李庆中[1]2000年在《苹果自动分级中计算机视觉信息快速获取与处理技术的研究》文中指出高品质、绿色农产品的生产是21世纪农业发展的重要方向之一。在国际市场上，高品质意味着高收益。目前在我国，因缺乏农产品品质检测标准和手段，使各种农产品混杂上市，在国际市场上缺乏竞争力，初级农产品得不到增值，给国家和农民造成了巨大的经济损失，中国加入WTO后，这个问题会显得更加突出。因此，现在迫切需要进行农产品品质、农业化学品残留等污染物的监测新技术的开发和研究。水果的外部品质主要涉及大小、形状、颜色和表面缺陷。目前，国外在利用机器视觉技术进行水果大小、形状和颜色自动分级方面，已达到实用化水平；但因缺陷检测的复杂性，外部缺陷的快速自动检测还一直处在继续研究阶段。国内从90年代开始进行这方面的研究，但主要集中在水果静态图象处理和识别方法的研究上，因算法处理速度的限制，至今尚未开发出自动分级的商品化产品。本文以提高基于计算机视觉的图象信息处理速度和探索水果自动分级机械的产业化开发为目标，应用计算机视觉信息技术与机电一体化技术，对苹果在线状态下，计算机视觉信息快速获取和处理技术进行了研究，完成的主要研究成果如下： （1）图象低层处理算法是利用计算机视觉进行水果在线快速分级的基础。本文首先对图象低层处理中的平滑、增强算法进行了有效性和实时性研究，得到了适合苹果在线快速分选的图象增强算法和平滑算法。在图象边缘检测方面，提出了基于分形特征的图象边缘检测新方法，该方法具有较强的抗噪声性能。对基于类别方差和信息熵的两种图象分割算法进行了研究，提出了适合水果在线状态下，果实与背景快速分割的算法。 （2）水果表面缺陷的识别复杂而费时，一直是实现水果自动化分级的障碍。为提高缺陷分割的速度，本文提出一种基于参考图象的缺陷快速分割算法，可有效、快速地分割出在线状态下水果表面的缺陷。真正缺陷区与梗萼凹陷区的快速识别是国内外研究的另一热点，因为这是造成分级误差的主要原因。为此，本文提出基于有向分形维数和人工神经网络的快速识别新方法，并提出双金字塔数据形式的盒维数快速计算方法。以上两个难题的解决，为实现水果表面缺陷的自动化检测奠定了基础。 （3）国内研究者提出的水果形状、大小识别算法，都是围绕水果中心轴线来提取特征参量，而水果在分选生产线上的状态是随机的，故这些特征参量的提取方法不再适合于在线状态。为此，本文提出基于参考形状的苹果果型相关评判和果径计算新方法，并利用改进的遗传算法提高处理速度，试验表明这是一种快速而有效的方法。 （4）水果颜色的在线快速分级，要求系统在快速获取表面颜色信息的同时，对 博士 论文 一 水果的着色率进行实时评价。本文对颜色信息快速获取的方法和有效颜色特征的 提取方法进行了研究，并利用遗传算涪实现了颜色分级神经网络的结构设计和权 值学习，克服以往神经网络设计时，结构人为确定带来的弊病，可有效缩短神经 网络的设计和训练时间。 ＊）为了尽快开发利用计算机视觉进行水果自动化分级的实用化产品，本文 通过多视觉、多光谱、光学成象以及机电技术的有机集成，提出了一种快速获取 水果全视角图象的新方法，并完成了该系统的研制。该系统由苹果输送机构、机 器视觉成象、处理系统和照明室叁部分组成，可完成苹果在线状态下图象信息的 4”””“”—’—”——””一—”“”『“““’”””“————”’””——’—””“—’一’”‘”“”””‘“”””－”‘“””“ 快速采集和处理，为开发商品化产品提供了可行的途径。 …）根据苹果外部品质各项指标在线检测实现的方法和实时分级的速度要求， 确定了合理的在线分级方案。用 Visual＋＋5．0编程，综合设计了苹果形状、大 小、颜色和表面缺陷自动分级的软件系统。最后利用开发的硬件和软件系统对3 种苹果进行了检测、分级综合试验。试验结果表明：系统分级的正确率在 85％以 上，利用联想Pill—500微机系统检测分级1个苹果表面缺陷所用的时间为320ms， 检测分级 1个苹果的形状、大小和颜色，所用的时间平均小于 2 10 ms。分级速度 已基本达到在线分级的要求。 本研究对于我国开展基于视觉技术的水果自动分选系统高新技术产品的开 发，具有重要参考价值，对高品质水果的增值和推进创汇农业科技活动，提高提 高农业国际竟争能力有重要的经济意义。
高林杰[2]2011年在《基于DSP机器视觉的水果分级系统》文中认为我国是一个水果生产大国,但是由于分级设备与技术的落后使得我国农产品产后处理水平太低,致使国产水果的外观质量较差,缺乏市场竞争力。近年来,国外基于DSP机器视觉的水果分级系统已经开始了商业化应用,而我国这方面的研究仍处于起步阶段,鉴于此,本文对基于DSP机器视觉的水果分级技术展开了研究。首先,对实际分级生产线上的水果图像分割问题进行了分析。分别利用状态法、最小误差法、迭代法和最大类间方差法等最优阈值选取方法进行了分割实验并对结果进行了对比分析。其次,对水果大小和颜色的动态分级问题进行了研究。利用水果自身对称性来检测果轴方向,有效地克服了水果运动带来的果梗和花萼识别困难继而导致果轴方向无法确定的问题。对于颜色分级,对HSI彩色模型的稳定性进行了分析,利用色度值H来分析水果表面颜色组成情况。然后,采用了新的水果表面缺陷的检测方法,利用高斯多尺度方法来构建水果表面多元图像数据,对多元图像数据利用主成分分析来提取可以表示图像信息的独立主元,计算在独立主元中去掉第一主元和噪声后所组成的残差矩阵的Q统计量,然后利用Q统计量来检测水果表面图像的缺陷。最后,重点讨论了基于DSP机器视觉的水果分级系统的设计与实现细节,分析了基于机器视觉的水果分级系统采用DSP图像处理系统的好处。详细描述了水果分级系统的总体结构和主要工作原理,重点描述了DSP水果图像处理系统的构成和实现方法,以及分级系统中的上位机软件的开发。本文的研究对于提高我国水果商品化处理水平具有十分重要的意义。
侯文军[3]2006年在《基于机器视觉的苹果自动分级方法研究》文中进行了进一步梳理水果分级是采后加工的重要环节之一,利用机器视觉技术对水果进行分级具有无损水果、分级精度高、速度快等优点。本文以水果分级为目标,以红富士苹果为研究对象,进行了基于机器视觉技术的水果自动分级研究。针对传统的机器视觉技术在实现水果分级过程中,计算机对水果果梗、果萼和表面缺陷判断困难且需要花费大量时间的不足,本文提出了利用机械设计与机器视觉相结合的思路,明确了装置设计的基本要求,并设计了苹果试验系统。为提高图像采集质量,减少图像处理时间,对图像采集中苹果背景颜色的选择进行了研究,研究表明黑色背景有助于目标与背景的分离;为提高图像处理速度,在图像底层信息处理中,引入了超快速中值滤波算法,并直接采用阈值法分割图像、进行轮廓跟踪,取得很好的效果。在苹果大小分级方面,在分析传统水果特征提取方法的基础上,提出采用当量直径代替苹果直径作为其大小特征进行分级;在苹果形状分级方面,提出用提取圆形度的方法来描述其形状特征;在对苹果进行颜色分级时,提出用HSI模型描述其颜色特征,并根据苹果色度直方图特点,采用4个色度均值代替苹果色度值。在此基础上,建立了BP神经网络水果分级系统,试验结果表明该系统分级精度高,能够满足分级要求。
闫之烨[4]2003年在《基于计算机视觉的苹果颜色分级系统的研究》文中研究说明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着的提高，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、分级这叁个方面。 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％。
岑喆鑫[5]2008年在《基于计算机视觉技术的黄瓜叶部病害自动诊断研究》文中研究表明植物病害一直是制约着黄瓜生产的主要因子之一,采用传统的诊断方法,时间较长,往往错过防治时期。计算机病害诊断、预测系统在一定程度上发挥着良好的指导作用,但未实现智能化,没有完全摆脱对人的严重依赖。本文以计算机视觉技术为手段,综合运用数字图像处理、模式识别及人工智能等技术,实现了黄瓜主要叶部病害的特征提取和自动诊断技术,取得一定的阶段性进展:1.建立了计算机视觉采集系统和黄瓜叶部病害数字图像数据库。搭建的适合于室内操作的计算机视觉采集系统主要由样品台、光源、照明结构、面阵CCD相机和数据采集、处理以及系统自动控制所必需的计算机等组成。通过接种方法的探讨比较、黄瓜主要叶面病害的症状观察,明确了黄瓜叶部10种病害的接种方法、接种浓度和显症时间。对北京昌平、河北廊坊、山东寿光等地的设施黄瓜产区进行了广泛的调查,采集到不同生态环境下黄瓜不同品种、不同时期的黄瓜白粉病(Erysiphe cichoracearum)、霜霉病(Pseudoperonospora cubensis )、褐斑病(Corynespora cassiicola)、炭疽病(Colletortichum orbiculare)、黑星病(Cladosporium cucumerinum)等多种主要叶部病害的初期、中期、后期新鲜标样,构建了黄瓜主要叶部病害数字图像库,每种病害图片300张。2.确定了适合于计算机视觉系统下黄瓜叶部病害图像的预处理程序和分割算法,为实现黄瓜叶部病害的自动识别分类奠定了基础。应用数字图像处理技术,对数据库中的图像进行特征提取试验。运用改进了图像处理方法,根据采集到的黄瓜叶部病害图像的特点,采用图像的灰度转换、图像增强、去噪、形态学处理方法和图像分割及特征提取等图像处理方法对图像进行了处理,确定了适合于本采集系统下黄瓜叶部病害图像的预处理程序和分割算法。3.针对黄瓜叶部病害病斑区域的表面颜色、纹理、形状自身的特点,构造了合适的描述特征参数,并对参数在黄瓜叶部病害病斑区域间的分布做了定量分析。在RGB和HIS两个颜色模型下,利用图像的颜色统计特征采用逐步判别分析,选取显着性较大的特征参量,建立起黄瓜炭疽病、黄瓜褐斑病和无病区域的分类器模型。结果表明,对黄瓜炭疽病、褐斑病和无病区域的正确回判率分别达到95%, 95.24%和100%;测试集中,黄瓜炭疽病、褐斑病和无病区域的正确识别率分别达到89.5%, 85.24%和100%。在不同黄瓜叶部病害病斑区域表面中对比度、熵值和形状复杂性特征值差异明显,能量、熵值、形状复杂性特征值和形状参数特征可作为病害严重程度的量化指标,而能量、熵、惯性矩可作为有无病斑的判据。4.将PCA算法与BP神经网络方法结合用于图像识别,开发制作了黄瓜叶部病害识别软件试验系统。仿真诊断表明经过PCA分析后的网络结构简单,训练次数减小了369次,识别率上升了5.67%,对参加建模的5种黄瓜病斑图像样本进行回判和预测平均正确率分别为93.67%和74.67%。集成各算法,开发制作了黄瓜叶部病害识别软件试验系统,描述了该软件试验系统的功能需求,并对软件操作进行了说明,试验系统的运行结果良好。本项研究为进一步开发具有商业价值的植物病害自动诊断系统提供了理论基础和应用技术,对促进计算机视觉技术、人工智能、图像处理和专家系统等技术在我国植物保护领域的应用,具有一定的实践意义。
冯迪[6]2017年在《基于高光谱成像苹果外观与内部多指标检测研究》文中指出我国是苹果种植大国,产量近10年高居世界首位,各种苹果需要精确分级以适应不同人群的需求。面对庞大的数量,有必要建立精度高、速度快、指标全的检测线,以实现智能化分级,对于提高分级效率、节省劳动成本、保障我国优质苹果与进口品种的竞争力具有重要意义。本文以寒富苹果为研究对象,利用高光谱成像系统中图像与光谱相结合的特点,检测苹果外观与内部的多项指标。根据指标特征开发针对性的检测技术与方法,并通过挖掘检测中的共用信息建立多指标综合分级仿真系统。主要研究内容如下:(1)分析苹果的指标特性,根据指标的重要性确定检测流程。外观指标包括大小、外形与病害,内部指标包括糖度与硬度,颜色作为辅助指标参考内部指标检测的光谱信息验证分级结果。建立大小→外形→病害→糖度→硬度→颜色的检测顺序,实现外观状态与内部品质综合评价。(2)依据765nm与904nm两个最佳波长信息检测大小、外形与病害3项外观指标。图像预处理环节中,采用中值滤波法增强904nm图像以检测大小与外形;获取765nm的掩膜图像应用于病害检测。检测过程中,各类指标开发了针对性的描述方法与数学方法。采用MER矩判别法与像素点统计法检测大小,准确率为98.75%。通过苹果轮廓最小外接圆与最大内切圆的相关信息判别果形指数、偏心度与对称度,其中以两圆的面积比描述果形指数,以两圆的极限距离比描述偏心度,以内切圆切点连线对轮廓的分割区域比描述对称度,实现叁角度外形检测,准确率为95%。病害检测中,根据病害区域与正常区域的反射光谱差异提出改进流行距离算法,通过比较流行距离L值开发了 3个适合病害检测的特征波长—700nm、765nm和904nm。根据不同波长下的光谱信息组合,建立BP神经网络检测模型,发现765nm结合904nm的反射光谱可以更好的检测病害特征,准确率为96.25%。(3)内部品质检测中,利用543nm与674nm光谱信息同时检测苹果的糖度与硬度。在双面图像采集的前提下,获取亮度相近感兴趣区域(ROIs)的光谱反射波形,采用二阶导数结合标准正态变量(SD+SNV)的方式平滑波形;根据ROIs的糖度与硬度的测试结果连续投影(SPA)出两项指标各自的特征波长,结合特征波长分布提出互换输出指标的二次连续投影算法,寻找双指标检测中共用的波长信息;根据不同环境下共用的波长信息,比较最小二乘支持向量机(LS-SVM)与遗传算法开发神经网络(GA-BP)的预测效果,发现GA-BP参考双面取样最佳波长(543nm与674nm)信息可建立最优效果,糖度预测相关系数(R)为0.8476,均方误差(MSE)为3.32;硬度R为0.7938,MSE为9.6。此外,利用糖度与硬度的最佳波长信息检测苹果颜色,根据两个波长下RIOs的反射光谱差异提出了红绿色的极限差之比与着色浓度比,判断苹果的着色度,实现颜色指标的量化判定。(4)使用MATLAB2013a设计苹果在线综合分级仿真系统,按照大小→外形→病害→糖度→硬度的顺序编写检测程序,通过识别苹果的图像、光谱、指标信息模拟在线分级。系统参照分级标准建立不同环境下的指标数据库,按照量化标准分为特级果、一级果、二级果、等外果。程序末端增设了选用的检验环节,通过检测颜色指标验证分级结果的准确性。设计仿真系统操作界面,包含用户管理、环境参数、指标参数、数据显示等功能,操作人员参考帮助信息合理使用分级系统,实现对苹果多指标的综合检测。
陆秋琰[7]2008年在《基于计算机视觉的牛肉颜色自动分级技术研究》文中指出推行牛肉分级制度是促进肉牛产业发展的重要因素。我国已出台了牛胴体分级的行业标准,其中牛肉的颜色是表征牛肉质量的重要指标之一。目前,由于技术原因,对牛肉颜色等级的评定工作仍然停留在人工操作的水平,存在着主观性强和效率低等缺点。利用计算机视觉进行牛肉颜色的自动分级,将克服人工分级带来的诸多缺点,对规范我国牛肉市场,提高我国肉牛产业自动化水平具有重要的推动作用。本研究设计制作了一个牛肉图像采集光照系统,然后利用该系统进行牛胴体眼肌切面图像的采集,在对所采集的图像进行预处理后,提取肌肉和脂肪的颜色特征,最后设计了两种分类器对牛肉肌肉颜色和脂肪颜色进行自动分级。其主要研究工作如下:1.设计并制作了一个图像采集光照系统,为牛肉颜色自动分级系统获得准确的牛肉颜色信息打下基础。通过实验研究对图像采集光照系统的光照均匀性、强度以及显色能力进行了深入的分析与研究。实验结果表明该装置可以使被采集的牛肉获得均匀且具有一定强度和颜色复现的照明效果.2.运用图像处理技术对采集得到的牛胴体眼肌切面的图像进行预处理,主要包括图像去噪、图像背景分割、牛肉肌肉和脂肪颜色有效判定部位的分割。牛胴体眼肌切面图像的去噪采用了空间域低通滤波,有效地去除了设备和环境造成的噪声.图像背景的分割采用了边界跟踪法。牛肉肌肉和脂肪颜色的有效判定部位的分割结合采用了大津法、全方位腐蚀和膨胀、图像与运算等图像处理方法。结果显示该方法可以获得较理想的分割效果。3.将分割完成的牛肉图像在RGB和HSI两个颜色空间中进行描述,并分别计算R、G、B、H、S、I六个颜色分量的平均值和标准偏差共12个颜色特征作为牛肉肌肉颜色和脂肪颜色的定量描述参数.4.利用BP神经网络和支持向量机两种模式识别方法设计了两种分类器,以上述12个颜色特征参数为输入变量进行了牛肉肌肉颜色和脂肪颜色等级的自动分级。实验结果表明,基于BP神经网络的分类器对牛肉肌肉颜色测试集样本等级判定的正确率可达95.0%,对牛肉脂肪测试集样本等级判定的正确率可达97.4%。基于支持向量机的分类器对牛肉肌肉颜色测试集样本等级判定的正确率可达97.5%,对牛肉脂肪测试集样本等级判定的正确率可达97.4%。实验结果表明,这两种分类器都是进行牛肉颜色自动分级的有效工具,运用支持向量机分类器得到的结果更好一些。
陈小娜[8]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》文中研究说明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、叁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%。
赵彦如[9]2004年在《基于虚拟仪器的鸭梨品质检测计算机视觉系统研究》文中研究表明利用计算机视觉技术进行水果品质的在线检测与分选技术研究，对提高果品市场竞争力与产品增值效益具有重要应用前景。目前在我国，因缺乏农产品品质检测标准和手段，使各种农产品混杂上市，在国际市场上缺乏竞争力，初级农产品得不到增值，给国家和农民造成了巨大的经济损失，特别是在我国加入WTO世界贸易组织之后，这一需求显得更为迫切。本文就是在这样的背景下，研究了水果在线检测与品质分选的方法和技术，目的在于解决动态条件下，图像质量差，信息量大，实时处理能力低，检测精度低等问题。水果的外部品质主要涉及大小、形状、颜色和表面缺陷。主要研究内容如下： (1)图像低层处理算法是利用计算机视觉进行水果在线快速分级的基础。本文首先对图像低层处理中的图像平滑、图像增强、图像分割、边缘检测、边缘细化等算法进行了比较和研究，得到了适合水果在线快速分选的低层处理算法。特别是在边缘检测方面采用了模板分析法，这种方法检测的图像面积仅约为传统方法的1／2，因此检测速度约是传统方法的2倍。 (2)国内研究者提出的水果形状、大小识别算法，都是围绕水果中心轴线来提取特征参量，而水果在分选生产线上的状态是随机的，故这些特征参量的提取方法不再适合于在线状态。为此，本文采用质点法计算形心，确定形心以后再计算最大果径，用傅立叶变换描述果形。 (3)本文利用颜色模型RGB、HIS进行颜色分级。水果表面缺陷的识别复杂而费时，一直是实现水果自动化分级的障碍。真正缺陷区与梗萼凹陷区的快速识别是国内外研究的另一热点，因为这是造成分级误差的主要原因。为此，本文提出基于人工神经网络的快速识别新方法。 (4)建立了以分级为目的的软硬件系统。硬件系统可完成水果的传输和动态捕获图像的功能。软件系统完成水果大小、形状、颜色以及表面缺陷的分级功能。软件开发工具为LabWindows／CVI6.0，IMAQ，IMAQ-Vision；IMAQ是采集卡驱动软件，它提供了丰富的图像采集驱动函数，可直接在用户的应用程序中调用这些函数；IMAQ Vision是一个高级图像处理分析软件包，它包括一整套丰富的MMX优化函数，具备灰度、彩色及二值图像的显示、处理和图像形态学处理等功能。
饶秀勤[10]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》文中指出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。
参考文献：
[1]. 苹果自动分级中计算机视觉信息快速获取与处理技术的研究[D]. 李庆中. 中国农业大学. 2000
[2]. 基于DSP机器视觉的水果分级系统[D]. 高林杰. 南京航空航天大学. 2011
[3]. 基于机器视觉的苹果自动分级方法研究[D]. 侯文军. 南京林业大学. 2006
[4]. 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
[5]. 基于计算机视觉技术的黄瓜叶部病害自动诊断研究[D]. 岑喆鑫. 中国农业科学院. 2008
[6]. 基于高光谱成像苹果外观与内部多指标检测研究[D]. 冯迪. 沈阳农业大学. 2017
[7]. 基于计算机视觉的牛肉颜色自动分级技术研究[D]. 陆秋琰. 南京农业大学. 2008
[8]. 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
[9]. 基于虚拟仪器的鸭梨品质检测计算机视觉系统研究[D]. 赵彦如. 河北农业大学. 2004
[10]. 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