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,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...     

基于机器视觉的大米垩白米的检测方法

通过分析2种米粒的不同的直方图分布表现来区分普通米与垩白米,并进而对检测出来的垩白米粒采用改进的最大类间方差法来进一步分析其垩白率、垩白度等信息。试验采用了12组样本,每组样本60粒,按照不同的放置方向及位置,各采集10幅图像,共120幅图像。对所有图像进行检测,检测结果表明本研究提出的方法能快速,准确地区分垩白米粒及正常米粒,并且可以进一步较准确地检测垩白米粒的垩白度,相较于传统的OTSU算法,垩白米粒的检测准确率平均提高了8%左右,垩白度的检测准确率平均提高了6%左右。     

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。     

基于机器视觉的苹果缺陷快速检测方法研究

针对目前中国苹果分选大部分还是经由人工筛选的现状,提出一种基于机器视觉的苹果缺陷快速检测方法。采用亮度自动校正技术消除苹果表面亮度不均匀分布,根据缺陷候选区域的数量,完成对苹果的初步判断,并使用加权相关向量机进一步对有缺陷的苹果进行判断。通过试验对文中方法的有效性和准确性进行验证。试验结果表明,该检测方法对1 000个测试样本的识别准确率为99.1%,对各种缺陷的检测精度较高。     

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。     

机器视觉技术在大米品质检测中的研究进展

粮食事关国运民生。随着我国经济的高速发展以及人们生活水平的不断提高,人们对粮食的需求也由追求数量转变为追求质量,对优质大米的需求也越来越大,提高大米品质对稳定国内市场以及出口国外市场具有重要意义。利用机器视觉技术可以对大米的加工品质及外观品质进行快速、无损检测,对于提高大米的品质至关重要。本文综述了近年来国内外学者利用机器视觉技术在大米加工品质和外观品质中的研究现状与应用,并对今后大米品质检测技术的发展做出了展望。     

基于机器视觉的喷丝头自动化检测方法

部分喷丝头的底部为球状面,在使用过程中会因喷丝头微孔堵塞产生超压现象而引起喷丝头底部变形拱凸,造成喷丝头检测过程中CCD采集到的微孔图像不清晰,导致微孔的误检。运用一种基于机器视觉的自动对焦检测方法,在喷丝头检测过程中,对换圈处和微孔直径变化较大处的微孔进行自动对焦,解决了喷丝头检测过程中的误检现象以及“逐孔”对焦检测效率低下的问题,实现了喷丝头的高精度、自动化检测,同时提高了检测效率。     

基于机器视觉的加工面缺陷检测方法

针对生产过程中对产品检测提出的新要求,介绍一种基于机器视觉的加工面缺陷检测方法。它利用小波变换对图像进行多尺度分析,然后对反映纹理特征的分量进行处理,达到增强非纹理性质的特征的目的,从而检测出掩埋于加工纹理背景中的细小裂纹和缺陷。此方法的研究与实现,可在线检测系统实施过程中有效提取掩埋于高强度纹理背景中的图像奇异特征,从而保证检测过程准确、高效地进行。     

基于机器视觉的大米粘连米粒图像分割算法

本文提出了一种新的基于机器视觉的大米粘连米粒图像的分割算法。由于在利用机器视觉方法检测抽样米粒的各种外观指标时,米粒是随意放置在载样台或传送带上的,有些米粒会不可避免地互相碰触,由此造成在图像预处理时获取的米粒轮廓线互相粘连在一起,从而在后续的检测中被误判为是一颗米粒,致使大米外观指标如碎米率,垩白米率,黄米粒率的检测都出现错误。本文根据粘连米粒的内轮廓及外轮廓线上的粘连点的特征,提出了一种新的能快速并精确检测粘连米粒的内轮廓及外轮廓线上的粘连点的算法,根据各粘连点之间的距离及曲率方向,准确地判断出互相配对的最佳粘连点对,从而实现了粘连米粒的精确分割,试验结果表明该方法的准确性和高效性。     

基于图像处理技术的大米垩白度检测

垩白是衡量大米品质的重要指标之一.为了快速、客观、准确地检测垩白米粒,以实际应用为目的,利用最佳阈值先将大米从背景中分割出来,然后通过近似垩白的比色带确定分割垩白的最佳阙值,将垩白从大米中分割出来,通过计算垩白区面积与整粒米面积之比确定垩白米粒,并计算垩白度和垩白粒率,实现大米垩白度的自动检测.     

基于改进HSV空间的机器视觉花生霉变检测方法

花生霉变产生的黄曲霉毒素具有强致癌性,严重影响食品安全。为精准快速的识别霉变花生,提出一种基于机器视觉的霉变花生检测方法。首先对花生图像进行双边滤波降噪,然后将图像转为色调、饱和度、亮度（HSV）空间,通过在色调、饱和度空间内提取的霉变颜色范围叠加亮度空间的开运算处理结果来实现对霉变花生的识别检测。实验结果表明,该方法对于霉变花生的识别精度达到95.3%,处理单帧花生图像耗时为0.6 s,通过与其它算法对比,该方法具有快速、准确率高等优点,可以满足霉变花生的实时检测,对花生霉变的分级处理也更加实用。     

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。     

基于机器视觉的包装机空头烟支检测技术研究

对基于机器视觉的包装机空头烟支检测技术进行了研究：在图像获取阶段,在分析包装机空头烟支结构特点的基础上,提出了机器视觉系统光源的照明方式,并参照国标对照明的角度进行了计算。使获取图像上的烟支空头特征突出;在图像处理阶段,采用基于数学形态学的开操作对图像进行预处理,使图像上烟丝的纹理特征减弱,而空陷区域的特征更加突出;最后采用计算机图像斑点识别技术。判别出存在空头烟支的烟组,最终完成基于机器视觉的包装机空头烟支的检测任务。图3表2参13     

基于机器视觉的卷纸包装检测模型设计

针对卷纸包装检测效率低、人工成本高的问题,本研究基于机器视觉设计了一个卷纸包装检测模型,并命名为F-YOLOv4。首先利用工业相机在卷纸包装过程中采集目标图像,并人工标注制作成数据集;随后基于YOLOv4构建卷纸包装检测模型,通过引入轻量级的混合通道注意力模块,以强化重要特征同时避免背景噪声的引入;并设计了残差上采样模块以提升上采样的效果;最后在检测头部分,将不同分辨率的特征进行了融合以丰富特征图信息。研究结果表明,F-YOLOv4模型的准确率为97.53%,高于原始模型1.97%,检测速度为129 f/s,模型大小为39.7 MB。F-YOLOv4模型能够有效解决卷纸包装问题,为企业降低用人成本,提高生产效率。     

基于机器视觉的织物疵点检测技术探讨

针对传统人工视觉检测技术的缺陷,建立一种基于机器视觉的织物疵点检测技术方案。在深入讨论检测系统硬件设计的基础上,重点讨论了织物疵点检测流程、获取织物特征的拟合方法、疵点特征提取流程、织物疵点分类与织物等级评定等。同时,讨论了织物疵点自动检测系统实际应用时应注意的几个关键问题。为快速、准确、有效的检测织疵,提升检测技术水平和加强产品质量控制,具有十分重要的现实意义。     

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。