基于机器视觉的马铃薯智能分级系统

为实现马铃薯外观品质自动分级,构建马铃薯智能分级装置,提出一种简单易行的马铃薯智能分级控制方法和流程,并基于Visual C++环境实现马铃薯智能分级软件系统。该系统通过下位机发送信号给上位机来控制摄像头拍照,上位机对所拍摄的马铃薯图像进行处理与分级检测,并将检测结果发送给下位机智能分级装置,最后分级执行器执行分级。经测试:该分级控制方法简单易行且运行稳定,不受机器运行速度的影响,基本消除了强电干扰所构建的分级系统分级结果稳定,分级精度达到90%,可满足马铃薯实时分级的要求。     

基于机器视觉的牡蛎分级设备设计

目的：提高牡蛎分级的精确性和全面性。方法：提出并设计了牡蛎自动化分级设备,确定了旋转滚筒与挡板传送带结合的牡蛎排队结构、质量检测和机器视觉检测相结合的分级方式,完成了牡蛎分级设备的整体结构设计。通过工业相机采集牡蛎图像,使用大津法二值化、高斯滤波处理、Canny算子边缘提取等方法提取牡蛎图像,通过机器视觉算法以长度和饱满度为标准对牡蛎进行分级,并进行机器视觉分级与人工分级对比试验。结果：该设备分级准确率为95.4％,图像检测速度约为0.647 s/幅。结论：机器视觉对牡蛎分级是有效的,可以较为准确地对牡蛎进行分级。     

基于机器视觉的病虫害检测综述

作物病虫害直接影响作物的代谢过程,是降低作物的产量和品质的主要威胁之一,给农民造成了大量的经济损失。实现快速、准确的病虫害检测和分类识别,对农民及时采取有效的防治措施具有重要意义。目前,利用机器视觉技术实现农作物病虫害检测具有很好的前景,可以有效的克服人工识别速度慢、误判率高的不足,对于加快农业产业智能化,以及病虫害防治的智能化水平的提高都有很好的借鉴价值。结合近年来国内外学者研究进展情况,本文就病虫害检测方面的应用进展进行综述,并展望了未来的研究方向,以期为后续研究工作提供参考。     

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。     

基于机器视觉的草莓自动分级方法研究

针对传统草莓自动分级处理系统利用单一特征衡量草莓品质的不足,提出从成熟度、质量、形状三方面综合评估的方法,以快速有效地完成草莓自动分级处理。该方法先计算分析HSV颜色模型中H参数判断草莓成熟度,利用图像投影面积-质量函数关系对成熟度达标的草莓进行质量测算,再采用K均值聚类法与判别分析相结合对质量达标的草莓进行形状分类,并利用加权法计算草莓质量与形状评级分确定草莓品质等级。试验表明,该方法与人工评级相比准确率达到90%以上。     

基于机器视觉的金丝皇菊智能分级系统研究

为实现对金丝皇菊的快速无损等级评估,本文应用机器视觉技术对5个等级的金丝皇菊进行智能分级。首先根据金丝皇菊的品质特性设计分级装置,并根据金丝皇菊的颜色、形状、完整度等特征设置不同的分级标准;其次运用图像灰度化、图像去噪、图像增强技术完成金丝皇菊图像预处理;再次采用加色法混色模型(Red Green Blue, RGB)完成金丝皇菊颜色特征提取与识别,并通过图像分割和边缘检测技术完成对金丝皇菊图像完整度的判断及花径的计算,得出金丝皇菊的预测等级;最后基于Microsoft Visual Studio 2017平台开发一套金丝皇菊智能分级系统,实现系统的实时可视化操作。结果表明,本文设计的金丝皇菊智能分级系统整体分级准确率达到了97.6%,平均分级速度为人工的5倍多,其在可靠性、速度、工作效率、鲁棒性等各方面都优于传统的人工分级,本研究为机器视觉技术在花茶分级领域的应用提供了实际案例与技术参考。     

基于运动控制器的苹果质量分级系统

设计一种基于运动控制器和机器视觉系统的苹果质量分级系统,该系统由检测模块、图像采集与处理模块、运动控制模块和执行模块等部分组成,操作简单,准确度高,可实现苹果质量分级的自动化,提高劳动效率;采用非接触式结构,以克服以往机械式接触对苹果造成的损害,保证分级后的苹果的质量。调试运行结果表明,系统可靠性高、开放性好,分级误差不超过3%、生产效率可达2~5t/h,可以满足苹果质量分级的要求。     

我国基于机器视觉的水果自动分级技术及研究进展

综述了国内基于机器视觉的水果自动分级技术在大小、形状、颜色和表缺陷分级方面的研究现状,分析了基于机器视觉的水果自动分级过程中存在的不足,提出了利用定向装置与机器视觉相结合的水果分级的思路。     

机器视觉技术在果蔬的识别和分级中的应用

机器视觉技术在农产品品质检测方面的研究和应用发展迅速，为了能充分了解国内外在果蔬方面的研究状况，本文综述了机器视觉技术在果品和蔬菜的识别和分级中的研究进展，以供参考。     

基于机器视觉的猴头菇品质快速无损检测与分级

传统的猴头菇品质检测与分级主要依靠人工分拣来完成,其主观性强、精度相差大、效率低,浪费了大量人力物力资源。鉴于此,为了实现猴头菇的快速无损等级评估,该研究引入机器视觉技术,提出了一种猴头菇品质的快速无损检测与分级方法,设计一套基于机器视觉的猴头菇品质快速无损检测与智能分级设备,并通过图像处理和软件设计开发一套猴头菇智能快速无损检测分级系统。通过加色法混色模型（RGB）对猴头菇的颜色特征的快速检测与等级的判定;采用图像阈值分割和Canny边缘检测,实现猴头菇完整度的判定;使用最小外接圆法对猴头菇的大小进行实时计算,完成猴头菇直径大小的判别;基于Microsoft Visual Studio 2017平台开发一套猴头菇品质快速无损检测可视化平台。试验证明,基于机器视觉的猴头菇品质快速无损检测与分级系统检测准确率达到97.07%,速度达到人工的5倍多。验证了系统的可靠性和可行性,为食品工业的智能化生产和加工提供了技术支撑,推动了机器视觉技术在食品行业的应用。     

基于机器视觉的苹果表损智能检测系统设计

[目的]满足苹果外观品质和大小综合分级的现实需求,解决中国苹果人工分选效率低,分选设备结构复杂、成本高等问题。[方法]提出一种YOLOv5s-apple模型,在主干网络中引入Transformer模块和CBAM注意力模块,同时加入加权双向特征金字塔网络（Bi-FPN）改进颈部网络,并结合HALCON软件,利用自行设计的一种苹果表损智能检测系统进行表损分拣和大小分级。[结果]与原YOLOv5s模型相比,YOLOv5s-apple模型的mAP提升了6.2%,检测系统的分拣分级准确率可达97.5%,试验系统的处理速度为5 s/个。[结论]试验系统可以有效地进行苹果分级分选。     

基于Prewitt算子的苹果分类研究

提出一种简单实用的基于Prewitt算子的苹果分类算法.该算法利用Prewitt算法检测苹果图像的边缘,利用阈值方法对苹果图像进行分割,通过计算连接区域确定苹果是否有损伤.该方法不仅可以精确定位苹果的茎部和损伤部位,而且能够消除苹果图像中的阴影.100个测试样本的实验表明,该算法能够快速地对苹果进行准确分类,准确率可以达到99%.     

基于机器视觉的预包装食品检测

基于机器视觉设计了一种缺陷检测系统,该图像处理采用基于偏微分方程的去噪模型实现了图像去噪;利用双阈值分割方法实现了缺陷区域的分割;并采用BP神经网络根据周长、面积和圆形度实现了缺陷分类。结果表明:试验系统的整体漏检率为0.17%,检测精度比较高;每个包装的检测耗时大约为70ms,检测效率比较高;该系统能很好地满足食品包装实时、快速、准确、稳定的检测要求。     

基于小波与模糊相融合的苹果分级算法

为了准确获取苹果图像的边缘,实现苹果自动分级,提出一种基于小波与模糊相融合的苹果分级算法。对苹果图像进行全向小波变化,经模糊算法处理,通过自适应阈值,提取出苹果图像的边缘,再利用漫水填充算法,获取苹果图像的面积,根据苹果类圆特性,将面积转换为直径,并根据直径大小,完成苹果分级。仿真试验结果表明,该算法对3个级别苹果的分级正确率均在98%以上,说明该算法能够用于苹果的分级检测。     

基于机器视觉的磨粉机轧距监测系统研究

目的:实现磨粉机磨辊轧距的实时监测。方法:采用CCD工业相机采集轧距图片,利用阈值分割、形态学方法对采集的灰度图像进行预处理操作,再利用边缘检测算法并结合MATLAB软件和数学运算剔除边缘无关点,最终计算出磨粉机的轧距。通过比较塞尺测量轧距值与系统监测值,验证系统的可行性和准确性。结果:稳定状态下该在线监测系统的数据波动幅度为0.001~0.002 mm,增速状态下波动幅度较大,为0.001~0.005 mm。结论:该系统可实时测量磨辊轧距。     

基于机器视觉的苹果缺陷快速检测方法研究

针对目前中国苹果分选大部分还是经由人工筛选的现状,提出一种基于机器视觉的苹果缺陷快速检测方法。采用亮度自动校正技术消除苹果表面亮度不均匀分布,根据缺陷候选区域的数量,完成对苹果的初步判断,并使用加权相关向量机进一步对有缺陷的苹果进行判断。通过试验对文中方法的有效性和准确性进行验证。试验结果表明,该检测方法对1 000个测试样本的识别准确率为99.1%,对各种缺陷的检测精度较高。     

机器视觉技术在圆网印花机自动对花系统中的应用

提出了一种自动对花的织物圆网印花机对花系统,通过图像传感器在线自动检测印花图案套色的位置,借助于控制器自动控制、调节各印花网筒相对于织物印花图案色位位置,提高了印花精度,进而提高了产品质量和工作效率。