王树文[1]2002年在《计算机视觉技术在农产品自动检测与分级中的研究》文中进行了进一步梳理我国是一个人口大国，而我国的人均耕地面积却远远低于世界平均水平，农业产值很低，提高农产品产后处理水平是增加农业产值的主要方法之一。进行农产品自动检测与分级可以大大提高农业产值，其中最重要的是农产品的表面缺陷检测，而计算机视觉代替人的视觉进行农产品自动检测与分级具有不言而喻的优越性。主要研究工作的总结如下： (1)建立了描述番茄与其图像相互关系的数学模型，并把对图像的处理变成对矩阵的各种操作。通过大量的实验研究，选择环形灯作为光源，选择白色作为背景组成光照箱，可以得到有利于后续处理的图像；并发现在B分量上，两峰间的距离最大，所以用B分量确定阐值T；建立一套适合番茄等农产品进行表面缺陷自动检测与分类的计算机视觉硬件系统。 (2)研究了图像处理窗口确定、去除噪声、图像分割、图像增强等多种低层处理的方法。利用区域阈值法对所采集图像的B分量进行图像分割；用快速中值滤波法较好地去除图像采集过程中受到的各种噪声干扰；用线性灰度变换进行图像增强；所研究的图像低层处理方法能满足进一步进行番茄表面缺陷检测和分类的要求。 (3)建立用区域增长法进行番茄表面缺陷区域检测，用BP算法训练的多层前馈神经网络对番茄的损伤进行分类。 (4)利用VC++6.0设计番茄表面缺陷自动检测与分类的应用软件，包括文件、图像采集、图像低层处理、表面缺陷区域检测、特征提取、网络训练、分类等七个模块，并能显示最终的检测与分类结果。实验证明番茄损伤检测和分类的准确度不低于90％。 本论文的研究结果对提高我国在本领域的研究水平，促进计算机视觉在我国农业工程领域的应用具有积极的意义。
潘伟[2]2000年在《计算机视觉在农产品自动检测与分级中的研究——番茄的自动检测与分级》文中指出我国是一个人口大国，而我国的人均耕地面积却远远低于世界平均水平，农业产值很低，提高农产品产后处理水平是增加农业产值的主要方法之一。进行农产品自动检测与分级可以大大提高农业产值，而计算机视觉代替人的视觉进行农产品自动检测与分级具有不言而喻的优越性。主要研究工作的总结如下： （1）建立了描述番茄与其图像相互关系的数学模型，并把对图像的处理变成对矩阵的各种操作。通过大量的实验研究，选择环形白炽灯作为光源，选择白色作为背景组成光照箱，可以得到有利于后续处理的图像；并发现在B分量上，两峰间的距离最大，所以用B分量确定阈值T；同时在光源与物体之间加上柔光片，较好的去除了番茄表面的镜面反射。建立一套适合番茄等农产品进行品质自动检测与分级的计算机视觉硬件系统。 （2）研究了图像处理窗口确定、去除噪声、图像分割、边缘提取、边缘细化等多种低层处理的方法。利用区域阈值法对所采集图像的B分量进行图像分割；用快速中值滤波法较好地去除图像采集过程中受到的各种噪声干扰；用边缘线追踪法提取物体的边缘，可以得到最宽只有2个象素宽的图像边缘；用Hilditch细化方法得到单象素宽且光滑的图像边缘。所研究的图像低层处理方法能满足进一步进行番茄特征提取和模式识别的要求。 （3）建立用遗传算法训练的多层前馈神经网络对番茄的成熟度进行判别，并与用BP算法训练的神经网络进行比较。遗传算法无论在训练次数，还是在判别准确度上都明显优于BP算法。提出用圆度特征、果径变化特征、比值特征描述番茄的形状。采用番茄最大横径处面积估测番茄重量的方法，该方法估测的番茄重量与其最大横径处面积的相关系数可达0.9872，测试精度可达99％。 （4）利用VC++6.0设计番茄自动检测与分级的应用软件，包括文件、图像采集、图像低层处理、特征提取、网络训练、分级等六个模块，并能显示最终的检测与分级结果。实验证明番茄分级的准确度不低于90.5％，对番茄进行分级的最长时间不超过18.37秒。 本论文的研究结果对提高我国在本领域的研究水平，促进计算机视觉在我国农业工程领域的应用具有积极的意义。
闫之烨[3]2003年在《基于计算机视觉的苹果颜色分级系统的研究》文中提出苹果是深受人们喜爱的一种水果。我国是世界苹果第一大生产国，我国苹果的出口量和创汇额这几年有了显著的提高，但仍远远低于苹果先进生产国的水平。原因有很多，一个主要的原因就是忽视了采后处理。水果的采后商品化处理包括下面几个部分：挑选、清洗、打蜡、分级和包装，其中分级是最重要的一个环节。目前我国主要采用人工分级，但人工分级不仅费时、效率低下，而且分级质量与检验员自身的技术水平有很大的关系，难以保证出口苹果的品质。分级的效率低已经成为制约加工效率的一个瓶颈因素。所以迫切需要开发出自动分级系统。颜色和着色度是水果重要的外观品质之一，也是分级的一个重要标准。本文就从颜色方面入手，来研究苹果的分级系统。 整个处理系统包括：预处理、特征提取、分级这三个方面。 预处理是图像处理中一个重要的环节，只有采用的预处理方法合适，才能使后面的特征提取顺利进行。论文根据图像的具体问题和处理效果最终确定下面几种预处理方法：灰度的线性拉伸、平滑化去噪、最小误差法分割图像和轮廓提取，最终结果显示这些方法适合作为苹果分级系统的预处理过程。 特征提取是处理系统的核心部分，特征提取得好，后面的分级才会顺利。论文基于苹果是一个近似的球体这一事实(并在论文中验证了这一点)，利用一种空间变换的方法将苹果的真实面积求取出来，这种方法更加合理地反映了苹果上面红颜色的面积百分比。前人主要使用的是统计投影面上像素点数的方法，这种方法简单但并不是很准确；对两种方法比较可以看出，当红颜色集中在被拍摄苹果的中间部分，这两种方法求出来的面积比相差不大，但是若红颜色比较靠近边缘，那么它们之间的差异就比较大。根据对苹果的色度直方图进行分析，并参考色度的概念最终选定了色度阈值将苹果上面的鲜红、浓红颜色分割出来。 分级方法是系统的最后一个环节，论文选用了模糊识别法中的隶属原则法根据提取的特征来对苹果进行最后的分级，这种方法近似于人脑分级的模式，简单且易于操作；根据实际的情况选定了隶属函数，求出隶属度并确定苹果的最终等级。经过实验检验这种方法可行，苹果的分级准确率可达89.2％。
陈小娜[4]2010年在《绿橙表面缺陷及大小尺寸的计算机视觉分级技术研究》文中指出本文应用计算机视觉技术研究了绿橙的表面缺陷及大小尺寸的检测方法。研究内容如下：1、建立并完善了适合本课题的计算机视觉系统。该系统包括大亨图像采集卡、CCD摄像机、光照箱、计算机主机、显示器、打印机、滚筒式传输带、三项异步电动机及美国国家仪器公司推出的NI Vision Development Module Ver 8.2.1软件和Lab WindowsCVI8.1软件。2、分析了对绿橙图像进行预处理的方法,包括：图像平滑、图像增强、边缘检测、图像分割等。3、研究了各种检测绿橙大小尺寸的方法,最终确定采用果径法来进行检测,试验结果表明,分级正确率为93.5%。4、研究了检测绿橙表面缺陷的方法。通过CCD采集绿橙的可见光图像,经图像低层处理后,采用美国National Instruments Vision Assistant软件测得绿橙的果实横径、整果、缺陷像素数,将果实横径像素数变换成实际的果实横径后即可求出绿橙的表面积,再根据绿橙的表面积和整果、缺陷像素数之间的比例关系计算出缺陷面积,进而对其进行分级。结果表明,该方法对绿橙的4个质量等级的正确分级率分别是97.44%,91.49%,91.78%和95.12%。
陈红[5]2008年在《基于计算机视觉的花生仁外观品质无损检测方法的研究》文中研究表明外贸出口对花生仁的破损粒、霉变粒、大小、外形等外观品质有着明确的规定,但目前市场上除了光电色选机可以对霉变粒进行分拣外,其他外观品质指标主要依靠人工进行,难以满足不同的市场需求。计算机视觉具有无损、快速、可一次完成多个品质指标的检测、有利于设计制造自动分级流水线等特点,在农产品品质自动识别上有非常好的应用前景。利用计算机视觉技术进行花生仁外观品质检测研究,实现花生仁外观品质的自动、无损检测,对提高我国花生的市场竞争力具有重要意义。在这样的背景下,本文利用计算机视觉技术、图像处理技术和模式识别技术研究了花生仁外观品质检测方法。主要研究内容如下:1.结合花生仁图像特征提取的实际要求,分析了几种常用颜色模型的特点,对噪声滤除、图像增强、图像分割、特征提取等图像基础处理算法进行了分析和研究,确定了适用于花生仁外观品质检测的图像底层处理算法。2.为了实现对霉变花生仁的检测,研究了花生仁霉变过程中,颜色特征参数、纹理特征参数的变化规律,提取颜色特征H、I、S及纹理特征RW、GW、BW作为MATLAB所创建的神经网络的输入,利用BP神经网络模型实现了对正常、不新鲜、霉变三种情况花生仁的判别,正确分类率为96.67%、90%、93.33%;为了实现对霉变花生仁表皮霉变程度的判断,采用H和S的阈值识别出霉变区域,再经形态学处理,根据像素数目计算霉变区域面积比,对霉变花生仁的表皮霉变程度进行了判别,正确率为90%。3.为了实现对破损花生仁的检测,提取破损区域的颜色特征,基于模式匹配,建立了以R、G、B颜色信息为特征参数的破损花生仁检测系统,实现完好与破损花生仁的自动识别,检测准确率为80.12%。4.为了实现对不同形状花生仁的检测,采用傅立叶变换与傅立叶反变换对描述花生仁形状,该傅立叶描述子前13个谐波的变化特性可以代表花生仁主要形状。利用傅立叶描述子与人工神经网络实现了长形、普通形、三角形、椭圆形和圆形五个类别花生仁形状检测,判别正确率分别为90%、93.3%、96.7%、100%、93.3%。5.为了实现对不同尺寸花生仁的检测,研究了花生仁面积、周长、长轴长、短轴长、圆度、偏心率、当量直径、紧凑度等几何形状参数的提取方法,建立了花生仁图像投影面积和花生仁重量之间的相关模型,结果表明,图像投影面积和重量存在较显著相关关系;基于支持向量机和几何特征参数建立的网络系统,对花生仁五个尺寸级别的识别准确率大于90%。6.为了利用视觉技术检测花生仁货架期,研究了花生仁贮藏过程中表皮颜色、纹理、光泽等的变化规律,利用马氏距离判别准则建立了H、I、S三个颜色特征值参数及RW、GW、BW三个纹理参数与贮藏时间之间的关系模型,经验证识别准确率为86.25%。7.对包括机械系统、视觉检测系统、控制系统、程序软件在内的花生仁外观品质检测系统的软硬件进行了设计,为实现基于计算机视觉的花生仁外观多个外观品质的无损、快速检测提供了理论基础和技术依据。
潘磊庆[6]2007年在《基于计算机视觉和声学技术融合检测鸡蛋品质的研究》文中进行了进一步梳理鸡蛋具有很高的营养价值，深受消费者喜爱。蛋内外品质的好坏直接影响蛋的质量和安全。在销售流通及加工方面，如能做到按质论价，则既保护了消费者权益，又有利于生产经营者采取科学的管理，保证蛋的品质。将基于计算机技术的高新检测技术用于禽蛋品质的自动检测和分级，既可以解放劳动力，排除人的主观因素干扰，又能快速而准确地进行禽蛋品质的综合而全面地评价。因此，研究和完善高水平的禽蛋品质检测系统对于提高我国禽蛋在国际市场行业的竞争力有着现实意义。本文是国家自然科学基金项目“基于计算机视觉和动力学特性无损检测禽蛋品质研究”中的一部分，主要研究了利用计算机视觉和声学技术无损检测鸡蛋的裂纹(主要是微裂纹鸡蛋)、污斑和新鲜度的品质情况，提高检测精度。本文主要的研究内容和结果如下：1．声学技术检测鸡蛋裂纹的研究分析了外部条件(敲击位置、信号采集位置、敲击力、贮藏时间)和鸡蛋自身物理性质(蛋重、蛋壳厚度、蛋形指数、蛋壳强度、裂纹)对鸡蛋特征响应频率的影响，并建立了利用声学敲击检测鸡蛋裂纹的装置和方法。研究发现采集信号位置、贮藏时间、敲击力大小和蛋形指数对鸡蛋的特征频率影响很小，而敲击位置和裂纹对鸡蛋的特征频率影响很大；蛋壳厚度、蛋壳强度和蛋重对特征频率影响也较大，鸡蛋的特征频率随着蛋壳强度和壳厚的增加会变大，但随着蛋重的增加反而变小，而且蛋重与鸡蛋特征频率的相关系数达到0.699。同时发现，对鸡蛋特征频率的影响并不是单个因素，而是多个因素共同起作用。利用建立的声学检测装置，通过敲击赤道不同部位四次，分析四个特征响应频率的变异系数(CV)，可将CV作为分级依据，设定参数(CV)的阈值为1时，完好鸡蛋检测准确率达83％，壳裂鸡蛋的检测准确率为91％，整批鸡蛋的检测准确率达到87％。2．基于计算机视觉和神经网络检测鸡蛋裂纹的研究为了进一步提高鸡蛋裂纹检测的准确性和效率，建立了利用计算机视觉技术检测鸡蛋表面裂纹的装置，综合运用计算机视觉技术和BP神经网络技术，实现鸡蛋表面裂纹的无损检测和分级。首先，通过计算机视觉系统获取鸡蛋表面的图像，对图像分析处理，提取了裂纹区域和噪声区域的5个几何特征参数。其次，将5个参数作为输入量，建立了基于MATLAB的结构为5-10-2的三层BP神经网络模型，对裂纹进行识别和鸡蛋的自动分级。试验结果表明模型对裂纹鸡蛋的识别准确率达到了92.9％，对整批鸡蛋的分级准确率达到了96.8％。3．计算机视觉和声学技术融合检测鸡蛋裂纹的研究利用计算机视觉系统获取鸡蛋表面图像，并进行分析处理，提取了5个特征参数(A、R、L、S、LS)，作为BP神经网络的输入量，创建了基于MATLAB的结构为5-10-2的3层BP神经网络模型识别鸡蛋表面的裂纹，发现利用计算机视觉和BP神经网络判别不同程度破损鸡蛋的准确率只有68％，对完好鸡蛋的判别准确率为98％。对结果分析发现，虽然构建的BP神经网络对图像处理后分割出的裂纹区域识别准确率很高，但计算机视觉方法对裂纹较小的鸡蛋，主要为微裂纹和不可见裂纹鸡蛋，图像处理难以分割出裂纹区域，该类鸡蛋判别准确率较低。采集和分析鸡蛋被敲击后的声音信号，提取了特征频率F1、F2、F3、F4、偏斜度平均值CS和崤度平均值CE共6个特征参数，并作为神经网络的输入量，创建了基于MATLAB的结构为6-15-2的3层BP神经网络模型判别鸡蛋裂纹，对蛋壳受各种程度破坏后的鸡蛋判别准确率可达90％以上，对蛋壳完整的鸡蛋判别准确率超过95％，对一批鸡蛋总体的判断准确率可达94％。但也发现，当鸡蛋蛋壳受破坏比较严重，裂纹比较大时，敲击鸡蛋蛋壳的不同部位，采集的各次信号差异不大，利用声学技术结合BP神经网络的方法易产生误判。采用融合技术，结合计算机视觉、声学技术和BP神经网络判断各种破损程度鸡蛋，能够发挥计算机视觉技术和声学检测技术的优点，对裂纹蛋检出可达到98％，能够充分的保证鸡蛋的质量和安全。4．基于计算机视觉检测鸡蛋污斑的研究传统人工检测鸡蛋表面污斑方法由于效率较低，且易造成视觉疲劳等缺点，已不能满足现代化工业生产需要。本文建立了利用计算机视觉检测鸡蛋表面污斑的装置，通过计算机视觉采集鸡蛋表面的图像，然后对图像进行处理分析，提取特征参数，建立污斑识别算法，检测鸡蛋表面的污斑。通过验证，该识别算法分级污斑鸡蛋和干净鸡蛋的准确率达到92.7％，受试鸡蛋总体分级准确率达到90％以上，实现了对鸡蛋表面污斑的无损检测。5．基于计算机视觉和神经网络检测鸡蛋新鲜度的研究建立了利用计算机视觉检测获取鸡蛋内容物透射图像信息的装置，通过图像处理，获取了蛋壳表面颜色信息和表示鸡蛋新鲜的参数哈夫单位值(HU)，得到了利用计算机视觉预测鸡蛋新鲜度的有关的H、I、S、a、b、a~*、b~*、a-a~*、b-b~*七个参数，然后通过分析哈夫单位HU与七个参数之间的相关性，并建立多元线性回归方程，确立了与鸡蛋新鲜度密切相关的三个参数H、I、b。以三个参数H、I、b作为输入变量，创建了基于MATLAB的结构为3-15-4的3层BP神经网络模型对鸡蛋的新鲜度进行分级，模型具有较好的泛化功能和鲁棒性，对各个等级鸡蛋的新鲜度分级准确率达90％，对整体鸡蛋新鲜度分级的准确率在92％以上。6．融合检测鸡蛋品质系统的软硬件组成本章介绍了实现利用计算机视觉、声学技术和神经网络融合技术无损检测鸡蛋品质(污斑、裂纹、新鲜度)的硬件的组成，以及软件的界面及其内部的各个功能模块。
汪源[7]2009年在《基于计算机视觉的脱水蒜片检测与分级研究》文中进行了进一步梳理计算机视觉自动检测农产品资源品质,是实现农业生产自动化发展的必然趋势。本研究在国内外相关研究基础上,以目前尚未进行的脱水蒜片识别作为研究方向,选取三个等级脱水蒜片作为研究对象,以计算机视觉和模式识别理论为基础,通过获取脱水蒜片图像,对图像处理、分析,提取反映脱水蒜片品种形态结构的特征参数,用人工神经网络方法识别脱水蒜片品种。主要研究内容如下：(1)根据计算机视觉检测脱水蒜片的要求,搭建了脱水蒜片图像获取和分析的计算机视觉系统。(2)分析并改进了图像预处理算法。背景分割过程中,通过对比迭代法和改进的大津法(OTSU法)对脱水蒜片彩色图像的红、绿、蓝分量图像背景分割试验结果,提出在红色分量图像中利用大津法获取阈值进行二值化,并将二值化图像与原彩色图像进行对比处理,实现彩色图像的背景分割。脱水蒜片提取过程中采用扫描线种子填充算法标记脱水蒜片所在区域,得到一幅图像中的多个脱水蒜片。(3)分析脱水蒜片外部形态结构,定义了一组基本参数,将反映脱水蒜片品种形态结构的特征参数分为两组,分别是颜色参数、形状参数。选用HSI颜色模型来表示颜色特征。(4)采用LMBP算法,对网络进行训练。通过分析特征参数组合对BP网络识别率的影响,确定了最能反映脱水蒜片形态特征的4个参数作为等级识别的依据,试验分析证明,BP网络结构为4-16-1时,网络识别率较高,平均识别准确率达85%。(5)基于viusal c++6.0,开发了一套脱水蒜片等级计算机视觉识别研究软件,该软件界面友好,功能完备。能够完成图像的基本处理分析,特征参数的计算,保存特征值数据文件及bp网络训练检测。
饶秀勤[8]2007年在《基于机器视觉的水果品质实时检测与分级生产线的关键技术研究》文中研究说明针对我国商品水果品质差、出口量小、价格低、附加值低等问题，采用机器视觉技术，研究了水果品质的实时检测与分级方法，对提高我国水果的市场竞争力，具有非常现实的社会和经济意义。研究成果为应用机器视觉技术开展农产品品质检测方法研究提供了范例，用于球形对象表面积的球带法、数字图像的线段描述方法为其它领域的机器视觉技术应用提供了新的方法，具有重要的理论和学术意义。主要成果有：①提出了水果表面积检测的球带计算法。球带是水果表面上一个窄长区域，其图像是宽度为一个像素的水平线段。球带作为圆柱的一部分，其宽度h、半径r及圆心角a根据其图像的纵坐标、线段起点和终点横坐标确定，其面积值为h×r×a。累加全部球带面积可得到水果表面ROI面积。试验结果表明，最大相对误差为1.32％。②提出了数字图像的线段描述方法。对数字图像上一组相同特性的像素用线段来描述，通过比较纵坐标相邻的两条线段的起点和终点来确定二者之间的相邻关系，利用这种关系将滤波、区域生长和对象边界数据等操作一次完成，大大减少了运算量，比拉普拉斯方法提高运算速度3倍。③提出了用于椭球形水果尺寸的椭圆回归法和软件卡尺方法。比较了MER方法、椭圆回归法和软件卡尺方法的运算量、检测精度。椭圆回归法运算量最小，软件卡尺方法检测精度最高，这是由于软件卡尺方法能保证计算机检测到的检测点与卡尺检测得到的检测点一致。④采用HIS颜色模型、主成分分析方法和马氏距离法，实现了水果按表面颜色分级。对800幅水果图像进行的分类结果表明，总的相对误差1.75％，能满足水果颜色检测与分级的要求。提出了由RGB颜色模型到HIS颜色模型的快速转换方法，转换速度提高了20％。⑤建立了水果图像的光度学模型，采用该模型得到水果图像灰度计算值，该值与水果图像实际灰度值相减后得到灰度差值图，对灰度差值图作阈值分割得到待定缺陷区域ROI，利用ROI的R分量和G分量曲面回归参数将缺陷表面、梗部和蒂部区分开来，从而完成了水果表面缺陷的检测。对1778幅正常水果图像和390幅含有表面缺陷的水果图像检测结果表明，正确率为94％，误判率为1.5％。⑥分别用F检验和t检验分析了水果在不同检测通道上的方差齐性和均值一致性，试验表明，在a=0.01的水平上，两检测通道的检测结果符合等精度要求。以上成果为在我国率先研制成功基于机器视觉技术的水果品质检测与分级生产线作出了贡献。
张魄珊[9]2017年在《基于机器视觉的枸杞外观品质检测与评级方法研究》文中提出枸杞的分级目前主要依靠人工进行,这种分级方法受人的主观意愿的影响,分级不准确,同时费时费力,生产效率不高,不仅不能保证枸杞的外观品质,而且无法满足市场上品种多样化的需求。因此,本文采用机器视觉技术对枸杞的表面品质进行了检测识别及分级,实现枸杞的自动、无损检测。针对枸杞的外观品质,主要涉及枸杞的大小、表面缺陷、颜色等三个特征,主要研究内容和结果如下:(1)针对枸杞分级检测中对图像特征提取的需要,对几种常用颜色空间模型的特点分别进行了系统的分析和阐述,同时对图像的灰度化、二值化、图像的分割、图像的边缘检测、图像滤波等图像的基础算法进行了分析和研究,选择出适于枸杞外观品质检测分级的预处理算法。(2)为了实现对枸杞大小的分级,通过研究获取枸杞的投影表面积、长轴直径、短轴直径、偏心率、圆度等几何特征参数的方法和技术,建立了枸杞长轴径的人工测量值与像素值之间的相关模型。(3)根据色度值识别出破损和油粒区域,再通过滤波处理,统计破损和油粒区域的面积像素个数,根据这部分区域与整个健全枸杞面积的比值进行对缺陷程度的判别,实现对枸杞表面缺陷程度的检测与判断,正确率达93.4%。(4)以HSI颜色空间模型为依据,提取枸杞的颜色特征参数。用色度的范围对枸杞进行分级,最后计算色度、饱和度、亮度的均值、方差,判断分级的准确性。(5)利用Matlab/GUI软件平台开发一套枸杞自动检测评价系统,该软件采用模块化设计,包括文件模块、图像采集模块、图像预处理模块,特征参数提取模块和分级模块。实现了人机合一的可视化操作,界面友好,操作简单,易于维护。试验结果证明,利用该系统对枸杞进行检测分级速度快,准确率高。
王富昶[10]2006年在《计算机视觉技术在牛肉眼肌等级评定中的应用研究》文中进行了进一步梳理计算机视觉技术作为一种无损检测的手段，目前在食品检测领域已经取得了较为广泛的应用，但是国内将计算机视觉技术应用于牛肉眼肌等级评定的无损检测工作才刚刚起步。本论文主要探讨了计算机视觉技术在影响牛肉眼肌等级最主要的两个因素大理石花纹分布和肉色方面的应用。基于以上目的，本文根据软件使用目的不同建立了两套系统。本论文完成的主要工作有：建立了计算机视觉硬件系统，利用图像分析原理，在VC++6.0的环境下自行开发了适用于农畜产品图像处理和参数提取的处理软件Image analysis 1.0和专用的牛肉眼肌自动分级软件。可以实现图像处理、形状特征值的提取和自动分级等功能。运用常见的颜色模型(RGB、HIS、Lab)，对样品图片进行了抽样统计分析，在大量数据的基础上得到了牛肉颜色各分量的分布规律，并且找到了最佳的区分参数T。利用图像处理方法和本文提出的一些改进算法，对眼肌的图像进行处理(边缘检测、灰度转变、图像的平滑、图像分割、区域标记、特征值提取、筛选)，成功地提取了图像的特征参数，并且分析出了一些最佳的过程参数。建立了感官评定结果与各特征参数的多种关系模型，并对其准确率进行了分析，在此基础上找到了最佳的分级模型。最佳的脂肪等级预测模型为：FAT=5.543-0.107*R+0.140*G-0.049*B-0.016*H+0.031*S-0.256*L+0.227*A-0.101*BL+0.261*Eab，其预测准确率在不同的误差水平下分别为：80％(误差≤0.3)，95％(误差≤0.5)。最佳的肌肉等级预测模型为：MEAT=4.804+0.046*G-0.073*B+0.001*H-0.094*S+0.212*L+0.136*A+0.009*BL-0.081*Eab，其预测准确率在不同的误差水平下分别为：87.5％(误差≤0.3)，95％(误差≤0.5)。最佳的大理石花纹等级预测模型为：S=5.935+46.165*D_1-1427.126*D_1~2+6338.641D_1~3，其预测准确率在不同的误差水平下分别为：77.5％(误差≤0.3)，97.5％(误差≤0.5)。运用BP人工神经网络，对训练样本和检测样本进行分析，训练样本的预测正确率：脂肪颜色85.7％；瘦肉颜色79.8％；大理石花纹：86.7％。检测样本的预测正确率：脂肪颜色85％；瘦肉颜色75％；大理石花纹：87.5％。在前面工作的基础上自行开发了牛肉眼肌自动分级软件，自动分级软件对瘦肉颜色等级、脂肪颜色等级、大理石花纹等级的预测正确率分别达到80％、70％、80％。该软件一分钟至少可以对10个眼肌进行等级评定。本论文对计算机视觉技术在牛肉品质评定方面进行了探索，实验结果表明计算机视觉系统可以代替常规方法，对肉质做出准确客观的评定。
参考文献：
[1]. 计算机视觉技术在农产品自动检测与分级中的研究[D]. 王树文. 东北农业大学. 2002
[2]. 计算机视觉在农产品自动检测与分级中的研究——番茄的自动检测与分级[D]. 潘伟. 东北农业大学. 2000
[3]. 基于计算机视觉的苹果颜色分级系统的研究[D]. 闫之烨. 南京农业大学. 2003
[4]. 绿橙表面缺陷及大小尺寸的计算机视觉分级技术研究[D]. 陈小娜. 海南大学. 2010
[5]. 基于计算机视觉的花生仁外观品质无损检测方法的研究[D]. 陈红. 华中农业大学. 2008
[6]. 基于计算机视觉和声学技术融合检测鸡蛋品质的研究[D]. 潘磊庆. 南京农业大学. 2007
[7]. 基于计算机视觉的脱水蒜片检测与分级研究[D]. 汪源. 南京农业大学. 2009
[8]. 基于机器视觉的水果品质实时检测与分级生产线的关键技术研究[D]. 饶秀勤. 浙江大学. 2007
[9]. 基于机器视觉的枸杞外观品质检测与评级方法研究[D]. 张魄珊. 兰州理工大学. 2017
[10]. 计算机视觉技术在牛肉眼肌等级评定中的应用研究[D]. 王富昶. 南京农业大学. 2006
标签：计算机软件及计算机应用论文; 计算机视觉论文; 图像融合论文; 人工智能论文; 神经网络论文; 花生仁论文; 脱水蒜片论文;