共查询到20条相似文献,搜索用时 31 毫秒
1.
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%。 相似文献
2.
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。 相似文献
3.
4.
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%。 相似文献
5.
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。 相似文献
6.
7.
8.
《中国纤检》2021,(6)
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。 相似文献
9.
10.
11.
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。 相似文献
12.
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%。 相似文献
13.
14.
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。 相似文献
15.
16.
17.
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。 相似文献
18.
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。 相似文献
19.
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。 相似文献
20.
《毛纺科技》2021,(2)
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。 相似文献