基于计算机视觉的自然光照条件下成熟石榴的识别

研究自然光照条件下成熟石榴识别;利用同态滤波进行图像增强,将图像从RGB空间转换到HSI空间,并将色调和饱和度融合,有效去除暗背景和灰背景,利用区域面积并结合形态学特征去噪实现区域分割,最后利用优化后的Hough变换提取形心和半径,恢复遮挡果形;基于VC++6.0开发图像处理程序,能够实现对成熟石榴的识别;识别率为85%以上,为下一步对目标正确定位,实现水果采摘自动化收获打下基础.     

基于统计复杂性测度、多重分形谱等方法的柑橘品质分级

为精确地度量柑橘品质分级,研究了病虫害为害状冰糖橙缺陷果实复杂性测度机器识别、脐橙果实周长-面积分形维数与分段色调单位坐标化多重分形谱高度/宽度的形状和颜色分级及糖酸度无损检测。对冰糖橙生理性缺硼、锈壁虱、油胞凹陷病3种常见病虫害果实为害状缺陷在0°—50°主色调区域实施长度为1°的分段,统计各分段色调区间像素分布概率,并计算统计复杂性测度C(Y)与Shannon信息熵H(Y),以C(Y)与H(Y)为检索词计算机查询果实病虫害检索表来进行病虫害缺陷果机器识别,平均正确识别率为93.33%。对脐橙果实果梗面与侧面在相垂直的2个投影面上的图像进行去背景与边界轮廓提取操作,计算边界轮廓周长-面积分形维数,以此为指标检索果实信息字典进行脐橙形状分级,正确率100%。以脐橙果实相对的2个侧面图像为研究对象,去其背景,将30°—120°主色调区域进行30°—50°、50°—70°、70°—90°和90°—120°的区间分割,生成4幅色调图像,计算此图像多重分形谱质心坐标、高度与宽度,对该高度与宽度进行单位质心坐标化处理,一方面以单位质心坐标化多重分形谱高度与宽度为指标检索果实信息字典进行脐橙颜色分级,正确率98%;另一方面以单位质心坐标化多重分形谱高度与宽度为参数通过糖酸度偏最小二乘模型映射果实糖酸度,糖度与酸度标准差分别在0.77及0.36以内,与实际值的相关系数分别在0.8及0.7以上。试验结果表明:统计复杂性测度、周长-面积分形维数、单位质心坐标化多重分形谱高度与宽度较精确地反映了柑橘分级中需识别的冰糖橙果实病虫害缺陷的特征、脐橙果实形状与颜色特性及内部糖酸度无损检测映射参数特点。     

图像形态学在苹果自动分级视觉信息处理中的应用——以果梗判别与边缘检测为例

首先指出果梗判别在苹果自动分级系统中的研究意义;进而列出4种有代表性的判别果梗的方法;在此基础上提出了利用图像形态学可以更好地判别果梗,同时还能检测边缘;最后对该算法进行了系统评估,并为提高处理速度进行了改进.     

基于K-means聚类与果萼形状的‘海沃德’猕猴桃膨大果检测方法

【目的】根据‘海沃德’猕猴桃膨大果和未经膨大剂处理的猕猴桃正常果在果萼形状上的差异,建立一种基于K-means聚类算法的猕猴桃膨大果的图像识别方法。【方法】利用K-means聚类算法对猕猴桃的RGB图像进行聚类,以初步分割出猕猴桃果萼;对RGB图像进行灰度化,并采用最大类间方差法对灰度图像进行阈值分割,基于阈值分割后的二值图像提取猕猴桃的边缘区域;基于K-means聚类分割的结果与猕猴桃边缘区域的二值图像提取果萼的聚类,再利用数学形态学处理精确提取出猕猴桃的果萼。求取果萼区域最小外接矩形的长宽比,并根据长宽比进行猕猴桃正常果与膨大果的判断与识别。【结果】对提取的猕猴桃果萼特征的统计分析表明,当猕猴桃果萼区域最小外接矩形的长宽比值大于1.6时为膨大果,否则为正常果,利用该算法对‘海沃德’猕猴桃膨大果的总体正确识别率为91.5%。【结论】基于K-means聚类分割算法和果萼形状上的差异所提出的猕猴桃膨大果无损、便捷检测方法,为猕猴桃膨大果的工业化在线检测及基于手机平台的猕猴桃膨大果识别软件的开发提供了新思路。     

基于高光谱图像的新疆红富士苹果颜色分级研究

[目的]以新疆红富士苹果为研究对象,探讨应用高光谱图像技术对其着色面积进行的研究方法.[方法]对852/713双波段比图像作阈值分割,以及形态学开运算去除果梗区域,提取色调H灰度图像对应去除果梗的二值图像像素值为1的累计频度值,依据AdaBoost算法将15个BP神经网络弱分类器训练组成强分类器,对苹果的着色面积进行分类.[结果]采用AdaBoost_NN对苹果着色面积的分级与人工分级一致率达到97.7;.其中45个优等果有2个被错分为一等果,27个等外果有1个被错分为二等果.[结论]利用高光谱图像技术提取的特征波长图像能够很好的对苹果着色面积进行分级,为今后多光谱成像技术在线分析苹果品质奠定研究基础.     

葡萄采摘机器人采摘点的视觉定位

针对葡萄采摘机器人在自然环境下采摘点定位困难的问题,本研究提出了一种基于分水岭果梗图像分割和最小角度约束的采摘点定位方法。第一,将采集的葡萄果实图像变换到YUV颜色模型,对U通道灰度图进行均衡化处理,然后进行双阈值分割和形态学开操作去掉干扰区域,再对二值图像进行填充;第二,以检测到的葡萄果实位置为参考,确定葡萄串果梗感兴趣区域,对该感兴趣区域进行分水岭操作;第三,对果梗二值图像进行角点检测,然后分别对每个果梗检测到的角点数据进行线性回归,将拟合到的直线分别与垂直于地面直线进行角度计算,将夹角角度最小的拟合直线所在的果梗确定为葡萄串所连的果梗;第四,对该果梗检测到的角点数据进行K均值聚类分析,聚类中心为最佳采摘点。对采集于晴天顺光、晴天逆光和晴天遮阳这3种条件下各40幅夏黑葡萄图像进行验证,采摘点定位成功率为89.2%,单张葡萄图像的采摘点平均定位时间为0.65 s。说明该方法可以为葡萄采摘机器人提供准确的采摘点坐标信息。     

水果图像的背景分割和边缘检测技术研究

根据区域阈值法分别对所采集的彩色图像的红、绿、蓝三帧图像进行背景分割,发现在B 分量灰度直方图中利用双峰法选择阈值进行背景分割的效果最好;利用多种微分算子提取水果图像的阶跃性边缘,并用Hilditch 细线化方法对已提取边缘的图像进行了细线化处理,获得了较好的边缘提取和细化处理效果;所研究的背景分割和边缘检测技术的处理效果可以满足进一步进行水果的尺寸、果梗、形状和表面缺陷等检测的要求     

苹果任意姿态下高光谱图像感兴趣区域选取方法

针对实际生产线上基于高光谱成像技术检测苹果内部品质时由于高亮区、果梗和果萼等区域光谱差异大导致的糖度误差问题,本研究提出了一种随机姿态下苹果高光谱图像感兴趣区域的选取方法,可实现感兴趣区域的自动选取。该方法首先将高光谱图像各像素点按照700 nm波长的光谱强度值进行直方图统计,获取各像素点光谱强度的大小关系,保留光谱强度前40%的区域,对其进行形态学腐蚀操作,去除其中700 nm光谱强度值大于3 900的过度曝光像素点,获得苹果原始感兴趣区域;然后基于原始感兴趣区域,建立不同大小感兴趣区域对应的平均光谱与苹果糖度的偏最小二乘回归(PLSR)模型,探究苹果感兴趣区域大小与预测精度的关系,进一步缩小感兴趣区域。最终选取原始感兴趣区域光谱强度前70%的区域作为感兴趣区域对任意姿态下的苹果糖度进行预测。基于该方法,建立了基于高光谱成像技术的苹果糖度无损检测模型,实测验证结果表明,经黑白校正、标准正态变换(SNV)预处理后建立的竞争性自适应重加权算法偏最小二乘回归模型(CARS-PLSR)的预测精度最高,其校正集决定系数(R■)为0.9206,校正集均方根误差(RMSECV)为0.3203°Br...     

水果图像的背景分割和边缘检测技术研究

根据区域阈值法分别对所采集的彩色图像的红、绿、蓝三帧图像进行背景分割,发现在B分量灰度直方图中利用双峰法选择阈值进行背景分割的效果最好;利用多种微分算子提取水果图像的阶跃性边缘,并用Hilditch细线化方法对已提取边缘的图像进行了细线化处理,获得了较好的边缘提取和细化处理效果;所研究的背景分割和边缘检测技术的处理效果可以满足进一步进行水果的尺寸、果梗、形状和表面缺陷等检测的要求。     

基于高光谱成像的苹果果梗完整性识别方法研究

为了实现对苹果品质的等级评价,对果梗的完整性进行检测是必不可少的。选取了苹果样本260个,其中果梗完整果104个、果梗不完整果92个、没有果梗果64个。利用高光谱成像技术提取苹果感兴趣区域光谱信息。采用逐步多元回归算法(stepwise multiple linear regression,SMLR)从全波段(450~970nm)提取了5个特征波长(594.78,572.08,599.84,626.48,666nm),采用连续投影算法(successive projections algorithm,SPA)从全波段(450~970nm)提取了7个特征波长(467.5,672.4,695.4,730.2,840.4,952.6,969.6nm)。然后,提取感兴趣区域的惯性矩、相关性、能量和熵4个纹理特征。将光谱特征、纹理特征、光谱特征结合纹理特征3组数据,分别作为输入矢量,采用支持向量机(support vector machine,SVM)、BP人工神经网络(BP artificial neural network,BPANN)对苹果果梗完整性进行识别,使用交叉验证的方法进行5组交叉验证,每一组分别从训练集和验证集中拿出30个进行互换,将5组验证集正确率的平均值作为评价指标,并且对比分析结果。结果表明:单独使用纹理特征作为输入矢量,果梗识别效果不佳,SVM模型正确率为50.3%,BPANN模型正确率为37.2%。融合光谱特征和纹理特征作为输入矢量识别效果一般,SPA-T-SVM模型正确率为86.6%,SPA-T-BPANN模型正确率为80.3%,SMLR-T-SVM模型正确率为77.2%,SMLR-T-BPANN模型正确率为74.9%。只采用光谱特征作为输入矢量识别效果较好,其中SPA-SVM方法识别效果最好,识别正确率达到91.7%,且数据计算量小。该研究为苹果品质等级评价提供了理论依据。     

自然光照条件下苹果识别方法对比研究

针对自然光照条件下果园苹果识别效果不佳的问题,从苹果的颜色分割和形状提取2方面进行对比研究,提出一种自然光照条件下的苹果识别方法。利用错检率、漏检率和处理速度3个量化指标综合对比分析颜色阈值、SVM和BPNN 3种苹果颜色分割方法的处理效果。比较6种边缘检测算法对苹果区域图像的边缘检测效果,并使用Hough圆检测算法对苹果形状进行提取,以获得苹果的圆心和半径。试验结果表明:由BPNN的苹果颜色分割方法以及结合Log和Hough的苹果形状提取方法所构建的果实识别算法具有较高的鲁棒性和准确性,能有效克服果实遮挡、重叠和颜色变异等问题,果实平均识别率可达91.6%。     

基于计算机视觉的库尔勒香梨脱萼果识别研究

[目的]针对库尔勒香梨的图像,对香梨脱萼果和宿萼果进行分类及识别研究。[方法]利用Matlab软件进行图像数据获取、灰度化、中值滤波,利用动态阀值分割二值化图像;为弥补二值化后图像中出现的孔洞,基于数学形态学算子填充孔洞。设计神经网络参数,然后利用试验样本对BP神经网络进行训练和测试。[结果]所提出的方法能够获得很高的正确识别率,能够有效地将脱萼果识别出来。[结论]用BP神经网络来分类识别香梨脱萼果可以达到较好的效果。     

水果检测中的边界追踪法

应用计算机视觉进行水果检测时 ,采用边界追踪技术能有效分割背景与样品 .文章根据梨、苹果等水果的外形特征 ,提出了一种改进的边界追踪方法 .该方法的操作图像可以是二值图像或灰度图像 ,图像中的样品被分割成 4个区域 ,为加快处理速度 ,根据水果外形来确定每个区域边界追踪方向的优先权 .对苹果、梨、芒果等水果图像进行了测试 ,结果表明 ,该方法追踪一幅大小为 15 0× 15 0像素的水果图像 ,所需时间不足 1s .     

基于HJ卫星遥感数据的林果光谱特征分析

[目的]利用卫星遥感数据分析林果与其他地物的差异,并对林果中的苹果、香梨、核桃、红枣四种果树之间的差异性进行试验性研究,为林果区提取和果树树种识别提供理论依据.[方法]以新疆阿克苏市为研究区,以HJ卫星数据为数据源,结合当地实地调查资料,采用光谱分析法、归一化差值植被指数(NDVI)时序数据变化分析方法以及微分变换(d1[ log( 1/Rλ)])方法,对林果与其他地物的差异性和果树之间的差异性进行分析.[结果](1)林果与其他地物在5月时相上的差异显著;(2)4和11月两个时相上的微分变换数据显示,红枣和核桃与其他两种果树差异明显,苹果和香梨相近.[结论](1)利用HJ星遥感数据能对林果区进行准确提取:(2)利用HJ - CCD数据可以识别红枣和核桃,苹果和香梨的识别较难,有待进一步研究.     

3种疏除剂在梨树疏花疏果上的效应

【目的】疏花疏果是梨树栽培管理中的重要措施,可以减少树体营养的浪费,克服梨树大小年现象,提高果实品质。【方法】对‘黄金’梨和‘丰水’梨两个品种的盛花期和幼果期分别采用石硫合剂、萘乙酸和乙烯利3种疏除剂进行喷布处理。【结果】在2个品种的盛花期喷布1.004g/mL石硫合剂对梨树的疏除效果好,坐果率分别达到7.47%和13.26%。在盛花期喷布15mg/L萘乙酸对梨树疏除效果好,疏除率达到86%左右,但在幼果期喷布效果不明显。在盛花期和幼果期喷布乙烯利对‘黄金’梨的疏除效果较好,喷布400mg/L和600mg/L较适宜,花朵坐果率分别达到5.37%和42.92%左右,与人工疏除率基本相同;在盛花期喷布500 mg/L乙烯利对‘丰水’梨的疏除效果较好,疏除率可达到86.36%,但在幼果期喷布疏除效果不明显。【结论】正确使用化学疏除剂对梨树疏花疏果具有重要作用,本试验对果品优质生产具有一定的指导意义。     

梨成熟果多酚提取工艺条件的优化

[目的]提高梨果实多酚的提取率,研究梨成熟果多酚的提取工艺条件。[方法]利用超声波辅助提取法,在单因素试验的基础上结合正交试验对梨果实多酚的提取工艺条件进行优化。[结果]梨成熟果多酚提取的最佳工艺条件是甲醇浓度100%、料液比1∶15(g∶m L)、超声温度50℃和超声时间5 min,在此条件下提取率是0.056 4 mg/g。[结论]研究可为梨加工品种的筛选及梨资源的高效利用提供参考。     

不同摘袋时间对满天红梨果实品质及贮藏性的影响

[目的]提高红皮梨的果实品质。[方法]选用"金果"条黑袋在陕西省白水县和蒲城县对满天红梨进行套袋,研究不同摘袋时间对满天红梨果实外观品质、内在品质和贮藏品质的影响。[结果]摘袋时间越早,满天红梨的果锈指数、叶绿素含量越高,果实硬度越低。采收前25~35 d(8月上中旬)摘袋,果锈、日烧均严重,果实着色不良,果实硬度较低。采收前10~15 d(8月下旬)摘袋,果锈、日烧均较轻,果实着色良好,果实硬度较高,耐贮性良好。海拔较低的灌区要注意防止黑点病及裂果的发生,海拔较高、没有灌溉条件的塬区要注意防止日烧的发生。[结论]采收前10~15 d(8月下旬)是满天红梨最佳的摘袋时间。     

一种全发酵复合果酒的酿造工艺研究

[目的]为陕西省苹果资源的开发利用提供新的途径。[方法]以新鲜苹果、梨为原料,研究全发酵苹果、梨复合果酒的最佳酿造工艺。[结果]初汁(苹果汁、梨汁)的配比、酵母的添加量、发酵温度S、O2的添加量均会影响全发酵苹果、梨复合果酒的品质。苹果、梨复合酒的最佳酿造工艺为:苹果汁、梨汁的配比为2∶1,SO2的添加量为40 mg/L,可溶性固形物(SSC)调至20°Bx,酵母菌的接种量为0.9 g/L,前发酵温度为20℃,发酵10 d,后发酵温度为15~18℃,发酵30 d。[结论]在最佳工艺条件下酿造出的苹果、梨复合果酒,口味纯正柔和、果香浓郁、色泽鲜亮、营养丰富,具有典型的果香和酒香,值得重点推广。     

Pearprocess: A new phenotypic tool for stone cell trait evaluation in pear fruit

The content of stone cells is an important factor for pear breeding as a high content indicates severely reduced fruit quality in terms of fruit taste. Although the frozen-HCl method is currently a common method used to evaluate stone cell content in pears, it is limited in incomplete separation of stone cell and pulp and is time consuming and complicated. Computeraided research is a promising strategy in modern scientific research for phenotypic data collection and is increasingly used in studying crops. Thus far, we lack a quantitative tool that can effectively determine stone cell content in pear fruit. We developed a program, Pearprocess, based on an imaging protocol using computer vision and image processing algorithms applied to digital images. Using photos of hand-cut sections of pear fruit stained with phloroglucin-HCl(Wiesner's reagent), Pearprocess can extract and analyze image-based data to quantify the stone cell-related traits measured in this study: number, size, area and density of stone cell. We quantified these traits for 395 pear accessions by Pearprocess and revealed large variation in different pear varieties and species. The number of stone cells varied greatly from value of 138 to 2 866, the density of stone cells ranged from 0.0019 to 0.0632 cm~2 cm~(-2), the distribution of stone cell area ranged from 0.06 to 2.02 cm~2, and the stone cell size was between 2e-4 and 1e-3 cm~2. Moreover, trait data were correlated with fruit taste data. We found that stone cell density is likely the most important factor affecting the taste of pear fruit. In summary, Pearprocess is a new cost-effective web-application for semi-automated quantification of two-dimensional phenotypic traits from digital imagery using an easy imaging protocol. This simpler, feasible and accurate method to evaluate stone cell traits of fruit is a promising new tool for use in evaluating future germplasms for crop breeding programs.