基于机器视觉技术的罗非鱼去鳞率无损快速在线检测系统

目的:提高罗非鱼加工质量和效率、提升产品附加值.方法:利用鱼鳞、鱼皮在紫外激发下的荧光响应差异构建基于机器视觉技术的罗非鱼去鳞率快速检测系统. 罗非鱼鱼体图像经预处理、背景分割、ROI区域选取、未去鳞区域快速识别等算法处理后得到未去鳞和去鳞区图像,计算去鳞率并测试系统检测精度.结果:系统的去鳞率检测精度范围为90．18%~94．14%.结论:该系统可实现被测罗非鱼样品的自动输送、检测图像自动触发与采集和图像的快速处理并提高罗非鱼去鳞率检测效率,满足生产线检测要求.     

基于水射流的典型淡水鱼类去鳞技术研究

以鲫鱼为试验对象,以射流压力、射流入射角、射流靶距以及物料板的进给速度为主要因素,通过自主研制的水射流去鳞试验台对鲫鱼去鳞率和鱼体损伤影响的趋势与程度进行考察。结果表明,鲫鱼去鳞的最优工艺条件为射流压力10MPa,射流入射角60°,射流靶距11cm,进给速度5cm/s,此时的去鳞率为89.1%,鱼体损伤感官评价得分为0.88。     

基于机器视觉的鸡蛋品质无损检测方法

目的以蛋品质量评价指标—哈夫单位值为检测标准,建立一种基于机器视觉的鸡蛋品质无损检测方法。方法通过摄像头捕捉到鸡蛋图像信息,利用MATLAB对鸡蛋图像的G分量以及I分量进行特征参数提取,并计算出与鸡蛋新鲜度相关的4个特征参数:蛋黄面积比、气室面积比、气室高度比与气室直径比,将其作为自变量,通过高精度游标卡尺实测每个鸡蛋样本哈夫值作为因变量,分别建立一元回归模型,寻找特征参数与哈夫值的关系,并根据哈夫值对鸡蛋新鲜度进行分级。结果实验表明,所测4个特征参数中,蛋黄面积比与哈夫值存在较强的相关性,相关系数为0.78,拟合优度为0.62,蛋黄面积比越小,鸡蛋哈夫值越大,说明鸡蛋越新鲜。结论基于机器视觉的鸡蛋品质无损检测方法不仅具有较强的应用价值,还可以为鸡蛋品质智能分级提供技术支撑。     

机器视觉在纺织检测中的应用

介绍机器视觉的研究内容，比较机器视觉与人类视觉的差异，论述机器视觉检测中几种基本技术，阐述机器视觉在纺织检测领域中的应用。     

基于机器视觉的樱桃缺陷检测与识别

以机器视觉技术为基础,利用卷积神经网络对樱桃缺陷进行检测与识别,并进行验证。结果表明,正常果樱桃识别准确率为99.25%,缺陷果樱桃识别准确率为97.99%,识别速度为25个/s;通过与其他方法进行对比,试验方法能够准确检测并识别多种缺陷类型。     

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。     

基于机器视觉的印品质量在线检测

印品质量检测的意义 在印刷向小批量、多品种、多色、高效方向发展的今天,印刷品越来越精细,人们对印品质量和印刷效率也有更高的要求,带有缺陷的印品是人们所不能接受的。要提高印品质量和印刷效率的有效途径之一就是对印品进行质量检测。因此,印刷厂商对印刷品在印刷过程中实行质量自动监测,是梦寐以求的手段之一。尤其在高速运转的印刷机上,如不及时发现并排除故障,就意味着大量废品、次品损失,特别是在原材料成本不断增加的今天,废品的增多就意味着生产成本的增加,对企业的影响极大。另外,如果印刷过程中出现以上问题,而没有及时进行检查,把一些废品流入社会,将给印刷厂家造成极坏的社会影响。所以印刷品质量检测有着深远的意义。     

基于机器视觉技术大米品质检测

该文介绍国内外大米品质检测研究现状,重点介绍国内应用机器视觉技术对大米品质进行检测研究动态,指出应用机器视觉技术对大米品质检测存在问题,并提出今后研究方向。     

基于机器视觉技术的目标精密识别测量系统

根据 MOX 芯块自动检测应用的需求,用特殊光谱照明与高分辨率相机作为探测系统,设计了基于机器视觉技术的目标精密识别测量系统,完成对 MOX 芯块的尺寸及缺陷的定量检测,给出测量结果。该系统的特点是组成复杂、测量精度高及低的误判率,经过试验,完全达到了工程应用的要求。     

基于机器视觉技术淡水鱼品种在线识别装置设计

研制基于机器视觉技术的淡水鱼品种在线识别装置。采用CCD彩色摄像头、图像采集卡、光电开关、数据采集卡、输送机、照明箱等部件组成在线识别装置的硬件部分;基于Visual C++6.0平台编写具备淡水鱼图像采集、图像分析、鱼体特征提取、品种识别等功能模块的在线识别软件程序。利用本装置对鲤鱼、鲫鱼、草鱼、鳊鱼等4种大宗淡水鱼进行品种在线识别。结果表明,以BP神经网络作为识别模型,该装置对4种淡水鱼进行识别的平均准确率达到92.50%,检测所需时间平均为1.3s,该装置可以用于淡水鱼品种的在线、快速、准确识别。     

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%。     

基于机器视觉的大米垩白米的检测方法研究

本文提出了一种检测大米垩白米的检测方法。由于光线反射的缘故,摄像机拍摄的正常米粒有部分的光线反射区,该反射区与垩白米的亮度非常近似,用最大类间方差法无法区分开垩白米和正常米粒的光线反射区。本文提出通过分析两种米粒的不同的直方图分布表现来进行区分的方法,并进而分析出大米垩白率,垩白度等信息。本文提出的方法相较于以往的方式,能快速,高效地检测出大米垩白米及相关信息,实验结果表明了该方法的可行性。     

基于机器视觉的织物疵点检测技术探讨

针对传统人工视觉检测技术的缺陷,建立一种基于机器视觉的织物疵点检测技术方案。在深入讨论检测系统硬件设计的基础上,重点讨论了织物疵点检测流程、获取织物特征的拟合方法、疵点特征提取流程、织物疵点分类与织物等级评定等。同时,讨论了织物疵点自动检测系统实际应用时应注意的几个关键问题。为快速、准确、有效的检测织疵,提升检测技术水平和加强产品质量控制,具有十分重要的现实意义。     

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。     

基于改进HSV空间的机器视觉花生霉变检测方法

花生霉变产生的黄曲霉毒素具有强致癌性,严重影响食品安全。为精准快速的识别霉变花生,提出一种基于机器视觉的霉变花生检测方法。首先对花生图像进行双边滤波降噪,然后将图像转为色调、饱和度、亮度（HSV）空间,通过在色调、饱和度空间内提取的霉变颜色范围叠加亮度空间的开运算处理结果来实现对霉变花生的识别检测。实验结果表明,该方法对于霉变花生的识别精度达到95.3%,处理单帧花生图像耗时为0.6 s,通过与其它算法对比,该方法具有快速、准确率高等优点,可以满足霉变花生的实时检测,对花生霉变的分级处理也更加实用。     

基于机器视觉的纸病检测系统发展综述

在详细介绍以机器视觉技术为核心的纸病检测流程的基础上,研究、梳理和归纳了纸病检测系统在硬件模式、软件系统和检测算法上的发展历程,分析了当前纸病检测中存在的难点问题,并讨论了该技术的发展前景。     

基于Welch法功率谱和广义回归神经网络的禽蛋裂纹辨识

为建立一种快速无损检测禽蛋裂纹的方法,构建了基于磁致伸缩振子扫频式振动的禽蛋裂纹检测系统。系统以声学特性为基础,通过利用Welch法功率谱分析禽蛋振动音频信号,利用主成分分析法提取特征向量中的有用信息并构建基于广义回归神经网络（generalized regression neural network,GRNN）的禽蛋裂纹检测模型。实验对290 枚鸡蛋进行检测（训练集200 枚,测试集90 枚）。结果表明,测试集中无损蛋与裂纹蛋的判别率分别达到96.7%和98.3%。研究表明,利用磁致伸缩振子扫频和Welch法功率谱分析,通过主成分分析法提取特征向量中的有用信息并结合GRNN模型检测禽蛋裂纹是可行的。     

基于机器视觉的包装机空头烟支检测技术研究

对基于机器视觉的包装机空头烟支检测技术进行了研究：在图像获取阶段,在分析包装机空头烟支结构特点的基础上,提出了机器视觉系统光源的照明方式,并参照国标对照明的角度进行了计算。使获取图像上的烟支空头特征突出;在图像处理阶段,采用基于数学形态学的开操作对图像进行预处理,使图像上烟丝的纹理特征减弱,而空陷区域的特征更加突出;最后采用计算机图像斑点识别技术。判别出存在空头烟支的烟组,最终完成基于机器视觉的包装机空头烟支的检测任务。图3表2参13     

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。     

基于机器视觉的条码信息在线检测系统研究

随着数字媒体技术的发展以及个性化印刷需求的增加,在印刷过程中,对可变信息进行实时监控是满足可变信息印刷需求的必要条件.本研究采用基于机器视觉的条码信息在线检测系统,利用CCD采集条码数字图像,采用图像定位、滤波去噪、二值化、定位分割等图像处理技术进行条码处理后,用相似边距离测量法进行条码识读,实现了在线检测系统对可变信息条码的快速、精确识读与检测.