基于机器视觉技术预测玉米质量等级的方法研究

国家标准规定玉米的质量定等指标为容重,为了实现利用机器视觉快速预测玉米等级,采用自行构建的基于机器视觉技术的玉米检测系统获取4种不同等级的玉米籽粒图像,通过均值滤波、最大类间方差法和形态学运算对玉米籽粒和背景进行处理、分割和特征参数的选取,并采用主成分分析法确定图像特征信息的最佳主成分因子数,建立以玉米容重为基础的8-21-4三层BP神经网络质量等级识别模型。结果表明:利用BP神经网络对基于完整籽粒图像和籽粒横切面图像的玉米等级的总体识别率均在90%以上,因此利用该模型对玉米等级的检测识别具有较高的可行性。     

基于图像处理和神经网络的小麦不完善粒识别方法研究

为了实现图像处理技术对小麦不完善粒的准确快速识别,研究了一种基于小麦不完善粒图像特征和BP神经网络的不完善粒识别方法。采集小麦不完善粒图像,对图像进行中值滤波、形态学运算、图像分割等处理后,针对每个小麦籽粒,提取其形态、颜色和纹理共3大类54个特征参数,采用主成分分析法提取8个主成分得分向量作为模式识别的输入,建立BP神经网络模型,实现对小麦不完善粒的检测识别。结果表明,该模型对完善粒、破损粒、病斑粒、生芽粒和虫蚀粒的判别正确率分别为93%、98%、100%、90%和85%,平均判别正确率达到93%,可有效对小麦不完善粒进行检测识别。     

基于LDA_SVM的小麦质地检测方法研究

研究基于透射光图像的小麦质地检测方法,使用工业相机采集14种小麦种子的透射光图像,通过图像处理技术获取整粒小麦、胚乳和种胚代表性区域,并提取对应区域的颜色特征数据。分别运用PCA和LDA进行数据降维,并将降维前后的数据与支持向量机(SVM)、K近邻算法(KNN)和决策树模型(DT)3种分类器相结合建立分类模型,对不同品种小麦质地进行分类识别研究。结果表明：利用图像处理技术提取透射光全部特征,建立的LDA＿SVM模型分类正确率可以达到97%以上,证明透射光图像下通过机器学习对不同质地小麦快速分类鉴别是可行的。     

基于图像处理小麦籽粒长和粒宽的自动测量

干旱高温胁迫是造成小麦减产的主要因素之一.干旱导致小麦籽粒外形特征发生变化,如小麦籽粒干瘪,变小.粒长、粒宽是小麦籽粒重要的形态性状,本文采用边缘检测算法提取出于旱胁迫下小麦籽粒的图像边缘点,再根据图像边缘点,自动检测提取出小麦籽粒的粒长和粒宽特征参数.结果表明,提取出的麦粒图像边缘点精确,对小麦籽粒的粒长与粒宽特征参数的自动估算结果较精确,为定量研究干旱高温胁迫对小麦产量的影响提供了新的手段,为基于计算机视觉的干旱程度自动检测打下基础.     

小麦籽粒外观形态特征测定技术研究

利用计算机图像处理技术,通过设计图像捕捉装置获取小麦籽粒图像,编程实现小麦籽粒图像分析,能够准确测定小麦投影面积、长轴、短轴、椭圆度、等效直径等形态参数.研究结果表明:计算机图像处理系统测定小麦籽粒长轴、短轴、投影面积等参数与手工测定值均存在良好的线性关系,R2分别达到了0.991、0.993、0.985,实现了小麦籽粒外观形态参数量化测定,能够精确描述小麦形态特征.     

基于褶皱特征参数的男西装袖弊病类别的自动识别

为实现自动判别男西装袖的弊病类型，提出了一种将图像处理技术与BP神经网络相结合的判别方法。首先收集不同弊病类型的男西装袖图像，借用MATLAB平台，对图像进行灰度化、灰度增强、二值化等预处理，绘制褶皱部位的灰度曲线图；然后基于灰度曲线图以及二值化图提取褶皱宽度、褶皱深度和褶皱斜率等3个特征参数；最后将提取的特征参数和对应的弊病类型输入到BP神经网络中训练和识别，对男西装袖弊病图像的类型进行分类。结果显示，提出的方法对袖弊病类型的判别具有较高的准确率与稳定性。     

基于颜色特征和BP神经网络的大米加工精度判别方法研究

提出了基于颜色特征和BP神经网络判别大米加工精度的方法。设计了基于机器视觉的大米加工精度检测装置采集大米图像,利用图像处理技术对获取的大米图像进行预处理,提取大米籽粒目标图像;在大米籽粒腹部确定半径为R的圆形区域作为颜色特征值提取区域,将颜色特征值提取区域按面积平均分成5个同心圆子区域,提取每个子区域的R、G、B颜色值,并将颜色值转成色调H值作为描述大米籽粒表面加工精度的颜色特征值,以5个颜色特征值作为输入值,采用BP神经网络对大米的加工精度进行检测。试验结果表明:该方法对4种不同加工精度大米样品籽粒检测的平均准确率为92.17%。     

基于ANN和PCA的玉米品种特征分析与识别研究

研究了一种基于玉米外观形态和颜色特征进行的玉米品种的特征主分量分析及BP神经网络识别方法。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,采用主分量分析PCA的方法提取其主分量,将这些主分量作为BP神经网络的输入,构建4层神经网络,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神经网络识别模型。试验结果表明,方法对11个品种550个籽粒的品种检出率为92%以上,得到了较好的识别效果。     

异形纤维截面测量中的边缘检测算法

边缘检测是数字图像处理中的重要内容之一,也是实现图像分割、特征提取和图像理解的基础;而截面的特征参数是表征异形纤维截面形状的主要指标。计算机数字图像处理可以提取异形纤维的特征参数来自动识别不同类型的异形纤维。讨论采用常用的几种经典边缘检测算法对截面形状为五角形的异形纤维图像进行处理的情况,并通过实验得出这些边缘检测算法的优缺点及结论,以便为正在开发的异形纤维截面自动检测系统的图像处理技术作铺垫。     

基于小波变换和BP神经网络的织物疵点检测

探讨基于小波变换和BP神经网络的织物疵点检测技术。为准确检测织物疵点,采用小波变换对预处理后的织物图像进行分解,小波分解后不同的子图像反应了织物的不同细节信息,从小波分解后的水平细节子图像和垂直细节子图像中提取特征参数,特征参数的提取采用灰度共生矩阵法,将提取到的特征参数送入训练过的BP神经网络,进行检测疵点,达到疵点织物融合、形态学和阈值处理并显示疵点的目标。实验证明:该方法行之有效。认为:寻找更适合的方法提取更有效的特征值和改进神经网络可以提高识别效率。     

Evaluation of the effect of moisture content on cereal grains by digital image analysis

Physical appearance and kernel morphology significantly affect the grade of a harvested crop in addition to other factors such as test weight, percentage of foreign matter and constituent components. Moisture content of grain can potentially affect the physical appearance and kernel morphology. The objective of this study was to evaluate the effect of moisture content on the classification capability of colour, morphology and textural features of imaged grains. Colour images of individual kernels and bulk samples of three grain types, namely Canada Western Amber Durum (CWAD) wheat, Canada Western Red Spring (CWRS) wheat and barley were acquired using a machine vision system. The grain kernels were conditioned to 12%, 14%, 16%, 18% and 20% moisture contents before imaging. Previously developed algorithms were used to extract 123 colour, 56 textural features from bulk sample images and 123 colour, 56 textural, 51 morphological features from individual kernel images. The extracted features were analysed for the effect of moisture content. Statistical classifiers and a back propagation neural network model were used for classifying the grain bulk at different moisture contents. The colour and textural features of bulk grain images were affected by the moisture content more than that of the single kernel images.     

基于SVDD的小麦净度检测方法研究

净度是种子质量的重要指标,可以直接影响作物的产量。由于种子杂质类型较多,传统方式二分类机器学习方法,易受建模杂质种类的限制,使得模型准确率降低。为实现种子净度自动化快速检测,本研究提出一种基于支持向量数据描述(SVDD)的小麦净度快速检测方法。利用工业相机获取小麦和麦壳、燕麦、大麦杂质的可见光图像,通过HALCON软件提取每粒样本的13种形态特征,借助皮尔逊相关性分析,筛选有效特征。在此基础上,分别利用SVM算法以及SVDD算法构建小麦净度识别模型,并进行分类识别对比试验。试验结果表明：SVDD算法杂质数据可以不参与建模,识别准确率达到95%以上,结合种子千粒重快速计算种子净度,在杂质占比含量20%时,检测误差为3.2%。基于SVDD的小麦净度检测方法,可以实现对小麦和多种杂质的快速分类,实现对小麦净度快速检测。     

基于改进AlexNet模型的抓毛织物质量检测方法

针对传统图像识别方法对抓毛织物表面特征难以提取且识别准确率低的问题,提出了一种改进AlexNet模型的抓毛织物质量检测方法,通过数据增强方法对抓毛织物数据进行扩充,构建卷积神经网络对抓毛织物的样本特征进行提取,利用SGDM、RMSProp、Adam优化算法和改变学习率相结合的实验方法,采用全新学习与迁移学习两种算法对抓毛织物图像数据集进行训练,在训练完成后,分别利用卷积神经网络的不同深度池化层提取抓毛织物样本的特征作为输入,将提取到的抓毛织物特征拟合支持向量机(SVM)分类器,最后对输入的抓毛织物图像进行分类。实验结果表明:使用卷积神经网络方法能够增加卷积层对抓毛织物表面特征的提取能力,获得具有较高分辨力的图像特征,通过数据增强和SGDM算法训练的模型,提取网络pool5层特征拟合SVM分类器,识别准确率明显提高。基于改进AlexNet模型的抓毛织物质量检测方法能够提取抓毛织物表面特征且识别率高。     

基于图像增强的高湿度环境下野生二粒小麦籽粒硬度检测方法

为有效检测高湿度环境下谷类籽粒硬度,以某谷类食品加工厂生产的野生二粒小麦为试验对象,采用高光谱图像成像系统获取野生二粒小麦高光谱图像,通过基于匹配思想的自适应消噪方法(PLS)去除野生二粒小麦高光谱图像的带状噪声,增强高湿度环境下野生二粒小麦高光谱图像质量,在此基础上,将野生二粒小麦光谱数据的平均值作为光谱数据,构建高湿度环境下野生二粒小麦籽粒硬度预测模型,实现对高湿度环境下谷类籽粒硬度的准确检测。仿真试验结果表明,当加工环境湿度为55%时,本文方法检测野生二粒小麦籽粒硬度值平均结果为1745 g,与标准红外检测方法得到的结果差值仅有3 g;当环境湿度提高到75%时,本文方法检测结果为1712 g,与标准红外检测方法相差42 g,本文方法检测野生二粒小麦籽粒硬度结果精度高,优于声振频带幅值特性法,是一种高精度的高湿度环境谷类籽粒硬度检测方法。     

Identification of multiple grain image samples from tray

This paper presents a methodology to identify the different grain types from image samples of tray containing multiple grains using colour and textural features. The multiple grain images are segmented into individual grain images. From these images, eighteen colour and twenty‐four textural features are obtained. A neural network model is implemented for identification of bulk food grains. Five different types of grains namely, alasandi, green gram, metagi, red gram and wheat commonly used in Indian food preparations are considered in this work. The maximum and minimum food grain identification accuracies observed in this work are 94% and 80% for wheat and alasandi, respectively. The work finds application in development of machine vision system for grain identification, classification and grading.     

基于视觉词袋模型的羊绒与羊毛快速鉴别方法

为快速准确地鉴别羊绒和羊毛,提出一种基于视觉词袋模型的鉴别方法。该方法使用羊绒和羊毛的光学显微镜图像作为实验样本,将纤维鉴别问题转化为图像的分类问题。首先对光学显微镜图像进行预处理以增强特征,然后从纤维形态中提取局部特征并生成视觉单词,再依据视觉单词对纤维图像进行分类,从而达到鉴别纤维的目的。使用了4 400 幅纤维图像作为数据集,从中选择不同的羊绒和羊毛的混合比作为训练集和测试集,得到的识别率最高为86%,最低为81.5%,鉴别1 000根纤维需要的时间小于100 s,训练好的分类器可保存并用于后期的检测工作。     

基于X射线和卷积神经网络的异物水饺识别

针对盒装水饺中的异物严重危害消费者身心健康,以及传统金属检测机只能检测金属、检测结果无法直观可视的现状,建立一种基于LeNet卷积神经网络（convolutional neural networks,CNN）模型的异物水饺识别方法,对含有金属钢球、铁丝、螺钉、石头和玻璃5 种异物的X射线水饺图像进行检测。首先利用X射线检测设备获取无异物和异物水饺图像,对图像进行去噪和对比度拉伸变换处理。其次,采用批量归一化方法、Softmax线性回归分类器,以ReLu为激活函数、Max-Pooling为下采样方法,对设计的CNN模型进行优化、训练和验证。利用训练好的网络模型对无异物和异物水饺图像各100 幅进行测试,结果表明：该方法可以精确地识别异物水饺,识别率为99.78%。最后,通过提取局部二值模式、方向梯度直方图和Gabor常规纹理特征作为识别无异物和异物水饺的特征向量,利用BP神经网络、支持向量机（support vector machine,SVM）、K最邻近分类器、AdaBoost分类器、朴素贝叶斯分类器和决策树类器对水饺图像进行识别,将识别结果与本实验网络模型进行对比,验证了本实验算法的优越性和所提取特征的有效性。该研究为食品中的异物检测提供了新的思路,有利于保障食品安全。