基于颜色特征的脱绒棉种电导率检测方法研究

主要探讨脱绒棉种颜色特征与种子活力之间的相关性,搭建脱绒棉种图像采集平台,并进行图像处理算法的研究。在RGB、HSV和I1I2I3颜色模型下提取颜色特征参数,同时进行脱绒棉种电导率的测定,采用SPSS19对各颜色特征参数与脱绒棉种电导率值进行相关性分析,结果表明脱绒棉种部分外观颜色特征参数与其电导率值之间相关性显著。基于BP神经网络的脱绒棉种内部品质检测模型,取脱绒棉种鼎丰10和新陆早45各300粒对模型进行训练,当鼎丰10和新陆早45隐含层的结点数分别选择为8和7时,网络均方误差和函数收敛效果较好,然后将脱绒棉种鼎丰10和新陆早45各取100粒对训练好的网络模型进行验证,结果表明用BP神经网络的检测精度分别可达到82.7%、86.1%。     

基于RGB模型的脱绒棉种颜色特征与发芽状况的关系

为了得到脱绒棉种质量与其表面颜色特征之间的关系，采用数码相机拍照，利用图像处理技术提取脱绒棉种表面颜色特征，并严格按照GB/T3543.4－1995进行发芽试验，通过线性拟合和逐步回归分析,建立了脱绒棉种质量的颜色特征估算模型，并对其精度进行了评价和验证。结果表明：基于R/(R+G+B)、G/(R+G+B)、(R-G-B)/(R+G)和R/G 4个颜色特征参数，逐步回归模型决定系数R2分别为0.6949和0.7148，且均通过了P=0.01极显著性检验水平。该研究为基于RGB颜色模型对脱绒棉种实施快速、有效的分选提供了理论依据。     

脱绒棉种活力检测系统的设计与实现

为了实现脱绒棉种活力的快速无损检测,利用VS2010和Open CV混合编程方式开发一套脱绒棉种活力在线检测系统分析软件,应用BP神经网络原理构建活力预测模型。软件系统主要包括图像采集模块、参数记录模块、图像处理分析及活力检测模块,主要实现了图像采集、图像特征提取与分析、脱绒棉种活力预测及参数记录等功能。选取新陆早50、鼎丰10号、神农11号3个品种进行活力预测试验,准确率分别达到90.29%、84.27%、8 6.8 0%。软件系统的开发为脱绒棉种活力实现快速无损检测分级奠定了基础。     

基于机器视觉的脱绒棉种"破碎"特征检测技术

针对新疆地区存在的破碎棉种问题,基于机器视觉技术搭建了破碎棉种检测系统.通过对脱绒棉种图像进行分析和预处理后,提取出脱绒棉种的特征参数-面积、周长、圆形度和长短轴等,并对特征参数的分析研究,确定选取圆形度作为检测破碎棉种的特征.随机选取了100粒新陆早-24#棉种进行试验,检测精度达到了87.5%.     

基于机器视觉的脱绒棉种染色特征的提取算法

针对种子活力四唑染色法检测中由于人工视觉疲劳、劳动强度大等因素引起的人工误判情况,提出了一种基于机器视觉的脱绒棉种染色特征的提取算法。此算法是在随机选取了庄稼汉品种的脱绒棉种进行四唑试验后进行的,通过对染色棉种进行图像采集,对图像进行灰度变换、HSI颜色空间转换、中值滤波、自动阈值分割等预处理,经去噪、补洞后得到整粒脱绒棉种的面积和染色部分的面积。同时,计算出图像染色比例,为脱绒棉种活力在线检测奠定理论基础。     

棉种脱绒的方式及改进——单株棉种钢刷脱绒机构

棉种的脱绒方式有两种:化学脱绒和机械脱绒,实验表明:机械脱绒与化学脱绒相比,对保护棉种活力及抗低温能力效果较好。基于两者的优缺点,对机械脱绒机构加以改进,发明了单株棉种钢刷脱绒机构。     

脱绒棉种分选关键技术研究现状——基于机器视觉技术

棉种的优劣直接影响棉花的产量和质量,而机器视觉技术在种子的检测与分级中发挥重要的作用.为此,基于机器视觉技术,分析了脱绒棉种分选系统在硬件方面关键技术的研究现状,总结了脱绒棉种在图像处理中的分选算法,并随着分选的自动化与智能化的不断提高,提出了今后的发展趋势.     

基于图像处理和SVM的植物叶片分类研究

为了提高植物叶片识别与分类的正确率,提出了基于SVM的识别模型和方法;对叶片图像预处理后,提取并优选10个叶片形状特征参数,用SVM法进行训练建模并识别.实验结果表明,用线性核函数的SVM对木瓜、女贞、三角枫和五角枫4种植物叶片识别的平均准确率在95.8％以上,优于神经网络和Fisher判别法,为鉴定植物种类提供了一种快速有效的方法.     

基于FPGA的脱绒棉种色选机实现

通过对当前脱绒棉种分选实现方法的对比,给出了一种双CCD(Charge-coupled device)检测FPGA(Fieldprogrammable gate array)分选实现的方法。通过图像采集模块、数据传输模块和分选模块的分析与设计,结合仿真分析和测试试验,验证了色选机系统效果。其中,图像采集模块采样彩色线阵CCD对脱绒棉种进行成熟度信息采集、黑白线阵CCD对棉种进行完整度信息采集;数据传输模块完成采集数据的传输任务;分选模块依据成熟度和完整度信息对棉种进行判别分析。试验结果表明,色选机系统能够完成对棉种特征信息的采集、数据传输以及分选判别工作,能够满足色选机设计要求。     

棉种脱绒加工技术简介

新疆是我国主要产棉基地,棉花生产现已成为新疆主要支柱产业,加之由于南北疆地理环境和气候条件差异较大,棉种的品种也就很多。所以新疆每年所供棉种的特点是数量大、品种多,这就给棉花种子加工与质量管理带来了一定的难度,棉种质量管理也就显得更加重要。除了选择适合本地土壤和气候条件的优良品种外,棉种的加工水平也直接影响着它的质量。棉种加工的关键是脱绒,即把经轧花、剥绒后的毛棉籽(一般短绒含量6%～12%)脱去最后的短绒,制成适合机械播种的光棉籽。脱绒质量的好坏直接影响到种子的播种品质。脱绒质量含有两方面的意义,一方面指棉种…     

脱绒棉种的物料学特性研究

针对棉花种子的物料学特性对棉花精密播种技术的影响,测定了3种脱绒棉种的几何尺寸、形状、千粒质量、摩擦特性、种子载荷与变形的关系等,得出棉种的粒型介于圆锥形和椭圆形之间,棉种的尺寸差异较大,棉种包衣后摩擦性能有所增大,棉种的载荷强度随与种子的饱满度增大而增大。研究结果对棉花精密排种器的研制有指导性意义。     

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.     

脱绒棉种色选机常用检测元件对比分析

为了寻求一种更好的脱绒棉种色选机检测系统中的检测元件,通过对国内外色选机主要检测元件的进行了对比分析,得出CCD图象传感器的检测效果优于其它检测元件,可作为设计者首选的检测元件。     

基于特征选择的小麦籽粒品种识别研究

为有效地对小麦籽粒品种进行分类，判别影响小麦籽粒品种识别的特征，进行基于特征选择的小麦籽粒品种识别研究。首先采集农大3416-18、内乐288、衡水6632、百农419、洛麦28和新麦26六个品种的小麦籽粒图像18 000张，对采集的图像进行预处理，提取小麦籽粒的颜色特征、形态特征和纹理特征三大类共28个特征值，并对特征进行相关性分析。然后分别构建不同特征融合模型以及数据降维和数据增强模型。最后进行试验分析，基于纹理+形态+颜色三个特征融合模型平均识别准确率为91.02%，其中基于纹理+形态+颜色特征模型的洛麦28识别率最高，达97.0%；经过线性判别分析，降维处理的小麦特征数据识别准确率达86.19%，模型训练时间仅0.87 s；基于数据增强后的平均识别准确率达94.26%。试验表明基于特征选择的小麦籽粒识别是可行的，有助于育种工作者对小麦籽粒识别做出更准确判断，具有一定的实际意义。     

基于DSP的脱绒棉种色选机光电检测系统的设计

光电检测系统是脱绒棉种色选机的核心系统,他对色选机的色选精度有直接的影响,合理设计检测系统是设计色选机所要解决的关键问题。主要论述了脱绒棉种色选机光电检测系统的两大部分即光学系统和数字信号处理系统的设计方法。     

基于稀疏表示的枸杞分类研究

为实现利用计算机视觉技术提升枸杞品种分类效果的目的,研究基于稀疏表示(SR)的枸杞品种分类方法。首先获取枸杞的图像,并提取枸杞图像的颜色和形态特征参数,得到枸杞训练样本的数据词典矩阵。在此基础上,利用稀疏表示方法对枸杞测试样本进行分类。基于稀疏表示分类方法的第一步是利用数据词典矩阵对测试样本进行稀疏性表示,得到测试样本的稀疏表示系数;第二步,利用测试样本的稀疏表示系数,对测试样本进行重构;第三步,计算重构样本与测试样本之间的残差,通过比较残差的大小来确定测试样本的类别。本文将稀疏表示分类方法与深度神经网络(DNN)、最小二乘支持向量机(LSSVM)、BP网络和支持向量机(SVM)等方法的识别结果做了对比和分析。试验结果表明,稀疏表示分类方法对于3个枸杞品种的综合分类准确率为98.33%,获得了最好的分类效果。     

Rapid Detection Based on Machine Vision for Escherichia coli in Vegetables

为了适应蔬菜等农产品对大肠杆菌快速检测的需求,提出采用形态特征参数及染色后菌体区域的颜色特征参数统计值对大肠杆菌进行快速识别,同时提出采用主成分神经网络作为预测模型来提高识别能力.提取了Hu's不变矩、形状因子、密集度、饱和度等14个具有尺度、平移、旋转不变性的特征参数,提取主成分建立了基于主成分的3层BP神经网络模型.将其与普通神经网络模型比较的结果表明,主成分神经网络简化了网络结构、减少了训练时间和计算量、提高了识别的正确率,对大肠杆菌的识别正确率达到91.33％.     

基于改进卷积神经网络的复杂背景下玉米病害识别

为解决田间环境复杂背景下病害识别困难、识别模型应用率低的问题,提出了一种基于改进卷积神经网络的玉米病害识别方法,探讨了数据集的品质对建立模型性能的影响。利用复杂背景下的玉米病害图像进行数据增强、背景去除、图像细分割和归一化等处理,设计了具有5层卷积、4层池化和2个全连接层的卷积神经网络结构,利用L2正则化和Dropout策略优化网络,对复杂背景下的玉米9种病害进行识别训练和测试,优化后的CNN模型平均识别精度为97.10%,比未优化的网络模型提高9.02个百分点。利用不同大小、不同品质的数据集对优选网络进行训练和测试,数据增强后比原始样本平均识别精度提高了28.17个百分点;将复杂背景去除后,模型性能进一步提升,识别精度达到97.96%;对数据集进行细分割处理后,平均识别精度为99.12%,表明卷积神经网络需要大量的训练数据,且数据集需有一定的代表性和品质。开发了基于移动端的玉米田间病害识别系统,系统测试结果表明,平均识别准确率为83.33%,系统能够实现田间复杂环境下的玉米病害识别。     

不孕棉籽的清选设计与试验

针对脱绒棉籽中不孕籽识别与剔除问题,提出一种基于颜色模型的不孕棉籽识别与剔除方法。以南疆中棉56号、新陆早26号、惠远730 3个品种的棉籽为研究对象,利用棉籽的HSI三要素来表征不孕棉籽的外部特征,进而识别不孕棉籽。利用棉籽外部颜色信息的色调分量值H、饱和度分量值S、强度分量值I3个要素分量值作为BP神经网络模型的输入量,经过训练,得出所设计的网络各层的权值和阈值。建立识别不孕棉籽的BP神经网络模型。试验结果表明:利用BP神经网络得到的不孕棉籽识别模型能够很好地反应3个品种棉籽中不孕棉籽与颜色模型三要素之间的非线性关系,偏差的平均绝对百分比误差为0.74,测试的样本实测值与理想值之间的相关系数为0.93268,不孕棉籽识别效果良好。研究结果可为不孕棉籽的剔除方法研究提供一个参考依据。     

基于计算机视觉的新疆棉种颜色分选系统设计

设计了一套基于机器视觉的脱绒棉种在线分选系统,采用种子平抛和气吹分离的方式实现了新疆地区红棕色棉种与黑色棉种的自动分选。研究了无序状态下的种子图像采集方法,并通过区域细分的方式解决了无序种子与气流喷嘴的对应关系。提出了种子位置跟踪和分离算法,实现了对棉种图像处理结果的延时分离操作。实验结果表明:在传送带速度为0.50 m/s时,分选精度为88.6%,选出率为80.7%。