基于视觉图像识别的番茄表面农药残留量无损检测方法

为了提高对番茄表面农药残留量的准确检测能力,提出一种基于视觉图像识别的番茄表面农药残留量无损检测方法。采用激光成像技术进行番茄表面农药残留区域视觉图像采集,对采集的番茄表面图像进行农药残留量的光谱特征分析,提取番茄表面农药残留区域的边缘轮廓特征,根据特征提取结果进行番茄表面农药残留区域视觉图像重构,在重构的区域图像中采用分块匹配技术进行番茄表面农药残留量区域分割,结合自适应分块特征匹配方法实现番茄表面农药残留量检测识别。仿真结果表明,采用该方法进行番茄表面农药残留量的无损性较好,输出图像的信息饱和度较高,提高了对番茄表面农药残留量的准确检测能力,在番茄病虫害防治和农药的去除等方面具有很好的应用价值。     

服饰设计视觉显著性检测

为快速、批量化检测服饰品的视觉兴趣度,依据人眼视觉注意模型,利用自底向上的视觉显著性检测方法描述服饰图像的视觉显著性。提取服饰图像的亮度、色彩、纹理方向 3 个底层特征,利用多尺度的分解方法构建出图像的多特征通道;采用归一化合并的方式对特征显著图进行滤波;对形成的 3类特征图进行融合,根据显著程度绘制视觉热点图及亮度图,从而划分图像的视觉显著区域,并进一步提出了视觉覆盖率和分散度 2个指标,用以对服饰图像的视觉显著性差异进行量化和评价。对常见色块、不同纹理织物、服装及配饰图视觉显著度进行实验检测,结果表明,本文方法可有效地描绘出图像视觉显著区域,快速、客观地评定出服饰图像的视觉显著度。     

基于纹理特征的棉亚麻纤维识别技术

探讨基于纹理特征的棉亚麻纤维识别技术。利用微分干涉相衬显微镜采集到能够清楚表征纤维纹理特征的图像,通过图像预处理,采用中轴线方法获取棉亚麻纤维直径和直径不匀率的形态特征,分别提取不同角度的灰度共生矩阵能量、惯性矩、相关性、熵等四个特征向量的均值和标准差,采取支持向量机,通过交叉验证法训练得到最佳参数对棉亚麻纤维进行分类识别,采用形态特征和纹理特征相结合的识别正确率达到94.4%。认为:采用形态特征和纹理特征相结合的方法能够提高纤维识别的正确率。     

采用数字图像处理的羊毛与羊绒纤维识别

探讨采用数字图像处理的羊毛与羊绒纤维识别效果。首先采集纹理细节和形状轮廓增强的羊毛与羊绒纤维图像,将交叉纤维处理分割成单根纤维。分别提取纤维的形态特征和纹理特征,然后基于支持向量机模型,根据有限样本信息的学习精度和学习能力进行羊毛与羊绒纤维识别。最终,羊毛与羊绒纤维识别正确率达到93.1%。认为:采用数字图像处理提取纤维特征能较好地识别羊毛与羊绒纤维。     

基于图像处理的花生荚果品种识别方法研究

为实现品种鉴定与真伪识别的自动化,基于图像识别的方法,采用扫描仪采集了20个品种,每个品种100颗花生果正面和2个侧面的图像,分别获取每幅图像的形态、颜色和纹理三大类共50个特征,并对这些特征进行主分量分析(PCA)优化,针对优化和没有优化的特征,搭建了人工神经网络识别模型和支持向量机模型,并采用两种模型进行品种识别,结果表明,采集的特征经PCA优化后表现出更强的识别性能,SVM较神经网络识别效果总体上得到提高,并且识别效果稳定。品种的数量对识别效果有影响,在通常情况下可根据品种的数量来确定特征的数量,可以进一步提高效率,对20个品种,需要选择超过15个特征。颜色类特征比形态类和纹理类特征具有更好的识别效果,经过不同类别的特征组合后,整体上识别性能达到90%以上,基本可以推广到实际生产中使用。     

基于机器视觉的包装机空头烟支检测技术研究

对基于机器视觉的包装机空头烟支检测技术进行了研究：在图像获取阶段,在分析包装机空头烟支结构特点的基础上,提出了机器视觉系统光源的照明方式,并参照国标对照明的角度进行了计算。使获取图像上的烟支空头特征突出;在图像处理阶段,采用基于数学形态学的开操作对图像进行预处理,使图像上烟丝的纹理特征减弱,而空陷区域的特征更加突出;最后采用计算机图像斑点识别技术。判别出存在空头烟支的烟组,最终完成基于机器视觉的包装机空头烟支的检测任务。图3表2参13     

基于机器视觉的透明包装袋真空封口纹理缺陷检测方法

目的:解决由于目前在食品包装领域采用人工抽检方式导致的真空封口质检难以长时间连续作业，易发生漏检、错检，检测准确率稳定性不可靠等问题。方法:提出了一种基于机器视觉的透明包装袋真空封口纹理检测方法代替人工检测。利用ROI区域提取、仿射变换和局部二值化模式等算法进行图像预处理，凸显出纹理特征。在此基础之上，利用灰度共生矩阵分析“良好”和“缺陷”封口纹理图像特征设置灰度共生矩阵参数，将纹理特征的均匀性与共生灰度矩阵特征量相关联。最后，以灰度共生矩阵特征量作为SVM分类器的输入量，通过计算对封口缺陷进行识别与分类。结果:该在线检测方法对透明包装袋真空封口的缺陷检测结果与人工质量结果对比同一性高达97.5%。结论:该方法具备较高的检测准确率和较好的实用性，可满足在线检测的需求。     

基于高光谱图像技术的固态发酵中芽孢杆菌的快速识别

利用高光谱图像技术结合模式识别方法,研究了镇江香醋固态发酵中产酸芽孢杆菌的快速识别方法。筛选3种芽孢杆菌为标准菌,以标准菌生长12 h的菌落为研究对象,利用高光谱成像系统采集图像:提取感兴趣区域(20×20)单菌落平均光谱共120条,并SNV预处理,采用主成分分析(PCA)从每幅图像优选3幅特征图像,并从每幅特征图像提取4个基于灰度共生矩阵的纹理特征变量;对光谱和图像纹理的特征变量均进行PCA,分别提取合适的主成分构建BP-ANN和KNN识别模型。其中,光谱模型识别效果优于图像模型,且BP-ANN光谱模型识别效果最优,对校正集和预测集样本的识别率分别为98.70%和97.78%,主成分因子数为5。研究表明,菌落内部特征是识别菌种属的关键,且利用高光谱图像技术识别细菌具有可行性,且快速简便。     

半自动分拣线上运动条烟的在线识别

为提高立式条烟分拣机的分拣效率,节省分拣时间,采用视觉技术实现了烟草物流配送中心半自动分拣线上运动条烟的在线识别。搭建视觉系统平台进行图像采集;对获取的图像进行预处理,提出了一种"两步法"的轮廓提取算法,并在此基础上提取图像的颜色、纹理、形状等特征;利用获取的图像特征建立图像特征数据库,通过图像最小特征距离准则进行图像识别,自动完成每一个订单内各条烟品牌和数量的核对。结果表明:物流中心按4条配送线日均配送量约5万条计算,可节省时间0.5 h/d。系统运行稳定,可满足6幅/秒的条烟图像处理速度要求,识别正确率在99.99%以上,有效满足了条烟现场识别的需求,保证了条烟分拣的顺利进行。     

多纹理分级融合的织物缺陷检测算法

针对织物缺陷检测过程中纹理分布的复杂多样性引起误检和漏检的问题,结合织物纹理周期性特点,提出一种多纹理分级融合的织物缺陷检测算法。在检测过程中,首先利用织物缺陷图像的Tamura粗糙度图,对缺陷区域进行初步定位和自适应性生长,将初步定位的区域映射到原始织物图像中;其次根据织物图像的周期性分布特征,对初步定位区域进行分块,提取图像块的局部相位量化(LPQ)特征、Tamura特征,并将2种特征融合;然后计算融合特征与正常块特征的相似度,获取相似度图;最后将初步定位区域的经纬向特征图与相似度特征图融合,检测缺陷存在的区域。经TILDA织物纹理库数据的实验测试结果表明,缺陷区域的初步定位和自适应生长,降低了缺陷检测过程的冗余度,提高了检测效率,避免了织物缺陷检测过程中的误检和漏检情况。     

基于机器视觉的烟青虫和棉铃虫雌雄蛹的分类识别

为有效分类识别烟草主要害虫烟青虫和棉铃虫的雌雄蛹,进而有效监测与防治,选取两种害虫的虫蛹作为待测样本,对害虫的图像进行分析,并结合图像处理和模式识别技术,提出一种基于机器视觉的烟草主要害虫雌雄蛹分类识别方法。利用SLR相机对两种害虫的雌雄蛹进行拍摄并提取腹部末节有效区域,获得分辨率350×350的原始图像,提取其RGB空间中R通道灰度图像作为纹理特征的输入图像,并将提取的基于灰度共生矩阵对比度、角二阶矩等纹理特征指标作为虫蛹雌雄性的判别依据,将待测试蛹特征数据输入训练好的支持向量机进行识别分类。结果表明:利用该方法实现了对烟青虫和棉铃虫雌雄蛹的较有效分类,识别率分别达到87.5%和82.5%。该方法可为害虫雌雄蛹的较准确识别提供技术支持。     

基于扩展Shearlet变换、Krawtchouk矩和SVM的储粮害虫分类

为了进一步提高储粮害虫的识别精度,以便更有效地防治储粮害虫,提出了一种基于纹理和形状综合特征及全局混沌蜂群优化支持向量机(SVM)的储粮害虫分类方法。首先对储粮害虫图像进行扩展Shearlet变换,利用变换系数得到能量分布均值,加权后的能量分布均值构成纹理特征向量,用Krwtchouk矩不变量描述储粮害虫的形状特征;然后将纹理特征向量和形状特征向量分别归一化,两者结合构成储粮害虫的综合特征向量;最后用全局混沌蜂群算法优化SVM的核参数与惩罚因子,并应用参数优化的SVM进行分类。结果表明:与基于Gabor小波和支持向量机方法、基于Krawtchouk不变矩和支持向量机方法相比,本方法提取的储粮害虫特征信息更加完整,识别率更高。     

基于机器视觉和MSD微结构描述算法的霉变烟在线检测研究

为实现醇化烟叶中霉变烟的自动在线精选, 设计了基于机器视觉的霉变烟在线检测系统。该系统通过高速线阵CCD动态获取烟叶图像, 采用MSD微结构描述算法提取烟叶图像颜色、纹理特征, 基于神经网络集成分类算法, 通过合格烟叶样本和霉烟样本的训练学习, 实现霉变烟的在线检测识别。经过测试, 该检测算法对霉烟图像样本的测度为0.918。在线检测试验结果显示, 采用霉烟靶物单独过料时, 机器视觉系统对霉烟的平均在线识别率在95%以上; 将霉烟靶物与合格烟片混掺过料时, 系统对霉烟的平均识别率在87%以上。研究结果表明, 机器视觉方法用于醇化后烟叶中霉变烟的在线精选是可行的。      

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。     

基于机器视觉的辣椒外部品质检测

为实现正常辣椒和缺陷辣椒(黑斑、虫蚀和花皮)的快速检测,通过图像采集,利用中值滤波去噪;提取样本图像24个颜色特征值,20个纹理特征值,利用Otsu算法阈值分割,提取2个形态特征值;选用连续投影法(Successive Projections Algorithm,SPA)优选14个特征值,结合最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)方法进行建模,SPA-LS-SVM模型检测结果为98.67%,模型最优。     

基于图像处理的甘薯种类识别方法研究

为了便捷地对甘薯薯块进行种类识别,提出了一种基于图像颜色和纹理特征的薯种识别算法,能准确、鲁棒地根据薯块的横切面图像识别出薯块的薯种。首先,分别使用颜色直方图方法、灰度共生矩阵方法和Gabor滤波方法提取出5个薯块图像的颜色、纹理特征。然后,对该特征向量进行优化组合。最后,基于组合后的混合图像特征向量,应用BP人工神经网络对样本集进行训练、分类。试验表明,本研究提出的方法能准确地对甘薯块的种类进行识别,平均识别成功率达90%。     

基于机器视觉的病虫害检测综述

作物病虫害直接影响作物的代谢过程,是降低作物的产量和品质的主要威胁之一,给农民造成了大量的经济损失。实现快速、准确的病虫害检测和分类识别,对农民及时采取有效的防治措施具有重要意义。目前,利用机器视觉技术实现农作物病虫害检测具有很好的前景,可以有效的克服人工识别速度慢、误判率高的不足,对于加快农业产业智能化,以及病虫害防治的智能化水平的提高都有很好的借鉴价值。结合近年来国内外学者研究进展情况,本文就病虫害检测方面的应用进展作一综述,并展望了未来的研究方向,以期为后续研究工作提供基础理论参考。     

基于机器视觉的鞋面特征点自动识别改进方法

针对目前人工识别鞋面特征点方法实时性差,效率低,成本高的问题,提出一种基于机器视觉的鞋面特征点自动识别改进方法。首先,采用改进中值滤波法对采集图像进行预处理消除噪声干扰;其次,运用提出的自适应阈值分割法提取特征点关键区域;最后通过图像形态学处理和计算最小外接圆完成特征点的自动识别。为验证该方法的可靠性,在光强变化和非常规条件下对大量鞋面样本进行分组实验,并与传统一维和二维Otsu算法的检测结果进行对比。结果表明,该方法在多种复杂环境下具有更好的识别精度和鲁棒性,识别成功率在93%以上,且检测时间不超过0.5 s,可满足工业生产中的精度和实时性需求。