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。      

基于PSO优选特征的实木板材缺陷的压缩感知分选方法

针对实木板材表面缺陷的复杂性与随机性,提出了一种快速、准确的识别方法。首先,对实木板材表面图像进行3级双树复小波分解,提取低频子带、高频子带、原图像的均值、标准差和熵,共40维特征向量;然后,运用粒子群算法(PSO)优选出20个关键特征;最后,采用压缩感知理论将优选后的特征向量作为样本矩阵列,构建训练样本数据字典,通过最小残差完成缺陷识别。对4类柞木样本进行了仿真实验,活结、死结、虫眼、裂纹的分类正确率分别为93.3%、86.7%、100%和93.3%,结果表明:双树复小波良好的方向性能够表达实木板材表面复杂的信息;基于粒子群算法的特征选择能够提高分类效率;压缩感知分类器与传统分类器相比,具有结构简单、分类精度高的特点。      

基于Gabor滤波与Tamura纹理特征的板材分类研究

板材表面的纹理特征是木质板材表面最为直观的特性,同时也是建筑装潢质量和木制品品质的重要评价指标。以中国东北部常见的红松、落叶松、白桦、水曲柳和柞木等5种树种的弦切、径切图像作为研究对象,提出一种基于多通道Gabor滤波和Tamura纹理特征的板材纹理特征提取方法,克服了传统方法在提取样本图像的全局特征时对局部纹理特征不敏感的问题。具体是将基于视觉心理学的Tamura纹理特征与Gabor滤波器进行结合,在不同频率、不同方向上共24组滤波器的虚部卷积图像上进行纹理特征参数提取,结合上述的纹理特征参数在BP神经网络、KNN和支持向量机分类器上进行分类试验,最佳特征参数体系的识别率达97.8%。     

随机森林在板材表面缺陷分类中的应用1）

对板材表面缺陷图像进行多种特征提取。颜色特征选用了颜色直方图;形状特征主要基于最小外接矩阵,提取周长、面积、位置、矩阵和圆形相关的形状参数;纹理特征选取了灰度共生矩阵和Tamura纹理参数。通过OOB（袋外数据）误差计算特征重要性,并将结果与提取时间进行综合分析得出,Tamura纹理和颜色直方图是最优的2组缺陷分类参数。对颜色直方图和Tamura纹理2类特征,采取特征组合输入,通过实验得出,随机森林分类精度达95．67％。     

随机森林在板材表面缺陷分类中的应用

对板材表面缺陷图像进行多种特征提取。颜色特征选用了颜色直方图;形状特征主要基于最小外接矩阵,提取周长、面积、位置、矩阵和圆形相关的形状参数;纹理特征选取了灰度共生矩阵和Tamura纹理参数。通过OOB(袋外数据)误差计算特征重要性,并将结果与提取时间进行综合分析得出,Tamura纹理和颜色直方图是最优的2组缺陷分类参数。对颜色直方图和Tamura纹理2类特征,采取特征组合输入,通过实验得出,随机森林分类精度达95.67%。     

Defective region detection for wood based on color histogram and LBP-TD operator.

提出一种基于颜色和纹理信息的木板材表面节疤缺陷区域检测方法。首先,根据木板材表面图像中正常区域和缺陷区域的颜色差异,通过颜色直方图自动获取缺陷区域的种子点;然后,提出一种纹理扩散算法,它从种子点出发,基于图像局部纹理特征搜索缺陷区域的边缘。此外,改进了局部二进制模式算子,提出一种LBP—TD算子以更好地适应纹理扩散。实验结果表明：针对各种常见的木板材节疤缺陷,当缺陷区域与正常木纹区域的颜色、纹理存在较明显差异时,无论木纹本身是否规则,本文方法都能准确地检测出木板材节疤缺陷的区域;而当缺陷区域与正常木纹区域的颜色、纹理的差异均不明显时,本文方法仍能检测出缺陷区域的大致轮廓。数据对比显示了本文方法的误检率要低于传统的OTSU法。     

基于 PCA 特征融合与 LDA 分类的实木地板纹理判别方法

纹理一致性影响着实木地板档次,针对目前实木地板纹理分类速度慢、精度低的问题,提出一种适合区分直纹、抛物纹、乱纹3类纹理的在线检测方法。方法首先对纹理图像进行缩小,运用视觉心理学的Tamura方法提取粗糙度、对比度、方向度、线性度、规整度、粗略度等6个纹理特征;同时在原图像提取反映图像全局信息的灰度均值、方差、熵等3个统计量;然后,运用主成分分析法（PcA）对3类纹理9个特征进行降维融合操作;最后,采用线性判别分析方法（LDA）构建3类纹理的辨识模型。采用200幅实木地板纹理图像进行实验,当主成分个数为7时,分类正确率稳定达到85％,较传统Tamura方法的83％和全局基本统计量的70％有所提高;特征提取时间为0．5548S,比缩小前图像的Tamura特征提取时间55．7000S明显减低,而分类正确率没有明显变化。     

基于PCA特征融合与LDA分类的实木地板纹理判别方法

纹理一致性影响着实木地板档次,针对目前实木地板纹理分类速度慢、精度低的问题,提出一种适合区分直纹、抛物纹、乱纹3类纹理的在线检测方法。方法首先对纹理图像进行缩小,运用视觉心理学的Tamura方法提取粗糙度、对比度、方向度、线性度、规整度、粗略度等6个纹理特征;同时在原图像提取反映图像全局信息的灰度均值、方差、熵等3个统计量;然后,运用主成分分析法(PCA)对3类纹理9个特征进行降维融合操作;最后,采用线性判别分析方法(LDA)构建3类纹理的辨识模型。采用200幅实木地板纹理图像进行实验,当主成分个数为7时,分类正确率稳定达到85%,较传统Tamura方法的83%和全局基本统计量的70%有所提高;特征提取时间为0.554 8 s,比缩小前图像的Tamura特征提取时间55.700 0 s明显减低,而分类正确率没有明显变化。     

基于颜色直方图和LBP-TD算子的木板材节疤缺陷区域检测

提出一种基于颜色和纹理信息的木板材表面节疤缺陷区域检测方法。首先,根据木板材表面图像中正常区域和缺陷区域的颜色差异,通过颜色直方图自动获取缺陷区域的种子点;然后,提出一种纹理扩散算法,它从种子点出发,基于图像局部纹理特征搜索缺陷区域的边缘。此外,改进了局部二进制模式算子,提出一种LBP-TD算子以更好地适应纹理扩散。实验结果表明:针对各种常见的木板材节疤缺陷,当缺陷区域与正常木纹区域的颜色、纹理存在较明显差异时,无论木纹本身是否规则,本文方法都能准确地检测出木板材节疤缺陷的区域;而当缺陷区域与正常木纹区域的颜色、纹理的差异均不明显时,本文方法仍能检测出缺陷区域的大致轮廓。数据对比显示了本文方法的误检率要低于传统的OTSU法。      

基于立体视觉的温室作业机器人障碍物检测方法

针对农业温室中作业机器人的路径规划问题,提出一种基于立体视觉图像处理的障碍物检测方案。首先,利用Kinect 3D传感器捕获温室路径图像;然后,基于图像的深度信息,分离出温室地面;接着,根据图像颜色特征构建颜色分类器,对预定义的障碍物进行检测;最后,根据图像纹理特征,基于局部二进制模式(LBP)纹理直方图来构建纹理分类器,对未定义的障碍物进行检查。试验结果表明,提出的方案能够准确地检查出温室路径中的障碍物,能够为作业机器人规划有效路径。     

Fish species classification by color,texture and multi-class support vector machine using computer vision

Remote diagnose of fish diseases for farmers is unrealized in China, but use of mobile phones and remote analysis based on image processing can be feasible due to the widespread use of mobile phones with camera features in rural areas. This paper presents a novel method of classifying species of fish based on color and texture features and using a multi-class support vector machine (MSVM). Fish images were acquired and sent by smartphone, and the method utilized was comprised of the following stages. Color and texture subimages of fish skin were obtained from original images. Color features, statistical texture features and wavelet-based texture features of the color and texture subimages were extracted, and six groups of feature vectors were composed. LIBSVM software was tested using leave-one-out cross validation to find the best group for classification in feature selection procedure. Two multi-class support vector machines based on a one-against-one algorithm were constructed for classification. The feature selection results showed that the Bior4.4 wavelet filter in HSV color space achieved greater accuracy than the other feature groups. The classification results indicate that only the DAGMSVM meets the requirement of time efficiency for the system. The results of this study suggest that the best classification model for fish species recognition is composed of a wavelet domain feature extractor with Bior4.4 wavelet filter in HSV color space and a one-against-one algorithm based DAGMSVM classifier.     

基于图像分析的梅花品种识别研究

针对梅花图像,提出了适合其颜色、形状、纹理3方面特征的描述方法。在颜色特征提取方面,通过直方图归类的结果,提出了适合描述梅花图像色彩特征的方法。改进了对形状特征进行描述的平坦度算法,在计算平坦度时只计算花朵区域,没有统计背景区域,使算法得到简化,并且不影响最终的效果。改进了灰度共生矩阵的计算方法,首先提取出花朵区域的最小外接长方形,以此作为新的图像的长和宽,降低灰度共生矩阵的计算量;然后再计算4个角度的灰度共生矩阵,累加相应的矩阵元素除以4求出4个矩阵的平均矩阵,作为参与运算的灰度共生矩阵;计算该矩阵的相关参数作为纹理特征的描述。最后对提取到的19个特征采用SVM分类器进行分类和识别。对 660幅梅花图像（每个品种60幅,11个品种）进行测试,330幅作为训练样本,另外330幅作为测试样本。实验结果表明,在对SVM分类器做交叉验证后,识别率可达到93.94%。该识别系统具有较高的识别准确率和稳定性,能够起到知识普及的作用,减轻专业人员的负担,增加梅花的鉴赏性。      

融合频谱变换的板材纹理缺陷分类

为了实现板材表面纹理和缺陷的自动分类识别,提出一种融合小波、曲波和双树复小波3种频谱变换的板材表面纹理和缺陷的快速协同分类方法。分别提取小波变换的14个特征、曲波变换的16个特征和双树复小波变换的38个特征;融合三者特征以及整幅图像的标准差和熵,采用粒子群算法优选出24个关键特征;运用BP神经网络作为分类器,针对乱纹、抛物纹、直纹、活结和死结5种类别的300幅图像进行仿真实验,基于小波变换、曲波变换、双树复小波变换与特征融合方法的平均分类正确率分别为80.0%、81.1%、84.2%、88.0%,分类平均时间分别为0.018、0.503、0.021、0.325 s。实验结果表明,特征融合方法实现了对小波特征、曲波特征和双树复小波特征的有效选择,提高了分类的速度和精度。     

基于特征融合的随机森林模型茶鲜叶分类

目的 解决机采茶鲜叶中混有不同等级的茶叶,且混杂度高、物理特征分类精确度低的问题。方法 利用随机森林分类模型,提出一种基于颜色和边缘特征融合的方法。试验采集3种不同等级的茶鲜叶,对原始图像进行裁剪、尺寸归一化和去噪等处理,再进行颜色特征和边缘特征提取。通过参数的修改和测试,构建最优的随机森林分类模型,并且同K最近邻、SVM分类器进行对比试验。结果 特征融合之后随机森林模型的分类准确率达到99.45%,比单一颜色特征和边缘特征的分类准确率分别高7.14和9.34个百分点;比K最近邻和SVM分类器准确率分别高15.38和5.49个百分点。结论 所建立的方法能够对茶鲜叶单芽、一芽一叶、一芽二叶进行精确的分类。     

基于Bayes的竹片颜色检测分级方法

为了采用机器视觉对竹片自动识别与颜色分选,研究了一种基于竹片图像颜色特征与纹路特征和Bayes分类器的颜色分类方法.首先,对灰度图像采用Canny算子进行边缘检测,再利用Hough变换对竹片进行边缘定位,并对倾斜竹片实施旋转校正,以确定待检测竹片在图像中的具体位置.根据竹片的位置提取竹片区域平均颜色特征及纹路特征,将其作为样本的属性特征,采用Bayes训练的颜色等级作为输出,建立特征参数与颜色等级之间的Bayes分类器,上位机获得分级信号后经串口通过下位机实现竹片的自动分级.试验结果表明,该方法对竹片颜色检测准确率达到91.7%,可为竹制品行业的竹片颜色自动在线检测提供理论依据.     

基于颜色和纹理特征的大麦主要病害识别研究

为提出一种在自然环境条件下基于采集图像的颜色一阶与二阶矩和纹理LBP算子改进模式综合特征参数的大麦病害识别方法,以甘肃河西地区发生的大麦白粉病、云纹病和条锈病为研究对象,采用颜色矩和LBP算子均匀模式综合特征参数来提取大麦病斑的颜色和纹理特征,并将该特征向量作为输入向量构建以径向基为核函数的支持向量机(SVM)分类器模型。利用SVM分类模型对采集到的355幅病害图像进行实例分析,结果表明当径向基参数时,大麦病害整体识别正确率达84.7458%。本研究为农田大麦病害诊断提供了有效的分析手段,验证分类模型在大麦病害研究中的可行性,并可为其他农作物病害诊断提供借鉴和参考。