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。     

基于机器视觉的金丝皇菊智能分级系统研究

为实现对金丝皇菊的快速无损等级评估,本文应用机器视觉技术对5个等级的金丝皇菊进行智能分级。首先根据金丝皇菊的品质特性设计分级装置,并根据金丝皇菊的颜色、形状、完整度等特征设置不同的分级标准;其次运用图像灰度化、图像去噪、图像增强技术完成金丝皇菊图像预处理;再次采用加色法混色模型(Red Green Blue, RGB)完成金丝皇菊颜色特征提取与识别,并通过图像分割和边缘检测技术完成对金丝皇菊图像完整度的判断及花径的计算,得出金丝皇菊的预测等级;最后基于Microsoft Visual Studio 2017平台开发一套金丝皇菊智能分级系统,实现系统的实时可视化操作。结果表明,本文设计的金丝皇菊智能分级系统整体分级准确率达到了97.6%,平均分级速度为人工的5倍多,其在可靠性、速度、工作效率、鲁棒性等各方面都优于传统的人工分级,本研究为机器视觉技术在花茶分级领域的应用提供了实际案例与技术参考。     

基于机器视觉的马铃薯智能分级系统

为实现马铃薯外观品质自动分级,构建马铃薯智能分级装置,提出一种简单易行的马铃薯智能分级控制方法和流程,并基于Visual C++环境实现马铃薯智能分级软件系统。该系统通过下位机发送信号给上位机来控制摄像头拍照,上位机对所拍摄的马铃薯图像进行处理与分级检测,并将检测结果发送给下位机智能分级装置,最后分级执行器执行分级。经测试:该分级控制方法简单易行且运行稳定,不受机器运行速度的影响,基本消除了强电干扰所构建的分级系统分级结果稳定,分级精度达到90%,可满足马铃薯实时分级的要求。     

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%。     

基于机器视觉的零部件尺寸检测技术

在工业生产中,基于零部件尺寸的几何特征和面阵式CCD获取的零部件图像,利用基于HALCON软件的数字图像处理技术,采用灰度变换、高斯滤波、降噪、标定等一系列的图像分析处理技术实现了对零部件尺寸进行精确检测。并开发设计了一种自动检测及分拣系统,实现了对零部件的精确检测。经过大量的实验结果表明,在误差允许范围内采用机器视觉的检测方法可以实现对零部件尺寸基本参数快速准确的测量并能稳定的实现自动化生产。     

基于机器视觉的草莓自动分级方法研究

针对传统草莓自动分级处理系统利用单一特征衡量草莓品质的不足,提出从成熟度、质量、形状三方面综合评估的方法,以快速有效地完成草莓自动分级处理。该方法先计算分析HSV颜色模型中H参数判断草莓成熟度,利用图像投影面积-质量函数关系对成熟度达标的草莓进行质量测算,再采用K均值聚类法与判别分析相结合对质量达标的草莓进行形状分类,并利用加权法计算草莓质量与形状评级分确定草莓品质等级。试验表明,该方法与人工评级相比准确率达到90%以上。     

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。     

基于机器视觉的水果外观品质检测研究现状

水果中富含多种营养成分,随着经济和社会生活水平的提高,高品质水果越来越受人们的青睐,其外观品质已经成为影响消费者采购的重要因素。早期我国主要依赖人工对水果进行分级,效率和准确率较低,成本和工人劳动强度较大。近年来随着机器视觉技术的不断发展,大量的学者将视觉技术应用到水果外观品质的检测中,这种技术具有无损坏、低成本、高效率和操作方便等优点。本文结合国内外学者的研究成果,梳理了机器视觉在水果外观颜色、形状、大小、缺陷和纹理检测中的应用,着重介绍了缺陷提取和分类器对水果识别算法的研究进展,分析了传统视觉分级、机器学习和深度学习的应用特点,提出了机器视觉技术存在的问题并对未来发展趋势进行了展望,以期为水果外观品质检测研究提供参考与借鉴。     

基于机器视觉的水果分级系统

目的:解决目前水果分级检测方法效率低、误检率高等问题。方法:以苹果为分拣对象,设计一个基于机器视觉的水果分级系统。对实时采集得到的苹果图像进行预处理,使用改进的Canny边缘检测算法进行边缘提取,通过最小外接圆法拟合边缘坐标得到苹果的横切面半径。将采集到的RGB图像转换为HSI图像,根据H分量范围计算红色区域比例,判断苹果的色泽度。统计区域像素点个数,分别求取苹果的面积和周长,计算出苹果的圆形度。结合苹果果径长度、色泽度和圆形度3个特征值对苹果进行综合分级。结果:50个苹果样本试验结果表明,水果分级系统和人工分拣测量的果径误差范围在±1.5 mm以内,样本颜色特征与苹果实际外观相符,圆度值的大小与实际形状优劣相符。结论:该系统满足实际生产中对于苹果分级的需求,有助于实现苹果品级的准确识别。     

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。     

基于机器视觉技术预测玉米质量等级的方法研究

国家标准规定玉米的质量定等指标为容重,为了实现利用机器视觉快速预测玉米等级,采用自行构建的基于机器视觉技术的玉米检测系统获取4种不同等级的玉米籽粒图像,通过均值滤波、最大类间方差法和形态学运算对玉米籽粒和背景进行处理、分割和特征参数的选取,并采用主成分分析法确定图像特征信息的最佳主成分因子数,建立以玉米容重为基础的8-21-4三层BP神经网络质量等级识别模型。结果表明:利用BP神经网络对基于完整籽粒图像和籽粒横切面图像的玉米等级的总体识别率均在90%以上,因此利用该模型对玉米等级的检测识别具有较高的可行性。     

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。     

基于机器视觉的杏鲍菇外观品质分级系统设计

目的:将机器视觉技术引入到杏鲍菇的外观检测中。方法:提出一种双边滤波代替高斯滤波作为图像平滑滤波器,Ostu最大类间方差法代替固定双阈值分割的改进型Canny算子,并作为边缘检测算法。利用HALCON算子和颜色空间转换,完成杏鲍菇的长度、直径、弯曲度、均匀度、色泽及菇帽缺损特征要素提取。使用HALCON 18.05联合C#在VS 2017开发环境下完成视觉软件功能模块开发设计。结果:随机获取200根杏鲍菇,对算法处理准确度和视觉软件工作性能进行检测。杏鲍菇直径分级精度为83%,其余特征要素可达95%以上,装置整体各规格杏鲍菇分级精度达90%以上。结论:通过算法的改进和视觉软件的设计可以完成杏鲍菇的外观品质的分级。     

基于机器视觉的散装粮随机扦样方法研究

针对粮食收购过程中扦样设区选点不科学、不合理导致的扦取样品代表性不足和存在人为舞弊风险的问题,提出一种结合双目视觉与图像分割技术的散装粮随机扦样方法。首先使用双目相机获取装粮区域图像信息并校正,利用Unet网络模型实现校正后左图像目标分割,再使用Opencv计算目标区域4个角点像素坐标,根据扦样规则将目标区域划分为多个扦样区域并随机生成扦样点,最后针对BM匹配算法生成视差图效果较差的问题,采用SGBM(Semi-Global Matching)半全局立体匹配算法对校正后左右图像立体匹配,根据匹配结果完成扦样点三维空间定位。实验结果表明,所述方法针对装粮区域有较好的识别效果,并且实现了在3 m范围内扦样点的随机选取与定位,对粮食扦样环节的自动化和智能化发展提供了技术支撑。