基于平滑滤波和分水岭算法的重组织织物图像分割

针对带有重组织的织物图像特点,提出了一种根据纱线颜色进行图像分割的方法。首先将织物图像转化为Lab颜色模式,采用混合中值滤波算法滤除扫描噪声;其次通过设置色差容许值改变高斯权值的平滑滤波算法进行滤波,去除织物图像中的重组织阴影和同颜色纱线纹理,保留纱线颜色特征;然后提取织物图像的色差梯度,通过分水岭算法进行图像分割,获得区域标记图像;最后将颜色相近的分割区域进行合并,得到织物图像的分色索引图像。实验结果表明,提出的算法可以对重织物图像进行较为准确地分割。     

基于多特征融合的织物印花图像分割

针对织物印花检测精度的问题,采用结合颜色特征和纹理特征多特征融合的方法,对织物印花图像进行有效分割,从而为提高织物印花的检测精度奠定了基础。在织物印花的分割过程中,首先采用颜色特征结合基于自动种子点选取的区域增长算法对图像进行初始分割,在初始分割的基础上,利用小波变换提取干扰区域的纹理特征,从而可以进一步地消除干扰区域,实现织物印花图像的准确分割。实验结果表明：基于多特征融合的分割算法能够准确地分割出织物的印花图案,克服了仅仅采用颜色特征或者纹理特征时产生的分割失真,提高了分割的质量,具有较好的应用价值。     

基于JSEG算法的纺织品印花图像分割

 针对机器视觉对纺织品印花精度的检测问题,提出了利用JSEG算法对印花的纺织品图像进行分割。主要通过对图像的滤波,颜色的矢量化和区域的增长与合并,完成图像区域的分割。通过实验给出了颜色量化阈值和区域合并阈值对图像分割的影响以及选取的方法,最终给出该算法对印花纺织品图像的分割效果图,表明该算法利用颜色信息和区域信息,对包含纹理信息的彩色印花图像有良好的分割效果,并且对由日光引起的一些干扰有一定的抑制作用。     

基于机器视觉的棉花颜色检测方法

针对国内目前通过图像处理测量棉花颜色等级方法较少的现状,设计了一种基于机器视觉的棉花颜色检测方案。为提高棉花样本的拍摄质量及高效性,使用Halcon软件连接CMOS工业相机进行实时采集。首先对采集的棉花样本图进行预处理,通过阈值分割算法将棉花样本图转化为二值图像,且使用高斯滤波去噪声从而去除棉花中的杂质信息,并对预处理后的图像进行区域划分。然后通过RGB值转换为CIE XYZ颜色空间值,得到各子区域棉花颜色参数值,并引入K均值算法聚类各子区域颜色值以确定棉花最终颜色参数值,从而确定棉花颜色等级。最后通过实验验证及数据分析,将本文检测方法与MCG-1棉花检测仪器检测结果进行对比,结果表明2种方法检测结果一致;并通过在不同时间下持续对棉花样本进行数据检测,验证了本文方法的稳定性和精确性。本文检测方法可行且检测成本较低,可代替昂贵的仪器检测方法供企业使用。     

基于计算机视觉与机器学习的烟丝杂质图像级联检测方法

为提高烟丝杂质检测及剔除的准确率,设计了一种基于计算机视觉与机器学习的烟丝杂质图像级联检测方法。该方法采用颜色特征和梯度能量计算机视觉方法对烟丝杂质进行定位,结合HOG特征、LBP特征与级联Adaboost分类器,设计多窗口检测算法对烟丝杂质进行实时检测。结果表明：基于颜色特征的静态杂质检测方法的准确率高于梯度能量方法,在结合了HOG特征和级联Adaboost分类器算法后,检测结果非常稳定,烟丝杂质检测准确率达到97.33%,在实际操作过程中不需要人工调整算法参数,在保证算法准确率和有效性的同时降低了时间成本。     

基于改进L_0梯度的织物沾水区域提取

针对目前织物沾水等级评定方法不能有效消除噪声干扰和减弱光照不匀影响,提出L0梯度最小化和拉普拉斯特征映射相结合的方法解决上述问题。根据织物沾水图像的边缘信息,对图像中的像素值沿x、y方向求导,利用非零梯度个数约束整体平滑程度,并保持边缘不被平滑;然后把图像转化为CIELAB模式消除光照影响,计算邻域内颜色相似度;根据拉普拉斯特征映射理论计算其广义特征向量,组成颜色平缓过渡的图像,并使用模糊聚类算法对去噪后图像进行聚类分割。实验结果表明,该方法能够有效实现织物沾水图像的去噪处理,得到正确分割的织物沾水区域。     

基于颜色分割与 GA-SVM 的花生表皮破损识别

传统农作物色选方法以设定颜色阈值为主,具有分类准确率较低、泛化能力较差等缺点,本文提出基于颜色分割的预处理与遗传算法优化支持向量机参数的花生表皮破损识别算法。根据花生表皮的破损情况将花生分为完好花生及表皮破损花生2类,在不同光照条件下构建了含有多个品种的花生图像数据集。对花生图像提取方向梯度直方图特征,利用支持向量机对花生图像进行分类。为提高分类准确率,在RGB颜色空间基于支持向量机对彩色花生图像进行颜色分割预处理;同时采用软间隔非线性支持向量机模型,并基于遗传算法对模型参数进行寻优。综合优化后的算法在训练集上对花生图像分类时的准确率达到96.88%,在测试集上的准确率达到100%,测试时平均每张花生图像耗时5.6 ms。仿真测试结果表明本文构建的花生表皮破损识别算法对花生品种及光照变化等干扰有较好的鲁棒性,且算法不依赖于人的经验,泛化能力强,具有良好的应用前景。     

MQZS水平式籽棉清理机

机械化采摘提高了棉花采摘效率,缩短了棉花加工时间,减轻了工人劳动强度,在采摘过程中避免了人与棉花的直接接触,减少了籽棉中混入的杂质种类和数量。但是,我国的机采棉技术与国外相比仍存在较大差距。首先机采棉种植品种繁杂、株距较密,造成棉叶脱落率低,籽棉含杂率高,其次机采棉设备相对落后,采净率高。     

浅析机采棉清理加工的质量技术要点

正2018年全师机采棉面积占总种植棉面积90%以上,大型采棉机数量达到240余台,机采棉面积逐年增加,棉花生产机械化率稳步提高,大型机采棉加工生产线40多条。但因机采棉清理、加工质量差,短纤含量高、杂质大、疵点高,严重影响棉花销售价格。笔者就机采棉清理加工技术措施与方法谈谈体会。     

基于视觉图像的鲅鱼新鲜程度的检测方法

鲅鱼新鲜程度是评价其质量好坏的重要因素。为提高鲅鱼检测新鲜程度准确性,研究基于视觉图像的鲅鱼新鲜程度的检测方法。研究对象是某地海鲜市场中的30条鲅鱼,通过鲅鱼视觉图像采集系统采集鲅鱼视觉图像,利用区域填充算法及形态学开运算对采用大津法分割的鱼体二值图像进行填充及去噪,融合上山法与区域生长方法分割鱼眼区域,通过全局动态阈值分割方法分割鱼鳃图像;提取图像特征时,利用图像的R、G、I分量灰度均值提取鱼体、鱼眼及鱼鳃图像颜色特征,采用G分量提取鱼眼中心区域面积。将图像特征输入到NeuroShell 2神经网络判别模型中,实现鲅鱼新鲜程度的有效检测。经实验验证,该方法检测鲅鱼新鲜程度的准确率平均高达98.28%,依据鱼眼中心区域面积+颜色灰度均值特征进行鲅鱼新鲜程度检测的准确率最高,且检测不同死亡时间的鲅鱼新鲜度的检测准确率高达95%,说明鲅鱼新鲜度的检测为海鲜检测提供了理论基础。     

混合色彩空间与多核学习的色纺织物组织点识别

针对色纺织物组织点参数特征提取困难的问题,建立了基于混合色彩空间与多核学习的色纺织物组织点自动识别算法。首先,将YUV、HSV和Lab 3种色彩空间中具有相同颜色属性的分量通道进行独立融合,并构建混合色彩空间;在此基础上,分别提取色纺织物组织点图像的局部纹理统计特征与三阶颜色矩特征,用于织物组织点特征参数的表征;最后,通过多核学习算法构建支持向量机,实现织物组织点特征的识别。实验结果表明,所建立的色纺织物组织点识别算法,不仅能够对府绸、斜纹与缎纹等典型结构的组织点进行有效识别,而且对于纤维种类、成纱工艺与织物组分的调整也具有理想的鲁棒性与普适性,其平均识别率达到91.2%。     

原棉疵点及杂质的检测方法研究与应用

采用数字图像处理技术对原棉疵点杂质进行检测与识别。利用自适应阈值分割的方法对目标图像进行分割及轮廓提取,并根据目标图像的相关特征值,提出了离心率与面积周长之比相结合的人工智能分析方法对原棉疵点杂质进行识别分类,取得了很好的效果。     

基于图像处理的烟叶烘烤阶段判别模型优选

[背景和目的]烟叶烘烤阶段的自动判别是建立智能化烟叶烘烤系统的重要环节.为实现烘烤阶段的精确识别和操控,提升烟叶烘烤的精准度.[方法]提取烘烤过程中整夹烟叶图像的11种颜色特征和8种纹理特征,分别对颜色特征和纹理特征进行变量聚类分析,以10为距离,将提取的颜色特征和纹理特征各分为2类.利用相关性分析筛选出每类特征中与烘...     

基于SVDD的小麦净度检测方法研究

净度是种子质量的重要指标,可以直接影响作物的产量。由于种子杂质类型较多,传统方式二分类机器学习方法,易受建模杂质种类的限制,使得模型准确率降低。为实现种子净度自动化快速检测,本研究提出一种基于支持向量数据描述(SVDD)的小麦净度快速检测方法。利用工业相机获取小麦和麦壳、燕麦、大麦杂质的可见光图像,通过HALCON软件提取每粒样本的13种形态特征,借助皮尔逊相关性分析,筛选有效特征。在此基础上,分别利用SVM算法以及SVDD算法构建小麦净度识别模型,并进行分类识别对比试验。试验结果表明：SVDD算法杂质数据可以不参与建模,识别准确率达到95%以上,结合种子千粒重快速计算种子净度,在杂质占比含量20%时,检测误差为3.2%。基于SVDD的小麦净度检测方法,可以实现对小麦和多种杂质的快速分类,实现对小麦净度快速检测。     

Expert system based on computer vision to estimate the content of impurities in olive oil samples

The determination of the content of impurities is a very frequent analysis performed on virgin olive oil samples, but the official method is quite work-intensive, and it would be convenient to have an alternative approximate method to evaluate the performance of the impurity removal process. In this work we develop a system based on computer vision and pattern recognition to classify the content of impurities of the olive oil samples in three sets, indicative of the goodness of the separation process of olive oil after its extraction from the paste. Starting from the histograms of the channels of the Red–Green–Blue (RGB), CIELAB and Hue-Saturation-Value (HSV) color spaces, we construct an initial input parameter vector and perform a feature extraction previous to the classification. Several linear and non-linear feature extraction techniques were evaluated, and the classifiers used were Support Vector Machines (SVMs) and Artificial Neural Networks (ANNs). The best classification rate achieved was 87.66%, obtained using Kernel Principal Components Analysis (KPCA) and a grade-3-polynomial kernel SVM. The best result using ANNs was 82.38%, yielded by the use of Principal Component Analysis (PCA) with the Perceptron.     

基于光电技术的棉纤维杂质快速测定

针对棉纤维杂质人工检测耗时长、劳动强度大等问题,提出一种基于光电技术的棉纤维杂质机器视觉测定方法。首先通过改变平滑模板窗口尺寸对棉纤维图像自适应中值滤波优化,然后采用Otsu算法自适应选取分割阈值,并遍历整个图像,进行边缘断裂端点的连接、边缘生长与连接,搭建光电检测系统原型,实现了棉纤维杂质的快速测定。实验结果表明:该方法能够有效去除图像噪声,避免伪边缘的产生,检测到的杂质边缘清晰完整。光电检测耗时较GB/T 6499—2012《原棉含杂率试验方法》降低95.1%,结果间误差为2.35%,杂质粒数与杂质面积比参数结果误差均在2.1%以内,能够有效用于棉纤维杂质的快速准确测定。     

基于人工免疫算法的储粮害虫特征选择研究

储粮害虫特征选择是粮虫图像识别中一个关键的预处理环节.提出基于v折交叉验证训练模型识别率和所选特征个数的特征子集评价准则,将人工免疫算法应用到粮虫的特征选择.该算法从粮虫的17雏形态学特征中自动选择出面积、周长等7个特征的最优特征子空间,采用参数优化之后的SVM分类器对90个粮虫样本进行分类,识别率达到95.5%以上,并与PCA法、GA法和原始特征法进行了对比,结果表明人工免疫算法降低了特征空间的维数,提高了分类器的识别率,证实了基于人工免疫算法的粮虫特征选择是可行的.