共查询到20条相似文献,搜索用时 453 毫秒
1.
2.
3.
4.
5.
6.
7.
机器视觉在水果缺陷检测中的研究现状 总被引:4,自引:0,他引:4
随着我国加入WTO,提高农产品质量和国际竞争力能力是当务之急。为此,对机器视觉在水果缺陷检测进行较为全面地论述。首先简单地介绍了机器视觉在水果分级检测中的重要性,并分别从国内和国外两个方面描述了机器视觉在水果缺陷研究中的最新进展,指出了当今国内外研究中存在的问题和今后进一步研究的设想。 相似文献
8.
9.
10.
综合了市场上各类水果分级设备的优点,该文提出了一套水果外观品质智能化检测系统的开发设计流程,从理论上进一步探讨了水果外观品质智能化检测的方法途径。水果在线分级装置主要由上料结构、输送结构、机器视觉系统、气动分选结构以及电器控制部分等组成。机器视觉系统包括工业控制计算机、CCD摄像机、光源、光箱、图像采集卡、触发器和I/O卡等;气动部分包括电磁阀、空气压缩机及喷气嘴等;电器控制部分包括PLC、固态继电器等。 相似文献
11.
水果病害是影响果树健康生长、果实品质和产量的重要因素之一,及时、精准地掌握果树的病害信息并进行精准施药管控,对防范果园重大病害的发生和流行,保障水果的稳产优产具有重要意义。随着现代农业朝规模化、智能化和高效率的发展需求,视觉和光谱检测技术因具有无损检测、可规模化和高效率等优点,逐渐发展为检测水果病害的重要技术之一。梳理国内外机器视觉和光谱技术在水果病害检测应用领域的研究进展,介绍图像处理技术有较好的解释性,有利于与植保农艺研究相结合;深度学习技术有较好的精度和泛化性;透射光谱技术可用于检测果实内部病害;反射光谱技术可用于检测果实、叶片表面病害,并实现分级。最后,总结未来机器视觉与光谱检测技术优化和应用的方向,并展望水果病害检测的实际生产应用前景,以期为水果病害检测研究提供参考与借鉴。 相似文献
12.
为了解决水果分选过程中,人工分选费时费力,机械分选可能会刮伤果皮,机器视觉技术用于水果行业分选有着巨大的优势。文章综述了近几年国内外机器视觉技术在水果品质分选行业的分级技术研究现状。目前学术界采用传统图像处理技术研究机器视觉柑橘检测分级方法都是人为设计特征,分选准确率有待提高,近几年深度学习算法在图像处理上表现出了极好的检测效果,该方法不需要人为设计特征,只需要训练足够的样本数据,就可输出想要的结果。针对传统图像处理技术存在的弊端,深度学习算法尤其是卷积神经网络算法(CNN)在柑橘品质检测分级上有着巨大的研究价值。 相似文献
13.
苹果在水果消耗中占有较大份额,对其进行分级销售可提高经济效益。在以往的苹果分级中,大都采用人工方法进行,只考虑大小、色泽方面的影响,导致分级精度低和人工消耗大。计算机系统现今已被广泛应用在精细农业中,如水果和蔬菜的自动收获及农产品的分级。为此,利用计算机视觉系统采集提取苹果图像,采用边缘检测、图像改善、图像二值化等图像数据处理方法对采集的图像前处理,设定等级区分参数,再依据特征参数对苹果进行自动分级。采用机器视觉进行苹果等级分离,提高了苹果分级的正确率,节省了劳动力,可以广泛地推广应用。 相似文献
14.
15.
16.
17.
机器视觉又称计算机视觉,指人类设计并在计算机环境下实现的模拟或再现与人类视觉有关的某些智能行为的技术,如对印刷与手写文字识别、图像模式识别和物体三维表面形状知识与距离、速度感知等.机器视觉技术在农业上的研究与应用始于20世纪70年代末期,主要研究集中于农产品分选机械中利用机器视觉对农产品进行品质检测与分级.由于受当时计算机发展水平的影响,检测速度达不到实时要求,处于实验研究阶段.随着电子技术、计算机软硬件技术、图像处理技术及与人类视觉相关的生理技术的迅速发展,机器视觉技术本身在理论和实践上都取得了重大突破,除农产品分选机械外,目前该技术已经渗透到农产品鉴定、农作物生长、农产品收获等多个领域. 相似文献
18.
计算机视觉在芒果品质检测中的应用研究 总被引:1,自引:0,他引:1
传统的芒果分级采用人工观察和化学分析方法,无法适应产业的发展。随着科学的进步,人们开发出多种无损检测和分级技术以提高水果的市场竞争力,但受检测和分级设备的限制,目前的相关研究都停留在试验阶段。为此,设计了一种基于计算机视觉的芒果品质检测方法,拍摄芒果图像后利用自适应Canny算法获取目标区域的边缘,以大小、颜色和表面缺陷反映芒果的品质,并基于BP神经网络实现对芒果的分级。仿真试验表明:计算机视觉对芒果品质分级的准确率超过93%,处理单张图像平均耗时0.8s,可以用于芒果品质的实时检测和在线分级。 相似文献
19.
【目的】机器视觉技术具有无损、快速、准确、智能化程度高等优点,被广泛应用于水果检测中,替代人工对水果的检测分级,因此研究小组基于机器视觉技术,来探究蜜柑横径的测量方法和过程。【方法】研究小组在试验研究过程中,通过图像采集系统获取蜜柑样本图像,并对其进行灰度化、中值滤波等预处理,采用阈值分割的方法将蜜柑图像和背景图像进行分割。对蜜柑图像区域进行填充和形态学处理等,提取蜜柑的边缘轮廓图像;运用Canny算子的边缘检测技术,最终提取出蜜柑的轮廓;依据轮廓图像,采用拟合圆法,将拟合出的圆的直径作为蜜柑横径数据,并和人工实测的蜜柑横径数据进行比对和分析。【结果】从测试样本中随机取出9个蜜柑样本进行试验,通过相对误差数据表明,机器视觉技术能够比较合理、准确地计算出蜜柑的横径。【结论】将机器视觉技术应用到蜜柑横径的测量中,通过采用相关的图像处理方法和数据运算,探讨出了蜜柑横径的测量过程和方法,为蜜柑乃至柑橘类水果的智能化分级提供了方法理论和数据基础。 相似文献