基于卷积神经网络算法处理的稻米参数评定分析仪

基于电荷耦合元件（Charge-coupled Device,CCD）摄像头的嵌入式硬件平台和卷积神经网络（Convolutional Neural Networks,CNN）算法原理,研发对采集图像进行灰度和卷积处理的稻米参数评定分析仪,通过CNN算法分析出米粒边缘及透明度比较高的部分,并根据预设的第一阈值进行边缘切割,分离出单个米粒,并计算该米粒的总像素数、最长直线像素数、最宽直线像素数,而后计算图像中小于第二设定阈值的像素数,用该像素数除以总像素数计算垩白度,将计算出来的长度、宽度、长宽比、垩白度与国家标准比对,给出所测试的稻米参数,通过对8组实验样品测试分析结果表明,单次样品绝对误差值为0.02,相对误差值为–0.31％,相关数据可上传到上位机用于品质管控,本稻米参数评定分析仪原理和算法具有一定创新性,能缩短检测时间,提高检测精准度,具有一定的应用价值。     

稻米粒形与外观品质计算机视觉检测技术研究进展

计算机视觉技术对稻米粒形、外观品质的检测与人工检测相比,具有客观、快速、精确度高等优点。通过综述近年来计算机视觉技术对稻米粒形、外观品质的研究进展,阐述了计算机视觉技术在检测稻米粒形、垩白粒、裂纹粒、黄粒米的实现方法以及发展前景。     

基于大米外观品质分析系统对垩白米的快速测定

采用自制开发的一种大米外观品质分析系统,包含整列装置、背景板、扫描设备和计算机,结合图像处理技术,对垩白米进行快速准确的识别测定。以国家标准方法对垩白米的检测为基础,优化分析系统识别检测垩白米时的最佳阈值,再应用于实际大米样品中垩白米的测定。结果表明,分析系统检测一幅大米图像平均用时为5 s,通过实验优化分析系统测定大米样品垩白特征参数的最佳阈值为0.43,在此阈值下大米外观品质分析系统与人工法测定垩白米数量绝对误差大小不超过2颗,垩白粒率绝对误差大小不超过0.32%,垩白度绝对误差大小不超过0.25%,表明可用大米外观品质分析系统代替人工法对垩白米进行检测。     

基于图像处理的稻米垩白自动检测研究

应用大津算法自动选取分割阈值,对稻米图像进行两次分割,分别得到籽粒和垩白区域的二值图像,再根据区域内部象素的连通性,将不同区域赋予不同的标记,计算出籽粒和垩白粒数,以及二者对应的面积(象素)。研究结果表明,该算法的自动检测结果与人工检测相关性大于90%,可用于稻米垩白粒率和垩白度的自动检测。     

水稻群体光合速率的比较及其与稻米碾磨和外观品质的关系

1999年和2002年在田间条件下，对水稻群体光合速率及稻米碾磨和外观品质进行了研究。结果表明，不同水稻品种群体光合速率和稻米品质各指标存在差异，齐穗后15天左右的群体光合速率与稻米的垩白粒率、垩白度呈显著或极显著正相关，与精米率呈显著负相关。     

牛胴体品质检测系统中基于嵌入式Linux的终端设计

设计基于嵌入式微处理器OMAP3530和操作系统Linux的牛胴体品质检测终端。采用CCD工业相机作为图像采集设备,运用Linux下应用编程接口(API)V4L2实现视频实时显示、图像捕获和保存;采用Wi-Fi技术实现终端与PC服务器之间图像以及数据的交互;应用程序基于Qt/Embedded开发实现。实验表明,该终端能在现场条件下稳定运行。     

禽蛋食品在线智能品质检测控制系统研究与设计

对禽蛋食品品质进行高效、快速、准确的无损检测,在禽蛋生产、流通、包装等领域具有重要意义。为实现禽蛋生产无损品质检测,设计一套基于计算机技术和DCS相结合的禽蛋品质在线智能检测控制系统。介绍禽蛋无损检测系统整体结构,根据在线检测要求设计一套由CMOS数字摄像机、图像采集卡、运动控制模块及计算机等相关硬件组成的视觉采集系统。在上述硬件结构基础上,开发在线检测系统软件。经过相关试验验证,该控制系统能够实现96%禽蛋裂纹识别率、94%污斑别率,总体识别准确率达95.6%,基本能够满足禽蛋在线检测需求。     

辽宁省2007年～2011年育成的中晚熟水稻品种品质性状分析

以辽宁省2007年～2011年新育成的中晚熟水稻品种为材料,对其品质性状及其与部分生态因子的相关性进行分析,结果表明:不同品种的稻米品质性状中的垩白粒率、垩白度差异较大,是影响稻米品质的主要限制因素;品质性状间存在复杂相关性,随着出糙率的提高,蛋白质含量增加,但有可能降低其适口性;蛋白质含量与直链淀粉含量存在极显著的负相关;降低垩白粒率、垩白度有利于提高加工品质;温度对品质形成影响较大,成熟期随温度上升,垩白有变少、变小的趋势,提高外观品质,而成熟期低温使整精米率下降,加工品质变差。     

蚕茧质量无损检测实验系统设计及实现

介绍了基于光电技术和数字图像处理技术的蚕茧质量无损检测实验系统软、硬件设计及实现方法。在设计实验图像采集装置的基础上,设计对采集到的图像进行分析、处理和计算的数字图像处理软件,并利用所设计软、硬件实现蚕茧质量无损检测。通过实验证明,此检测系统测量精度高,切实可行,为快速无损检测蚕茧质量奠定了理论和实验基础。     

基于深度学习的大米垩白分割算法研究

大米质量安全关系到人们的生命健康,而含有垩白的大米因为缺少有助于人体代谢的成份,营养价值低,如何准确快速地检测出大米中的垩白信息就显得尤为重要。传统的基于机器视觉的大米外观检测由于光照条件,米粒上的划痕,以及胚芽部分的干扰,垩白度的检测精度会受到一定的影响。近年来,基于人工智能的图像分割技术有了很快速的发展,本文提出了一个轻量级的语义分割网络IMUN,该网络由非对称型的编码与解码结构组成。编码结构基于改进的MobileNetV2,使用深度可分离空洞卷积,扩大感受野的同时,能获取更多特征信息。解码结构基于UNet的解码结构,将上采样过程中恢复的特征,与同层编码结构进行特征连接,有助于保留更多细节信息。该网络结构可以实现对大米上的垩白区域的像素级分割,继而可以获取大米的垩白粒率和垩白度。实验结果表明,大米上的垩白区域的分割准确率可达到94.11%,在像素精度和交并比等方面优于FCN及大部分近年来新提出的网络。同时本网络结构参数少,网络模型小,非常适合于集成到嵌入式可移动的检测设备中。     

Identification of rice storage time based on colorimetric sensor array combined hyperspectral imaging technology

The study reports a novel colorimetric sensor array (CSA) based hyperspectral imaging (HSI) system and chemometrics algorithms for the identification of rice storage time. CSA fabricated by boron-dipyrromethene (BODIPY) dyes was used to capture the volatile organic compounds (VOCs) of rice samples. CSA hypercube before and after the reaction were obtained with HSI. Genetic synergy interval partial least square algorithm (GA-Si-PLS) was used to filter spectral information. Fifty-four spectral data variables and five dominant wavelength images was selected from CSA hypercube. Then three grayscale difference values were extracted from each dominant wavelength image, thus totaling to 15 variables as imaging data variables. Linear discriminant analysis (LDA) and k-Nearest Neighbor (KNN) model were established to comparing the performance of spectral variables, imaging variables and combined datasets. The result showed the optimal model was linear discriminant analysis (LDA) model built by using spectral variables and the correct rate of calibration set for rice storage time discrimination was 92.73% and the obtained rate of prediction set was 90.91%. It is indicated the applicability of the proposed CSA combined with HSI technology towards rice storage time identification.     

基于图像处理的储粮低密度虫害监测系统的设计与验证

为解决高害虫密度储粮处理成本昂贵和现有监测系统实时性和移动性不足等问题,采用Web技术,结合自主设计的粮虫诱捕器,建立了储粮低密度虫害实时监测系统。树莓派控制诱捕器采集害虫图像并进行图像处理得到图像中害虫的数量,再将数据传至云端服务器,用户通过Web客户端获取历史以及实时的害虫图像和害虫数量。在实验室用该系统监测了赤拟谷盗密度为0.5、1、2、3、4、5头/kg的稻谷,通过系统捕获第一只害虫的时间来评价其灵敏度,24 h内对害虫的捕捉率验证系统用于低密度虫害监测的可行性,并以人工直接计数结果为参考计算了系统计数的准确率,结果表明：系统灵敏度高,在低密度害虫条件下对害虫的捕捉率高于61.98%且诱捕器捕捉的害虫数与稻谷中的害虫总数存在显著线性关系,系统计数准确率为90.26%。因此,该系统可用于低密度虫害的实时监测。     

图像处理法在大米碎米率检测中的精度分析

大米是人类重要的食物,在粮食中占有重要的地位.为了保障我国的粮食安全,需要特别重视提高粮食生产能力,并为商品粮食的收购及市场流通提供快速、准确的外观品质检测手段.针对目前常用的手工法检测大米碎米率速度慢的问题,本试验采用数字图像处理的方法对其进行检测.该方法首先采用阈值分割算法对图像进行分割,其次提取图像特征,最后根据特征参数计算大米碎米率.试验表明,图像法不但速度快,而且与手工法测定碎米率含量具有很好的相关性.     

基于数学形态学的稻米粒形边缘检测研究

提出了一种基于数学形态学的稻米粒形边缘检测的新方法。首先,采用椭圆匹配稻米的方法提取稻米米粒的边缘轮廓,其次,再用数学形态学的方法对提取的稻米边缘进行平滑处理,最后,取100颗样品进行实验,结果表明,该方法用于稻米粒形检测时的判定正确率较高。     

基于图像纹理分析的大米加工等级检测方法

利用不同加工等级大米表面纹理不同的特点,提出了基于纹理分析的大米加工等级检测方法。设计了大米的计算机视觉检测系统,获取4个不同加工等级大米标准样的图像,采用灰度梯度共生矩阵的纹理分析方法提取图像的纹理特征值,采用Fisher判别法和PNN神经网络对大米加工等级进行检测判定。试验结果表明:Fisher判别法和PNN神经网络对4种不同加工等级的大米样品检测判定的正确率分别是96.25%和90.00%。     

基于图象处理技术的大米色泽检测

提出了一种客观、准确的基于计算机图像处理进行大米色泽检测的思路。介绍了目前常用的两种颜色模式RGB模型与HSI模型在大米色泽检测中的应用。通过分别绘制大米图像的R、G、B直方图求出大米颜色的R、G、B值,然后将RGB模型转化为HSI模型,求出大米图像的H、S、I值,根据色度图求出的大米色泽与实际大米色泽基本一致。     

基于GoogLeNet的稻米品种识别与碎米检测

稻米是我国人民食用的主要粮食作物,因此稻米的品种识别与质量检测有着重要的意义。在以前,通常使用的是人工的方式用眼睛观察来识别不同品种的稻米,这种方法效率低下,而且容易受主观的影响导致识别出错,从而影响准确率。本文基于MATLAB平台设计一套稻米品种识别系统,首先使用图像处理将实际拍摄稻米图片进行目标检测和提取,再采用迁移学习的方式训练GoogLeNet深度神经网络模型对稻米图片进行识别,该模型还能检测出每一粒稻米是否为整精米,且识别准确率可达到96.46%。在相同训练参数下对比VGG19训练结果,验证精度提高1.46%,调整数据量探究其对模型性能影响,模型准确率随着数据集增大而提高,精度维持在94.17%以上。     

基于图像显著性区域提取的垩白米检测

垩白度是衡量优质大米品质的重要指标,随着农业检测自动化发展,利用机器视觉准确检测大米垩白度对大米生产加工具有重要意义。针对现有算法在分割垩白区域时存在抗干扰能力弱、稳定性差以及准确度低等问题,本文提出了一种基于图像显著性区域提取的垩白区域提取算法。利用大米垩白区域图像显著性的特点,对图像特征变化边缘进行提取,计算出边缘像素点个数以及边缘的总像素值,从而计算出边缘像素的平均值作为该区域的阈值。最后,利用计算得到的阈值对该区域进行分割,分割出整张图片的垩白区域,并计算出大米的垩白度。实验结果表明,该算法识别准确率为96.76%,相较于传统的OTSU算法检测准确率平均提高了 26.87%,相较于改进的OTSU算法检测准确率平均提高了 7.26%。