基于颜色特征和BP神经网络的大米加工精度判别方法研究

提出了基于颜色特征和BP神经网络判别大米加工精度的方法。设计了基于机器视觉的大米加工精度检测装置采集大米图像,利用图像处理技术对获取的大米图像进行预处理,提取大米籽粒目标图像;在大米籽粒腹部确定半径为R的圆形区域作为颜色特征值提取区域,将颜色特征值提取区域按面积平均分成5个同心圆子区域,提取每个子区域的R、G、B颜色值,并将颜色值转成色调H值作为描述大米籽粒表面加工精度的颜色特征值,以5个颜色特征值作为输入值,采用BP神经网络对大米的加工精度进行检测。试验结果表明:该方法对4种不同加工精度大米样品籽粒检测的平均准确率为92.17%。     

基于机器视觉的水果分级系统

目的:解决目前水果分级检测方法效率低、误检率高等问题。方法:以苹果为分拣对象,设计一个基于机器视觉的水果分级系统。对实时采集得到的苹果图像进行预处理,使用改进的Canny边缘检测算法进行边缘提取,通过最小外接圆法拟合边缘坐标得到苹果的横切面半径。将采集到的RGB图像转换为HSI图像,根据H分量范围计算红色区域比例,判断苹果的色泽度。统计区域像素点个数,分别求取苹果的面积和周长,计算出苹果的圆形度。结合苹果果径长度、色泽度和圆形度3个特征值对苹果进行综合分级。结果:50个苹果样本试验结果表明,水果分级系统和人工分拣测量的果径误差范围在±1.5 mm以内,样本颜色特征与苹果实际外观相符,圆度值的大小与实际形状优劣相符。结论:该系统满足实际生产中对于苹果分级的需求,有助于实现苹果品级的准确识别。     

基于数字图像处理的条码图像二值化处理研究

在条码在线检测系统中,进行条码图像校正、分割和缺陷检测之前,需要对采集的条码图像进行预处理。文中分析数字图像预处理技术中的二值化处理方法。通过对采集条码样本图像的二值化处理,发现采用Ostu算法进行条码图像的全局阈值二值化处理,能够实现对条码图像的有效二值化处理效果。     

应用区域颜色分割的机采棉杂质检测方法

机采棉中的杂质繁杂,而杂质类型及含量对后期棉花加工工艺的影响很大。为此,提出一种应用区域颜色分割方法以检测棉花中的杂质。在图像分割中,先对滤波后的机采棉图像进行彩色梯度运算,通过扩展极小变换运算获得标记图像,在修改后的梯度图像上运用分水岭算法获得初始分割图像,然后对初始分割图像进行区域合并。区域合并过程中要综合考虑空间邻接性、颜色信息和区域面积3个因素。颜色信息主要采用饱和度、亮度、区域颜色向量模及颜色相似度4 个特征量。用层次递进的合并方法,迭代过程更新信息特征。最后通过支持向量机算法提取颜色、纹理、形状特征对杂质区域进行识别。结果表明,所提方法对机采棉中天然杂质的平均识别率为94%。     

基于小波能量的簇绒地毯跳纱疵点的检测方法

针对簇绒地毯中存在的跳纱类疵点提出了一种基于小波能量的疵点检测方法。该方法首先使用CCD相机对地毯图像进行采集,然后将采集到的地毯图像进行滤波处理,并用三层小波对其进行分解,通过提取分解得到的细节子图的能量值和正常地毯图像细节子图的能量值的比较来判断正在测试的图像中是否含有疵点;对于有疵点的地毯图像使用Otsu法进行阈值分割二值化,并进一步使用闭运算消除二值化图像中存在的噪点,突出疵点部分。最后通过实验验证了此方法的可行性,所提出的方法可以有效地将地毯图像中的跳纱类疵点检测出来。     

基于局部边缘灰度统计特性的深色疵点提取

本文面向棉花轧工质量等级的评价问题,提出一种基于图像处理技术的棉花深色疵点区域提取算法。结合相同棉花样本在不同光照条件下获取图像的深色疵点检测结果表明,该算法可以在不同光照条件下较为稳定地检测出深色疵点区域。     

滩羊胴体眼肌切面图像处理及分级特征值的提取

为获得高质量滩羊胴体眼肌切面图像,采集图像用工业摄像机,并对样本图像分割算法进行研究。首先预处理样本图像,3×3模板中值滤波器去除干扰,采用加权平均值灰度化,用自动选择最优分割值OTSU算法去除复杂背景;再对其进行二值化,通过区域逐步分割对目标区域进行粗提取,通过区域标记和形态学处理进行有效眼肌区域的精确提取;最后对有效眼肌区域面积、背膘厚度进行计算。结果表明,图像处理算法具有较好的分割效果和计算效果。     

基于卷积神经网络的棉花轧工质量分级系统研究

棉花是纺织产业的重要原料之一。在棉花质量检测中,轧工质量这一指标是在公证检验中唯一使用人工检验的指标。技术人员人工进行轧工质量的等级判定容易受人为因素影响。本文设计了一种棉花轧工质量的分级系统,通过采集到的新疆棉图像,经图像预处理、图像剪裁和VGG预训练的网络算法的处理,最终得到分级结果。为提高识别准确率和网络的泛化能力,进行了图像裁剪和图像增强。深层网络训练的完全训练权重参数往往会消耗大量时间,因此为调高训练效率,使用了特征提取法和微调技术进行预训练,这种方法还能提高模型的分级准确率。试验表明,本文研究的棉花轧工质量检测系统识别正确率在88%以上,可以满足对棉花轧工质量进行分级的目的。     

基于视觉数据驱动的棉花异性纤维检测

为了提高棉花异性纤维检测准确性及快速性,提出一种基于视觉数据驱动的棉花异性纤维检测新方法。首先,对采集棉花异性纤维图像进行小波金字塔多层分解,实现棉花异性纤维图像中各信息的分离;然后使用mean-shift算法平滑图像,消除光照不均的干扰;在此基础上,采用中央-周边操作算子和融合操作构建显著图,从而提高异性纤维的显著度;最后,利用改进的区域生长法获得目标区域。文章采用视觉数据驱动构建的检测模型,结构简单、检测速度快、准确率高。实验结果表明,该检测方法能够有效实现棉花异性纤维的检测,提高检测准确性和快速性,为棉花异性纤维自动检测提供一种新方法。     

棉花颜色分级图

棉花颜色分级研究内容包括颜色分级图、实物标准、文字描述三部分。颜色分级图明确了各棉花颜色级的区域和所在位置,用于颜色测试仪判定颜色级。实物标准显示了各颜色级棉花的实际颜色特征,用于感官检验,实物标准是保证感官检验和仪器检验相符的技术基础。     

基于视觉图像的鲅鱼新鲜程度的检测方法

鲅鱼新鲜程度是评价其质量好坏的重要因素。为提高鲅鱼检测新鲜程度准确性,研究基于视觉图像的鲅鱼新鲜程度的检测方法。研究对象是某地海鲜市场中的30条鲅鱼,通过鲅鱼视觉图像采集系统采集鲅鱼视觉图像,利用区域填充算法及形态学开运算对采用大津法分割的鱼体二值图像进行填充及去噪,融合上山法与区域生长方法分割鱼眼区域,通过全局动态阈值分割方法分割鱼鳃图像;提取图像特征时,利用图像的R、G、I分量灰度均值提取鱼体、鱼眼及鱼鳃图像颜色特征,采用G分量提取鱼眼中心区域面积。将图像特征输入到NeuroShell 2神经网络判别模型中,实现鲅鱼新鲜程度的有效检测。经实验验证,该方法检测鲅鱼新鲜程度的准确率平均高达98.28%,依据鱼眼中心区域面积+颜色灰度均值特征进行鲅鱼新鲜程度检测的准确率最高,且检测不同死亡时间的鲅鱼新鲜度的检测准确率高达95%,说明鲅鱼新鲜度的检测为海鲜检测提供了理论基础。     

基于非线性扩散和多特征融合的提花针织物疵点检测

为解决提花针织物的复杂纹理在疵点检测过程中易造成检测干扰和疵点误判的问题,提出一种基于非线性扩散和多特征融合的疵点检测方法。采用改进PM模型对提花针织物的花纹和强纹理边缘进行抑制,首先利用梯度差异将疵点图像分为纹理区域及疵点区域,然后结合各区域特点选择对应的扩散方程,依据梯度矩阵计算概率子集、相关准则来确定梯度阈值,实现分区域扩散。根据提花针织物的纹理分布特性,提取改进局部二值算法(LBP)、局部熵、局部相关性等表征参数,然后进行去邻域归一化和多特征融合进一步突出疵点区域,最后利用区域生长法定位分割出疵点形态。实验验证了本文预处理方法及疵点检测方法的有效性,通过与其它预处理算法和疵点检测算法进行对比,结果表明本文算法的检测效果最好,对正常织物图像的误检率为3.3%,对含疵点织物图像检测的准确率为98.6%。     

人眼状态检测与识别系统研究

本文主要介绍基于人眼特征的疲劳驾驶检测与识别系统,主要内容包括:视频图像采集、图像预处理、人脸区域识别、人眼定位,人眼特征及人眼疲劳状态的判别。图像预处理包括图像灰度化和图像滤波。图像预处理旨在减少图像中无效信息,消除噪声干扰。论文采用基于皮肤颜色模型法作为人脸检测算法,实现人脸图像分割。根据人眼定位"由粗到精"的思想,采用了一种基于灰度积分投影的人眼检测定位算法,采用双向灰度积分投影法对双目区域进行分割,最后实现眼睛精确定位和识别。     

库尔勒香梨感官及理化指标的定量无损检测

目的 利用高光谱成像技术建立库尔勒香梨分级指标的快速检测方法。方法 选择采摘期香梨作为研究样本, 以颜色（a*）、硬度（带皮硬度, Hardness）和可溶性固形物（soluble solids content, SSC）为研究指标, 使用高光谱成像系统采集样本900~1700 nm范围波长的漫反射光谱。提取样本感兴趣区域（region of interest, ROI）的光谱进行预处理, 采用多元散射校正（muliplication scattering correction, MSC）、标准正态变量变换（standard normal variable transformation, SNV）及其分别与卷积平滑滤波法（savitzky-golay, S-G）相结合的组合处理方法。基于不同的预处理结果建立偏最小二乘回归（partial least squares regression, PLSR）预测模型, 以验证集相关系数(Rv)和均方根误差(RMSEv)对模型进行评价。为进一步优化模型, 采用竞争性自适应重加权算法（competitive adaptive reweighted sampling, CARS）筛选特征波长, 并建立PLSR模型和最小二乘支持向量机（least square-support vector machine, LS-SVM）模型对比建模效果。结果 采用MSC-SG-PLS建立的模型判别准确率最高, 颜色预测模型的Rv和RMSEv值分别达到0.844和0.402; 硬度预测模型的Rv和RMSEv值分别达到0.823和0.417 kg/mm2; 可溶性固形物预测模型的Rv和RMSEv值分别达到0.902和0.301 %。采用CARS算法建立的LS-SVM模型效果最佳, 香梨颜色、硬度和SSC的模型预测值与标准理化值的相关系数分别为0.873、0.908和0.916, 均方根误差分别为0.375、0.385 kg/mm2和0.346 %。结论 研究表明, 利用高光谱成像技术可以实现库尔勒香梨多品质参数的无损检测。     

基于图像处理的织物起毛起球分级研究

为了对织物起毛起球等级做出客观、准确、定量的分析和评定,提出基于图像处理的织物起毛起球检测和分级方法;选用起毛起球织物样本验证起毛起球分级算法设计的有效性,设计制造起毛起球分级测试仪。起毛起球分级算法利用面阵CCD相机采集织物起毛起球图像,综合采用光照不均匀处理、图像均衡化、去噪、边缘检测等预处理方法,增强起毛起球图像信息;运用合适阈值二值化和形态学联合操作分割出起毛起球信息;以起毛起球面积比作为分级特征值实现分级。结果表明:该方法能有效滤除各种干扰信息,得到有效的起毛起球图像,实现1～5级织物起毛起球等级的准确评定。     

棉花颜色级感官检验

<正>棉花颜色级检验有两种方法:一是仪器检验法;二是感官检验法。仪器测试以校准色板为溯源依据,测试棉花的Rd、+b值,根据颜色分级图定出颜色级;感官检验以实物标准为依据比对反射率和黄度,综合确定颜色级。在理论上两种检验方法所得结果应该是一致的,相符率应该能达到较高的比例。但二者有时差距很大,造成这种现象的原因很多,解决     

基于颜色特征的筒纱分拣机器人识别定位方法

针对筒纱分拣机器人作业目标的表面纹理复杂、位置随机摆放等干扰因素的问题,课题组提出了基于颜色特征的筒纱识别定位方法。构建了具有视觉感知的4自由度DOBOT筒纱分拣机器人系统,通过视觉系统获取筒纱多目标的图像,采用对图像进行预处理的算法来提高分拣目标的对比度;将作业目标由RGB空间转换到HSV颜色空间,提取各分量的颜色特征,采用区域生长法对不同颜色的多目标区域进行提取;建立基于图像信息的形心坐标,对各目标区域的连通域进行定位。实验结果表明:该方法能够实现对不同颜色的作业目标的识别与定位,并在分拣机器人的手眼标定的基础上,实现了对不同颜色的作业目标进行分拣。     

基于PCNN的面粉麸星检测方法

面粉加工过程中麸星数目的多少直接影响着面粉的品质等级,为此,本研究提出了一种基于脉冲耦合神经网络(PCNN)的图像处理方法实现对面粉中微小麸星的视觉检测。首先,该方法对采集的面粉图像进行局部灰度熵变换并通过比例映射生成熵值图像,从而完成了原始面粉图像的图像增强。然后,在图像增强的基础上,利用PCNN对熵值图像进行迭代处理,并通过最小交叉熵确定最优迭代次数,完成最终的麸星目标分割。最后试验验证了该方法的有效性,对比结果表明该方法的检测灵敏度提高近2倍,且算法运行时间为5.189 3s,具有较高的执行效率。     

玉米霉变与其图像颜色特征参数之间的相关性研究

通过模拟玉米霉变过程,定时测定了玉米霉变期间的带菌量;同时利用扫描仪器对霉变玉米的图像进行采集,提取颜色特征参数,分析并探讨了霉变玉米的颜色特征与带菌量之间的相关性。结果显示,两种玉米在霉变过程中,随着储藏时间的延长,其颜色特征参数R、G、B、I值均呈减小趋势,并与霉变玉米的带菌量呈现负相关,郑单958带菌量与其特征参数G值相关性较高,达到-0.928 1,说明用G值表示郑单958的带菌量准确性较高;先玉335带菌量与其特征参数R值相关性较高,达到-0.939 0,说明用R值表示先玉335的带菌量准确性较高。试验结果表明,采用图像处理技术以图像颜色特征参数值来表示玉米的带菌量及霉变程度是可行的。     

基于改进Mobile-Net-V2的原棉杂质分类方法

针对现有原棉杂质分析需要人工参与过多以及精度不容易量化的问题,提出一种以机器学习算法为核心的Mobile-Net-V2模型的棉花表面杂质自动化识别方法,系统采用基于深度学习算法中的Mobile-Net-V2的模型算法为主要算法,首先对图形进行通过图像二值化、以及导向滤波对原图像进行简单预处理,然后使用深度学习Mobile-Net-V2模型进行卷积运算的算法,通过将实验算法部署在嵌入式计算设备中,成功实现了棉花表面杂质的精准检测与分类。实验结果表明:该方法对多种杂质的细分类查准率为训练集90.7%,测试集89.5%,在尽量简化设备及算法的同时保证了原棉的杂质检测效率,采用十分交叉验证进一步保证了该方法的有效性,也为棉花杂质的智能检测与分类识别提供了参考依据。