基于BP神经网络的花生外衣完整性识别方法

应用计算机视觉技术获取花生完好及破损的图像,选择表征花生完好与破损特征的H,I,S等3个特征颜色参数,建立了3层前馈神经网络,实现了任意放置花生粒的完整与破损自动识别。试验对31粒破损图像进行识别验证,识别正确率为87.1%,充分证明了该方法的有效性。     

作物行识别算法的虚拟试验方法

针对作物行识别算法的传统开发过程对田间作物生长周期依赖性较强,错过适当的田间图像采集时期将直接导致算法开发周期延长等问题,提出一种基于虚拟场景的作物行识别算法测试方法,即在虚拟环境下模拟农田作物行场景和图像采集系统,运用虚拟作物行图像测试作物行的识别算法。该方法在虚拟现实环境下建立作物行场景模型;提出一种融合建模法,根据作物和杂草的几何特征建立对应的三维几何模型;根据实际田间作物的空间分布特征,建立株距、行距可调的田间作物行模型;以Vega Prime为视景仿真工具,通过配置投影模式、渲染模式、视点位姿和图像采集规格,构建图像采集系统,输出作物行场景图像。以苗期棉花作物行为建模对象,对一种经过田间试验验证的双目视觉作物行识别算法进行测试试验。对比实际棉田图像对应的试验结果,同一作物行识别算法的识别正确率、偏差角和图像处理时间均相近。结果表明,本文建立的虚拟棉田作物行与实际棉田作物行场景相近,能够用于作物行识别算法的测试。     

基于机器视觉的枳壳自动定向方法与试验

针对人工姿态调整方法在枳壳定向切分加工过程中存在人工成本高、生产效率低等缺点,设计枳壳机器视觉自动定向调整系统,并提出相应的调整识别算法。根据枳壳表面各目标颜色特征,提出基于R分量下红绿色差法对原始图像进行分割,并利用二值图像中特征几何描述提取果梗位置特征参数和最小二乘椭圆拟合提取外形特征参数;根据两特征信息建立枳壳姿态模型用于姿态识别,定向调整装置根据视觉识别结果捕捉姿态特征并将枳壳调整到理想姿态。试验结果表明,该方法较好地识别出枳壳姿态特征,识别率为93.3%,其2次定向调整后的姿态与理想姿态最大定向夹角误差为4.2°,满足枳壳定向作业要求。该研究为枳壳定向切分加工设备的研制提供参考。     

基于机器视觉的玉米种粒破损识别方法研究

针对玉米种粒在收获、脱粒、贮藏时因各种因素造成损伤和人工选种耗时耗力的问题,提出了一种基于机器视觉的玉米种粒破损检测方法。首先,利用图像获取装置得到单粒玉米种粒图像,通过差影法确定图像噪声种类,采用中值滤波方法对图像进行降噪;其次,标记图像边界,运用灰度阈值法完成玉米种粒图像分割。根据玉米种粒的形态特征分别提取玉米种粒的周长、面积、周长面积比、长轴长、短轴长、长宽比6个几何特征和矩形度、圆形度、紧凑度、7个Hu不变矩10个形状特征,共16个特征。完整玉米种粒和破损玉米种粒图像各50幅作为训练样本,将提取的16个特征分量作为输入量,对支持向量机(Support Vector Machine,SVM)进行训练,输出量为1、0,分别代表"合格""不合格",训练完成后获得玉米种粒的SVM识别模型;另取完整的玉米种粒和破损的玉米种粒图像各50幅作为测试样本,对训练好的SVM模型进行测试。结果表明:该检测方法对玉米种粒破损识别准确率达95%以上,识别100幅玉米种粒图像的时间为1.27s。研究结果为玉米种粒的实时破损检测提供了参考。     

基于机器视觉的花生品种识别系统研究

为了实现花生品种自动识别,收集了12个花生品种的600粒籽仁作为实验样本,利用计算机视觉和图像处理技术对图像进行处理;然后,对每幅样本图像提取形态、颜色和纹理等3大类共48个特征,建立人工神经网络（ ANN ）和支持向量机（ SVM ）识别模型对这些特征进行分析识别,并基于 Visual C＋＋6．0环境构建识别系统。运行结果表明,SVM 方法识别效果比较稳定,对12个花生品种自我识别率达到100％,测试识别率达到83％;另外,基于Visual C＋＋的识别系统在识别效果与效率方面比Matlab 都有了较大的提高。该花生品种识别系统对于花生品种识别具有积极意义。     

种子自动筛选系统软件设计

在育种过程中,挑选一致性好的种子是一项繁琐而艰苦的工作,用机器视觉代替人的视觉可以克服人眼疲劳等因素对种子进行筛选所造成的误差。为此,采用OpenCV图像处理软件设计种子识别软件,对种子的面积、周长、圆形度、直径、延伸度等特征参数进行提取。根据与样本参数的对比决定是否合格,并通过串口送至下位机,控制下位机完成种子的分拣工作。该系统设计了自学习功能,样本种子可自由选择,并可自由控制筛选误差范围。经试验验证,该系统能够准确地判断玉米和小麦种子是否合格,判断速度为60粒/min。     

基于计算机视觉的番茄营养元素亏缺识别研究

针对番茄种植中营养元素的亏缺,肉眼不易进行识别判断的问题,以番茄亏缺氮、镁营养元素为研究对象,利用CDD摄像机采集研究图像,将图像进行处理后,提取分割出可以表现亏缺氮、镁的特征图像,提取颜色特征和纹理特征,并通过遗传算法进行优化。同时,将优化的特征进行组合分析,以此建立特征模型,并确定特征向量用于分析提取出来的特征参数,建立的特征模型,并采用二叉树形式对番茄缺素识别进行研究。仿真试验结果表明:番茄种植中,采用计算机视觉技术识别亏缺氮、镁营养元素,识别准确率可以满足生产需要。种植户可以根据检测结果对番茄进行区别施肥,既能满足番茄生长的需要,又不会造成资源的浪费,符合农业可持续发展的要求。     

基于彩色线阵CCD的茶叶分选识别算法研究

针对颜色信息丰富的茶叶,通过形态学分析,研究茶叶的几何特征,提出一种基于彩色线阵CCD的茶叶色选算法,开发出一套集信号的采集、处理于一体并结合识别算法的新型茶叶色选控制系统。该系统通过彩色线阵CCD相机采集图像,利用MATLAB图像处理工具箱处理,色彩空间选择HSI模型,通过中值滤波算法去除图像中的噪声,利用改进的阈值分割算法二值化处理图像,运用形态学处理算法腐蚀和膨胀图像,进行连通域分析,提取并识别图像几何特征参数确定分类结果,增强色选系统对颜色信息复杂茶叶的识别能力。本系统同时将分选算法集中在FPGA上实现,提高分选的实时性。经过测试,验证基于彩色线阵CCD的茶叶分选识别算法具有良好的高效性与选别率。     

多类支持向量机在玉米品种识别中的应用

为了验证采用机器视觉以及图像处理方法对玉米品种进行自动识别的可行性,研究了一种基于玉米外观特征和多变量支持向量机(SVM)分类算法的玉米品种识别方法.采用数码相机获得了11个品种每个品种50粒共550幅图像,然后对各品种对应的籽粒群体图像提取每个籽粒的形态特征8个、颜色特征12个、纹理特征13个,共33个特征参数,并分别定义11个玉米品种的二进制编码作为网络的输出,建立特征参数与玉米品种之间的SVM识别模型.试验结果表明,该方法对11个品种550个籽粒的品种检出率为100%.在同样的情况下比较了基于BP神经网络(ANN)的识别性能,较ANN 94.3%的识别率,采用SVM的识别效果有了较大的提高,得到了较好的识别效果.     

丸粒化包衣种子识别检测系统设计与试验

由于存在包衣配方不统一、包衣机自动化水平低等问题,目前我国种子包衣合格率检测精度和效率较低。为此设计了一套丸粒化包衣种子识别检测系统,针对形状为类球体的包衣种子进行识别。首先,搭建拍摄平台,拍摄的图像传输至识别控制系统中进行图像前期处理。其次,根据图像处理后不同类型包衣种子特征提出了一种识别检测算法,根据破损包衣种子与其它包衣种子图像面积比例的差异,利用高级形态学处理实现破损包衣种子的识别。根据多籽种子与合格种子颗粒像素值的差异实现对多籽种子以及合格种子的识别。最后,对种子总数、合格数、多籽种子数及破损种子数进行检测,计算得到包衣合格率。以红三叶种子进行试验,结果表明：整套系统图像采集、处理与识别时间约为3s;运用高级形态学处理识别破损包衣种子准确率达98.8%;当试验样本为200粒时,总数识别算法的准确率达到99.1%;对合格包衣种子以及多籽包衣种子识别相对误差分别为1.18%与3.36%。该识别检测系统实现了拍摄、图像处理、检测识别以及结果保存等功能,实现了包衣种子的无损检测。     

丸粒化包衣种子识别检测系统设计与试验

由于存在包衣配方不统一、包衣机自动化水平低等问题,目前我国种子包衣合格率检测精度和效率较低。为此设计了一套丸粒化包衣种子识别检测系统,针对形状为类球体的包衣种子进行识别。首先,搭建拍摄平台,拍摄的图像传输至识别控制系统中进行图像前期处理。其次,根据图像处理后不同类型包衣种子特征提出了一种识别检测算法,根据破损包衣种子与其它包衣种子图像面积比例的差异,利用高级形态学处理实现破损包衣种子的识别。根据多籽种子与合格种子颗粒像素值的差异实现对多籽种子以及合格种子的识别。最后,对种子总数、合格数、多籽种子数及破损种子数进行检测,计算得到包衣合格率。以红三叶种子进行试验,结果表明：整套系统图像采集、处理与识别时间约为3 s;运用高级形态学处理识别破损包衣种子准确率达98.8%;当试验样本为200粒时,总数识别算法的准确率达到99.1%;对合格包衣种子以及多籽包衣种子识别相对误差分别为1.18%与3.36%。该识别检测系统实现了拍摄、图像处理、检测识别以及结果保存等功能,实现了包衣种子的无损检测。     

基于图像处理的玉米种子特征参数提取系统

随着计算机技术的发展,利用机器视觉代替人的视觉对玉米种子进行品种识别和质量检测是必然趋势。在检测中最关键的一步是对玉米种子图像进行有效特征提取,特征参数的有效性或者精度直接关系到种子品种识别的成败。为此,优化了基于机器视觉的玉米种子图像处理策略,提出了比较全面有效的玉米种子特征参数和一种适应玉米种子识别的多对象轮廓提取算法,采用VC++编制了玉米种子特征参数提取系统。经实验验证,本系统能够准确快速地提取玉米种子特征参数,为玉米种子品种识别和质量检测的后期工作奠定了基础。     

基于土壤基质的播种精度检测试验

研究了一种基于土壤基质的播种精度检测方法.运动的土槽台车搭载播种机将种子播种到土槽土壤上,同时机器视觉系统动态采集序列图像.采用编码器和PLC等实现台车运动距离检测,控制触发面阵摄像机采集序列图像,完成序列图像的硬件拼接;再通过图像处理拼接算法完成种子的目标识别和序列图像的拼接,得出播种机播种精度结果.试验结果表明:匹配粒距率达85％以上,正确粒距率达70％以上;经多次重复试验后,系统检测的绝对误差在4％以内.     

计算机视觉在香芋病害检测中的应用研究

针对传统的人工识别香芋病害的局限性、主观性的特点,基于计算机视觉技术设计了香芋病害识别系统,由病害图像采集装置、图像处理系统、形态特征提取系统和缺陷目标检测系统组成。通过提取香芋叶片的颜色特征和纹理特征,建立香芋病害数据库,并利用支持向量机(SVM)的方法对香芋病害识别。试验结果表明:基于计算机视觉的香芋病害检测系统能够准确识别香芋的病害类别,满足使用要求,能够为后续的香芋病害防治工作提供准确信息。     

基于视觉算法的割草机器人作业系统优化

以割草机器人作业系统为研究对象，通过对割草机器人作业过程进行分析，利用高清摄像头进行目标区域草地图像采集，采用视觉算法进行草地图像转换，获取草地图像的颜色和边界特征集合，实现草地识别和草地形状识别，并根据结果进行割草作业自动化控制。试验表明：基于视觉算法建立的割草机器人作业控制系统，草地面积识别误差不大于1.5%,草地图像像素识别误差不大于3%,系统在进行草地状态识别时具有较高的可靠性。     

基于机器视觉技术对烟叶部位识别方法的研究

为探究机器视觉技术对烟叶部位的识别,通过对专家分级烟叶样本进行图像采集,提取样本烟叶图像中烟叶的颜色、形态等特征,采用不同的分类方法对训练集进行训练建模,再利用分类模型对测试集进行预测分类。结果表明：提取图像中烟叶的颜色、形态等特征能够较好地区分烟叶部位,采用朴素贝叶斯分类器判别其分类效果最好,准确率可达88.89%。该结果为实际工业分级的机器视觉技术运用提供了理论基础和数据来源。     

融合机器视觉和CAN总线的玉米种粒分类器设计与试验

为研究动态检测装置中玉米种粒的实时分级,设计融合机器视觉和CAN总线的玉米种粒在线分类器。在传统的小型生物质种粒检测系统中,针对传感器在获取种粒通过信号时有遗漏的问题,研发了一套融合机器视觉和CAN总线的红外传感器机构,用于动态玉米种粒的实时拍摄。红外传感器机构采用触发抓拍的方式,通过CAN总线传送传感器信号,使信号准确的传输到计算机,从而控制相机实时获取图片。为提高种粒分级能力,提出了基于数量级的形状复杂度计算公式,计算标准与破损种粒的面积、周长、复杂度与色度四种特征参数并建立种粒特征参数合格区间,构建基于复合几何特征与色度的玉米种粒形态分级算法。实验选用扬农15-1与扬农15-6玉米种粒进行验证,结果表明:在传送带速度为100～400 mm/s之间时,此红外传感器机构的采集成功率在100%,拍摄图片清晰,扬农15-1号与扬农15-6号标准玉米、破损玉米的识别准确率分别为93%、95%、95%和94%。     

基于CNN的小麦籽粒完整性图像检测系统

为了快速、准确识别小麦籽粒的完整粒和破损粒,设计了基于卷积神经网络(CNN)的小麦籽粒完整性图像检测系统,并成功应用于实际检测中。采集完整粒和破损粒两类小麦籽粒图像,对图像进行分割、滤波等处理后,建立单粒小麦的图像数据库和形态特征数据库。采用LeNet-5、AlexNet、VGG-16和ResNet-34等4种典型卷积神经网络建立小麦籽粒完整性识别模型,并与SVM和BP神经网络所建模型进行对比。结果表明,SVM和BP神经网络所建模型的验证集识别准确率最高为92. 25%; 4种卷积神经网络模型明显优于两种传统模型,其中,识别性能最佳的AlexNet的测试集识别准确率为98. 02%,识别速率为0. 827 ms/粒。基于AlexNet模型设计了小麦籽粒完整性图像检测系统,检测结果显示,100粒小麦的检测时间为26. 3 s,其中,图像采集过程平均用时21. 2 s,图像处理与识别过程平均用时为5. 1 s,平均识别准确率为96. 67%。     

基于计算机视觉的玉米种子形态识别测量

种子的一致性包括品质、形态和颜色特征方面。采用具有高度一致性的种子,可以提高后期的机械化作业程度,从而降低生产成本。要提高种子的一致性,则必须识别并清除裂变和畸形的种子,传统的清选操作只能保证种子的净度和健康度,且效率太低。计算机视觉是目前种子精选分级方面研究最多的技术,适用的作物种类也很广泛。为此,基于计算机视觉技术,建立了玉米种子的形态识别测量方法和系统。系统通过扫描获取种子图像,再进行预处理和图像分割,提取单粒种子的图像;然后以面积和圆形度为参数,将种子划分为4个等级。在验证试验中,系统的图像处理过程仅耗时2s,对种子大小和圆扁的识别准确率分别为98%和96%,能够满足自动分级的要求。系统的创新在于用扫描仪代替相机,分析的通量大,且成像的质量高。另外,仅选择两个特征值作为分级参数,减少了分析过程中的计算量,有利于在实时分级装置中应用。     

基于机器视觉的胡麻种子自动化考种方法

[目的/意义]胡麻种子的周长、面积、长短轴和千粒重是胡麻考种过程中常用的参数,对于胡麻的育种、栽培,以及种子品质和性状的评估都具有重要的意义。[方法]针对胡麻种子自动化考种时出现的数据统计错误率高、效率低等问题,基于机器视觉研究胡麻种子的轮廓特点、探索形态特征的测量方法,针对籽粒重叠现象提出基于融合角点特征的轮廓拟合图像分割方法,设计胡麻种子自动化考种数据实时分析系统,最终实现胡麻种子自动化考种的研究。本研究在工业相机获取的胡麻种子图像上进行试验。[结果和讨论]提出的自动化考种方法对不同品种胡麻种子的统计识别准确率达97.28%,百粒种子平均处理时长69.58 ms,相较于极限腐蚀算法、基于距离变换的分水岭算法,平均计算准确率比极限腐蚀算法提升19.6%,平均运算时间低于直接使用分水岭算法所需时间。[结论]自动化考种方法具有更好的计算准确率和处理速度,能够更准确地批量获取胡麻种子的形态学特征参数,使测量误差能够保持在10%以内,可为今后胡麻考种相关工作提供技术支撑,助力相关产业发展。