基于多模型证据融合的苹果分类方法

水果内部品质是水果分类的重要依据之一,利用近红外光谱技术对苹果内部品质进行快速无损检测研究有着非常重要的意义。为提高近红外技术分类模型的预测精度,针对单一预测模型适用性差以及硬分割导致分类不确定性等问题,该研究以烟台红富士苹果为研究对象,利用自行研发的水果在线无损检测系统采集苹果近红外光谱以及可溶性固形物含量 (Soluble Solids Content, SSC),分别采用偏最小二乘（Partial Least Squares, PLS）和极限学习机（Extreme Learning Machine, ELM）法建立苹果预测分类模型,根据SSC的预测值与分类边界的距离提出三角形质量函数生成方法,通过证据理论的Dempster组合规则融合质量函数从而实现2种模型的融合,并探讨基于三角形质量函数的证据理论融合模型对预测精度的影响。研究结果表明：PLS分类模型的准确率为92.25%,ELM分类模型的准确率为 93.80%,而提出多模型融合方法的分类准确率达到了95.35%。而且,该研究提出的三角形质量函数生成法与硬分割生成的质量函数相比方法更符合实际,通过PLS、ELM模型和DS融合模型的混淆矩阵可以看出,融合模型实现了苹果SSC处于分类边界值时的准确分类,三类苹果被错误分类的个数均有减小。该研究提出的多模型证据融合方法不仅提高了模型的预测精度,而且更好地表达了关于类标预测的不确定性,为苹果的在线无损检测分类提供研究基础。     

基于模糊集理论的苹果表面阴影去除方法

为了提高阴影影响下的苹果目标提取精度,该文提出了一种基于模糊集理论的苹果表面阴影去除方法。该方法将含阴影图像作为一个模糊矩阵,利用所设计的隶属函数进行图像去模糊化处理,达到图像增强的目的,进而削弱苹果表面阴影对目标分割的影响。为了验证算法的有效性,采用基于灰度阈值和基于颜色聚类2种算法对去除阴影前后的目标图像进行分割,并选用分割误差、假阳性率、假阴性率和重叠系数4项指标进行了分析比较,试验结果表明,去除阴影之后,2种分割算法所提取的苹果目标区域较去除阴影之前有了较大的提高,2种分割算法的平均分割误差分别为3.08%和3.46%,比去除阴影之前降低了20.53%和25.92%,假阳性率、假阴性率分别降低了29.79%、29.98%和21.25%、29.83%,重叠系数分别提高30.96%和24.55%。与灰度变换法去除阴影后分割的效果比较表明,该方法的平均分割误差降低了29.23%,假阳性率、假阴性率分别降低了30.97%和20.40%,重叠系数提高了26.60%;与直方图均衡化法的比较表明,分割误差降低了25.59%,假阳性率、假阴性率分别降低了22.74%和27.56%,而重叠系数提高了27.43%。这一系列数据表明,基于模糊集理论的阴影去除方法具有较好的阴影去除效果。经过去除阴影后,可以获得更高的目标分割性能,目标提取精度显著提高,表明将模糊集方法应用于苹果目标的阴影去除可以有效地提高苹果目标区域的提取精度。     

支持向量机在苹果分类的近红外光谱模型中的应用

建立了一套苹果近红外光谱采集装置来减少因苹果的部位差异性而造成的试验误差。采用一种新的机器学习算法——支持向量机(SVM)建立不同产地、不同品种苹果的近红外光谱分类模型。通过选定RBF函数作为核函数，并确定合适的光谱预处理方法和核函数中惩罚系数C、正则化系数γ，使得所建立的不同品种苹果分类模型的回判识别率和预测识别率均达到100%，不同产地苹果分类模型的回判识别率为87%，预测识别率为100%，与传统的判别分析法相比其预测识别精度提高5%左右。结果表明，支持向量机可以建立高精度的苹果近红外光谱分类模型。     

苹果外部缺陷全表面在线检测分选装置研发

中国是水果消费大国,但在水果产后检测装备方面相对滞后。针对目前在线检测装置无法采集苹果全表面图像信息且无法精确计算缺陷面积的问题,该研究以表面缺陷面积的快速检测为主要目标,提出苹果全表面图像合成算法,设计了一套苹果外部品质在线检测及分级装置。该研究以苹果为例,基于球模型提出苹果全表面图像合成算法、缺陷面积校正算法精确计算苹果的表面缺陷面积。通过试验验证,对苹果表面图像进行分割合成后,整体的图像的漏检率为0。提出缺陷面积校正算法,可以计算图像中位于任意位置的苹果缺陷真实面积,选取了120个样本进行验证,其中擦伤样本、碰伤样本、痘斑病样本、表面腐败样本各30个。4种表面损伤面积的预测值和真实值的决定系数R²均在0.97以上,均方根误差(Root Mean Squared Error, RMSE)在4 mm²以下。在偏角试验中,4种表面损伤面积的预测值和真实值的决定系数R²均在0.974 2以上,RMSE在6.304 4 mm²以下。装置检测苹果的速度为2个/s,评级准确率为95%。研究结果表明,检测与苹...     

基于数字图像处理技术的风蚀地表颗粒提取

地表粗沙粒残留量可以反映出土壤侵蚀量与抗侵蚀能力。基于数字图像处理技术对阴山北麓风蚀粗粒化地表的颗粒进行了提取研究。结果表明,经过ERDAS IMAGINE 9.0软件处理后再提取的颗粒面积较ArcGIS 9.2软件下矢量化得到的颗粒面积小,但是两者之间存在显著的线性关系,可以利用该关系进行颗粒面积补偿。通过颗粒等效面积与等效周长求取的颗粒分形维数为1.418 4,颗粒分形维数反映的现地粗粒化状况与实际考察结果大体一致。表明采用图像处理软件可以对地表数字图像中的颗粒进行准确测量,在省时省力的同时也提高了研究的精度。     

基于光照无关图理论的苹果表面阴影去除方法

阴影影响下苹果目标的快速准确识别是苹果采摘机器人视觉系统必须解决的关键技术之一。为了实现阴影影响下苹果目标的准确识别,该研究采用光照无关图理论实现了苹果表面阴影的去除。以自然场景下获取的受不同程度阴影影响的苹果目标图像为研究对象,首先利用光照无关图原理获取阴影苹果图像的光照无关图,达到突出苹果目标阴影区域的目的;其次提取原图像的红色分量信息并与关照无关图进行相加处理;最后将相加后的图像进行自适应阈值分割处理,达到去除阴影的目的。为了验证该算法的有效性与准确性,利用20幅受阴影影响的苹果目标图像进行了试验,并与Otsu算法、1.5*R-G色差算法进行了对比,试验结果表明：Otsu算法仅能识别出未受阴影影响的苹果区域;1.5*R-G 色差算法受光照影响较大,对于苹果图像的相对强光照区域和部分阴影区域不能有效识别;基于光照无关图的苹果表面阴影去除方法对阴影影响下的苹果目标图像分割效果较好,可以克服光照过强的问题,并准确识别出阴影影响下的苹果目标。文中算法的平均假阳性率为17.49%,比Otsu算法降低了52.84%,比1.5*R-G算法降低了26.18%;文中算法的平均重叠系数为86.59%,比Otsu算法提高了47.2%,比1.5*R-G算法提高了11.03%;表明利用光照无关图可以有效地去除苹果表面的阴影,将其应用于阴影影响下的苹果目标的识别是可行的。     

基于灰度截留分割与十色模型的马铃薯表面缺陷检测方法

为探索基于计算机视觉的马铃薯表面缺陷检测新方法,该研究提出能将马铃薯表面疑似缺陷一次性分离出来的快速灰度截留分割方法和用于缺陷识别的十色模型。选择面积比率和十色比率作为缺陷判别特征,对分割出来的深色部位采用阈值法进行缺陷识别。采用基于快速G与亮度截留分割的2种方法对发芽进行识别。通过对326个马铃薯样本的652幅正反面图像进行试验,基于十色模型的缺陷识别方法对分割出来的深色区域的正确识别率为93.6%,基于快速G与亮度截留分割2种方法结合对有芽体图像的正确识别率为97.5%,马铃薯表面缺陷正确检测率为95     

水果表面缺陷自动检测系统中的人工智能方法研究

通过计算机视觉技术获取了带有各种表面缺陷的苹果图像并进行预处理，采用自适应特征聚类（ＳＡＦＣ）神经网络与模糊加权决策树（ＦＷＤＴ）相结合的方法实现了缺陷区域的准确检测和详细分类。实验结果表明，用人工智能方法进行表面缺陷检测，具有良好的抗噪容错能力并能有效地克服传统图像分割方法适应性差的缺点，提高判别准确率和分类精度。     

水果表面缺陷自动检测系统中的人工智能方法研究

通过计算机视觉技术获取了带有各种表面缺陷的苹果图像并进行预处理，采用自适应特征聚类（ＳＡＦＣ）神经网络与模糊加权决策树（ＦＷＤＴ）相结合的方法实现了缺陷区域的准确检测和详细分类。实验结果表明，用人工智能方法进行表面缺陷检测，具有良好的抗噪容错能力并能有效地克服传统图像分割方法适应性差的缺点，提高判别准确率和分类精度。     

基于DT-CWT和LS-SVM的苹果果梗/花萼和缺陷识别

该文提出了一种基于双树复小波变换(DT-CWT)和最小二乘支持向量机(LS-SVM)区分苹果的果梗/花萼和缺陷的方法。对苹果图像使用DT-CWT分解,使用变换后得到的高频子带系数的均值和方差构造特征向量,然后使用最小支持二乘向量机作为分类器进行分类。对180幅苹果图像进行了试验。讨论了DT-CWT分解层数以及目标图像大小对分类正确率的影响。试验结果显示,使用3层DT-CWT对大小为64×64子图像进行小波分解提取纹理特征,能达到最好的分类效果,分类正确率可以达到95.6%。     

利用图像处理技术评定猪肉等级

为综合评定猪肉等级,该研究实测活体重、胴体重、背膘厚、右半胴体重、右半胴体的主要瘦肉重和眼肌面积,对肉色和大理石纹进行感观评分,并计算瘦肉率和屠宰率,同时固定物距和焦距,在固定光源下,使用数码相机拍摄80幅猪的左半胴体和眼肌面积图像并保存。经图像处理并进行特征提取后,建立图像特征与等级的关系,并用反向传播神经网络(BPNN)方法进行等级评定。结果表明,实际脂肪厚度与图像脂肪厚度、屠宰率与臀部图像面积、实际眼肌面积与图像眼肌面积、眼肌区域的肉色与图像眼肌肉色2G-B,R+G、瘦肉率与图像脂肪厚度和图像眼肌面积相关均有较高的相关关系(p<0.01),基于图像处理和BPNN技术可以快速准确的评定猪肉等级。     

基于图像特征融合的苹果在线分级方法

苹果在线分级是提升苹果商品化价值的重要环节,需要同时满足分级准确度和速度要求。为进一步提高苹果在线分级效率,该文借助机器视觉技术动态采集苹果传输过程中的实时图像,提出改进的三层Canny边缘检测算法来提取苹果轮廓以克服采集图像中的光线噪声影响,通过分析苹果分级指标,采用判别树对苹果的果径、缺陷面积、色泽等特征进行初步分级判断,并采用粒子群参数优化的支持向量机对果形、果面纹理、颜色分布等特征进行模型构建与分级,最后,通过将两种分级判断结果进行决策融合来实现样本精确分级。同时,采取图像压缩和特征降维方法提高实时性。试验结果表明,基于图像特征决策融合的苹果分级准确率可达到95%,平均分级速率可达到4个/s。研究结果为水果的在线分级提供参考。     

基于激光图像的苹果品质分析与模型

该试验利用波长650 nm,功率25 mW的半导体激光及计算机视觉技术,初步探讨了激光图像的影响因素以及利用激光图像对苹果(嘎拉、红富士)品质进行无损检测的可行性。分别测定贮藏期间苹果的硬度、固酸比、果面底色、果型等品质指标,并获取图像参数及其像素个数(S1、S2、S3、S4)。试验结果显示,苹果的向阳面和背阳面对获取的激光图像的像素个数有显著的影响,而果型大小对其无显著影响。其中图像参数S3与各品质指标的皮尔逊相关系数最高。逐步回归表明,引入变量S3后模型的解释率最好(最高R²为0.99),且都为极显著水平(P≤0.01)。试验的结果为利用小功率激光图像对苹果品质进行无损检测提供了理论依据。     

重力场流分离结合图像处理测定小麦粉粒径的研究

针对小麦粉颗粒大小的测量问题，首先利用重力场流分离方法对小麦粉进行了分离。在分离基础上利用图像处理方法完成了对小麦粉粒径的测量。经重力场分离后，小麦粉样本被分为颗粒大小相近的3部分。试验中使用光学显微镜及CCD摄像头评定分离效果。试验结果表明试验样本小麦粉的粒径主要分布范围在17.0～18.5、6.7～8.0、2～3.5 μm三个尺寸段内。该研究为进一步研究小麦粉的特性提供了一种全新的手段。     

基于主动形状模型的苹果果形分级研究

苹果果形是评价苹果品质的一个重要指标。为提高果形判别的准确度和效率，首次采用主动形状模型(ASM)的方法进行苹果形态分级。根据试验确定苹果轮廓特征点数为36时为最佳特征点数，然后对不同形状的苹果进行计算机自动标定、校准，运用主成分分析法获取不同形状的苹果模型，并将模型与实际苹果进行灰度匹配，提取像素数目比等特征参数，实现苹果分级。应用结果表明，该方法对苹果果形的判别准确度高达95%，且直观性强、鲁棒性好，具有较好的灵活性。     

牛肉大理石花纹图像特征信息提取及自动分级方法

为了解决牛肉大理石花纹在人工分级中准确率和效率低的问题,该文基于计算机视觉和图像处理技术提出一种实用的牛肉大理石花纹自动评估和分级方法。通过图像解析,利用所提出的分级算法实现牛肉大理石花纹的快速提取,并计算反映大理石花纹丰富程度的10个特征参数。使用特征参数建立主成分回归模型,对牛肉大理石花纹等级进行预测,预测相关系数Rv=0.88,预测标准差SEP=0.56。校正时模型总体的回判正确率为97.0%,验证时总体的判别正确率为91.2%。在此基础上,开发了大理石花纹自动分级软件系统和硬件装置,并且在该试验室前期研制的样机上进行了试验,验证了算法的运算速度和准确率。结果表明,所提出的分级方法的检测速度和精度均能够满足企业中对牛肉大理石花纹分级的要求。     

应用纹理分析方法在线监测苹果冻干含水率

在果蔬真空冷冻干燥过程中对果蔬物料含水率进行实时监测,可为冻干过程监控和优化提供依据。该文研究以冻干果蔬物料含水分图像纹理分析为技术手段,实现连续表达干燥过程中物料的含水率。试材选用苹果,采用环形光源和高速CCD组件,在冻干仓窗外分别采集原始苹果样本MA和经CuSO4溶液染色的苹果样本MB在一个完整冻干周期中表面含水纹理变化的动态图像,运用主成分分析法对图像均值等6个含水纹理特征指标进行统计分析,并对原始样本纹理特征的第一主分量与其含水率W1、染色样本含水纹理特征的第一主分量与其含水率W2、W1和W2分别进行非线性回归分析。结果表明,模型的决定系数达到0.9376、0.9289和0.9930,且显著性检验概率均<0.0001,模型检验极显著。同时,模型相对误差基本<3%。因此,由果蔬物料含水图像的纹理特征可实现含水率的在线监测。该方法不但为真空冷冻干燥加工过程控制探索一种利用水分图像处理方法进行水分在线监测的新方法,而且也可在其他干燥加工水分监测及过程控制中应用。     

基于数码相机图像的甜菜冠层氮素营养监测

为探究数码相机监测甜菜冠层叶片氮素的可行性,2014年于内蒙古赤峰市松山区太平地镇采用不同种植方案设计了田间试验。利用数码相机获取甜菜冠层数字图像,基于灰度值的阈值分割方法提取冠层图像的红光值(R)、绿光值(G)和蓝光值(B),交互调优R、G、B单色分量权重,提出三原色权值调优方法,并挖掘出适宜于表征甜菜冠层LNC(leaf nitrogen content)的基础调优参数BOP(basic optimal parameter)和归一化调优参数NOP(normalized optimal parameter)。结果表明:采用常规方法选取的敏感颜色参数G/R、NRI(R/(R+G+B))与冠层LNC的相关系数分别为0.80和0.79,三原色权值调优方法确定的调优参数BOP、NOP与冠层LNC的相关系数分别为0.83和0.84,算法优化后提高了颜色参数与冠层LNC的相关性。对比常规参数和调优参数对冠层LNC的预测精度,结果显示调优参数BOP、NOP建立模型的预测精度均高于常规参数G/R、NRI,BOP预测模型的决定系数R2和均方根误差RMSE(root mean square error)分别为0.69和2.65,NOP预测模型的R2和RMSE分别为0.68和2.73。该研究表明,在大田自然光照条件下,借助数码相机实时、准确监测甜菜氮素营养丰缺水平具有较高的可行性,数字图像处理技术在作物营养无损诊断中存在很大的应用潜力。     

应用数字图像技术进行水稻氮素营养诊断

【目的】研究田间试验条件下水稻不同生育期冠层图像色彩参数(G、NRI、NGI、NBI、G/R和G/B)及植株氮素营养指标(叶片含氮量、植株全氮含量、生物量、氮素累积量和冠层NDVI值)的时空变化特征,并分析两者间的相关性,确立水稻氮素营养诊断的最佳色彩参数和方程模型,为探明数码相机在水稻上的适宜性及精确诊断水稻氮素营养状况提供理论基础。【方法】于2013年5月9月在湖北省武汉市华中农业大学试验基地(30°28'08'N,114°21'36'E)采用不同施氮处理的田间试验,以籼型两系杂交稻"两优6326"为供试作物,设置4个施氮水平:0、75、150和225 kg/hm2(分别以N0、N75、150和N225表示),3次重复,随机区组排列。分别在水稻分蘖期、拔节期、孕穗期和灌浆期采用数码相机(Nikon-D700,1200万像素)获取水稻冠层图像,应用Adobe photoshop7.0软件直方图程序提取图像的红光值R、绿光值G和蓝光值B,研究数码相机进行水稻氮素营养诊断色彩参数,确定植株氮素营养指标诊断模型。【结果】较对照(N0)相比,分蘖期、拔节期、孕穗期和灌浆期3个施氮处理水稻地上部生物量、叶片含氮量、植株全氮含量、氮素累积量、冠层NDVI值和成熟期产量增幅分别平均为40.7%98.0%、42.4%72.4%、36.2%85.3%、125.5%209.1%、51.3%60.6%和60.1%117.0%,差异显著。水稻不同生育期各冠层数字化指标G、NRI、NGI、NBI、G/R和G/B与上述氮素营养参数相关性差异较大,且以数字图像红光标准化值NRI表现最佳,建议作为应用数码相机进行水稻氮素营养诊断的最佳冠层图像色彩参数指标。进一步分析表明,可以用统一的线性回归方程来描述不同生育期、不同氮素水平下水稻植株氮素营养指标随冠层色彩参数NRI的变化模式。【结论】数码相机进行水稻氮素营养诊断测试结果稳定,具有快速、便捷、非破坏性等优点,冠层色彩参数NRI与水稻氮素营养指标和产量之间均表现出较好的相关性,满足氮素营养无损诊断的需求,对实时、快速监测水稻长势状况及氮素营养丰缺水平具有较高的可行性,有望发展成为新时期作物氮素营养无损诊断技术的潜力。     

基于多尺度形态学大豆图像滤波方法

提出了一种基于多尺度形态学滤波算法,用于减少噪声影响从而提高大豆图像质量。首先用多尺度结构元素分别对原图像进行开闭重建运算,构造形态学开闭塔;然后计算相邻尺度形态学开闭重建图像间的差,构造亮特征和暗特征的差异塔;最后根据不同尺度的亮特征和暗特征重建图像。通过一组被不同噪声污染的大豆图像验证该文提出的滤波算法,并采用一些标准的评估方法将该文方法与文中提到的其它滤波方法在不同噪声污染情况下进行比较,试验结果表明本文方法的滤波效果优于其它方法。