基于机器视觉的核桃仁特征提取与分级方法研究

基于机器视觉技术研究出一种适合新疆核桃仁分级特征提取与分级的方法。该方法利用已经完成图像预处理的实时采集的样品核桃图像,运用OpenCV完成从RGB到HSV的颜色空间转换,提取核桃仁颜色和完整度特征,建立原始特征矩阵特征,利用mRMR特征选择算法筛选原始特征集并对特征的重要性进行排列,最后通过对支持向量机、决策树和朴素贝叶斯3种机器学习算法进行模型训练和测试,得出最佳分级方法。结果表明,在使用特征bin19、K_1和bin15训练朴素贝叶斯分类器时,核桃仁的分级正确率达到最大,为97.33%。故得出基于机器视觉研究出的核桃仁特征提取与分级方法可以完成对核桃颜色和完整度的分级任务的结论。     

基于机器视觉的核桃仁动态分级研究

【目的】基于机器视觉技术研究出一种适合新疆核桃仁动态分级处理的方法。【方法】利用实时采集且已经完成图像预处理的样品核桃图像得到核桃仁特征集合,运用mRMR特征选择算法筛选原始特征集并对特征的重要性进行排列,通过对支持向量机、决策树和朴素贝叶斯三种机器学习算法进行模型训练和测试,得出最佳分级方法,设计核桃仁自动追踪方法和动态分级流程,构建的核桃仁自动分级系统。【结果】在使用特征bin19、K₁和bin15训练朴素贝叶斯分类器时,核桃仁的分级正确率达到最大为97.33%,在动态条件下运用构建的核桃仁自动分级系统对150个核桃仁进行分级测试,正确率为81.33%。【结论】基于机器视觉研究出的核桃仁特征提取与分级方法、核桃仁动态分级处理动作方法,可以有效完成对核桃颜色和完整度的分级。     

基于机器视觉的核桃仁大小自动分级技术

为了改善我国核桃仁外观品质人工检测速度慢、精度低、费时费力的现状,提出1种基于机器视觉和图像处理技术的核桃仁大小检测方法。构建图像采集系统以获得与背景颜色对比度明显的待检核桃仁图像;通过灰度变换、中值滤波,降低了图像处理计算数据量,提高了图像信息的可读性;通过阈值分割和区域填充,得到了清晰完整的核桃仁区域分割图;使用像素统计法计算核桃仁像素面积;提出1种自适应平均算法对样本学习训练,进而计算出大小分级阈值;以Lab Windows/CVI 2012为开发平台,借助其图像采集和图像处理函数,设计配套的核桃仁大小自动分级软件。结果表明,该方法在实验室条件下可实现核桃仁大小分级,分级正确率达90.0%以上。     

基于机器视觉的百合切花分级方法研究

为了提高百合切花分级生产自动化程度,依据百合切花分级国家标准,对百合切花的花蕾数目与花径长度的识别进行了分析研究.搭建了百合切花图像采集系统,对采集图像进行背景分割,利用超绿特征(2g-r-b)建立切花的花蕾分割模型.采用Matlab软件编程进行花蕾目标图像的计数,分析了花蕾计数误差产生的原因,并采用小面积去除与图像骨架化方法提出花蕾修正计数方法,给出利用分割后的花蕾图像计算花径的简单方法.本分级方法在试验中按照国家标准进行百合切花分级的平均精度为82.3%.     

基于机器视觉的咸蛋在线自动分级

咸蛋在腌制过程中存在着品质上的差异,需要在出厂前进行检测和分级。在输送带上采集咸蛋的动态图像后,首先对彩色图像进行预处理:采用数学形态学运算及去除小面积对象法来确定二值图像的目标区域。根据二值图像的凸凹程度来判断目标区域是否漏光。应用搜索突变点来消除漏光区域,再用最小二乘法拟合漏光的鸭蛋图像边界,对二值图进行标记并提取单个目标区域。然后,应用彩色空间法提取图像的6个特征描述参数,采用最小误差选择法确定分类建立咸蛋品质检测模型。试验结果表明,模型检测精度达到93%以上,分级效率为5400个/h,利用模型对咸蛋进行分级是可行的。     

基于机器视觉的双孢蘑菇分级算法

针对双孢蘑菇智能精选分级需求,提出基于机器视觉的双孢蘑菇分级算法。首先提出以全局阈值分割法与最大熵阈值分割法相结合的第1次分水岭算法,去除图像的阴影;其次提出Canny算子与或运算和闭运算结合的第2次分水岭算法,去除柄部干扰;最后采用最小外接矩形法求得双孢蘑菇的直径。通过在试验样机上进行试验发现,该方法可以很好地克服图像采集时阴影的存在和双孢蘑菇柄部对最大直径的影响,且可达到预期效果。     

基于机器视觉的苹果品质在线分级检测

目前苹果分级自动化程度较低,为了实现苹果品质自动、快速、准确分级设计了一套苹果智能在线检测分级系统。以寒富苹果为测试对象,采用机器视觉技术对苹果分级进行研究。采用阈值分割的方法分割苹果正面图像,逐像素遍历法提取苹果外部轮廓,通过计算其各点到重心的距离提取苹果大小特征,同时计算苹果横径与纵径比提取果形特征。采用支持向量机方法分割侧面苹果图像,计算苹果红色像素占苹果像素的比例提取颜色特征,利用Fisher统计识别的方法提取苹果缺陷。实现了整个分级系统的硬件搭建以及软件的功能,利用该系统对400个苹果样本进行了分级试验,结果表明该系统分级的苹果总体正确率达到95%。设计的基于机器视觉的苹果智能在线检测分级系统克服了传统分级方法的不足,加快了苹果品质分级自动化速度,对水果品质分级等领域有重要研究意义。     

基于机器视觉核桃大小分级系统的软件设计

在基于机器视觉核桃大小分级系统硬件的基础上,完成分级系统软件的设计,并进行核桃大小分级的初步测试,设计主要包括3个方面,在相机生产厂家提供的软件开发工具包(SDK)上,基于VS 2010开发工具,进行相机的二次开发;利用VS 2010开发工具自带的窗口界面工具MFC开发程序界面;通过编写的图像处理程序完成对相机实时图像的采集和处理,并将处理结果实时显示在程序界面上。经初步试验验证,该系统软件对核桃大小分级正确率为88%。     

基于机器视觉和机器学习技术的鸡胴体质量自动分级方法

[目的]为实现对鸡胴体质量等级的非接触在线自动判定,本文提出一种基于机器视觉和机器学习技术的鸡胴体等级在线检测方法。[方法]首先用图像采集装置获取鸡胴体图像,对图像进行预处理并提取包括投影面积、胴体长度、轮廓长度、鸡胸长度、鸡胸宽度和鸡胸面积等图像特征参数。在对所得到的数据进行无量纲处理后,再以这6个特征参数为输入、质量为输出,分别利用随机森林(random forest,RF)算法、自适应提升算法(Adaboost,AB)和梯度提升算法(gradient boosting,GB)3种机器学习方法,建立鸡胴体质量等级预测的非线性回归模型,对鸡胴体质量等级进行自动判定。[结果]在对鸡胴体质量进行预测时,梯度提升模型的判定系数最大,为0.996 0,明显优于线性模型,也优于其他2种非线性模型;在对鸡胴体质量等级进行判定时,也是梯度提升模型的判定正确率最高,为96%。[结论]可利用梯度提升模型对鸡胴体质量和等级进行精确预测和判定。     

基于机器视觉的脐橙品质在线分级检测系统

针对脐橙自动分级检测中存在正确识别率偏低、实时性不强的问题,提出一种综合特征提取方法:在对图像颜色模型进行转换后,用H分量图像提取脐橙的大小特征;S分量图像通过背景分割、边缘灰度补偿、整体亮度变换后提取脐橙的果面缺陷特征;采用R、G、R-G3个分量的均值和标准差提取脐橙的颜色特征。以脐橙的大小特征、果面缺陷特征和颜色特征为支持向量机(Support vector machine,SVM)的试验输入向量,进行脐橙分级检测试验,以实现提高脐橙自动分级正确识别率和增强实时。试验结果表明:该SVM分类器对脐橙分级的正确识别率为91.5%,处理时间为160ms,适合于实时环境下的分级检测。     

基于机器视觉的转速过程检测方法

采用机器视觉技术对排种器排种盘的转速过程进行了检测。在排种盘上设置检测标志物,利用CCD摄像机采集排种盘在不同转速下的转速过程,并对获取的检测样本图像进行背景去除、二值化、图像平滑、特征量提取等处理,检测出转速序列{ni}和加速度序列{iε},并对转速过程进行时序分析和误差估计。结果表明,在不同的设定转速下,机器视觉的转速检测相对误差范围为0.67%~3.40%。     

基于机器视觉的小麦种子活力检测方法

种子发芽试验是种子检测的重要环节.传统的发芽检测采用人工检测方式,存在费时费力、且受人为主观因素影响较大等问题.以小麦种子为研究对象,设计一种小麦种子垂直发芽装置,基于形态学分析设计了种子发芽点检测方法,借助芽点位置对胚根、胚芽长度进行检测,实现种子发芽快速判别.通过7d的发芽试验计算小麦种子的发芽率、发芽指数、平均发芽指数,与人工检测结果进行对比,该方法测定的小麦种子发芽率的准确率达100％,发芽指数、平均发芽指数误差分别为1.68％、2.40％.该装置和方法实现了种子活力参数的检测分析,为农作物种子快速检测提供了研究基础.     

基于机器视觉技术的田间籽棉品级抽样分级模型研究

【目的】客观评价田间籽棉质量。【方法】依据中国籽棉品级分级标准，基于机器视觉技术选取棉花尺寸、色泽特征建立田间籽棉品级抽样分级模型。【结果】相关分析表明：亮度修正后，图像特征与籽棉品级之间相关显著。贝叶斯判别分析结果表明：基于10折交叉验证建立的籽棉品级判别模型的识别率在75.00％～92.86％之间，模型的平均识别率达83.20％。基于“1个标准误差”规则选取较好的贝叶斯判别模型，它在独立数据集上的泛化精度达89.11％，其中，前3级籽棉的识别率均达到100％。【结论】基于机器视觉技术识别籽棉品级是可行的，有利于提高籽棉品级抽样分级模型精度。     

基于计算机视觉的杜鹃自动分级方法

随着我国花卉产业的蓬勃发展,花卉的自动化生产已经成为了必然趋势。提出了基于计算机视觉的杜鹃分级方法,对杜鹃的侧视图、俯视图进行图像分割,通过分析计算,得到株高、冠径、花盖度、花朵分布均匀度4项关键指标。对60盆杜鹃的分级试验结果表明,综合分级正确率达96.7%,其中株高的平均测量误差为5mm,冠径的平均测量误差为7mm,而对花盖度及均匀度的分级正确率分别达98.3%和96.7%,并可测出准确的分级参数,用于杜鹃的培育分析。该分级方法准确,实时性高,为杜鹃自动化分级提供了有效的途径。     

基于机器视觉辣椒截面性状提取方法

利用机器视觉技术快速分析研究辣椒的农艺性状,可以为辣椒选育提供依据,后续为辣椒遗传育种和功能基因组分析打下坚实的基础.基于Labview、Visual Studio和OpenCV软件编写了一套对辣椒横切和纵切截面农艺性状的分析程序.对辣椒截面图像进行分析处理,对横截面提取外轮廓、内轮廓、心室图、褶皱图形等图像,对纵截面...     

基于机器视觉的黄花菜干菜分选方法研究

针对黄花菜干菜分选设备缺乏、人工分选效率低、产品附加值不高等问题,研究基于机器视觉的黄花菜干菜分选方法。设计搭建了试验平台和图像采集系统,构建了干菜图像及尺寸信息基础数据库;基于数据转换、背景差分、全局阈值、轮廓提取等方法提取目标区域,采用外接矩形算法测量干菜相关尺寸。试验结果表明,本研究采用的方法能够准确测量黄花菜干菜长度,通过长宽比判断干菜品质的正确率较高,满足实际使用要求。     

基于机器视觉的苹果果袋检测方法

针对机械手摘除苹果果袋时的图像识别问题,提出了一种通过转换颜色空间的分割算法:将RGB颜色空间的图像转换到L*a*b*颜色空间,进行自适应阈值分割、去噪、面积提取等处理后,获得果袋分割后的图像,并计算出果袋的重心坐标。实验结果表明,当果袋遮挡面积不大于果袋总面积的25%时,重心坐标水平方向误差≤10.5 mm,垂直方向误差≤8.8 mm,满足机械手进行果袋摘除的定位要求。利用该方法进行果袋图像分割可解决光照强度对图像检测影响的问题。     

基于机器视觉的断奶仔猪腹泻自动识别方法

[目的]断奶仔猪腹泻严重影响养猪业的经济效益,本试验基于机器视觉技术提出一种排泄姿态与异常粪便结合的断奶仔猪腹泻检测方法以实现断奶仔猪腹泻的快速、准确检测。[方法]以深层卷积神经网络(convolutional neural networks,CNN)为基础构建腹泻检测分类模型,实现仔猪身份、姿态与异常粪便的一体化识别,对比不同迭代次数对模型效果的影响,选取最优模型;提出时空信息融合判定法,从时间序列先后和空间距离远近两方面,关联最优模型识别出的目标姿态与病便,实现断奶仔猪腹泻的视频检测。[结果]在训练迭代25 000次时接近模型最优值,对姿态、病便等目标识别的平均精度均值和召回率分别为95.75%和89.13%;基于时空信息融合方法的断奶仔猪腹泻视频检测识别准确率和召回率分别为97.92%和95.92%。[结论]深层卷积神经网络分类模型结合时空信息融合判定法为断奶仔猪腹泻自动识别提供了有力的技术支撑。     

基于机器视觉群体鸡蛋尺寸的检测方法

利用机器视觉技术对鸡蛋外形尺寸进行检测,采用区域标记法分割出单个图像区域,然后确定图像区域形心点,求出其长轴、短轴和面积。研究结果表明,软件预测的鸡蛋平面投影面积(像素)长轴和短轴与实测的蛋重、长轴和短轴的相关系数分别为0.92、0.91和0.84。     

基于机器视觉脐橙体积的球体估测方法

通过机器视觉获取脐橙截面积来估测脐橙体积,首先进行图像分割、腐蚀,然后从腐蚀图像中脐橙的像素点得出脐橙的截面积,接着计算出脐橙半径,通过最小二乘法估测脐橙体积。为提高精度,采取2个不同拍摄角度拍摄2幅脐橙图像,然后以2幅脐橙图像计算出脐橙截面积的平均值作为脐橙截面积。结果表明,估测误差将近9.36%,说明基于机器视觉将脐橙作为球体进行估测是低精度的。