徐正冈[1]2001年在《基于图像信息的柑桔成熟度无损检测方法的研究》文中指出本课题的研究目的是通过对柑桔果实的可见光彩色图像的颜色信息和其固酸比之间关系的研究,建立两者之间的关系模型,实现利用柑桔果实的可见光彩色图像对其成熟度进行无损检测,最终将建立的柑桔成熟度无损检测方法应用到柑桔合适采收期的确定和依据成熟度对柑桔果实进行自动化分级中。 在本研究中,我们在柑桔的收获期,采集了504个柑桔果实作为研究样本,并将其平均分为训练组和检验组两组。对两个组中的每个柑桔果实都从六个不同方向采集六幅可见光彩色图像,分别为果梗面、果萼面和四幅侧面彩色图像。对每个柑桔六幅图像中的柑桔区域对应于各个色度的像素数目进行统计,从每个柑桔的六幅图像得到一个由对应于各个色度的图像像素的频度组成的表征柑桔表皮颜色特征的频度序列。然后用理化分析的方法测出所有果实的可溶性固形物和总酸量两个内部品质指标,并由可溶性固形物与总酸量相比得到表征柑桔果实成熟度的固酸比。得到柑桔果实的图像提供的频度序列和理化分析测出的固酸比后,对柑桔果实表皮颜色与其成熟度之间关系的研究就可以转化为从图像得到的频度序列,即表征柑桔果实表皮颜色特征的模式,与柑桔果实固酸比之间关系的研究。本研究通过建立两者之间的映射关系建立起两者之间的关系模型。 多层前传网络具有良好的函数映射能力,本研究选择了叁层前传网络作为将由频度序列构成的表征柑桔果实表皮颜色特征的模式映射为柑桔果实固酸比的映射器。最初输入网络映射器的模式为210维,经过逐步精减,最终选出对映射结果有重要影响的90个色度所对应的90个频度组成映射器的输入模式。网络映射器的最终结构确定为叁层,即输入层、隐含层和输出层,所含神经元数目分别为90、5和1。 当柑桔果实的固酸比值达到8时,柑桔果实已经成熟;小于8时,果实未成熟。用训练完毕的网络映射器对训练组柑桔果实映射的结果为:成熟果实的成熟度判断正确率为100%,未熟果实的成熟度判断正确率为95.8%,总的判断正确率为99.6%。用检验组柑桔果实进行检验的结果为:成熟果实的成熟度判断正确率为79.1%,未熟果实的成熟度判断正确率为63石%,总的判断正确率为77.8%。 国家标准对鲜柑桔规定了四个等级,分别为优等品、一等品、二等品和等外品;四个等级之间存在叁个固酸比界限,分别为10、9.5和8。若用训练完毕的网络映射器映射出检验组柑桔果实的固酸比,再按照国家标准中的柑桔固酸比等级规定进行分级,则分级的结果为:优等品、一等品、二等品和等外品的判断正确率分别为 70.9%、5.9%、36.7%和 63.6%,总的判断正确率为50.8%。 通过本课题的研究,得到如下结论: 1.在对水果的彩色图像进行背景分割时,宜采用动态阈值法。 2.在利用水果可见光彩色图像检测水果成熟度时,为了便于研究图 像的颜色信息,应该在HSI颜色模型空间中对图像颜色进行研究。 3.水果彩色图像中,图像的颜色信息可以用各个色度对应像素在图 像中出现的频度构成的频度序列描述。可以通过研究该频度序列 与水果果实固酸比之间的关系来研究水果表皮颜色与其成熟度之 间的关系。 4.在研究水果图像颜色信息与其成熟度之间的关系时,采用人工神 经网络技术可以较为全面地利用图像的颜色信息。 5,水果彩色图像的颜色信息与水果成熟度之间的关系可以用将水果 表皮颜色特征映射成其固酸比的叁层前传网络表示。 6.尾张系柑桔的表皮颜色与其成熟度之间存在一定的相关性,可以 利用柑桔可见光彩色图像的颜色信息检测柑桔的成熟度。 7.柑桔成熟度无损检测的方法可以用于确定柑桔合适的采收期;在 进一步提高精度后,也可以用于柑桔按内部品质固酸比进行自动 化分级。 8 通过水果可见光彩色图像与其成熟度关系的分析,利用水果可见 光彩色图像检测水果成熟度的方法也可运用于其他品种的柑桔类 果实和其他类别的水果。
金燕[2]2009年在《基于神经网络和机器视觉的南方葡萄专家系统研究》文中研究说明根据葡萄生长发育规律建立的栽培技术体系是一个复杂的系统。熟悉这个系统的专家在产业的建立和发展过程中起着极其重要的作用。但是,在产业发展实践中,往往由于专家数量不够或服务不能及时到位,影响产业的健康发展。运用计算机技术建立专家系统是解决该问题的重要途径。本论文以葡萄在南方的整个生长过程作为研究对象,对其栽培管理技术、病害诊断方法,以及葡萄果实整个生长过程中内质参数与其图像信息的关系等进行了分析和研究,设计了基于神经网络和机器视觉的南方葡萄专家系统。重点围绕南方葡萄专家系统的构建、栽培管理咨询及辅助决策、病害诊断和葡萄成熟度采前无损检测四个方面进行了研究,主要研究结果如下:1.设计和构建了基于神经网络和机器视觉的南方葡萄专家系统平台。利用面向对象、.NET技术和数据库等技术设计构建了葡萄专家系统平台,同时在此平台的基础上设计了南方葡萄专家系统的体系结构、功能结构和模块设计。2.构建了栽培管理子系统。针对葡萄生产技术推广的需求设计了栽培专家决策和栽培管理信息咨询模块功能。该子系统将为用户提供实用便捷的生产管理指导和智能化的生产管理决策服务。3.设计和构建了葡萄病害诊断子系统。该子系统以18种典型的葡萄病害作为研究对象,设计了葡萄知识库和事实数据库,利用RBF神经网络模型设计和构建了葡萄病害诊断神经网络知识库和推理机。分析和论证了网络结构和训练方法,通过验证表明了该诊断模型的有效性。4.设计和构建了自然环境下葡萄成熟度采前无损检测子系统。以湖南农业大学葡萄教学实验基地的2年生欧亚种葡萄品种红宝石无核和红地球为试材,收集和测试了葡萄生长周期中图像信息和内质参数。研究了针对自然环境中的葡萄图像信息的图像分割技术和特征提取方法,并结合对应的内质参数设计了葡萄成熟度采前无损检测神经网络组合模型,通过训练后建立的葡萄成熟度采前无损检测知识库及对应的推理机,系统可以有效和准确的对红宝石无核和红地球进行无损检测。本文的创新点如下:针对南方葡萄栽培的特点,结合葡萄生产实际需要,利用领域专家知识及先进的计算机技术,构建了基于神经网络和机器视觉的南方葡萄专家系统原型。针对葡萄病害诊断复杂性和实时性问题,提出和建立了一种实时性好,诊断精度高的病害诊断模型。该模型根据诊断病害的典型和非典型设计了不同的推理规则,从而提高了系统的实时性。针对自然环境中图像信息特征提取问题,提出了一套基于边缘检测的图像分割和基于色度频度值的特征提取方法。由于葡萄背景和葡萄颜色色度相差较小,通过边缘检测和改进Hough变换的方法可以有效地分割图像中葡萄信息,同时可以通过葡萄色度信息的统计频度值来实现对图片拍摄角度和大小的依赖性,有效地实现了特征的提取。针对葡萄无损检测的要求,提出了基于频度序列和内质参数的人工神经网络组合模型。通过对内质参数的相关性分析,设计了由葡萄图像信息预测色素内质参数的人工神经网络及由果皮色素参数预测果肉总酸、总糖、可溶性固形物的人工神经网络模型,通过两个模型组合来实现根据葡萄图像信息进行采前无损检测的目的。通过独立训练和组合测试,实验准确度和精度均达到理想的要求。
叶晋涛[3]2016年在《基于DSP的哈密瓜成熟度检测系统技术研究》文中认为哈密瓜含糖量高,香气怡人,有“瓜中之王”的美称。哈密瓜不但风味独特,而且营养丰富,药用价值高。但是目前我国哈密瓜产后处理手段落后,造成哈密瓜品质参差不齐,在国际市场上缺乏竞争力。因此急需一种哈密瓜实时成熟度检测系统。本研究综合运用数字图像处理、电子信息学、模式识别等诸多交差学科知识,选用新疆地区“金皇后”哈密瓜为研究对象,以哈密瓜图像颜色特征与纹理特征的角度出发,探究基于DSP(Digital Signal Processor,DSP)的哈密瓜成熟度实时快速检测技术。本文创新地利用哈密瓜图像颜色特征与纹理特征来预测哈密瓜成熟度,建立哈密瓜成熟度的SVM分级模型,优化模型后完成DSP算法移植,最终实现基于DSP的哈密瓜成熟度快速实时检测。论文的主要研究成果如下:(1)搭建哈密瓜图像采集系统及DSP视频处理平台,前者用于对哈密瓜进行图像采集及图像预处理。后者用于后期的实时无损检测。比较不同种图像滤波方法和背景分割方法对本研究所用图片的效果。结果表明中值滤波与基于通道算术运算的背景分割方法对于本研究哈密瓜图像更为适用。(2)提取两个批次哈密瓜两种颜色空间的不同颜色特征,分析哈密瓜颜色特征,确定哈密瓜颜色特征的变化范围,得出以下结论:1)两个批次哈密瓜图像颜色特征相比,九成熟H均值平均水平(0.120)小于八成熟H均值平均水平(0.128),九成熟G均值平均水平(188.740)小于八成熟G均值平均水平(197.830),九成熟R-G值平均水平(32.212)小于八成熟R-G值平均水平(39.862),九成熟R+G值平均水平(417.340)小于八成熟R+G值平均水平(427.871)。九成熟R-G/R+G+B值平均水平(0.080)大于八成熟R-G/R+G+B值平均水平(0.063)。成熟哈密瓜有更小的H均值、G均值、R-G值、R+G值、R-G/R+G+B值。2)哈密瓜图像颜色特征中的B均值、S均值、I均值与成熟度无明显相关性。(3)提取两个批次哈密瓜不同的纹理特征,分析哈密瓜纹理特征,确定哈密瓜纹理特征的变化范围,得出以下结论:1)对比度、平稳度和相关性与成熟度的相关性较强。金皇后八成熟哈密瓜纹理对比度值范围在766.31~1207.27之间,九成熟纹理对比度值范围在974.52~1675.33之间,对比度值随着哈密瓜成熟度逐渐升高;金皇后八成熟哈密瓜纹理平稳度值范围在3.70~3.80之间,九成熟纹理平稳度值范围在3.58~3.76之间,平稳度值随着哈密瓜成熟度逐渐升高,金皇后八成熟哈密瓜纹理相关性范围在2909313~4476398之间,九成熟纹理相关性范围在3131968~4047242之间,相关性随着哈密瓜成熟度逐渐升高。2)金皇后哈密瓜的纹理能量和熵与成熟度无明显相关性。(4)根据哈密瓜相关颜色纹理特征与成熟度之间的相关性建立基于支持向量机(Support Vector Machine,SVM)的哈密瓜成熟度分类模型,对模型进行参数设置与算法寻优后,模型最终准确率为97.22%。基于模型设计了DSP视频实时检测系统的外围模块(IIC总线设置、储存空间映射、视频采集、视频缓存、视频显示等)与哈密瓜成熟度检测算法,并对算法进行了优化与结果验证。最后对程序进行加载与固化。最终分类准确率为94.34%。
饶秀勤[4]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》文中研究表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。
周水琴[5]2013年在《基于核磁共振成像的梨果品质无损检测方法研究》文中提出水果含有人体所需的多种矿物质和维生素等,对维持人体正常的生理功能有着重要的作用,它是人类饮食结构的基本组成部分,在人们的日常生活中必不可少。我国是水果生产大国,水果种植面积和产量在全世界名列前茅。水果采后商品化处理水平低是影响国内水果在国际市场竞争力的主要因素之一,因此实现水果外观与内部品质的无损检测及分级已成为国内水果产业化的必要前提。目前水果无损检测与分级主要有基于可见光技术的外部品质检测与光谱技术的内部品质检测两大类,外部品质检测技术较为成熟,但对于外部轻微损伤缺陷及内部缺陷的检测还存在不足之处,如检测效果受损伤时间影响,内部缺陷受检测位置及水果大小影响等。核磁共振成像技术可反映水果内部含水量的变化,应用其进行检测具有无损、可视化、安全无辐射、不受样品大小影响等优点。梨是国内水果产量居第叁位的水果。本研究利用核磁共振成像技术和图像处理技术,对梨果挤压损伤、跌落损伤、内部褐变叁种不同缺陷进行无损鉴别与分级,并建立了梨果坚实度与磁共振质地系数间的相关模型。利用医用核磁共振设备,采集了梨果中的鸭梨、香梨和黄花梨的冠状面核磁共振T2加权图像,经过图像转换、图像预处理、特征提取等处理实现对鸭梨挤压损伤及跌落损伤的识别、香梨内部褐变的识别,并对鸭梨跌落损伤阶段及香梨褐变严重程度进行分级;通过统计和分析黄花梨坚实度和核磁共振图像质地系数间的皮尔森相关关系,建立了多元回归模型。本文的研究目的在于验证核磁共振成像技术检测水果外部的机械损伤及内部缺陷的可行性,排除损伤时间对检测结果的影响,并确定内部褐变的严重程度,为研发具有自主知识产权的水果品质在线检测生产线提供方法依据。本论文的主要研究内容、结果和结论如下:1)确定了用于梨果缺陷检测的核磁共振图像采集方式。分析了核磁共振设备所采集的图像,结果表明:T2加权成像的清晰度可以完成本研究所需检测的缺陷和内部品质;且梨果冠状面图像比矢状面图像采集速度快,图像处理简单方便;对于不同品种的梨果,由于大小不同,可采取不同的切片厚度和切片间距,以适合水果缺陷与品质检测。2)提出了用于鸭梨表面轻微损伤检测的角点特征法,分析了挤压损伤与正常鸭梨组织核磁共振图像灰度的差异。对于采用万能试验机模拟的轻微压伤,通过Otsu阈值分割、膨胀操作并提取边界的图像处理方法,最后对水果边界进行角点检测。试验对207幅有效鸭梨样本图像进行轻微损伤检测,轻微损伤鸭梨样本的检测正确率为92.1%;正常鸭梨截面图像的检测正确率为100%,畸形鸭梨截面图像检测正确率100%。试验还对真实轻微损伤鸭梨进行损伤识别,结果发现对32个鸭梨真实损伤样本识别时,识别率可达96.8%。结果表明,对鸭梨冠状面切片边界提取角点特征的方法可判断鸭梨是否存在轻微挤压损伤。3)提出了用于鸭梨新旧跌落损伤检测的图像处理方法,分析了正常鸭梨与不同跌落损伤阶段鸭梨组织核磁共振图像灰度的差异,发现跌落损伤新伤组织图像灰度比正常鸭梨组织图像灰度高,跌落损伤旧伤组织图像灰度比正常鸭梨组织图像低。对于从离地面40mm架子上通过自由落体运动形成的跌落损伤,通过Otsu阈值分割、去除果核、旧伤特征提取等图像处理方法可以识别出旧伤水果;然后对判断不为旧伤的水果作进一步图像处理,通过固定阈值分割、去除果核、新伤特征提取可以识别出新伤水果,余下的均为完好水果。试验对100个切片进行跌落损伤检测,60个旧伤切片中有59个被检测为旧伤,1个被检测为新伤,识别正确率为98.3%;20个新伤切片均被检测为新伤,识别正确率为100%;20个完好切片均被检测为完好水果.识别正确率为100%。结果表明,利用核磁共振成像不仅可以实现鸭梨跌落损伤的识别,还可以同时实现对新伤和旧伤的识别。比较了损伤不同阶段损伤组织灰度的变化情况,采用典型判别分析方法,利用代表鸭梨切片图像的图像直方图参数对鸭梨损伤阶段判别的可行性进行了研究。研究所选样本的分类准确率为81.3%;能够较好地区分损伤第1阶段和第4阶段的鸭梨图像,分类准确率达到100%;但对于损伤第2阶段和第3阶段的图像容易形成误判,有较大的交叉区域,第2阶段损伤鸭梨有6个被归为第3阶段损伤鸭梨,1个被归为第1阶段鸭梨(该鸭梨损伤区域非常小),第3阶段损伤鸭梨有8个被归为第2阶段损伤鸭梨。对于同一鸭梨切片,第2阶段与第3阶段图像用肉眼观察灰度差别也不是特别大,因此使用直方图参数特征无法较好区分损伤第2阶段与第3阶段这种微弱的变化。将鸭梨分为损伤初期、中期和晚期叁个阶段重新进行判别分析,该方法能较好区分鸭梨损伤阶段,总的分类正确率为98.75%。结果表明,利用核磁共振成像结合直方图特征参数可实现鸭梨损伤阶段的判别,并且分为叁个阶段(损伤初期、中期和晚期)效果较好。4)针对库尔勒香梨在贮藏过程中出现的内部褐变缺陷,提了基于核磁共振图像的自动图像处理方法。对室温贮藏六个月的新疆库尔勒香梨,通过定期采集图像,观察其贮藏过程中的褐变变化情况,通过Otsu阈值分割、果核/水果区域像素比、形态学操作、去除果核、提取褐变特征等图像处理步骤,可以判断香梨是否存在内部褐变。试验对贮藏过程中42个香梨的128个有效切片进行内部褐变检测,该图像处理方法对褐变切片的识别正确率达到100%,对于正常切片的识别正确率为84%,总的识别正确率为98%。同时,通过分析我们还发现,该算法对贮藏后期的香梨总体褐变识别率比较高,这可能与贮藏前期香梨内部复杂的物理化学变化有关。结果表明,利用形态学的图像处理方法可实现褐变香梨的无损识别。分析了褐变香梨区域直方图,将香梨分为完好香梨、轻度褐变、中度褐变及重度褐变四类,结合褐变识别图像处理方法,各类香梨对应的识别准确率分别为84%、95%、94.4%和100%,轻度和中度褐变香梨各有1个切片被误判。结果表明,利用核磁共振成像结合褐变香梨区域直方图技术,可实现对香梨褐变程度的定性判断。5)分析了黄花梨在成熟和贮藏过程中坚实度与磁共振质地系数间的相关关系,选择对坚实度相关性较高的质地系数对成熟过程和贮藏过程分别建立了多元回归模型,并使用该模型进行了预测评估,该模型的稳定性和重复性有待进行更多的试验研究来补充和完善。
李江波[6]2012年在《脐橙表面缺陷的快速检测方法研究》文中指出水果表面缺陷是决定水果价格最有力的因素之一,因为外部缺陷是对水果品质最直接的反映。国家标准对水果表面缺陷数量和面积大小有严格的规定。与水果的大小、颜色、形状等外部质量指标相比,水果表面缺陷的快速识别一直是水果分级中最难,耗时最多、研究人员最感兴趣的研究内容。多年来,研究人员做了大量的工作。本研究以脐橙为研究对象,利用RGB成像技术、可见近红外高光谱成像技术及荧光高光谱成像技术,详细地探讨了脐橙表面11类型常见缺陷(包括蓟马果、溃疡果、裂伤果、炭疽病果、日灼果、药伤果、风伤果、虫伤果、介壳虫果、异色条纹果和腐烂果)检测理论以及两种较为重要的缺陷溃疡病和腐烂果的识别理论。解决了目前脐橙表面缺陷检测的部分难题,所开发的脐橙表面缺陷检测算法对下一步自动、快速、在线脐橙缺陷分级装备研发奠定了重要的基础。主要研究内容和研究结论如下:(1)提出了掩模法去背景的背景分割理论。利用构建的二值化掩模模板对脐橙图像进行去背景,通过对静态图像和在线图像背景去除结果表明,背景去除率达到100%的同时,脐橙表面信息可以较好地保留。这为脐橙表面缺陷进一步有效提取奠定了基础。(2)提出了一种新颖的脐橙表面亮度不均变换的照度-反射模型及单阈值快速水果缺陷分割算法。基于此亮度变化模型,正常水果表面区域被提升为高亮区域,而水果表面的缺陷区域依然保持低灰度,这一变化克服了由于类球形水果表面亮度分布不均导致缺陷分割精度低的难题,这也为单阈值脐橙表面缺陷快速分割提供了可能。试验表明,与边缘亮度补偿算法相比,该理论可以对脐橙表面整体亮度进行变换,并且该亮度变换理论比B样条曲面拟合理论处理一幅图像速度超过30倍,基于此算法及单阈值分割理论对风伤果、蓟马果、介壳虫果、裂伤果、炭疽病果、日灼果、溃疡果、异色条纹果、虫伤果、正常果和药伤果等11类型共计6345个感兴趣区域进行分割,获得了93.8%分割精度。(3)通过对不同类型缺陷RGB图像不同灰度值统计后获得区分脐橙果梗与缺陷的算法。基于该公式和提出的大区域及长区域去除算法BER可以获得100%的果梗识别率且不会受到其它缺陷类型的影响。由于该算法仅仅涉及两次减法、一次乘法及一次除法,避免了复杂的模式识别理论,所以具有一定潜力应用于脐橙缺陷在线检测。(4)本研究开发了脐橙表面缺陷检测联立算法,此算法主要有四个模块构成,即背景分割模块、亮度不均变化模块、果梗识别模块和果脐识别模块。应用此算法针对11类1320幅样本图像识别结果表明,99.1%的缺陷果是被正确识别为缺陷果,98.3%的正常果被正确识别为正常果。另外,通过调节不同的阈值可以满足不同的用户需求。(5)研究发现可见近红外光谱区域的6个特征波长(630、691、769、786、810和875nm)或者3个特征波长(691、769和875nm)能被用于构建多光谱脐橙表面缺陷检测系统。针对9种带有不同表皮的橙子样本,利用研究中所开发的双波段比和主成分分析相结合的缺陷果检测算法,获得了最好93.7%的橙子正确识别率,并且假阳性率为0。与模式识别算法相比,双波段比图像R875/691能有效地区分果梗和缺陷区域,因为模式识别理论增加了算法的复杂度。(6)搭建了荧光高光谱成像系统,采用该系统对脐橙早期腐烂缺陷进行了研究。利用最佳指数OIF理论获得了识别腐烂果的最优波段,即498.6nm和591.4nm,该方法克服了高光谱图像数据量大和相邻波段之间的强相关性等不足,实现了高维数据的降维,快速确定了特征波长。基于特征波长比图像及双阈值分割算法,获得了整体100%的腐烂果识别率。同时,该双阈值理论较好地避免了梗伤缺陷的荧光效应对腐烂果检测的影响,从而降低了系统及算法成本。(7)搭建了可见近红外高光谱反射成像系统,采用该系统对脐橙溃疡果识别进行了研究。研究获得了用于溃疡识别的7个关键波段(630、687、765、788、815、833和883nm)。基于此7个波段的第叁主成分图像和2个波段的波段比图像Q687/630开发了多光谱溃疡检测算法。带有11种类型共计275个独立样本用于检测算法的可行性,获得整体98.2%溃疡果识别率。本研究也发现,单独的双波比Q687/630理论对于区分溃疡果和除炭疽病及日灼伤外的其它类型果可以获得97.8%的识别率。以上的研究成果为我国研发基于机器视觉技术的脐橙表面缺陷在线、快速检测分级装备奠定了重要的基础。
李磊[7]2015年在《基于成像技术的果实表型检测与解析方法研究》文中认为我国是世界最大的甜瓜生产国,甜瓜类型多样,种类丰富,其中网纹甜瓜(Cucumis melo L.var.reticulatus)因其品质优且外观有美丽网纹,被公认为高档瓜。网纹甜瓜的果实品质受基因遗传和生长环境的影响。同时果实的大小、网纹、颜色等果实表型变化直接反映了遗传特性和环境响应。目前果实表型的无损检测成为育种和生产上迫切的需求。传统的网纹甜瓜表型参数测量方式主要依靠人工测量,费时费力、操作繁琐且测量精度受主观因素影响大。随着表型组学兴起,计算机视觉成像技术越来越多的应用在植物表型量化测量中,起着越来越重要的作用。在利用成像技术测量植物表型的过程中,根据不同作物和环境开发适合的算法成为植物表型测量和解析的关键。此外,利用成像技术测量解析的表型信息,结合基因信息和环境信息,构建相关模型表征植物生长状况是实现育种和精准生产管理的关键技术。本研究针对温室盆栽网纹甜瓜生长发育过程中的果实定位、表型检测和解析理论等关键问题,基于视觉成像、图像处理和数学建模技术,采用图像融合分割、主动形状模型、重分形维数和间隙度解析、主动光源和颜色椭球体等理论和方法,实现果实表型参数的检测和解析,应用检测解析的表型实现内部品质估算,应用环境参数对果实表面温度进行模拟,主要研究内容与结果如下:(1)基于RGB-D成像和主动形状模型算法的果实定位和边缘检测针对温室环境中光线变化、果实位移变化、噪声干扰等情况,研究了利用RGB图像和深度图像的融合信息的果实定位算法。该算法将H分量图与深度图作为融合的源图像,用加权平均方法,实现图像像素融合。从保证定位精准和提高抗噪声性能出发,利用融合图像信息,基于直方图用首阈检测法,实现了果实准确锁定。与用单一图像相比,融合图像用于果实识别锁定,提高了准确性与鲁棒性,在理想条件下顺光采集中识别准确率可达到90%。为准确获取被定位识别出的果实边缘,提出了利用主动活动模型(ASM)边缘检测分割算法,精确的获取甜瓜果实的轮廓信息,纵横径的重复精度分别为±2.51mm和±3.97mm,边缘的平均标准偏差为4.17mm,为连续精确无损的获取果实形态特征信息和品质信息提供了参考。(2)基于多重分形维数和间隙度分析的甜瓜网纹的解析与量化网纹是网纹甜瓜重要表型性状,它能直接反应果实的生长状况和遗传特性。传统的估算网纹甜瓜网纹的方法有网纹描述法(无网纹、稀疏网纹、部分网纹和完全网纹)、网纹覆盖率和有无褶皱,这些方法有效的用在了某些育种和栽培研究中,但这些方法不适合量化网纹分布变化且主要采用目测方式。针对传统方法评估网纹产生的不一致和无法表征网纹的分布差异问题,用检测出的果实,提出了果实网纹定量评估计算方法,即利用多重分形维度和间隙度分析方法解析量化甜瓜表皮网纹。实验对3个品种(网路,翡翠和露后甜)和四个不同的生长阶段进行多重分形维数和空隙度分析。通过与传统纹理特征(共生矩阵、Gabor过滤器和小波变换)的监督分类方法(Ada Boost算法和支持向量机分类器)对比,证实了此量化方法的有效性。网纹甜瓜果实表皮网纹具有分形特性,品种间的比较表明,即使在网纹覆盖率相似的情况下,提取的网纹在多分形维数的尺度参数上也具有显着差异。广义尺度参数D0、D1、D2和间隙度特征参数b可以用来区分不同生长阶段的网纹。基于多重分形维数和间隙度的分析,提出了甜瓜表皮网纹的自动提取量化方法。结果表明,对于网纹甜瓜表型参数网纹,多分形维数和间隙度是除了传统测量以外较有价值的分析手段,促进了新的纹理特征量化的方法的使用,且弥补了传统纹理形态分析(Gabor滤波器、共生矩阵和小波变换)在果实表皮网纹表征量化中的不足。(3)基于主动光源和椭球体方法的甜瓜颜色分级与量化针对自然环境下,颜色受光照影响大的问题,应用主动光源方法去除自然光的影响,采用七级果实颜色分级方法。提出了椭球体结构的颜色量化方法。试验结果表明,在叁种光照条件下(阳光直射5000K、明亮阴影5900K、阴暗阴影7700K),甜瓜颜色分级准确率达到90%。基于主动光源获取的图像,利用CIEAB颜色空间的L*、a*、b*值聚类形成的椭圆体,椭圆体结构方法客观量化网纹甜瓜果实表皮不均匀颜色,椭圆体的方向和半轴能够反映果实表皮颜色的不均匀性,有效弥补不均匀颜色用单点颜色值和标准差来表示的不足。该方法成功用在了不同时期和不同品种网纹甜瓜的颜色量化上。(4)基于果实表型和神经网络的甜瓜内部品质预测如何用表型信息判断果实内部品质的生长发育状况对种植者改善生产管理显得尤为重要。为快速估算网纹甜瓜内部品质,利用机器视觉成像技术,根据其表型特征(颜色特征和网纹特征),利用BP神经网络,从“定性”和“定量”方面研究了网纹甜瓜内部品质预测方法。基于机器视觉技术采集网纹甜瓜图像,采集了叁个生长阶段的57个网纹甜瓜样本。对采集的甜瓜样本图像,用L*a*b*色彩模型、HSV色彩模型和灰度共生矩阵(GLCM)、多分形维数和间隙度表征网纹甜瓜果实表型信息。将这些表型参数作为输BP神经网络的输入。在定量预测中,分别建立每种内部品质(果糖、葡萄糖、蔗糖、总糖、可溶性固体物、VC含量)的预测模型。结果显示,总糖值与预测值之间的相关性高,相关系数为0.90。在定性预测中,利用BP神经网络,通过表型信息预测甜瓜生长阶段,生长阶段的预测值和实际值相关系数为0.89。用30个样本作为模型的训练样本集,并对隐层节点数和训练函数这两个重要的网络参数进行优化。对于15个测试样本,生长阶段的预测结果与实际值一致。以上结果为网纹甜瓜品质预测和改善生产管理提供了良好的理论依据。(5)基于热成像技术和气象数据的果实表面温度的动态模拟针对太阳直射会造成果实表皮的灼伤、色泽与纹理变化等问题,用热成像技术,基于能量守恒和监测的气象数据,构建了一个有效模型,来动态模拟果实的表面温度。一系列气象数据(空气温度、湿度、太阳辐射度和风速)在11:00-18:00间每隔15分钟记录一次,持续两个月。为验证模型有效性,在果园环境中果实表面温度通过红外相机监测。果实表面的动态温度通过一系列热成像获取。在果实完全被太阳光照射的情况下,模型估算果实表面温度的均方根误差小于2.0°C。对果实表面反射率和表面水蒸气电导率敏感性分析显示,准确估算果实表皮反射率对模型模拟表面温度非常重要。有效性分析显示,模型能够准确描述不同太阳光照强度条件下果实表面的热性能。与仅用空气温度估算果实表面温度相比,该模型能够较为准确的估算果实表面温度。该模型为防止灼伤的喷灌控制提供了决策支持。综上,本文以果实表型为主要研究对象,对果形动态检测、网纹解析量化、颜色分级量化与模型构建等进行了深入研究,提出了主动形状模型检测、多重分形维数和间隙度解析融合、主动光源颜色分级和椭球体颜色量化等网纹甜瓜果实表型检测解析的理论与方法,提高了果实表型信息无损检测的准确性与精确度,推动了果实表型组学发展,对于建立网纹甜瓜果实表型与重要基因表达、生产环境控制与精准管理具有重要意义,研究结果为建立用果实表型表征甜瓜果实发育生理生态过程提供了理论依据与技术方法。
付峰[8]2003年在《球体图像的灰度变换与颜色变换模型及其在柑桔图像校正中的应用研究》文中提出利用计算机视觉和图像处理技术对水果进行品质无损检测和自动分级过程中,摄像头采集的水果图像质量将直接影响最终的检测和分级结果。因此,在图像采集过程中需要尽量降低图像失真程度。除了计算机视觉系统本身硬件设备的局限性造成的图像失真外,叁维物体投影到二维图像平面时也会形成不同程度的灰度和颜色变化,来反映物体的形状信息。这种图像失真是不可避免的,只能通过校正算法来减小失真。本文主要针对这种图像失真,研究了图像校正的方法,主要研究内容和研究成果如下: 1.综述了利用计算机视觉技术进行水果自动检测和分级的国内外研究进展,并指出了国内外同类研究中所存在的问题。 2.根据所采用的计算机视觉系统的硬件组成以及摄像机的几何模型,给出了摄像机的常用定标方法,并利用标准色卡研究了本系统图像采集颜色信号的失真规律,建立了摄像机颜色校正模型:R=2.903R′-1.124G′-140.903,G=0.369R′+1.846G′-0.308B′-150.777,B=0.297R′+0.466G′+1.288B′-151.384,其中R′、G′、B′和R、G、B分别是校正前和校正后的颜色刺激值,模型的相关系数R~2分别为0.980、0.973、0.981。 3.分别在6个不同位置采集叁种大小、19种不同表面颜色的球体的图像,提取球体图像灰度分布特征。通过分析发现,不同大小和不同表面颜色球体的图像具有相同的灰度失真规律,失真灰度值随着到球心距离的增加逐渐变大。同时,随着球体图像采集位置到摄像头视区中心的距离增大,球体图像中像素点的灰度值也在下降。结合球体成像过程的光度学分析,建立了位于摄像头视区中心的球体图像灰度校正模型:ΔG=31.725-31.725cos(α),cos(α)=(1-(r/R)~2)~(1/2),其中ΔG是球心像素与待校正像素之间的灰度差值,r是待校正像素到球心像素的距离,只是球体半径,模型相关系数R~2=0.796;建立了偏离摄像头视区中心的球体图像灰度校正模型:ΔG=0.04975d-0.467,其中ΔG是位于视区中心与偏离视区中心的图像之间的灰度差值,d是偏离视区中心的距离,模型相关系数R~2=0.842。 4.通过对球体彩色图像的亮度、色调和饱和度的分布特征的分析发现,球体图像颜色失真主要跟颜色的亮度分量有关,而与色调和饱和度分量关系不大。本研究在HSV颜色空间上建立了球体图像的颜色校正模型:ΔV=0.180-180cos(α),cos(α)=(1-(r/R)~2)~(1/2),其中ΔV是亮度失真值,r是待校正像素到球心像素的距离,R是球体半径,模型相关系数R~2=0.846。球体图像的亮度失真校正模型与灰度校正模型在形式上类似,仅模型参数上不同。 5.根据已建立的球体图像的灰度和颜色失真校正模型,研究了柑桔图像的灰度和颜色失真校正方法,提出了相应的校正算法,并用Matlab语言完成了程序设计。 6.使用图像校正程序,分别校正了试验球体的图像失真,图像的校正结果验证了球体图像的灰度和颜色校正模型和方法的有效性。
范军[9]2007年在《成熟柑桔形状特征提取与空间定位》文中认为随着电子技术和计算机技术的发展,智能机器人已在许多领域得到日益广泛的应用。中国是农业大国,为了提高劳动生产率、改善农民生产条件使得新概念农业机械——农业机器人的开发具有了巨大经济效益和广阔的市场前景。试验采用彩色双目立体视觉系统,从原始图像中提取出柑桔区域,对其进行处理得到其形状特征(中心、周长、面积等)。对两个摄像机分别进行标定,同时对立体视觉系统进行标定,以标定后的内外参数为基准来得到柑桔的空间位置坐标,为实现机器人采摘成熟柑桔做好前期准备工作。研究内容如下:1.对自然环境下的柑桔图像进行分析,采用Ostu自动取阈值方法对柑桔图像进行二值化处理,对传统的区域标记法进行改进,减小了图像预处理所耗时间,采用设定面积阈值的方法去除图像上非柑桔区域,防止由于开运算和闭运算对柑桔形状的破坏,同时还可以去除无法由开运算和闭运算去除的非目标小区域,最后采用四邻域判断法提取柑桔区域的边界。2.采用圆形Hough变换提取柑桔形状特征时,耗时较长,同时消耗大量的存储空间。由于柑桔的真实形状接近椭圆,采用圆形来描述的柑桔形状时会出现虚假目标,柑桔形心发生偏移。为此采用遗传算法进行椭圆拟合,对椭圆的长轴、短轴、中心横坐标、中心纵坐标、角度五个参数进行二进制编码,得到遗传基因,自定义了一个导向函数来进行基因选取,遗传操作可以得到更为准确的柑桔形状特征,耗时减少一半以上。3.分析了各种标定方法适用条件。根据实际需求,由两个摄像头分别拍摄25幅标定板图像,对图像进行分析、标定块中心坐标提取、内外对应排序得到标定数据。以摄像机针孔模型为基础,根据空间坐标系、摄像机坐标系、图像坐标系之间的几何关系建立标定方程,采用最小二乘法得到摄像头的内外参数,依据文献中提出的畸变模型对所得内外参数进行校正,为下一步的柑桔空间定位提供了准确的参数。4.对双目立体视觉测距方法进行分析,前期研究要求摄像机平行放置,影响了定位精度。本文根据空间点一定在光心与像点的空间连线上这一成像的基本原理,通过计算两条空间直线的交点来计算柑桔的空间坐标。与传统方法比较,该方法试验设备简单,对环境要求低,不要求摄像机绝对平行放置。实验结果表明本文所提出的柑桔形状特征提取与空间定位方法,在1m左右的检测距离,误差在±5.5mm以内,满足实际工作需要。
周水琴[10]2004年在《机器视觉系统的色度校正模型及其在西柚分级中的应用》文中研究说明在机器视觉技术对水果表面颜色检测和自动分级过程中,水果图像质量直接影响最终的检测与分级结果。由于机器视觉系统硬件设备的局限性及光照环境引起的图像色度失真不可避免,应采用适当的校正模型予以校正。本文主要针对图像的色度失真,研究了机器视觉系统的色度失真规律,建立了色度失真校正模型,并应用于水果颜色分级,验证了色度失真校正模型的有效性。主要研究内容和研究结果如下: 1、综述了利用机器视觉技术进行水果品质无损检测和自动分级的国内外研究进展,并指出了国内外同类研究中所存在的问题。 2、建立并完善了适合本研究的机器视觉系统。该系统由MeterⅡ/MC(Matrox.Inc.)图像采集卡、TMC-7DSP(PULNIX)CCD及6支F40BX/840(GE)荧光灯组成。 3、以平面色卡为研究对象,通过比较机器视觉系统与色差计测量所得色度值,分析了机器视觉系统的图像色度失真规律,并建立了色度失真校正模型。 4、对27个平面色卡在3个不同位置作对比研究,建立了平面色卡色度失真校正模型:0位置:y_0=1.0318x_0-3.3828,模型相关系数R~2=0.9817;1位置:y_1=1.0336x_1-2.8485,模型相关系数R~2=0.9859;2位置:y_2=1.0304x_2-2.2285,模型相关系数R~2=0.9890。其中,y_0、y_1、y_2和x_0、x_1、x_2分别是叁个位置校正后与校正前的色度。 5、分别在上述叁个位置采集10种颜色的球面图像,验证了在本研究所用机器视觉系统内,物体表面曲率对色度失真基本没有影响,因此,对于球面物体的色度失真,可直接应用相应位置的平面色卡色度失真校正模型进行校正。此研究结论对于其它机器视觉系统的色度校正有一定的借鉴意义。 6、以HSV颜色模型中色度值为指标,研究了水果表面的色度分布范围在35°-80°之间,把色度按10°划分成五个区域。分别以[35°,45°]、[34°,44°]和[36°,46°]区间内色度累计频度作为着色依据进行颜色分级,发现[36°,46°]色度区间计算机分级与人工分级的结果一致度最好。 7、用与水果相应位置的色度失真校正模型对水果表面色度进行校正后,在[36°,46°]区间内,校正后水果一、二、叁等及等外品颜色分级的正确率分别为100%、75.00%、75.00%、100%,而校正前分别为71.43%、73.33%、46.67%和100%。从而验证了机器视觉系统色度失真校正模型和方法的有效性。
参考文献:
[1]. 基于图像信息的柑桔成熟度无损检测方法的研究[D]. 徐正冈. 浙江大学. 2001
[2]. 基于神经网络和机器视觉的南方葡萄专家系统研究[D]. 金燕. 湖南农业大学. 2009
[3]. 基于DSP的哈密瓜成熟度检测系统技术研究[D]. 叶晋涛. 石河子大学. 2016
[4]. 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
[5]. 基于核磁共振成像的梨果品质无损检测方法研究[D]. 周水琴. 浙江大学. 2013
[6]. 脐橙表面缺陷的快速检测方法研究[D]. 李江波. 浙江大学. 2012
[7]. 基于成像技术的果实表型检测与解析方法研究[D]. 李磊. 上海交通大学. 2015
[8]. 球体图像的灰度变换与颜色变换模型及其在柑桔图像校正中的应用研究[D]. 付峰. 浙江大学. 2003
[9]. 成熟柑桔形状特征提取与空间定位[D]. 范军. 江苏大学. 2007
[10]. 机器视觉系统的色度校正模型及其在西柚分级中的应用[D]. 周水琴. 浙江大学. 2004