基于机器视觉的红提串无损检测及分级

为实现整串红提的紧实度无损检测和分级,提出基于机器视觉检测的分级方法,通过工业摄像头采集新鲜红提串的彩色（red green and blue,RGB）和近红外图像,对整串红提RGB图像的三通道进行提取,采用归一化GB色差法提取红提图像中的果梗,运用形态学重构及局部亮度极大值方法定位红提串中的各个果粒中心,同时提取每串红提的质心,选取果梗面积、红提果粒个数与果串面积之比、红提果粒与红提质心距离之和与果粒个数之比等特征参数,分别建立基于线性判别分析、集成学习算法和支持向量机的紧实度分类模型,经检验支持向量机模型分类效果最佳,应用该模型对130 串红提进行紧实度检测和分类,分级正确率94.6%。结果表明该方法可为后续葡萄品质及产量预测提供参考。     

基于近红外相机成像的红提串缺陷检测

目的:探寻快速、准确的葡萄串褐斑及损伤腐烂检测方法。方法:通过近红外工业相机采集红提串的彩色图像(RGB)和近红外图像(NIR)。利用近红外图像(NIR)运用Sobel算子提取清晰葡萄串的边缘和褐斑及损伤腐烂部分的边缘,然后将图像通过自适应阈值对图像进行二值化,实现图像分割,通过归一化超绿法和寻找大连通域去除葡萄串边缘及果梗,分别提取红提串缺陷和果粒边缘的圆形度、矩形度和外接矩形长宽比的形状特征参数,并建立基于BP神经网络和支持向量机的缺陷和果粒边缘判别分类模型,通过建立的分类模型实现果粒边缘的剔除,获得褐斑及损伤腐烂的图像信息。结果:利用上述检测方法对60个葡萄串样本进行验证,完好葡萄串判别准确率为90.00%,褐斑及损伤腐烂葡萄串判别准确率为93.33%,综合判别准确率达到91.67%。结论:研究建立的褐斑及损伤腐烂图像的检测方法可以实现红提葡萄的分级挑选。     

基于支持向量机的无核白葡萄串分级系统设计与测试

目的：针对无核白葡萄串人工分级准确性和效率低下等问题,设计了一种基于支持向量机（SVM）的无核白葡萄串分级系统。方法：使用高斯滤波、边缘检测、轮廓检测等预处理方法对图像进行预处理,利用SVM模型提取出无核白葡萄串的轮廓、颜色等特征参数,比较基于SVM模型不同参数下的识别效果。结果：模型的最佳参数为Best c=2.00,Best g=0.24,coef（）=0,d=3;无核白葡萄串分级准确率达96%。结论：与传统的人工分级方法相比,试验提出的分级系统的可靠性及稳定性具有明显优势,可满足实际生产中无核白葡萄串的分级要求。     

基于机器视觉的苹果在线分级

通过CCD相机动态采集苹果两个面的实时图像,提出了泛洪填充+自适应Ostu阈值分割算法提取苹果的轮廓,采用最小外接圆法对苹果上表面图像进行处理得到苹果果径,采用最小外接矩形法对苹果侧表面图像进行处理提取苹果果形特征;将图像进行RGB到HSV空间转换,提取苹果的着色度、果锈,以及疤痕特征,采用基于改进粒子群算法的SVM决策树的分类方法进行苹果的分级。结果表明,该方法对特级果、一级果、二级果和等外果的识别准确率分别达96%,94%,98%,98%,分级速率达4个/s,可以满足苹果在线分级的要求。     

软X射线技术对核桃内部品质的无损检测研究

针对传统方法对核桃内部品质检测的破坏性问题,尝试利用软X射线技术进行核桃内部品质的无损检测。首先采用软X射线技术获取核桃图像,对图像进行去噪和分割;而后提取核桃的轮廓特征,采用面积阈值法对核桃的正常果、空壳果、破损果进行判别区分。实验结果表明,各类核桃总体识别正确率达88.9%,为核桃内部品质无损检测提供了可行的方法。     

柑橘病虫害疤痕的计算机视觉识别

为提高柑橘果面缺陷机器识别的正确率及缺陷等级的分级精度,研究柑橘病虫害疤痕的计算机视觉检测.对柑橘图像设置蓝色分量阈值去除背景,统计44幅有病虫害疤痕的柑橘图像中疤痕的亮度值,以此经验值作为亮度分段阈值,提取病虫害疤痕,并对病虫害疤痕进行逐行扫描连通,形成连通的病虫害疤痕区域,对该区域进行离散傅里叶变换,取其前4个谐波分量区分病虫害疤痕与果萼、果梗和花萼.44幅柑橘图像中疤痕的正确识别率为88.64%.试验结果表明:该方法能将柑橘病虫害疤痕进行识别与分级.     

基于机器视觉的鸭蛋新鲜度检测

鸭蛋新鲜度的检测是鸭蛋生产、销售、加工过程中的重要环节之一。禽蛋气室及蛋黄的形态特征与其新鲜度密切相关。本文运用机器视觉技术,采集鸭蛋彩色图像,并对其进行图像预处理去除背景。采用梯度法跟踪边缘,先判断出气室的位置,后利用Hough变换检测直线提取出鸭蛋气室分界线,获得气室区域大小,从而求得气室面积与整蛋面积比。同时提取鸭蛋心区域面积与整蛋面积比,分别计算R,G,I分量灰度均值,以这5个指标为特征参数,将样本按2∶1的比例分为训练集和预测集,采用最小二乘支持向量机方法建立判别模型,对鸭蛋新鲜度进行分级。试验结果显示,训练集的正确率为96.92%,预测集的正确率为93.85%。用此种视觉方法对鸭蛋新鲜度进行无损检测与分级是可行的。     

基于机器视觉的产地脏污鸭蛋外形扁平度在线检测

产地鸭蛋在养殖地收集后需就地粗选,根据不同品质分类装箱运往蛋企加工厂清洗、包装及流通。产地鸭蛋表面脏污严重,粗选难度较大。本文采用机器视觉技术采集群体产地鸭蛋动态图像,利用R-B分量有效去除因装置间隙产生的漏光;对运行中的每枚蛋拍照3次,取最大面积图像,减小脏污位于图像边缘时对其边缘检测的影响;用最小平均中值法对产地鸭蛋边缘进行椭圆拟合,避免因光源过亮和鸭蛋过脏带来的边缘噪声的干扰;提取产地鸭蛋长半轴、短半轴、体积和离心率作为特征参数,通过LIBSVM建立产地鸭蛋外形扁平度分级模型,实现对产地鸭蛋尺寸和扁平程度的分级。经检验,鸭蛋尺寸与扁平度的分级正确率分别为91.67%,95.00%。     

基于适配体吸附金纳米颗粒比色传感检测组胺

建立一种基于核酸适配体吸附金纳米颗粒（gold nanoparticles,AuNPs）比色传感方法特异性检测组胺的方法。利用组胺的双重作用,1）能与其适配体特异性识别,暴露AuNPs表面;2）多余组胺中的咪唑环结构能取代AuNPs表面的柠檬酸根离子,破坏AuNPs间的相互静电作用,导致聚集现象,进而引起从红到蓝的颜色变化,从而实现组胺的定量检测。利用紫外-可见分光度计考察AuNPs的吸光度变化,得出比色方法的检测限为8.89 nmol/L,线性范围为50 nmol/L～1.2 μmol/L（R2=0.999）。同时,利用手机成像样品,并利用Image J软件分析各样品的红（R）、绿（G）、蓝（B）各通道的值,选用G/R作为检测信号,得出RGB方法的检测限为24.91 nmol/L,线性范围为150 nmol/L～1.0 μmol/L（R2=0.997）。此外,该方法对组胺具有很好的选择性,两种信号输出方式在水样中的加标回收率分别为91.82%～102.27%、98.96%～102.89%;在鱼肉样品中的加标回收率分别为89.77%～108.92%、88.96%～109.82%。本方法简单、快速、便携,尤其RGB方法无需借助精密仪器,即能实现现场即时分析样品的需求,以期该方法能推广于高灵敏监测动物源性食品的新鲜度。     

一种基于计算机视觉的原木统计方法

文章基于计算机视觉技术,利用数字图像处理技术,在MATLAB实验平台中对原木材积的数量进行自动化统计,设计了在Lab空间内进行图像预处理去除背景干扰,再重构至RGB空间,得到去除了背景的原木区域二值图像,运用hough变换圆检测并设置合理的变化范围,得出图像中原木的近圆横截面。为保证结果的准确性,再利用先验知识删掉当背景去除不彻底时非正常区域圆形,提高了准确率,有良好的实用性。     

机器视觉在稻米整精米率快速计算中的应用

将机器视觉技术以及图像处理方法应用于稻米整精米率计算,通过图像预处理仅保留图像中大米的轮廓信息,并采用闭合图形边缘搜索方法提取大米轮廓像素点。由于米粒形似椭圆,并以长轴为对称轴来实现米粒长度的快速计算。实验结果表明,该算法检测与人工检测相关系数为0．96,可用于整精米率的快速检测。     

一种单色织物表面颜色数字的图像表征方法

建立一种单色织物数字图像中提取有效像素点的方法来表征该块织物的表面颜色。利用基于Sobel算子的梯度彩色图像边缘检测,去除表示纱线空隙的像素点;定义基于HIS颜色空间的像素奇异点,去除该点。将两种方法去除后剩下的像素点颜色信息作为布面的有效颜色信息,从而得到表示该布面颜色的RGB值。对180幅织物进行操作,查看布面图像的处理效果。最后比较两种织物数字图像表面颜色表征方法———将8幅图像所有像素点颜色信息作为有效信息,与将本方法得到的像素点颜色信息作为有效信息,计算得到RGB值。对织物表面颜色数字图像表征方法进行了简单讨论。     

基于可见光—红外光图像融合的苹果缺陷检测算法

针对传统苹果缺陷检测方法存在的劳动强度大、生产率低及误判率高的缺点,提出了基于图像融合的苹果缺陷检测算法,该算法利用可见光和红外图像的高、低频小波系数采用不同的融合方法,以获得更加突出的特征图像。仿真结果表明,该方法在划碰伤、果梗/花萼、完好果的苹果果实检测方面平均识别率可达96%,且在划碰伤方面识别率可达92%,而在果梗、花萼及完好果的检测方面识别率可高达100%,完全满足苹果在线检测分级的需要。     

鲜食葡萄果穗形状颜色的多视角投影成像检测

设计了一种基于平面镜的低成本多视角投影成像结构,用于获取鲜食葡萄果穗不同侧面信息来判断果穗形状、颜色是否合格。采用两片前表面平面镜来延伸单目相机的拍摄视野,以最大限度地获取果穗全表面信息。通过图像处理方法分割果穗的实像虚像区域,并借助悬挂果穗的高度不变属性对虚像区域进行放大,得到三个每隔120°的同样高度果穗。提取果穗区域、轮廓宽度曲线参数来对果穗外观形状进行评价,与人工分级对比,对果穗形状分级的准确率为95.5%;将彩色图像RGB转换到HSI颜色空间,从色度图像(Hue)获取果穗成熟时的典型颜色区域,计算果面着色面积比例,并按照着色面积比例的大小进行颜色分类,准确率为81.1%。结果表明多视角同时成像的方法可用于葡萄外观的分级,为在线检测提供参考。     

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%。     

基于计算机视觉技术对滩羊肉新鲜度分级方法研究

正利用计算机视觉技术对滩羊肉品新鲜度分级方法进行研究,提取肌肉区域图像在RGB和HIS颜色空间的特征分量,分析这些特征分量在滩羊肉品贮藏期间的变化趋势。结果显示,滩羊肉图像的R值随贮藏时间的延长线性降低,G和B值则随贮藏时间的延长线性增加;色度(H值)指向由红转为蓝绿色,饱和度(S值)随贮藏时间的延长先减后增,而亮度(I值)没有明显的趋向性。运用神经网络建立滩羊肉新鲜度分级模型判别正确率达90%以上,表明基于计算机视觉     

视觉系统开发模块在芒果果面缺陷检测中的应用

探讨应用视觉系统开发模块进行芒果果面缺陷检测的方法。通过CCD采集芒果白光图像,分析确定所需图像区域的算法,采用面积标定法获得芒果缺陷图像,利用线性回归分析确定测量值和真实值之间的相关性。通过试验证明,该方法对检测芒果果面缺陷分级的相关检验性结果r为0．999,计算机视觉的检测结果与人工检测结果的误差小于0．3％,且具有较好的稳定性。     

基于近红外光谱的红提内部品质无损检测研究

红提的可溶性固形物含量（Solube Solids Content,SSC）、总酸（Total Acid,TA）、pH、硬度（Firmness Index,FI）和含水率（Moisture Content,MC）等内部品质指标直接影响着果实的口感及品质,同时也是水果成熟度的评判标准。为快速获得上述内部品质指标,且避免不必要的检测损耗,本文提出了一种新的红提无损检测模型。以生长期红提为研究对象,利用Antaris II近红外光谱仪采集了360个样本的近红外光谱信息。对采集到的光谱信息分别用SNV等算法进行预处理并通过建模确定了最优预处理方法。然后通过降维算法提取光谱信息的特征波长,最后基于偏最小二乘回归算法（Partial Least Squares Regression,PLSR）分别建立了红提的SSC、TA、pH、FI和MC的检测模型。红提的SSC、TA的最优检测模型为SG-CARS-SPA-PLSR模型,pH的最优检测模型为MA-CARS-SPA-PLSR模型,FI和MC的最优检测模为SG-CARS-PLSR模型。所建立的红提SSC、TA、pH、FI和MC的最优PLSR模型的预测集的相关系数R_p分别为0.9787、0.9811、0.9870、0.9568、0.9329,残差预测偏差RPD分别为4.8637、4.9006、6.0939、3.4453、2.5825,表明以上模型具有较高的检测精度。本文所建的红提内部品质检测模型可为红提内部品质的检测提供可靠的方法。     

基于小波与模糊相融合的苹果分级算法

为了准确获取苹果图像的边缘,实现苹果自动分级,提出一种基于小波与模糊相融合的苹果分级算法。对苹果图像进行全向小波变化,经模糊算法处理,通过自适应阈值,提取出苹果图像的边缘,再利用漫水填充算法,获取苹果图像的面积,根据苹果类圆特性,将面积转换为直径,并根据直径大小,完成苹果分级。仿真试验结果表明,该算法对3个级别苹果的分级正确率均在98%以上,说明该算法能够用于苹果的分级检测。