颜色特征区域并提取图像特征颜色参数。试验结果表明，通过该算法，得到的蛋重模型相关性达到0．95，建立的颜色模型相关性达到0．92。     

基于机器视觉的小粒咖啡豆的检测技术

设计搭建了基于机器视觉的小粒咖啡豆检测分级系统,系统由进料部、匀料筛分部、色选部、气动部、收料部以及电控箱组成。开发了基于OpenCV和visual studio的系统分析与控制软件,实现咖啡豆果径宽度和烘焙程度的检测分级。基于Blob分析方法对小粒咖啡生豆进行图像分割,利用最小外接矩形方法对果径宽度进行特征提取,采用HSV颜色空间模型提取小粒咖啡豆的颜色特征值,最终将小粒咖啡生豆分为5个等级,将烘焙程度分为浅度、中度、深度3个程度。系统运行验证试验结果表明,对小粒咖啡生豆的果径宽度检测的平均误差为1.275%,烘焙程度检测的准确率为88.9%。     

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%。     

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。     

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%。     

基于机器视觉的烟尘在线监测的研究

针对目前烟尘浓度测量方法中存在取样难、精度低等问题, 提出了一种基于机器视觉的在线监测烟尘排放及分析烟尘排放浓度的方法. 文章应用机器视觉理论, 采用了边缘检测和阈值分析算法对烟尘图像进行特征提取和图像分析, 通过现场实验表明: 该烟尘浓度检测算法正确, 能有效提高检测精度, 实时得到烟尘排放浓度.     

基于机器视觉的烟尘在线监测的研究

针对目前烟尘浓度测量方法中存在取样难、精度低等问题,提出了一种基于机器视觉的在线监测烟尘排放及分析烟尘排放浓度的方法．文章应用机器视觉理论,采用了边缘检测和阈值分析算法对烟尘图像进行特征提取和图像分析,通过现场实验表明,该烟尘浓度检测算法正确,能有效提高检测精度,实时得到烟尘排放浓度．     

基于梅尔谱图和改进ResNet34模型的鸭蛋裂纹识别算法

针对鸭蛋裂纹人工检测受主观性影响造成精度波动大等问题,利用ResNet34网络模型,提出1种基于梅尔谱图的鸭蛋裂纹识别算法。首先利用敲蛋装置收集敲蛋声音数据,再将音频转化成梅尔谱图,构建梅尔谱图数据集,然后搭建ResNet34模型,引入迁移学习机制训练模型,再通过Adam优化算法更新梯度,增加注意力机制模块并将卷积结构替换为深度可分离卷积以对网络模型进行改进,并调整参数进行优化,最后利用模型对鸭蛋裂纹进行识别。结果显示：改进的ResNet34DP＿CA网络模型检测的平均准确率为92.4%,对比原始ResNet34网络模型,平均准确率提高5.5个百分点,参数量减少32%;对比其他网络模型VGG16、MobileNetv2和EfficientNet,平均准确率分别提高10.9、13.7、16.3个百分点,识别时间为21.5 ms。结果表明,所提出的基于梅尔谱图和改进ResNet34模型的鸭蛋裂纹识别算法,能够有效地对鸭蛋裂纹进行检测识别。     

基于机器视觉的氨基甲酸酯类农残的检测

随着中国农业飞速发展,通过机器视觉技术处理农产品主要农残快检,以达到智能检测的目的,也为提高农产品主要农残检测效率及准确度提供了新途径[1]。而图像处理就是其中一个重要研究内容,在检测反应试纸图像中提取反应区域,剔除不必要的背景及干扰区域,从而突出所研究的部分,在现实检测中,快速有效的图像处理是农产品主要农残快检的前提及必要条件。     

基于DSP的鸡蛋破损检测方法

通过分析受敲击鸡蛋的声音功率谱图而确定出特征参数：共振峰对应的模拟量频率值、功率谱面积、高频段额外峰功率谱幅值和第32点前后频段功率谱面积的比值,并通过Bayes理论建立鸡蛋破损判别模型。然后采用DSP鸡蛋破损检测系统,进行鸡蛋破损检测的试验。检测结果表明,此系统判别精度高,方法可行。     

绿壳鸭蛋品质与蛋壳色素分析

测定了山麻鸭和飞鸭绿壳蛋的蛋壳色素和蛋品质.结果表明,飞鸭蛋明显重于山麻鸭蛋(P＜0.05),而且蛋壳强度差异极显著(P＜0.01);山麻鸭蛋的蛋黄颜色深于飞鸭蛋,差异极显著(P＜0.01).两种鸭蛋壳色素提取物的吸收光谱基本一致,其最大吸收峰为412 nm,其次分别为380和680 nm.蛋壳色素的主要成分是胆绿素和原卟啉,山麻鸭与飞鸭绿壳蛋蛋壳中胆绿素含量分别是原卟啉的4.08倍与5.11倍,差异极显著(P＜0.01).     

基于计算机视觉的大米外观品质检测

提出了利用计算机视觉系统代替人眼对黄粒米、粒型等大米外观品质参数进行自动检测的方法，以适应农业工程中的自动化的要求。为了验证检测方法的可行性，采用了MATLAB软件开发平台来构造基于计算机视觉的大米外观品质检测算法。在对不同的大米图像处理的基础上，完成了对大米的黄粒米、粒型等的测定。实验结果表明，本算法及程序设计是有效可靠的。     

基于声学响应和BP神经网络检测鸡蛋裂纹

为了提高鸡蛋裂纹检测的准确性,建立了声学敲击检测鸡蛋裂纹的装置,采集和分析鸡蛋被敲击后的声音信号。提取了4个特征频率、偏斜度平均值和峰度平均值共6个特征参数,并作为神经网络的输入量,创建了基于MATLAB的结构为6-15-2的3层BP神经网络模型判别鸡蛋裂纹。检测结果显示:对蛋壳受各种程度破坏后的鸡蛋判别精度可达92%以上,对蛋壳完整的鸡蛋判别精度达到96%,对鸡蛋总体的判别精度可达94%。     

鸭胚胎代用蛋壳培养的研究

采用两种方法进行了鸭胚胎代用蛋壳培养,旨在提高出雏率。方法Ⅰ将新鲜种蛋的胚胎转移至代用蛋壳Ⅰ内培养,72h后转移至代用蛋壳Ⅱ内培养至出雏。方法Ⅱ将正常孵化72h后的胚胎转移至代用蛋壳Ⅱ后培养至出雏。方法Ⅰ组出雏率为19.2%(10/52);方法Ⅱ组出雏率为40.4%(21/52)。从第6天到出雏同一日龄胚胎存活率方法Ⅰ组显著低于方法Ⅱ组和对照组(P<0.05或P<0.01)。第16天到出雏同一日龄胚胎存活率方法Ⅱ组显著低于对照组(P<0.01)。结果表明方法Ⅰ和方法Ⅱ两种方法均能获得雏鸭,方法Ⅱ优于方法Ⅰ。     

基于Adaboosting_SVM算法的多特征蛋壳裂纹识别

以无裂纹蛋和裂纹蛋为测试对象,采用机器视觉技术和支持向量机等技术手段,分析无裂纹蛋和裂纹蛋在图像上的差异,提取特征参数,实现蛋壳裂纹的自动识别;针对蛋壳表面的亮斑,对预处理后的图像运行消除亮斑算法并进行区域标记。在此基础上,从5个不同视角提取13个能够表征无裂纹蛋和裂纹蛋的特征参数,分别是图像标记区域参数(区域标记数和标记点数)、几何特征参数(长轴和短轴)、基于Freeman链码的形状参数(形状数)、纹理特征参数(均值、标准偏差、平滑度、三阶矩、一致性、熵)和频谱特性参数(最大幅值和最大相位)。采用Adaboosting算子对上述特征参数进行优化,突出影响因子较大的参数组合,作为SVM的输入向量,建立蛋壳裂纹的识别模型。结果表明:该方法对蛋壳表面的亮斑、微小裂纹及普通裂纹均具有识别能力,模型正确率达97.5%,符合蛋品企业对蛋壳裂纹检测的精度要求。     

鸡蛋与鸭蛋的蛋壳力学特性、超微结构及蛋壳组分的比较

【目的】通过比较研究鸡蛋与鸭蛋的蛋壳力学特性、超微结构和蛋壳组分的异同,为精准调控鸭蛋蛋壳品质提供科学依据。【方法】试验选用45周龄海兰灰蛋鸡和龙岩山麻鸭所产蛋,选取平均蛋重接近生理蛋重的鸡蛋和鸭蛋各160枚,随机分为2个组,每组8个重复,每个重复20枚蛋。蛋鸡和蛋鸭均饲喂玉米-豆粕型饲粮,营养水平参照国家标准配制。采用蛋壳强度仪测定蛋壳强度,数显千分尺测定蛋壳膜和钙化蛋壳的厚度,计算蛋壳比例和韧性。采用扫描电子显微镜观察蛋壳的超微结构,测定蛋壳有效厚度、乳突厚度和宽度,计算总厚度、有效层和乳突层比例。观察蛋壳乳突结构,对乳突结构的变异程度进行评分。蛋壳粉碎提取后,采用考马斯亮蓝方法测定基质蛋白含量,微波消解后,参照国标方法,测定蛋壳中钙、磷、镁、锰、铜、锌含量。【结果】与鸡蛋相比,鸭蛋的蛋重和蛋壳重更大（P<0.01）,蛋壳比例无显著差异（P>0.05）;蛋壳强度、韧性和蛋壳膜厚度更大（P <0.01）,钙化层厚度（不含壳膜）无显著差异（P>0.05）。超微结构中,鸭蛋壳的乳突厚度和单位乳突个数均显著低于鸡蛋壳（P<0.01）,乳突宽度和乳突层比例显著高于鸡蛋壳（P<0.01）;蛋壳总厚度和有效厚度无显著差异（P>0.05）,鸭蛋壳有效层比例显著高于鸡蛋壳（P<0.001）。乳突结构中,鸭蛋壳的乳突密度、B型和A型乳突、乳突的霰石、袖口和凹陷结构的评分均无显著差异（P>0.05）,鸭蛋壳乳突的帽子结构、汇流程度、早期融合、晚期融合的评分及乳突结构的总评分显著低于鸡蛋壳（P<0.05）,表明鸡蛋壳较鸭蛋壳有较为频繁的乳突结构变异,鸭蛋壳帽子结构上沟壑状痕迹较鸡蛋壳更为深刻清晰,具有较为广泛的早期融合,乳突层与壳膜纤维间的结合更致密。鸭蛋壳中磷、铜和锰的含量更高（P<0.05）,但镁和基质蛋白含量较低（P<0.001）,钙和锌含量无显著差异（P>0.05）。【结论】鸡蛋和鸭蛋具有相似的力学特性和超微结构,蛋壳比例、钙化层厚度、蛋壳中钙和锌的含量无差异。与鸡蛋壳相比,鸭蛋蛋壳力学特性较好,蛋壳强度和韧性较高,主要与鸭蛋壳具有较致密的超微结构和乳突结构有关,鸭蛋壳的有效厚度高、乳突排列更平整,具有较为广泛的早期融合,相邻乳突单元间致密性更好;蛋壳组分中磷、铜和锰含量高,镁和基质蛋白含量低。可通过调控蛋壳矿物元素及基质蛋白含量,影响蛋壳形成过程尤其是乳突和栅栏层中碳酸钙的沉积,增加蛋壳有效层的厚度,改善乳突层结构,从而改善鸭蛋的蛋壳品质。     

禽蛋蛋壳品质无损检测方法研究进展

禽蛋蛋壳品质对于新鲜蛋、种蛋及蛋制品均是重要参数,而实现蛋壳品质的智能化检测是禽蛋生产、经营和加工过程中的必要环节,不仅可保证禽蛋的品质、提高禽蛋的利用率,也是实现禽蛋商品初加工处理自动化和规模化的前提条件,具有实际价值和现实意义。综述了红外光谱技术、机器视觉技术和敲击振动分析技术在禽蛋蛋壳品质无损检测的研究进展,从实际应用角度分析各项技术所存在的问题和难点,并对蛋壳品质在线检测的应用前景进行了展望。     

基于计算机视觉的水稻叶部病害识别研究

【目的】文章重点分析了病健交界特征参数、病害识别流程对提高病害识别准确率的影响。实现水稻叶部15种主要病害的准确识别,尤其是相似病害的判断。【方法】（1）病斑图像获取：水稻叶部病害图像来源包括水稻大田、病害图册和病害数据库,文中选用改进的mean shift图像分割算法提取病叶图像中的病斑并根据相关方程获取病斑特征信息。（2）特征参数的选择与设计：首先选取一至三阶颜色矩和颜色直方图作为病害的颜色特征参数,选取球状性、偏心率和不变矩作为病斑的形状特征参数,选取角二阶矩、对比度和相关作为病斑的纹理特征参数;然后针对相似病斑误报率高的问题提出一种病健交界特征参数,通过病斑内部、边缘和外围颜色上的差异描述该特征,并根据3个区域相互间归一化颜色直方图的欧氏距离计算该项特征参数,该参数可以用于描述病斑与健康部分交界处的特征。（3）病害识别流程的设计：根据病害在颜色、形状、纹理、病健交界4个特征上差异的显著程度设计完成病害识别流程,流程中首先通过颜色特征识别病害,对于通过颜色特征无法识别的病害再通过形态特征识别,倘若形态特征依然无法识别则通过纹理和病健交界特征进行最终识别。（4）病害识别模型的建立：将病害数据分成两部分,一部分用于建立模型,另一部分用于模型的验证;利用LibSVM程序包完成建模,其中svmtrain函数用于建立支持向量机模型,Grid程序用于优化参数,svmpredict函数用于对模型进行验证。【结果】15种水稻叶部病斑可以从复杂的背景中分割出来,并可快速准确的被识别,平均识别准确率为92.67%,平均漏报率为7.00%,最大漏报率和误报率分别为15.00%和25.00%;病健交界特征参数引入后,识别准确率提高了14.00%,平均漏报率降低了7.50%,漏报率最大降幅为20.00%,误报率最大降幅为65.00%;与用所有特征参数直接进行病害识别相比,采用本文提出的识别流程进行病害识别的准确率提高了12.67%,漏报率降低了9.33%,一些病害的漏报率和误报率降幅达30.00%以上;在识别流程各步骤中,颜色特征识别环节的平均准确率为96.71%,漏报率和误报率均未超过10.00%;形态特征识别环节的平均准确率为94.17%,漏报率和误报率均未超过15.00%;纹理和病健交界特征识别环节的平均准确率为91.50%,漏报率和误报率均未超过25.00%。【结论】利用mean shift图像分割算法可以准确分割水稻叶部病斑;基于支持向量机模型的分类方法可以对15种水稻病斑准确分类;论文中提出的病健交界特征参数以及病斑识别流程均提高了病斑的识别准确率;病健交界特征参数对提高一些相似病害的识别精度效果显著;将这些方法相结合可以有效对水稻常见叶部病害进行识别,为水稻病害的田间智能诊断提供技术支撑。