无损检测技术在鸡蛋品质检测中的应用研究进展

鸡蛋品质检测是其生产加工、储藏以及运输过程中的重要环节,能有效保障食品安全和消费者权益.传统方式以人工观察及化学分析为主,在应用过程中成本高、效率低、损耗大,无法满足工业化生产需求.近年来随着计算机技术的不断发展,以机器视觉、声学检测、光谱分析、电子鼻等为代表的无损检测技术取得了较大进步.文章选取了鸡蛋裂纹和新鲜度作为...     

基于机器视觉的鸡蛋内外品质一体化检测与分级系统

针对鸡蛋检测分级系统复杂、集成化程度低、多品质因素综合检测的问题,设计出一体化的鸡蛋品质无损检测与分级系统,利用机器视觉算法实现了鸡蛋裂纹、尺寸、新鲜度与品质等级的自动化在线检测与分级。系统主要包括图像采集单元、分级单元、传输单元、图像处理单元和单片机控制单元。基于梯度幅度直方图和类间方差最大法进行自动阈值选取,对一级分级时的裂纹蛋进行剔除;采用外接最小矩形法测量鸡蛋最大横径、最大纵径、蛋行指数;利用鸡蛋透射图颜色信息的变化与哈夫单位值间的关系建立新鲜度BP神经网络,对鸡蛋新鲜度进行分级。试验结果表明,裂纹识别正确率为98.18%,对不同新鲜度等级的鸡蛋品质识别正确率为97.48%。     

基于机器视觉技术的肉新鲜度分级方法研究

利用机器视觉技术对肉品新鲜度分级方法进行研究,经过图像处理提取RGB和HIS色彩模型的特征分量,分析这些特征分量在肉品贮藏期间的变化趋势,依据TVB-N含量将肉品划分为新鲜、次新鲜和腐败3个级别,应用神经网络建立基于RGBHIS特征分量的肉品新鲜度分级模型。结果显示,牛肉图像的R值随贮藏时间的延长线性降低,G、B值则随贮藏时间的延长线性增加;H值指向由红转为蓝绿色,B值随贮藏时间的延长先减后增,而I值没有明显的趋向性。运用神经网络建立肉品新鲜度分级模型判别正确率达90%以上,表明基于机器视觉技术对肉类新鲜度进行分级是可行的。     

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。     

禽蛋品质无损检测及分级技术研究进展

禽蛋产业是世界农业产业的重要组成部分,禽蛋产业也是我国农业的关键组成,是关系民生和社会稳定的重要产业。目前,禽蛋企业主要是依靠人工挑选及分级,劳动强度大且效率低,检测精度无法保证。因此,禽蛋品质的快速无损检测及分级研究对产业发展具有重要意义。本文根据现有研究,针对禽蛋无损检测中广泛使用的声学检测、机器视觉检测、光学检测等方法的研究现状进行综述,阐明不同的无损检测方法在实际的禽蛋挑选及分级中的适用性。其中,声学检测主要应用于禽蛋表面的裂纹检测与分级;机器视觉技术主要应用于禽蛋的大小、颜色等外观参数检测;光学特性检测主要是用于禽蛋新鲜度等内部品质检测。本文有望为禽蛋产业智能化分级技术的发展提供一定的理论支持。     

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。     

基于机器视觉技术的大米品质检测综述

介绍了国外大米品质检测的研究现状及国内应用机器视觉技术对大米品质进行检测的研究动态,指出了应用机器视觉技术对大米品质检测存在的问题,并提示了今后研究的方向。     

基于机器视觉的套印精度检测方法研究

搭建完善机器视觉的印刷品套印精度检测硬件平台,完成对套印标识图像的采集,将采集的图形样本信息转换为计算机所能接受的处理的数据。通过软件平台界面对应的功能可将采集的图像样本进行处理,包括图形分割、图形增强、滤波降噪、边缘提取,最后经神经网络模型算法完成套印精度检测,进行实验分析。结果表明,神经网络模型算法通用性强,模型适应性好,且回避了人为主观性,提高了检测的精度。     

基于机器视觉的孵化早期群体受精蛋鉴别

针对群体种蛋信息在线检测困难问题,采用机器视觉技术对基于工业蛋托的群体鸡种蛋受精信息进行检测,将整托蛋直接从孵化箱放进检测装置获取群体种蛋图像,对图像进行分割、平滑去噪,提取图像RGB、HIS、灰度均值以及蛋重作为特征参数,分别建立了基于多元线性回归、支持向量机(SVM)和BP神经网络鉴别模型。试验结果表明,3种模型中,SVM模型具有较高的稳定性和准确率,在第3天和第7天分别达到了81.7%和96.7%,为群体种蛋信息在线检测提供了一种可行的方法。     

基于机器视觉的谷糙分离检测方法

[目的]解决传统的谷糙分离机存在的人工检测精度差的问题,提高生产效率。[方法]提出了一种基于机器视觉的图像检测方法,通过不同图像算法的多级式递进融合,实现对谷糙的特征识别与分离。对采集到的图像进行ROI区域选定,并利用Retinex算法进行图像增强;使用Otsu算法对图像进行分割,再利用中值滤波与形态学相结合去除图像噪声;采用改进的Canny算法对二值图像进行边缘特征检测,结合Hough变换提取谷糙图像轮廓的位置信息;最后应用卡尔曼滤波对位置信息进行状态估计,得到分离位置最佳预测值的同时,减小位置偏移误差。[结果]系统的检测平均误差为3.14 mm,相比较滤波前减少1.82 mm,滤波误差平均标准差为0.8 mm。[结论]该方法能够有效检测谷糙特征信息并提高分离精度。     

基于机器视觉的筒子纱缺陷在线检测系统

为提高筒子纱检测过程的自动化程度,设计了一种基于机器视觉的筒子纱缺陷在线检测系统。该系统由2个工业相机、条形LED光源、对照式光电开关和计算机组成。首先,相机与同步光源分时采集筒子纱顶面和侧面过曝模式及正常模式图像。然后通过对顶面过曝图像自适应分割来定位筒子纱中心。其次,通过极坐标变换展开顶面正常图像。最后,在顶面展开图中,分别利用垂直方向边缘分布的投影特征、纹理及强度一致性、局部方向直方图纹理识别菊花芯、多源纱和网纱缺陷;在筒子纱侧面图中,通过投影法快速确定边界位置,并通过轮廓拟合程度识别多层台缺陷。结果表明,该系统可实时识别多层台、网纱、菊花芯、多源纱等筒子纱缺陷,具有较好的检测效果。     

基于机器视觉的细纱接头机器人纱线断头定位方法

为实现通过机器视觉方式对细纱接头机器人的纱线断头进行定位,并简化机械结构,根据断头纱线图像特点,提出针对纱线特征的识别与定位算法。利用工业相机采集纱线被吸入吸嘴的图像,通过改进灰度增强方法增大纱线特征与背景对比度,利用Canny算子进行边缘检测,最后通过划分上下感兴趣区域以及优化的霍夫直线检测获取纱线的图像特征并利用定位算法提取所需的位置信息。结果表明:本文算法提取的位置信息精度较高,坐标点误差为1.42像素,角度误差为0.60°;相较于传统检测算法,程序运行时间得到了缩短,识别时间在10^-1 s数量级上,实时性好;研究成果可应用于细纱接头机器人产品开发中。     

基于机器视觉的生丝抱合性能检测方法

针对现有生丝抱合性能人工检测精准性差,判断标准无客观量化指标等问题,提出一种基于机器视觉的生丝抱合性能检测方法。首先对采集的生丝图像进行二值化处理、干扰信息去除、图像填充、生丝边缘检测,获得单像素生丝边缘特征。然后通过计算生丝径向上、下边缘像素点的直线距离,得到生丝直径相对变化值,根据生丝直径变化的轴向长度确定开裂区域。最后利用开裂区域大于6 mm时对应的生丝抱合摩擦次数表征生丝抱合性能。结果表明,通过该检测方法测得的200组生丝的直径值与显微镜测得的直径值相比,误差均在5%以内,可满足生丝抱合性能检测需求。     

基于机器视觉的谷糙分界线检测方法

目的：精准识别谷糙分界线。方法：提出一种基于直线边缘检测的谷糙分界线识别方法。该方法对不同颜色特征的谷糙分离图像进行模型匹配,将不同匹配结果的图像采用对应的灰度化处理方式;并利用直线边缘检测算法对该边缘进行灰度波动变换、差分处理得到目标位置。结果：相较于传统的边缘检测方法,该方法将误差范围控制在5%以内,大幅提高了识别精度。结论：该方法的识别误差相对较小,适合用于谷糙分界线的识别应用。     

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。     

基于机器视觉的辣椒外部品质检测

为实现正常辣椒和缺陷辣椒(黑斑、虫蚀和花皮)的快速检测,通过图像采集,利用中值滤波去噪;提取样本图像24个颜色特征值,20个纹理特征值,利用Otsu算法阈值分割,提取2个形态特征值;选用连续投影法(Suc-cessive Projections Algorithm,SPA)优选14个特征值,结合最小二乘支持向量机(Le...