基于计算机视觉的精密零部件质量检测研究

近年来,研究人员基于计算机视觉完成了精密零部件质量评估。文章介绍了各种方法的概述,包括图像采集、预处理、图像分割、特征提取和分类。这些方法针对表面缺陷,关键尺寸,形状提高了零部件的精度问题。     

基于计算机视觉的香菇缺陷检测

传统人工检测鲜香菇表面缺陷方法通常效率较低,且易造成视觉疲劳,不能满足现代化工业需求。本研究尝试采用计算机视觉技术检测鲜香菇表面缺陷。首先,香菇样本RGB图像被获取,抽取B分量图像构建掩模用于G分量图像去背景。然后,去背景后的G分量图像进行边缘亮度补偿及缺陷提取。随后,对缺陷标记、提取特征参数及参数选择。为了避开成像系统及环境光的干扰,试验选用缺陷区域总面积与香菇图像总面积的比值作为识别正常香菇与缺陷菇的衡量指标。最后,一个全局阈值0.0035被用于所有被研究样本。结果表明,该识别算法识别正常菇和缺陷菇准确率分别为94%和97.3%,所有样本分类精度达到96.5%。     

基于计算机视觉技术的稻米检测研究

综述了计算机视觉技术在稻米品种、外形轮廓、垩白度、加工精度、留胚率、整精米率、黄粒米和稻米化学成分等检测中的应用。     

基于计算机视觉的柑橘无损检测技术

分析了柑橘无损检测和分级技术的重要性及其发展现状,阐明了基于计算机视觉的柑橘无损检测的流程.柑橘的好坏主要由柑橘的大小和形状决定,2个特征参数的提取运用了数字图像处理技术, 根据控制规则,输出1个变量即苹果等级分类.实验结果表明:该方法能较好地区分柑橘的好坏,达到预期的目标,结果是可以接受的.     

基于计算机视觉的织物疵点检测技术研究进展

对基于计算机视觉的织物疵点检测技术进行回顾,介绍了灰度共生矩阵法,局部二值模式算法,邻域关联分析,自组织映射,支持向量机,学习向量量化分类器,多分类器组合和决策融合等算法等在图像预处理,特征提取、分类和识别等方面的应用情况,着重讨论了一种基于多数投票原则的多分类器决策融合技术,试验结果证实该技术有较高精确性.     

基于视觉显著度的篮球用天然皮革缺陷可视化检测研究

针对篮球使用的天然皮革质量检测,提出了一种基于视觉显著度的皮革表面缺陷可视化检测框架,利用视觉显著度模型对球皮皮革图像的颜色和亮度特征等进行提取,在计算皮革颜色和亮度特征显著图以后,利用区域生长方法对篮球球皮表面的瑕疵进行定位。与传统皮革表面缺陷检测方法对比后发现,该方法能够有效解决皮革自然纹路对缺陷检测的影响,检测精度与检测速度都能够得到有效保障。     

基于机器视觉技术的皮革材料缺陷可视化研究

由于原材料的特殊性,皮革材料在进行深度加工以前都需要对材料表面的缺陷,如虫蛀、裂痕等进行筛查。基于机器视觉、数字图像处理技术等,对皮革材料缺陷的可视化检测进行分析,对皮革材料缺陷图像采集与处理、图像缺陷特征分析与提取、缺陷检测分类等关键技术进行总结。本文认为,对于皮革产业材料缺陷检测工艺而言,机器视觉能够大幅提升相关领域检测精度和检测效率,有利于皮革产业实现智能化发展。     

基于计算机视觉的十字线检测算法

为检测四色印刷套印是否准确,提出一种基于计算机视觉的十字线检测算法.通过对印刷品的黄、品、青、黑四色十字线进行图像分割,得到四色十字线;分别对四色十字线进行图形定位,得到四个十字线的中心;根据四个中心的位置关系判断四色套印是否准确.实验证明,该算法能正确检测套印是否准确,并且容易实现.     

基于机器视觉的纽扣缺陷检测技术研究

利用机器视觉和深度学习算法对纽扣缺陷进行检测。首先对纽扣图像滤波去噪处理,提取轮廓并获取图像特征;接着对图像阈值分割,对二值图像标记连通域,完成纽扣区域分割及轮廓提取,通过轮廓数目判断是否存在多孔、少孔和外形轮廓缺陷;最后使用YOLOv4算法训练纽扣缺陷类型,实现四眼塑料纽扣缺陷检测。验证结果表明纽扣缺陷检测精度达到了95.5%,单个纽扣平均检测时间为0.89s,满足工程应用需求。     

基于机器视觉+深度学习目标检测的皮革表面缺陷检测系统研究

针对皮革表面缺陷人工检测效率低、准确率低等问题,基于机器视觉和深度学习算法等构建了一种皮革表面缺陷检测系统.对该系统的主要框架及核心功能进行分析,以一般皮革表面光学检测系统为对象进行检测精度与检测效率对比.结果表明,基于机器视觉+深度学习的皮革表面缺陷检测系统检测精度更高,在应用初期的检测效率与一般检测系统较为接近,但随着应用时间的增长,系统检测效率优势也会逐渐显现.     

基于计算机视觉技术的皮革边缘抓取点的定位

皮革边缘抓取点的准确定位是实现皮革自动绷板的关键环节。在皮革自动绷板过程中,为了实现对形状不规则和摆放位置不固定的革坯准确抓取,提出了基于计算机视觉技术对于革坯边缘抓取点进行定位的技术思路。首先利用棋盘格对相机进行标定,通过对采集的图像进行预处理,提取图像单像素轮廓,然后运用坐标系转换和轮廓点—质心角度算法筛选出革坯目标抓取点,最后结合标定后的相机像素精度,计算抓取点和质心的实际距离。方法平均运行耗时32.48 ms,平均定位角度误差0.16°,平均定位距离误差0.56 mm,这表明本方法可以准确实现对革坯边缘抓取点的定位,满足革坯自动绷板定位的需求。     

基于计算机视觉的玉米粒形检测方法

提出了利用计算机视觉技术检测整粒玉米和破碎玉米的方法,以适应快速准确检测玉米品质的要求。设计了一套基于计算机视觉技术的玉米粒形检测装置,开发了玉米粒形检测算法;首先采用玉米粒形检测装置获取玉米籽粒图像,再对图像进行预处理,然后根据玉米籽粒的特点提取面积、周长、长、宽等8个特征参数,将粒形特征参数作为输入值构建BP神经网络对玉米的粒形进行检测。结果表明:该方法对整粒玉米检测的准确率为97.50%;对破碎玉米检测的平均准确率为91.83%。     

计算机视觉技术在农产品和食品检测中的应用

随着计算机视觉技术的发展与计算机运行速度的提高和硬件成本的下降，计算机视觉技术在农产品和食品检测领域中的应用越来越广泛。本文综述了国内外农产品和食品检测中计算机视觉技术的应用研究和发展情况。     

计算机视觉技术在食品品质检测中的应用

随着社会经济的发展,人们对身体健康越来越重视,食品安全关系生命健康.当前食品品质越来越受关注,而计算机视觉技术有助于对食品品质进行检测和评价,在检测食品尺寸、色泽、外表伤痕以及食物腐败方面均有重要应用.     

基于计算机视觉和嗅觉的菠菜叶绿素含量检测方法研究

以叶绿素含量为评价菠菜新鲜度的参考指标,开发菠菜采后品质无损检测方法。采用计算机视觉和电子鼻分别获取储藏期内菠菜的图像和气味信息。分别提取视觉、嗅觉信息的主成分作为模型的输入,以叶绿素含量的化学检测值作为模型的输出,采用误差反向传播神经网络建立菠菜叶绿素的定量预测模型。试验显示,以视觉信息为输入量的模型测试结果:训练集和测试集的均方根误差(RMSE)分别为0.1978 mg/g和0.2147 mg/g,相关系数(R)分别为0.8457和0.7995。以电子鼻信息为输入量的模型测试结果:训练、测试集的RMSE分别为0.3119 mg/g和0.3032 mg/g,R分别为0.7013和0.6905。以视觉和嗅觉融合信息为输入量的模型测试结果:训练、测试集的RMSE分别为0.1759 mg/g和0.2121 mg/g,R分别为0.8888和0.8736,精度比两个单一技术均有所提高。研究表明,利用计算机视觉和电子鼻技术预测菠菜叶绿素含量的方法是可行的,采用融合技术有助于提升模型的预测精度。     

计算机视觉技术在农产品和食品检测中的应用

随着计算机视觉技术的发展与计算机运行速度的提高和硬件成本的下降 ,计算机视觉技术在农产品和食品检测领域中的应用越来越广泛。本文综述了国内外农产品和食品检测中计算机视觉技术的应用研究和发展情况。     

计算机视觉技术在农产品和食品检测中的应用

本文介绍计算机视觉技术的发展与计算机速度的提高和硬件成本的下降，计算机视觉技术在农产品和食品检测领域中的应用越来越广泛。同时，综述国内外农产品和食品检测中计算机视觉技术的应用研究和发展情况。     

基于计算机视觉速生杨木单板检测系统的设计

设计基于计算机视觉的速生杨木单板的外观分级的检测系统,系统采用线阵CCD和FPGA(现场可编程逻辑门阵列)等组成,可以有目标的将杨木单板进行分级,从而为高效利用速生杨木制造高质量、高附加值的单板层积材和结构胶合板提供技术支持.     

计算机视觉技术对食品腐败检测的研究进展

食品腐败变质是食品安全问题中最主要的原因之一,据世界卫生组织(WHO)数据统计,每年全球食品工业仅因食品腐败变质带来的经济损失就多达数百亿美元。食品发生腐败变质不仅带来巨大的经济损失,而且给人们健康带来严重危害。食品在生产、加工、储存、运输和销售等各个环节中,当受到微生物、酶作用、机械损伤、病害、光照、氧气等不当的贮藏条件都有可能导致腐败变质。因此,加强对食品腐败变质的检测和监测显得尤为重要。然而,目前现有常用的检测方法存在过程操作繁琐、时效性差或灵敏度较低等缺点,难以满足现代快速准确检测的需要,成为制约食品质量安全的瓶颈。本文主要介绍了计算机视觉技术对微生物、病害引起的食品原料腐败变质的检测,来判断食品腐败变质的程度,并介绍最新进展及研究现状,最后展望了其应用前景。     

计算机图像处理技术在大面积皮革表面缺陷检测中的应用研究

皮革表面的划痕、疵点、破洞等缺陷不仅影响皮革产品的美观,更重要的是降低了高端皮革制品的品质。由于人工检测大面积皮革表面缺陷的难度较大,因此可采用计算机图像处理技术来提高皮革表面检测效率。首先,进行皮革图像的预处理,基于改进LOG算子对皮革图像进行降噪和锐化,处理后的皮革表面图像细节更明显;其次,基于Gabor小波变换提取皮革表面缺陷区域,为降低运算量,进行图像降维然后分割出缺陷区域,并利用灰度共生矩阵提取皮革表面缺陷特征;最后,采用基于SVM的缺陷分类算法,对皮革表面缺陷的种类进行判别和分类。经试验验证：皮革表面缺陷的分类精度在88.5%左右。