成芳[1]2004年在《稻种质量的机器视觉无损检测研究》文中研究表明农作物种子质量检验对有效控制种子质量以提高产品产量和质量、贯彻优质优价政策、保证种子贮藏运输的安全及种子产业化进程的作用举足轻重。我国目前每年的检验样品量非常有限，且停留在靠人工感官进行识别判断的简单统计获得，效率低，准确性差，难以适应批量商用稻种的质量控制。用机器视觉代替人的视觉进行质量检测有不言而喻的优越性，种子质量检验领域的最新研究动态多数与基于计算机图像分析的机器视觉有关。 结合我国农业生产情况，本文选择在粮食生产中占有重要地位的稻种为研究对象，针对杂交稻种生产、收购、加工、贮藏、流通过程中存在的实际质量问题，系统研究基于图像分析技术的稻种质量视觉检验原理和方法，以期为最终实现稻种质量的机器视觉自动化检验打下基础。本文针对静态、单粒稻种的可见光彩色图像进行分析，构建适用于稻种质量检验的机器视觉硬件系统，致力于批量商用稻种普遍存在的芽谷、霉变和裂颖缺陷问题的机器视觉无损检测研究，并探索基于图像分析的稻种品种识别，取得了较好效果。 论文的主要内容包括： 1．首次使用电镜显微观察稻种表面缺陷，籍此了解研究对象的微观视觉特征，指导其宏观的机器视觉检测中关键特征的提取和系统精度要求的确定；通过不同表面质量稻种样品的高光谱反射特性测定分析(350-2500nm)，与彩色CCD传感器的光谱响应相结合以充分发挥视觉硬件性能，研究表明本研究稻种图像采集的最佳光照条件是在可见光波段450nm到650nm之间具有足够辐射强度的较高色温全色光；通过标准发芽试验研究不同程度的表面缺陷对发芽率的影响规律，提示稻种质量机器视觉检验策略；根据上述基础试验研究与分析的结果，构建稻种质量检验用机器视觉硬件系统，并进行参数优化。 2．结合传统方法，研究针对稻种质量检验的专用图像预处理方法，以实现稻种尺寸、形状和颜色共23个基本特征参数的提取，并根据检验目标形成一套由先进统计分析理论支持的特征分析与选择方法，即用K-W检测进行单特征分析，图形考察特征值分布，直接选择特征或经主成分分析选择最优特征组合，该方法简单而有效，适用面 摘要.曰巴..目留翻....吕吕日.广。在此基础上初步建立了五个品种杂交稻种不同类别图像信息库。 3.对比不同算法，分别研究适用于芽谷、霉变和裂颖缺陷检测的稻种图像特征，并相应开发高精度识别算法。利用紧密度特征和平均色调特征的线性判别100%正确地分类正常稻种与芽谷;在霉变检测时，提出了一个基于稻种区域色调直方图形状的特征K，其稳定性较之平均色调特征要好，使用该特征的Parzen窗函数法的分类精度高于基于欧几里德距离尺度的分类器;利用哈夫变换找到了与稻种裂颖缺陷紧密相关的图像特征，该特征形象直观，对正常稻种的平均识别准确率为%%，微裂稻种的平均识别准确率为92%，裂颖稻种的平均识别准确率为87%。 4.归纳稻种品种识别问题中具有代表性的不同情况，主要采用人工神经网络方法对选择的四种典型实例进行品种识别研究，将由简到繁四种算法用于复杂的水稻品种识别问题。对金优402与汕优10两品种的识别采用一个简单的长宽比闽值分类，检测正确率可达100%;对金优402与H优3207两品种的识别采用一个通过感知器设计的超平面进行分类，检测正确率可达100%;对金优402与中优207两品种的识别采用一个经结构优化和充分训练的人工神经网络进行分类，检测正确率可达98%;对金优402、汕优10、中优207、加优99、H优3207五个品种的识别采用一个共扼梯度法训练的人工神经网络进行分类，检测正确率分别可达91.2%，93.1%，75.3%，62.6%，93%。 5.在本研究基础上对相关算法成果进行归纳整理，开发了基于Mat lab平台的稻种图像分析系统，为实现稻种质量机器视觉检验提供了基础。该系统可对静态单粒稻种图像进行各种预处理操作，计算出稻种尺寸、形状和颜色等23个特征参数，自动识别金优402、汕优10、中优207、加优99、11优3207五个品种并检测稻种的穗萌芽、霉变和裂颖缺陷。
杨铁滨[2]2007年在《基于机器视觉的陶瓷球表面缺陷自动检测技术研究》文中研究表明氮化硅陶瓷轴承球具有优良的综合机械性能,在航空、航天等领域有广泛的应用前景。然而由于陶瓷材料的脆性,在陶瓷球制造和加工的各个阶段都有可能产生表面缺陷,处于表面和次表面的缺陷能显着降低陶瓷球的疲劳寿命。为提高成品陶瓷球的表面质量,本文分析了陶瓷球表面缺陷的形成与扩展机理,建立了陶瓷球表面缺陷检测的图像处理与识别算法,研制了基于机器视觉的陶瓷球检测系统。本文首先采用滚磨加工方法进行加工实验,获取了陶瓷球表面缺陷统计数据。陶瓷球共存在5种表面缺陷:凹坑、裂纹、雪花、划伤、擦伤。用陶瓷材料压痕断裂力学的原理和断口显微分析的方法分析陶瓷球表面缺陷形成的机理。分析结果表明异常的磨粒在加工中产生凹坑;由于球坯球度差,研磨盘在陶瓷球表面产生Hertz裂纹;精研过程中不正确的加工压力和没有破碎的硬磨粒产生擦伤和划伤缺陷。提高球坯圆度,降低粗研加工的载荷和速度可以减少裂纹缺陷。陶瓷球按表面缺陷的类型和尺寸分为高质量球、一般工况条件下使用球和不允许使用球叁级。通过实验,分析了材料的显微结构与表面缺陷的对应关系,结果表明:球坯材料的气孔率、夹杂物尺寸、晶粒尺寸是影响加工质量的重要因素,改善球坯的显微结构是从根本上提高陶瓷球表面质量的方法。参考陶瓷球表面缺陷形貌特征和目前人工视觉检测方法,本文提出了基于机器视觉的陶瓷球表面质量检测系统。首先建立以中值滤波、高帽变换、对数变换和图像拉伸为基础的预处理算法,减轻了图像灰度的不均匀性,降低了图像分割的困难。提出了基于直方图凹性分析和类间最小交叉熵的区域生长图像分割算法。实验结果表明该方法充分利用了缺陷灰度分布连续的特点,能够克服传统方法中抗干扰能力差等缺点,是一种有效地分割陶瓷球表面缺陷的新方法。对分割后的表面缺陷目标,进行形状特征提取。对比实验表明,前7个规范化的缺陷边界傅里叶描述子、区域缺陷面积、缺陷长短径比及缺陷数等10个特征能够较好地区分凹坑、裂纹、雪花、划伤缺陷。根据磨损缺陷面积大,分割后目标不连续的特点,直接求原始表面图像的纹理特征。通过实验比较直方图纹理特征、频谱特征、不变矩特征,结果表明5个直方图纹理特征的效果最好。针对两类特征分别建立、训练相应的人工神经网络分类器,测试结果表明直方图特征分类器的分类正确率为97.5%,形状特征分类器的分类正确率为90.3%。集成了陶瓷球表面缺陷检测的软硬件系统,系统分辨率可达4.85μm。对陶瓷球表面展开的各种方法,建立了陶瓷球表面展开的数学模型。利用本文建立的检测系统,采集表面缺陷图像进行软件测试,实验结果表明分类正确率达到85.56%,能够完成Φ10-Φ14的陶瓷球表面质量检测。最后,对系统误差进行分析,指出图像采集、照明和机械系统精度是影响检测误差的主要原因,提高分类器的正确识别率是降低系统误检率的有效方法。
岑益科[3]2006年在《基于机器视觉的鸡蛋品质检测方法研究》文中研究表明机器视觉技术在鸡蛋品质检测中的应用已在国内外被广泛地开展,并且日益成为重要的检测手段之一。随着机器视觉技术与图像处理技术往专业化方向发展,机器视觉技术在鸡蛋品质检测领域的应用前景正变得越来越广阔。 鸡蛋品质检测分外部品质检测和内部品质检测两大部分,鸡蛋的尺寸、蛋形指数、重量和内容物、新鲜度分别是鸡蛋外部品质检测和内部品质检测的重要内容和指标。本文基于机器视觉技术,利用基于边缘的鸡蛋尺寸检测算法、线性回归模型等技术方法检测了鸡蛋的以尺寸大小、蛋形指数、重量为主的外部品质指标和以内容物、新鲜度为主的内部品质指标,并利用SOM神经网络分类器对鸡蛋按重量指标进行了分级。 本研究的主要研究内容和研究结果如下: 1、综述了国内外利用机器视觉技术对鸡蛋外部品质和内部品质进行检测的研究进展和现状,并指出了国内外同类研究中存在的问题以及开展基于机器视觉的鸡蛋品质检测方法研究与检测装备研制的迫切需求。 2、建立并完善了适合本研究的鸡蛋外部和内部品质检测机器视觉系统。鸡蛋外部品质检测系统由光照箱、6支荧光灯(F40BX/840)、彩色CCD摄像机、图像采集卡、ADVANTECH INDUSTRIAL COMPUTER 610工控机组成;鸡蛋内部品质检测系统由光照箱、1支磨砂玻壳白炽灯(PHILIPS)、彩色CCD摄像机、图像采集卡、ADVANTECH INDUSTRIAL COMPUTER 610工控机组成。 3、采集了鸡蛋的外部品质图像,对图像做预处理,采用由R、G、B颜色分量组合而成的指示值为阈值对图像进行分割,采用拉普拉斯算子提取出鸡蛋边缘,运用基于边缘的鸡蛋尺寸检测算法和一元线性回归模型检测鸡蛋的纵径、最大横径和蛋形指数,纵径、最大横径和蛋形指数检测模型的相关系数分别为0.9923、0.9816和0.9579。 4、利用鸡蛋尺寸检测算法提取出鸡蛋的纵径、最大横径、上横径和下横径四个尺寸量,用此四个尺寸量为自变量,鸡蛋重量为因变量,建立鸡蛋重量检测多元线性回归模型,模型的相关系数为0.9781,鸡蛋重量检测的绝对误差在±3克以内。用SOM神经网络分类器对鸡蛋按其重量指标分为55克以下、55克～65克(不包括65克)、65克及65克以上叁个等级,分级的准确率分别为90.6%、76.8%和82.5%。 5、采集了鸡蛋内容物的透射图像,通过对透射图像做预处理,提取出鸡蛋内容物透射目标的R、G、B、H、S、I六个颜色特征分量的均值。用电子天平测得鸡蛋重量,用高度游标卡尺测得鸡蛋蛋白高度,计算得到表征鸡蛋新鲜度的哈夫单位值。以经过筛选的鸡蛋内容物透射目标的六个颜色特征分量均值为自变量,鸡蛋哈夫单位值为因变量,分别建立红壳蛋和白壳蛋的新鲜度检测多元线性回归模型,模型的相关系数分别为0.8674和0.8929。
庞章炯[4]2007年在《基于机器视觉的珍珠分级检测技术研究》文中进行了进一步梳理目前我国的珍珠企业多依赖人工方式对珍珠进行粗略分选。由于珍珠体积小、数量多，分级工作负荷大、效率低。随着养殖珍珠国家分级标准的出台，对珍珠进行准确而快速的分级成为了珍珠生产企业的迫切要求。应诸暨某珍珠生产企业的招标要求，本文对机器视觉在珍珠分级检测中的应用进行了研究，主要研究内容如下：1、分析了珍珠的物化指标和光学性质并结合国家分级标准的要求，对珍珠分级系统进行了总体设计。重点对图像采集环节进行了设计：a)针对珍珠表面反光性不确定的问题，使用单向高角度照明方式平衡珍珠反光以及光照不均匀的问题；b)针对珍珠质量轻、形状不规整的特点，设计了旋转机构，能可靠的带动珍珠旋转，实现全表面检测。2、针对珍珠分级的要求，研究了相应的图像处理算法：a)提出了加权矢量中值滤波算法，在保留了矢量中值滤波优点的基础上，极大减少了运算量；b)针对光照不均匀的问题，利用局部阈值分割和连通区域标记得到了稳定准确的分割；c)利用色度直方图局部分布对颜色进行了准确分类；d)利用基于形状的快速算法对形状和大小进行了高精度测量；e)通过基于主轴投影的边界描述和颜色分割检测光洁度，并利用缺陷分布特性对缺陷进行了分类。本论文对于机器视觉在珍珠分级检测中的应用进行了探索和尝试，取得了一定的成果，为今后研制商用化的分级系统打下了基础。实验结果证明，可以在尺寸指标和颜色指标检测中达到较高的准确性和实时性，在光洁度指标的检测中也可以满足一定的检测要求。
唐义华[5]2016年在《红提品质无损检测技术研究》文中认为葡萄品质直接关系到它的增值率以及加工利用率,因此葡萄的品质检测是其加工的首要环节。近些年来,机器视觉技术和近红外光谱技术在农产品方面的应用逐渐增多,并取得了一定的进展,但是还没有成熟的技术及设备可以同时实现葡萄内外部多品质检测。本文以葡萄中的红提品种为研究对象,对红提的品质进行检测,在检测整箱红提外部品质时,通过机器视觉技术和图像处理技术对红提的大小和颜色进行检测分级;检测红提内部品质时,利用机器视觉技术和近红外光谱技术对红提的糖度进行检测。主要研究内容及结论如下:(1)搭建了红提大小、颜色、糖度多品质机器视觉采集系统。利用近红外光源及荧光灯光源对红提进行反射照明;选择2—CCD工业相机(AD-080 GE)同时采集红提RGB图像和NIR图像。(2)确定红提图像的预处理方法及边缘检测方法。对比中值滤波和均值滤波,其中,中值滤波的效果优于均值滤波的效果,故采用中值滤波作为红提图像预处理方法,去除采集过程中带来的噪声;对比Roberts算子、Canny算子、Sobel算子、Log算子等边缘检测算子,确定通过Log算子来提取红提果粒的边缘信息。(3)建立红提果粒大小的视觉检测方法及其模型。通过数学形态学处理提取红提的中心位置,再根据中心位置分割出单颗红提果粒的边缘,再利用迭代最小中值二乘法对分割的边缘进行拟合,并提取该果粒的大小参数,最后根据果粒分级的两个原则(15%降级原则和最大比例原则)建立红提大小视觉分级模型,本研究对38箱红提大小进行分级,正确分级35箱,分级准确率为92.1%。(4)建立红提颜色的视觉检测方法及模型。首先将RGB彩色图像转换到HSV彩色空间,选择合适的阈值去除红提果梗部分,再对剩余部分的红色、绿色的像素点进行统计,计算出红色所占的着色率,最后对整箱红提颜色分级,本研究对38箱红提颜色进行分级,正确分级36箱,分级准确率为94.7%。(5)建立红提糖度视觉检测方法及模型。提取红提果粒近红外图像的纹理特征信息灰度平均值、灰度标准差、平滑度等10个纹理信息和9个彩色图像的颜色信息特征参数,选取其中相关度较高的10个特征参数建立多元线性回归糖度预测模型,其中训练集的相关系数为0.87,均方根误差为0.97,预测集的相关系数为0.84,均方根误差为0.82。并建立整箱糖度分级模型,对38箱红提进行检测分级,其中正确分级34箱,取得良好的效果。(6)建立红提糖度的近红外检测方法及模型。通过多元散射校正对光谱进行消除基线平移之后,再对数据分别采用4种不同的光谱预处理(Savitzky-Golay、Norris derivative filt、一阶微分、二阶微分),结合3种定量分析模型多元线性回归(MLSR)、偏最小二乘法(PLSR)、主成分回归(PCR)进行全波段建模分析。结果表明,偏最小二乘法的可靠性最好,主成分回归次之。但是所得预测模型都不是很理想,为了得到更好的预测模型,本研究采用量子遗传算法结合偏最小二乘法回归QGA-PLSR将波段数目从1557降至为650个,同时,预测模型的相关系数VR及预测标准差RMSECV都得到明显改善,VR从之前的0.926提升到0.962,RMSECV从之前的0.644降低至0.441。
屈年巍[6]2011年在《基于机器视觉的新疆库尔勒香梨颜色及轻微碰伤无损检测关键技术研究》文中研究说明库尔勒香梨是新疆在海内外最负盛名的果品之一,也是新疆出口创汇的重要产业之一。目前香梨分级主要是依靠人工分级,由于分级人员长期大量依靠目测分级,容易产生视觉疲劳和情绪波动,而且每个人对颜色的标准等感官不一,难免产生误差,造成同一个香梨有不同检测结果,这不仅影响了香梨的果品价值,也不利于保证水果质量和提高消费满意度。在很多同类水果中,着色好且均匀一致的水果商品价值较高。颜色也在一定程度上间接反映了水果的糖度、酸度及口感等。同时,香梨表面的轻微碰伤由于颜色和正常区域相近,容易被忽视。因此,香梨按颜色分级和轻微碰伤的检测也是香梨自动化检测中的两项重要内容。本文提出了基于机器视觉技术对库尔勒香梨的颜色和轻微碰伤进行无损检测,主要方法及内容如下：通过对香梨进行自动化分级的必要性和国内外在水果智能检测领域的研究现状进行分析,提出了利用机器视觉技术对香梨进行颜色分级和碰伤检测的方法,并针对香梨颜色和轻微碰伤检测的研究内容确定了研究方法。根据研究内容设计相关实验系统,并对系统的构成和各部件选取进行了分析和优化,概述了实验所用的实验仪器和软件系统。利用机器视觉技术对香梨颜色进行分级的方法进行了研究,找到了对香梨背景分割的方法：利用HSI模式下的H分量作为香梨分割的模板,再进行闽值分割和二值化,得到香梨和背景的分割图,利用该分割图与原香梨图像进行融合,得到去除背景的香梨图像,并对其表面像素和平均值做统计,将统计结果作为人工神经网络的输入,颜色信息作为输出,分别比较了基于BP人工神经网络和RBF人工神经网络的香梨颜色分级,两种方法的分级准确率均为95%。同时,针对香梨碰伤特点,设计了香梨的碰伤实验装置,对香梨进行人工碰伤。利用机器视觉技术和高光谱图像技术对香梨碰伤进行研究,使用了主成分分析法和独立分量分析法,分别利用主成分分析法和独立分量分析法对获取的高光谱图像数据处理分析,发现香梨第四主成分包含碰伤的主要信息,直接对该主成分进行图像处理和分析,碰伤提取的准确率为81.0%,通过提取特征向量发现其的主要贡献波段分别为528nm,662nm和740nm,利用光谱图像融合技术对主要贡献波段进行融合并处理分析,检测准确率为70.9%。利用独立分量分析可以检测到在第四分量下的香梨碰伤区域,对该分量进行图像处理,提取碰伤区域,检测准确率为82.5%。最后,归纳了本文的主要结论和有待于进一步研究的内容。
陈红[7]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》文中研究说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、霉变叁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、叁角形、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着相关关系;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叁个颜色特征值参数及RW、GW、BW叁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。
耿路军[8]2015年在《电池绝缘膜片缺失的自动检测装置》文中研究说明在现代社会当中,电池在各个领域都有着广泛的应用。随着社会的发展,人们生活节奏的加快,对电池的需求量也不断加大,对电池的质量要求也越来越高。在提高电池生产量的同时,如何保证电池的质量问题,已成为企业高度重视的一个问题。电池绝缘膜片是防止电池正负极短路的一个电池部件,如果缺失会使电池发生短路影响电池质量,造成不必要的损失。传统的绝缘片检测均采用人眼视觉检测方法,在电池高速生产线作业形式下,工作人员来检测绝缘片,漏检情况难免会发生,造成产品质量的不合格。为有效提高电池质量监控水平,降低或避免产品质量事故的发生,本文提出利用机器视觉代替人眼视觉对电池绝缘片的安装缺失进行图像检测,并设计了针对电池绝缘片安装缺失的自动检测装置。本文还对机器视觉的检测算法进行了研究,总结出一种适用于电池绝缘片安装缺失的检测方法,并对自动检测装置的工作原理、硬件系统的设计和软件系统的设计做了详细的介绍与分析,通过实验系统进行试验,验证了所设计自动检测装置的合理性,能够实现对电池绝缘片安装缺失的有效检测。本论文的研究的主要内容包括：(1)根据电池及绝缘片的特点,提出一种基于机器视觉的绝缘片安装缺失检测方法,并通过试验验证了该方法的可行性；(2)设计了电池绝缘片安装缺失的自动检测装置,其中包括硬件系统的设计和软件系统的设计；(3)对设计的装置系统进行了综合试验。
黄美芝[9]2010年在《基于数学形态学稻种纹理特征提取与识别研究》文中指出水稻是我国重要的粮食作物之一,种子的质量是影响水稻产量的一个重要因素。纯度是种子最主要的质量指标,品种纯度对作物产量有明显的影响。目前,品种纯度的鉴定主要是用化学的方法和田间种植方法进行检测,虽然可以达到检测纯度的目的,但都需要通过人工检测来完成,且需要花费大量的财力和物力,还浪费时间。寻找一种既可以快速检测、又能实现准确检测目的的方法对农村、农业、农民来说是非常重要的,同时也是实现增产增收和农业现代化所必需的。稻种纹理特征在稻种品种群中显示出明显的个性差异性及遗传特性,有效地提取并识别这一特征对稻种品种识别及稻种纹理遗传规律的研究具有重要意义。本文以十二种稻谷品种为研究对象,以计算机、CMOS、光学镜头、电动平台以及自动可调光源为实验工具,综合运用图像处理技术和多元统计方法,研究了基于数学形态学稻种图像纹理特征的提取与品种识别的方法。论文的主要研究内容与结论如下：(1)搭建了基于数学形态学稻种图像纹理特征的提取与品种识别的机器视觉系统,系统由HDL-I型单孔卤素灯冷光源、显微数字摄像机、单筒连变显微镜、电动控制平台、计算机五部分组成。整个系统轻便实用,采集的纹理图像质量良好。(2)根据采集的纹理图像噪声多、光照不均匀等特点,探讨了多种图像预算处理算法改善纹理图像质量,并结合多聚焦稻谷纹理图像融合技术,找出突显稻种纹理特征的数字图像处理方法。文中对稻种纹理图像进行了二值分割,从图中分离出纹理的形态特征,并进行形态学细化和修剪处理,便于观察纹理的形态特点。(3)针对传统的灰度共生矩阵、经典的Gabor小波变换和双树复小波变换等叁种纹理特征方法进行了分析,并比较了传统LBP算法、LQP算法、ELBP算法以及EQP算法对稻种纹理特征提取识别的实际效果。(4)在本研究基础上对相关算法成果进行归纳整理,开发了基于Visual C++平台的稻种纹理图像处理分析系统。该系统可对静态单粒稻种图像进行各种预处理操作,并提取熵、能量、惯性矩、局部平稳性等纹理特征参数以及EQP纹理特征分布,结合支持向量机RBF分类器进行自动稻种品种识别。实验证明,通过建立针对稻种纹理特征进行品种识别是可行的,并为利用稻种表面纹理信息识别稻种品种提出了一种新方法。本研究综合运用图像纹理特征提取与表达、图像融合与识别、数学形态学等技术,建立了稻种纹理特征的品种识别系统,为利用稻种纹理图像进行品种识别提出了一种新方法。
苏忆楠[10]2011年在《基于机器视觉和高光谱图像技术的粮食水分检测及杂质与不完善粒识别方法研究》文中认为提高我国农产品的技术含量和产品附加值,增加我国农产品的商品化程度,可以让包括粮食产品在内的农产品在国际市场上更具竞争力。将机器视觉和高光谱等自动化检测技术引入粮食品质检测,使粮食品质得到准确、快速的检测,是实现该目标的有效途径之一。本文以粮粒和其中所含的杂质为研究对象,研究了机器视觉和高光谱技术应用于粮粒与识杂质别应用中的基本理论和方法,主要研究内容和成果如下：(1)研究了粮粒的光谱特征。采集嘉兴、长兴两地的4个水稻品种,根据样本将其分为完整粒、不完善粒、有机杂、无机杂等9类。再采集包含956个波段的静态高光谱图像32幅,通过五因素四水平正交实验的方差分析,优选了卤素灯作为光源,黑色环氧板作为背景,光照强度在6000-120001ux之间。在此实验条件下提取高光谱数据的前4个PCA图像,结合第叁、第四主成分的权重系数选择波段在620-680nm范围内的光线作为设计机器视觉粮粒杂质检测系统的照明。(2)建立了基于高光谱技术的粮粒水分检测模型。设计复水实验控制玉米品种02102和小麦品种NS21的水分含量在10%-20%区间内,再采集不同水分条件下的高光谱数据,样本数量为每批次3g,共300批。先采用MSC对光谱数据进行预处理,然后通过回归分析分别得到与玉米、小麦水分值相关系数最大的4个和5个波长。再通过经验公式使用节点数为4-5-1和5-5-1的叁层BP人工神经网络建模技术分别对玉米和小麦含水率进行了预测。通过回归分析得到预测结果与实际值之间的决定系数R2分别为0.98和0.96,相对误差绝对值的平均值分别为0.3090和0.1916。该结果表明利用高光谱图像技术对玉米和小麦含水率进行无损检测是可行的,为建立一种新型的粮粒水分检测方法和去除水分对于高光谱粮粒检测的影响奠定了基础。(3)构建了粮粒与杂质识别的机器视觉静态检测硬件系统和识别模型。根据国家标准并结合实验样本特点将其分为破碎粒、不完善粒、有机杂、无机杂、完整粒共6个子类别。根据直方图阈值分割方法选取纸质白色背景作为图像采集的背景。再采集6400幅粮粒图像,提取了图像的形状、颜色、不变矩等29个特征进行杂质识别的建模过程。先通过以单特征识别为主的决策树判定法识别出68.6%的杂质；再建立了节点数为28-9-2的叁层BP人工神经网络的方法建立识别模型,网络训练算法为L-M优化算法,隐层和输出层激发函数分别为对数函数和线性函数,训练终止条件为MSE.达到0.01或迭代次数超过8000。结果显示该模型的总体识别正确率在90%以上,并从选样、采集和分析算法叁个方面列出了造成模型误检的主要原因。建立及应用该识别模型的软件为命令行批处理形式,采用Matlab的M语言开发。
参考文献：
[1]. 稻种质量的机器视觉无损检测研究[D]. 成芳. 浙江大学. 2004
[2]. 基于机器视觉的陶瓷球表面缺陷自动检测技术研究[D]. 杨铁滨. 哈尔滨工业大学. 2007
[3]. 基于机器视觉的鸡蛋品质检测方法研究[D]. 岑益科. 浙江大学. 2006
[4]. 基于机器视觉的珍珠分级检测技术研究[D]. 庞章炯. 浙江工业大学. 2007
[5]. 红提品质无损检测技术研究[D]. 唐义华. 华中农业大学. 2016
[6]. 基于机器视觉的新疆库尔勒香梨颜色及轻微碰伤无损检测关键技术研究[D]. 屈年巍. 石河子大学. 2011
[7]. 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
[8]. 电池绝缘膜片缺失的自动检测装置[D]. 耿路军. 天津科技大学. 2015
[9]. 基于数学形态学稻种纹理特征提取与识别研究[D]. 黄美芝. 南京农业大学. 2010
[10]. 基于机器视觉和高光谱图像技术的粮食水分检测及杂质与不完善粒识别方法研究[D]. 苏忆楠. 浙江大学. 2011
标签：农作物论文; 机器视觉论文; 特征提取论文; 图像融合论文; 缺陷等级论文; 花生仁论文; 红提论文; 香梨论文;