基于深度学习的牛肉大理石花纹等级手机评价系统

大理石花纹是影响牛肉品质等级的重要指标,目前中国牛肉加工企业对大理石花纹的评价是由专业分级人员参照标准图谱完成,具有主观性强、耗费人工的缺点。针对上述问题,该研究提出了基于深度学习的智能分级方法,设计一种具有4层卷积的神经网络结构,实现了大理石花纹特征的自动提取,并基于智能手机开发了牛肉大理石花纹检测软件。该研究共采集样本图像1 800张,按3:1:1分为校正集、验证集和测试集。为进一步验证模型,将该方法与传统机器视觉方法进行了比较,提取了牛肉大理石花纹的大、中、小脂肪颗粒个数,脂肪总面积和脂肪分布均匀度5个参数,并建立了多元线性回归模型。试验结果表明,该研究所用方法大理石花纹检测准确率更高,验证集检测正确率为97.67%。最后编写了手机软件,将模型移植入Android手机,在手机平台上调用模型进行大理石花纹检测。试验表明,该软件对测试集样本的检测准确率为95.56%,单张检测时间低于0.5 s。该研究结合卷积神经网络分类能力强和智能手机运行速度快等优点,开发了牛肉大理石花纹的手机评价系统,具有较好的实用性和便携性,可提高牛肉大理石花纹检测效率,有助于提高农畜产品检测的智能化水平。     

牛肉大理石花纹计盒维和信息维的测定

对牛肉大理石花纹几何特征进行定量描述，是牛肉大理石花纹等级自动判定系统的关键技术。通过对牛肉大理石花纹图像分形特征的分析及分形维数的测定，试图以分形维对牛肉大理石花纹的分布特征进行定量描述。作者以中国及美国牛肉分级系统中的大理石花纹标准图版为研究对象，通过图像预处理，将其转化为二值数字图像，然后根据变粗视化程度的像素点覆盖法，编写出计盒维和信息维的测定程序，计算出上述每一幅图像在不同标尺下的非空盒个数及信息量，再根据标尺与非空盒个数及信息量的关系，分析图像的分形特征；通过回归分析的方法，测定出图像的计盒维数和信息维数。试验结果显示，在一定的标度范围内，牛肉大理石花纹标准图像具有分形性，并且显示出多重分形特征；图像的计盒维数和信息维数均呈现出随着牛肉大理石花纹等级的增加而增大的变化趋势。     

基于多尺度区间插值小波法的牛肉图像中大理石花纹分割

牛肉大理石花纹的丰富程度代表着脂肪含量的多少,是牛肉等级划分的重要指标。基于计算机图像的自动分级技术中图像的降噪和分割处理是大理石花纹提取的基础。该文利用多尺度区间插值小波解偏微分方程的方法对牛眼肌切面图像进行处理,基于中心相似变换的延拓方法有效解决边界效应。处理中自适应选取配置点,提高计算效率。试验证明,该算法不仅达到降噪目的,同时还实现了对不同对象区域的保边平滑,使图像纹理和边缘更加清晰。降噪结果与传统滤波法进行对比,峰值信噪比值平均比均值滤波高9.0 d B,比中值滤波高8.2 d B,比维纳滤波高6.6 d B,结构相似性数值平均比均值滤波高0.42,比中值滤波高0.40,比维纳滤波高0.34。与大津法相比,去噪后采用灰度进行图像分割的效果更好,既能分割出大脂肪,又能分割出小脂肪,提高了牛肉等级判定的准确度。     

基于图像处理的胡萝卜青头须根与开裂的检测方法

为了实现基于计算机视觉的胡萝卜外观品质自动分级系统,基于图像处理的方法,参照国家标准(SB/T10450-2007),该文提出影响胡萝卜外观等级的须根、青头、开裂等关键参数的提取算法.须根检测算法通过提取骨架检测端点数来实现,青头检测算法通过R分量上二值化得到,开裂检测算法使用S分量结合区域标记的方法完成,在此基础上构建了须根数、青头比和开裂度3个量化标准,对试验随机采集的520个胡萝卜图像的青头、须根和开裂进行检测,正确率分别达到了97.5%,81.8%,92.3%,总体识别率91.3%.该文所构建的胡萝卜关键特征检测方法,对研究机器视觉的胡萝卜外观品质自动检测装置与分级生产线具有积极意义.     

育种用玉米种子切片取样自动定向方法与试验

为解决玉米育种激光切片取样机器人设计中玉米种子自动定向问题,该文提出了一种计算机视觉与姿态调整装置相结合的定向方法,并使用此方法做了验证试验。使用MATLAB神经网络模式识别工具箱,以种子的部分特征参数作为神经网络的输入,以预定义的种子形态和姿态为输出,建立模型并对模型进行训练,训练完成的模型用于种子姿态识别,姿态调整装置根据识别结果将种子调整到理想姿态。对497组样本进行训练,得到形态识别准确率97.8%,姿态识别准确率99.8%,识别速度1.3 s/幅,能满足设备的设计要求,验证了姿态识别方法的准确性和姿态调整装置设计的合理性。该方法可为玉米种子自动定向问题提供解决方案,为自动育苗机中自动定向装置的设计提供参考。     

应用有序分对数模型对水蚀进行评价

土壤专家针对不同土地利用类型提出了水蚀定性评价模型,它以土地特性作变量,适用于缺乏详细资料,且无法用定量模型的地区。把土地利用和生境条件作变量与专家定性观测相关联建立有序分对数模型对水蚀进行分级,其总体准确率为７８％,８％偏高,１４％偏低。在预测有无侵蚀时准确率为８６％,但在判断中、强度侵蚀时准确率较低,这是由于专家对侵蚀分级在认识上不同引起的。     

基于机器视觉图像特征参数的马铃薯质量和形状分级方法

马铃薯自动分级过程中,存在既要保证分级精度又对分级速度有一定要求的难点问题。该文探讨了利用机器视觉技术快速获取马铃薯图像特征参数,结合多元线性回归方法,建立马铃薯质量和形状分级预测模型,实现基于无损检测的马铃薯自动分级。搭建了同时获取马铃薯三面投影图像的机器视觉系统,通过图像数据处理获得马铃薯俯视图像轮廓面积、两侧面图像轮廓面积、俯视及侧面图像外接矩形长度及宽度数据等图像特征参数,通过多元数据回归分析,建立了马铃薯质量和形状分级预测模型。选择100个试验样本运用该方法进行质量和形状分级模型构建和预测,采用电子称获取样本实际质量,采用目测法对马铃薯进行形状分选。对比试验结果表明,质量分级相关度系数R为0.991,形状分级分辨率为86.7%。表明该方法对马铃薯质量和形状分级进行预测具有可行性,可运用于马铃薯自动分选系统中。     

基于计算机视觉和神经网络检测鸡蛋裂纹的研究

为了提高鸡蛋裂纹检测的准确性和效率，综合运用计算机视觉技术和BP神经网络技术，实现对鸡蛋表面裂纹的无损检测和分级。首先，通过计算机视觉系统获取鸡蛋表面的图像，对图像分析处理，提取了裂纹区域和噪声区域的5个几何特征参数。其次，将5个参数作为输入，建立结构为5-10-2的BP神经网络模型，对裂纹进行识别和鸡蛋的自动分级。试验结果表明模型对裂纹鸡蛋的识别准确率达到了92.9%，对整批鸡蛋的分级准确率达到了96.8%。     

基于离散元法的牛肉咀嚼破碎模型构建

为了实现准确、便捷、客观地牛肉嫩度分级检测。该文利用离散单元法构建牛肉块在口腔中咀嚼破碎模型,并进行仿真模拟。研究中选取50头牛的眼肉作为试验样品,30头牛用于构建模型,20头牛用于验证仿真模型的准确性。试验牛样品在75~80℃的恒温水浴中加热至样品内部温度达到70℃时取出,冷却至室温(20℃)。利用质构仪测得牛肉样品的剪切模量、法向刚度等参数,同时测得密度、碰撞恢复系数、摩擦系数等构建离散元模型需要的相关参数。利用测得的参数构建牛肉咀嚼破碎的离散元仿真模型。将咀嚼破碎的牛肉微颗粒作为离散单元模拟仿真中的最小单位,利用Hertz-Mindlin with bonding模型中的颗粒体积力将牛肉块替换为微颗粒黏结的颗粒簇。在咀嚼作用下,当任意2个微颗粒之间的法向应力和切向应力超过最大极限值时,颗粒簇就开始破碎,仿真牛肉的咀嚼破碎过程。研究中利用离散元模拟仿真4个咀嚼周期并记录力和牛肉颗粒的变化。采用感官评定法和剪切力测定分别验证仿真的准确性,准确率都达到90%。研究表明,利用离散元模拟仿真能有效地实现牛肉嫩度等级的预测评定,为牛肉嫩度品质检测提供新方法。     

基于偏最小二乘投影的可见/近红外光谱猪肉综合品质分类

针对全波段光谱技术的生鲜猪肉综合品质快速无损分类存在光谱数据量大、样本数量较少时分类准确率较低等缺点。该文提出了一种基于偏最小二乘(partial least squares,PLS)投影分析算法和支持向量机的生鲜猪肉综合品质分类器。利用基于偏最小二乘投影分析算法对全波段光谱数据进行数据降维,选取了13个特征波长。利用粒子群优化算法优化支持向量机惩罚参数和径向基核函数参数,优化后二者最优为4.939和0.01。利用选取的特征波长和优化后的参数建立了生鲜猪肉综合品质支持向量分类器。研究结果表明,分类器对训练集中白肌肉(pale,soft and exudative,PSE)、正常肉(reddish-pink,firm and non-exudative,RFN)和黑干肉(dark,firm and dry,DFD)的回判识别率分别为为88.46%、94.11%和92.31%;测试集中PSE、RFN和DFD预测正确率分别为84.62%、94.11%和84.62%。该分类器满足模型简单、预测准确率高等优点,为生鲜猪肉综合品质在线分级提供参考。     

基于数学形态学的牛肉图像中背长肌分割和大理石纹提取技

牛肉图像中背长肌区域的分割和大理石纹提取是利用计算机视觉评定牛肉胴体等级的重要步骤.研究了利用数学形态学的方法来分割牛肉眼肌切面图像中背长肌区域并将大理石纹提取出来的技术.眼肌切面图像经过去除背景并进行肌肉和脂肪像素识别等预处理后,再用形态学腐蚀与膨胀相结合获得背长肌区域图像,通过图像逻辑运算提取大理石纹.结果表明,这种方法能有效地把背长肌区域与其周围肌肉组织分离开来并提取大理石纹.     

基于计算机视觉的牛肉分级技术综述

在中国牛肉分级标准颁布后，牛肉的自动分级就成为一个值得关注的新课题。国外的牛肉自动分级技术已较为成熟，而中国对此研究还处于起步阶段。综述了国内外牛肉自动分级技术的研究进展。中国的研究人员利用计算机视觉技术进行自动分级，需要从生产工艺，信息获取方式，牛肉本身性状的研究等多方面结合。提取牛肉大理石纹作为分级的关键技术之一，不但适合中国的标准，同时也与国外标准相一致。     

基于模糊C均值聚类的牛肉图像中脂肪和肌肉区域分割技术

介绍了一种自适应分割牛肉眼肌切面图像中脂肪和肌肉区域的图像处理技术。通过CCD摄像头获取以黑色平板为背景的牛肉眼肌切面彩色RGB图像。先根据彩色图像R分量的灰度直方图，利用最大方差自动取阀值法(OSTU)把黑色背景与整块牛肉图像分割开来；接着把处理后的图像变成灰度图像，用模糊C均值聚类算法(FCM)计算出牛肉脂肪像素和肌肉像素灰度值的聚类中心，以各个像素点灰度值与两个聚类中之间的绝对值距离来区分出图像中的脂肪和肌肉像素。结果表明，FCM方法是分割肌肉和脂肪区域的有效方法。     

苹果、桃等农副产品品质检测与分级图像处理系统的研究

通过建立图像数据采集与分析系统及相关的农副产品图像数据库,实现对农副产品品质（表面颜色、形状、缺陷）的准确分级。使用该系统,对１００个富士苹果进行质量分级,检测优等果准确率达到９６％。对其它农副产品也可以通过建立其样本图像数据库,进行多种信息的综合分析与判断,实现对不同农产品品质的检测与分级。     

基于小麦群体图像的田间麦穗计数及产量预测方法

在田间小麦测产时,需人工获取田间单位面积内的麦穗数和穗粒数,耗时耗力。为了快速测量小麦田间单位面积内的产量,该文利用特定装置以田间麦穗倾斜的方式获取田间麦穗群体图像,通过转换图像颜色空间RGB→HSI,提取饱和度S分量图像,然后把饱和度S分量图像转换成二值图像,再经细窄部位粘连去除算法进行初步分割,再由边界和区域的特征参数判断出粘连的麦穗图像,并利用基于凹点检测匹配连线的方法实现粘连麦穗的分割,进而识别出图像中的麦穗数量;通过计算图像中每个麦穗的面积像素点数并由预测公式得到每个麦穗的籽粒数,进而计算出每幅图像上所有麦穗的预测籽粒数,然后计算出0.25 m2区域内对应的4幅图像上的预测籽粒数;同时根据籽粒千粒质量数据,计算得到该区域内的产量信息。该文在识别3个品种田间麦穗单幅图像中麦穗数量的平均识别精度为91.63%,籽粒数的平均预测精度为90.73%;对3个品种0.25 m2区域的小麦麦穗数量、总籽粒数及产量预测的平均精度为93.83%、93.43%、93.49%。运用该文方法可以实现小麦田间单位面积内的产量信息自动测量。     

基于近邻法聚类和改进Hough算法的猪胴体背膘厚度检测

为了解决猪胴体背膘厚度在人工测量中准确率、效率低以及存在对样本造成污染的问题,该文基于计算机视觉和图像处理技术提出一种检测背膘厚度的算法。算法主要分成背膘部分检测和测量部位的直线检测。前者通过图像分割、特征点的检测以及漫水填充等方法实现,能准确提取猪胴体背膘部分。后者在图像预处理后,首先通过感兴趣区域(region of interest,ROI)提取猪胴体肋排区域;然后利用设定好的浮动窗口进行全幅图像的扫描,通过平滑后的平均灰度线特征提取肋骨的目标像素点;最后,基于近邻法利用目标像素点间的邻近关系对其进行聚类,找到胴体第6、7根肋骨,并采用基于已知点的Hough变换提取测量直线,将测量部位的直线映射到背膘部分,则可实现对猪胴体背膘厚度准确测量。试验结果表明,在对背膘厚度测量误差小于2 mm时,检测准确率可达92.31%,该文提出的方法能对猪胴体背膘厚度的测量位置进行准确定位和测量。     

基于机器视觉的双孢蘑菇在线自动分级系统设计与试验

针对双孢蘑菇工厂化生产中人工分级劳动量大、生产效率低、标准不统一等问题,该文研究设计了一套基于机器视觉的双孢蘑菇精选分级系统,提出基于分水岭、Canny算子、闭运算等处理的双孢蘑菇图像大小分级算法,设计了基于传送速度、距离、触发时间与算法处理时间的精确控制策略,开发了基于Open CV 2.4.10和visual studio 2010的系统分析与控制软件,在最大限度减少破损情况下,实现双孢蘑菇实时在线精选分级。基于研发的双孢蘑菇自动精选分级系统样机,对新鲜双孢蘑菇进行了分级性能及分级效果的测试。试验结果表明,在输送速度12.7 m/min、相机行频1 900 Hz下,自动分级系统的平均分级速度是102.41个/min、平均准确率97.42%、破损率0.05%、漏检率0.96%,相对于人工分级效率提高38.86%,准确率提高6.84%,破损率降低0.13%,可以连续稳定工作。对于长时间分级,由于人容易疲劳,自动分级的优势更加明显。     

Influence of Additives and Mixing Time on Crumb Grain Characteristics of Wheat Bread

The effect of additives and processing parameters on wheat bread were investigated objectively using image analysis (IA). Five different bread types were produced by varying the ingredients (standard, standard with fat, standard with emulsifiers) and changing the mixing times (90, 150, and 240 sec). A digital IA system for wheat bread was developed from generic commercial software. The system yielded reproducible results for a variety of bread crumb grain image features. Bread slices were scanned and evaluated using the IA system. Image characteristics were determined for each bread type. All data was statistically evaluated to detect significant differences between bread types. It was shown quantitatively that inclusion of fat or emulsifiers or extension of mixing time had a significant effect on crumb grain features such as mean cell area, total cell area, and number of cells/cm². The five bread types could be distinguished solely by crumb grain characteristics.