基于外观特征识别玉米不完善粒检测方法

为了利用机器视觉对玉米不完善粒进行准确识别,采用图像处理的方法通过工业相机获取同一品种的7种不同质量的玉米籽粒图像,通过均值滤波、形态学运算等处理并选取了基于籽粒的形态、颜色、纹理3类外部特征共48个特征参数,采用主成分分析法确定7个主成分因子作为输入单元,建立了7-15-7的3层BP神经网络模型对玉米不完善粒进行识别.结果表明:此方法对完善粒、虫蚀粒、病斑粒、破损粒、生芽粒、热损伤粒和生霉粒的正确识别率分别为95.00%、90.00%、91.67%、98.33%、93.33%、95.00%和96.67%,因此利用该模型对玉米不完善粒的检测识别具有较高的可行性.     

基于小波特征与支持向量机的焊点缺陷识别方法的研究

基于视觉信息的焊点缺陷检测已成为当前机器视觉中的研究热点问题.针对焊接设备的不稳定性、操作环境的不确定性等问题对焊点质量的影响,本文提出了利用增强小波系数和主成分分析相结合的方法对焊点图像特征进行提取,利用主成分分析的降维作用,对提取的增强小波系数50维特征向量进行降维处理.同时提出了融合决策树与支持向量机的方法对焊点的缺陷类型进行识别.实验结果表明,本文提取的焊点特征值具有更好的区分性与紧致性,提出的分类方法有效提高了焊点缺陷检测的识别率,同时提高了算法效率.     

基于二维离散小波的鲜玉米果穗成熟度的等级评定

采用计算机视觉技术,经二维离散小波分解后提取与玉米果穗成熟度相关的图像特征实现成熟度等级评定。在HSI颜色模型下对鲜玉米果穗图像H分量进行二维离散小波分解,提取低频子带的颜色特征。在RGB颜色模型下提取鲜玉米果穗图像高频子带的纹理特征。通过主成分分析法实现特征参数的降维。以前4个主成分值作为网络输入,构建概率神经网络,实现鲜玉米果穗成熟度的等级评定,评定正确率为95%。     

基于灰度图像的大米垩白检测算法研究

大米垩白是检测大米质量等级的重要指标,在利用机器视觉技术进行垩白粒率的检测中,采用能够利用阈值法获取垩白米粒的DH-HV 1303UC摄像头采集的大米灰度图像,进行垩白检测算法的研究,选用双阈值法对大米图像进行分割,分别得到大米籽粒图像和只含垩白米粒的大米图像.在检测中,针对大米籽粒间存在连接的情况,提出了一种基于形态学中腐蚀、膨胀算法的垩白米粒检测方法.试验结果表明,在垩白米粒含量不同籽粒间连接程度不同的情况下,此检测算法均可达到较高的检测精度.     

正交双目视觉长轴类零件装配端位姿检测方法

为解决非正交双目立体视觉在长轴类零件三维位姿检测中需要多个特征点进行匹配,计算量大以及视野中难以获取整个零件的图像等问题,提出一种基于正交双目立体视觉检测长轴类零件装配端三维位姿方法.采用光轴正交的两个相机同时采集长轴类零件装配端的图像,分别采用亚像素法对所采得的图像进行处理,可以得到被检测长轴类零件装配端在两个相机图像坐标系内的位置和姿态,再依据正交双目立体视觉模型对两组位置信息进行融合得到其三维位姿.实验结果表明:利用两个CMOS相机构成的正交双目立体视觉能够快速、精确检测长轴类零件装配端的三维位姿.该方法只需要一个特征点进行匹配,计算量小、简单易行,适用于通过机器视觉引导工业机器人进行精密长轴类零件的快速装配.     

基于图像处理的小麦水分含量识别方法研究

研究了一种基于小麦图像特征和模式识别的小麦水分含量快速识别方法.将小麦水分含量分别调至10%、11%、12%、13%和14%,然后采集小麦不同含水量单籽粒和整批籽粒图像.单籽粒图像,提取其形态、颜色和纹理共62个特征参数,整批籽粒图像提取其颜色和纹理共48个特征参数.最后采用逐步判别分析对提取的特征参数进行筛选,分别建立线性参数统计分类器和BP神经网络模型实现小麦不同水分含量的检测识别.结果表明,BP神经网络模型对小麦水分的识别率高于统计分类器;与单籽粒图像相比,使用整批籽粒图像的特征参数能更好地对小麦水分进行有效识别.使用BP神经网络模型对整批籽粒图像水分进行识别,其识别正确率为90%⁹5%,整体判别正确率达到了92%.     

可疑目标区域的机器视觉检测算法

可疑目标区域的确定是大背景中微小目标的机器视觉检测的一个关键问题.以棉花中污染物的检测为背景,根据人类的视觉注意机制,提出了一种可疑目标区域的机器视觉检测算法:首先采用主成分分析法(PCA)和离散余弦变换(DCT)算法对分块图像进行数据压缩,然后采用BP神经网络、支持向量积(SVM)模拟人脑对检测目标区域的识别.结果表明:分块图像大小、数据压缩算法和模式识别方法对识别能力有较大的影响;本文提出的检测算法可以确定可疑目标区域.在实验分析的基础上,提出了提高精度和速度需要进一步解决的几个问题.     

基于图像处理技术的玉米数字图像特征值与水分含量相关性研究

通过Matlab图像处理技术对玉米数字图像进行了滤波平滑处理、图像分割处理,采集玉米籽粒数字图像的24个特征值。通过SPSS分析比较24个特征值与玉米水分含量的相关性,结果显示,玉米的颜色特征模型在3 d内预测精度高于轮廓特征模型,随着储藏期的延长,各模型预测精度均出现不同程度下降,同时轮廓特征值对于颜色空间模型具有较好的修正效果。     

基于计算机视觉的大米粒形识别方法

提出了利用计算机视觉系统代替人眼识别整粒大米和碎大米粒形的方法。设计了一套基于计算机视觉技术的大米粒形识别装置,采用灰度变换、阈值分割、平滑处理等图像处理方法获取大米的粒形图像,然后根据大米的粒形特点提取了米粒的面积、周长、长、宽等16个特征参数,采用主成分分析方法对提取的特征参数进行处理,以前三个主成分综合所有粒形特征参数,作为BP神经网络的输入特征值对网络进行训练和大米粒形识别。试验结果表明:该方法对整粒米识别的准确率为98.67%;对碎米识别的准确率为92.09%。     

上市企业盈利能力的主成分聚类分析

采用主成分聚类分析方法(PCA)对长株潭城市群上市企业盈利能力进行了评价分类。先建立上市企业盈利能力评价指标体系,然后用主成分分析法对7个量化指标进行分析,提取2个主成分,利用得到的主成分替代原来的评价指标,对盈利能力进行聚类,将长株潭城市群上市企业盈利能力分为3个级别,为决策者决策提供依据。