我国木材材种识别技术的新进展

介绍了传统的板材识别方法,包括人工经验识别法、对分式检索表法和穿孔卡片检索表法.总结了基于计算机识别技术的各种木材识别方法:数据库查询检索法、木材图像识别法、利用神经元网络和木材表面颜色特征对木材进行分级的方法、基于语义数据模型的识别方法、基于最大相似原理的材种判别法和木材细胞模型系统的研究进展,重点论述了基于板材端面细胞实体检测图像的数字特征参数识别法.还总结了木材识别理念的更新和进展,指出基于板材端面细胞实体检测图像的数字特征参数识别法大幅度地加快了识别和比较计算的速度,减少了传统依赖图像像素特征识别比较的不确定性.     

基于图像处理技术的织物组织识别研究现状

总结基于图像处理技术的织物组织识别研究现状。在织物组织识别过程中,特征参数的提取和织物组织的识别是关键问题。针对这两个问题,概括和分析了近年来国内外研究人员的研究成果,包括基于频率域的傅立叶变换和小波变换、基于空间域的灰度共生矩阵、自相关函数、基于神经网络的方法和基于聚类分析的方法等;总结了当前织物识别研究中存在的不足。认为:基于图像处理技术的织物组织识别方法是建立在客观评价基础上的,具有准确、快速、效率高等优势,在纺织品检测领域具有良好的发展前景。     

基于图像处理的小麦容重检测方法研究

为了实现图像处理技术对小麦容重影响因素的分析和容重的准确识别,研究了一种基于小麦图像特征和模式识别的小麦容重检测方法。采集不同容重小麦完整籽粒和籽粒横切面图像,对图像进行中值滤波、形态学运算、图像分割等处理,提取原图像与处理后图像的形态、颜色和纹理共3大类44个特征参数。最后采用逐步判别分析对提取的特征参数进行筛选,建立线性参数统计分类器和BP神经网络模型实现小麦不同容重的检测。结果表明,与小麦横切面图像特征相比,小麦完整籽粒图像的特征参数能更好的反映不同容重的差异;2种分类器对基于完整籽粒图像的小麦容重整体识别率均在95%以上。研究结果证明将图像处理技术应用于小麦容重检测识别是可行的。     

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。     

基于改进ResNet模型的食品新鲜度识别方法

目的:解决现有食品新鲜度识别方法存在的检测效率低和精度差等问题。方法:基于食品生产线图像采集系统,提出一种改进的残差神经网络模型用于生产线食品新鲜度识别。引入改进的LRELU激活函数提高模型的识别性能,引入批量归一化层提高模型的训练效率,引入Dropout层丢弃一定比例的神经元降低过拟合的影响。结果:与常规食品新鲜度识别方法相比,试验方法能够较为准确、高效地实现食品新鲜度识别,总体新鲜度识别准确率>97%,平均识别时间为9.8 ms,满足食品生产线对新鲜度识别的需要。结论:基于深度学习的检测方法是一种无损、高效、高精度的食品图像新鲜度识别方法。     

棉花异性纤维分类识别与计重系统的设计

为了实现棉花异性纤维分类识别与计重的自动化,本文建立了一种棉花异性纤维分类识别和计重系统SIW(system of identification and weight statistics),提出了系统的组成结构和工作原理,对系统关键的硬件设备和软件实现过程作了必要的说明,包括场景图像的采集、图像处理和识别方法以及计重模型的建立。最后对SIW系统进行测试,测试结果证明,该系统可以有效地识别出棉花中的异性纤维,并准确得到各种异性纤维的重量,实现异性纤维检测和计重的全程自动化。     

Delphi编程图像处理在针织物疵点检测中的应用

简介了针织物常见疵点,并采用可视化编程工具Delphi进行编程,综合利用噪声处理、二值化处理、边缘增强、边缘检测、二值图像细化等一系列图像处理和识别方法,对针织物进行疵点检测,提出了图像处理在针织物疵点检测中的一般方法。     

基于深度学习的变电站保护硬压板检测与状态识别技术研究

【目的】针对目前变电站保护压板仍由人工核对读取识别,效率低下且容易误操作,制约着变电站向着智能化方向发展。【方法】文章利用深度学习技术,基于YOLO v5算法,进行超参数调整,可迅速实现对保护压板的位置检测与状态识别。同时,通过数据标注建立了用于训练网络的保护压板数据集,该数据集共包含500张压板图像。【结果】实验结果表明,与传统的图像处理算法相比,该识别方法实时性高,且其准确率最高可达到93.63%。【结论】可以应用于变电站保护压板检测和状态识别中。     

基于修正不变矩的车标识别研究与实现

建立了基于修正不变矩的车标识别方法.该方法通过模板匹配定位车标大致区域,利用边缘检测对车标进行精确定位,计算待识车标的修正不变矩特征值,利用不变矩的最小距离进行车标识别.该法不受待识别车标图像大小以及变形等因素的影响,可以自适应地进行车标定位和车标识别.实验结果表明,与Hu不变矩相比较,修正Hu不变矩可以提高图像目标的识别率,有利于车标的识别.     

基于改进型canny算子的跑道边缘检测与识别方法

文章介绍了一种基于改进型canny边缘检测算法的跑道边缘检测与识别方法,主要应用于无人机自主着陆视觉导航技术领域。本方法对拍摄的跑道图像进行采集,得到数字图像,进行预处理,对处理后的图像采用文章提出的一种改进型的基于四阈值的canny边缘检测方法进行边缘检测,并对检测出的图像边缘进行识别,最终给出边界描述。     

储粮害虫智能检测方法的分析

储粮害虫的检测一直以来都是粮食储藏行业研究的一个热点，害虫种类的正确识别是粮食管理人员进行害虫防治的必要依据。对目前国内外的两种主要的害虫检测方法进行了叙述与分析，即基于图像识别的检测方法和基于声信号的检测和识别方法。在此基础上，该文重点论述了基于DSP的多信息融合的储粮害虫智能检测方法。     

基于奇异值分解与同态滤波的粮虫图像增强

储粮害虫的在线检测是研究的热门领域。由于图像处理技术逐渐成熟,基于图像处理的储粮害虫检测系统得到了广泛的关注。图像增强是特征提取前重要的预处理过程,因此在基于图像处理的检测系统中是最重要的步骤。介绍了同态滤波图像增强方法和矩阵奇异值分解的基本理论,在此基础上提出了基于奇异值分解和同态滤波的粮虫图像增强算法。为了验证方法的有效性在Matlab平台上做了仿真试验,使用本方法增强粮虫图像并和其他方法做了对比,结果表明该方法对于粮虫图像增强是有效且可行的。     

储藏物害虫智能化监测与预警系统研究进展

目前我国粮食储备库智能化建设的基础设施比较完善,但对于虫霉的智能监测和预警系统建设还缺少系统的研究。为了保证国家粮食安全,提升粮食智能化管理水平,对目前储粮行业常见的基于图像识别、红外光电、声学检测、电容传感器等技术的储粮害虫智能化监测与预警系统进行总结,比较各个技术的优点与局限。当前,提高智能化监测系统的数据集容量、计数准确率和识别精度是关键技术,结合多场耦合效应建立多种因素影响害虫的种群增长数学模型,并建立相应的专家决策系统,形成检测、预警、防治的产业链是未来智能化粮库发展的方向。综述最新的研究成果,以期对推进我国储粮行业的智能化粮库建设有所帮助。     

储粮害虫检测技术研究进展

储粮害虫是危害粮食安全的主要因素之一,害虫检测技术对于粮食综合管理有非常重要的意义。根据国内外学者对储粮害虫检测技术的研究报道,本文归纳和总结了各种检测技术,分别介绍传统类、新型物理及生物类检测法。传统检测方法较为成熟并已被标准化,常用方法有直观检查法、取样筛检法、探管诱捕法;物理检测法较为新颖,以快速无损型检测方法为主,包括近红外及高光谱法、软X射线、电导率法、声测法、微波法、图像识别法、电子鼻等七种;生物检测法多为辅助性方法,常与其他方法联用以达到较优检测效果。本文对各种方法进行深入比较,并探讨国内外最新害虫检测技术,以期为将来研发合适的检测方法和仪器提供参考。     

酿酒高粱不完善粒检测仪检测模型的研究与检验

针对现阶段酿酒企业检测高粱不完善粒效率较低和识别率不高等问题,结合市场上现有的粮食不完善粒检测仪器,开发了一套基于图像识别的高粱不完善粒快速检测仪,对图像的采集、关键硬件、机器视觉和深度学习等方面做了一系列研究,研究分别采用单一特征分析技术、基于机器学习的图像分类技术、基于深度学习的图像分类技术、细粒度图像分类技术对高粱图片进行分类识别分析,通过对比,最终利用Tensorrt部署技术将细粒度图像分类网络部署到设备中。结果表明,开发的高粱不完善粒快速检测仪的识别精度与人工检测的平均误差控制在1%以内;50 g高粱样品的检测时间控制在5min以内。相较于传统的人工检测,检测时间大大缩短,同时避免了人工检测主观上的偏差,对于酿酒企业的高粱不完善率检测鉴定具有重要意义。     

卷积神经网络在储粮害虫图像识别中的应用研究

立足于当今储粮害虫图像识别领域面临的技术需求,针对现有的储粮害虫图像识别算法网络结构相对复杂,辨认率低,为此,引入卷积神经网络实现储粮害虫图像的识别。简要阐述了卷积神经网络发展过程,分析其网络结构,选用5种储粮害虫作为训练样本,分析了储粮害虫图像识别过程,最后通过实验得出了基于卷积神经网络的Alexnet模型对储粮害虫图像识别的精确度达97.62%,说明基于CNN对储粮害虫图像识别具有较高的准确率。     

基于卷积神经网络与迁移学习的玉米籽粒图像分类识别

种子是农业生产最基本,最主要的生产资料。为实现玉米种子的快速鉴定识别与保护,本文提出基于卷积神经网络(Convolution Neural Network, CNN)与迁移学习相结合的玉米种子籽粒图像分类识别方法,可将预训练的CNN模型参数迁移到玉米籽粒图像分类识别任务中。实验采集了6种玉米种子籽粒图像双面图像共1 976张,包括16DX531,京粘1号,科诺58,铁研,小金黄,郑单958,建立胚面,胚乳面和双面混合的3种数据集。按照7∶2∶1的比例随机划分训练集,验证集和测试集,并对训练集图像作数据增强处理。基于4种CNN模型Xception, ResNet50V2,MobileNetV2,DenseNet121进行参数迁移学习。实验结果表明Xception与胚乳数据集建模方法优于其他方法。Xception--胚乳模型训练集与验证集平均识别准确率分别为95.55%和95.97%,测试集准确率为92.78%。基于卷积神经网络与迁移学习相结合的玉米籽粒图像识别方法切实可行。     

基于深度学习的服装丝缕平衡性评价系统

为解决虚拟试装中难以自动评价服装丝缕平衡性的问题,充分应用了深度学习在图像自动识别中的优越性,针对服装丝缕平衡的特点,设计了卷积神经网络的拓扑结构,通过对各个特征部位上不同平衡状态的服装丝缕图片进行等级分类和学习训练,得到的网络模型的识别准确率达到93.589%,从而建立了可实现对服装各个关键部位丝缕平衡性自动评价系统。结果表明:应用基于深度学习的服装丝缕平衡性评价系统,对虚拟环境下的服装各个关键部位上的丝缕图片进行识别和分类,可以缩短服装平衡性检测的时间,提高检测的效率,快速获取服装丝缕不平衡的位置,以便对服装进行修改。     

识别元件在粮食真菌毒素检测中应用的研究进展

真菌毒素是造成粮食污染的重要因素之一,是全球粮食安全领域研究的焦点与热点,发展快速、精准、低廉、方便的真菌毒素检测技术对保障粮食安全具有重要意义。基于生物传感分析的真菌毒素检测技术,识别元件的特异性和选择性至关重要,是良好分析性能的先决条件。系统梳理近年来主要识别元件类型,对基于识别元件的生物传感分析技术在真菌毒素检测中的应用与现阶段存在的问题进行分析和综述,并展望其在真菌毒素分析领域的发展趋势,以期为真菌毒素检测相关研究和安全监管提供参考和启发。