共查询到20条相似文献，搜索用时 250 毫秒
1.
苹果品质动态无损感知及分级机器手系统 总被引：1，自引：1，他引：0
为了实现灵活高效的苹果多品质指标检测分级,基于机器视觉技术及可见/近红外光谱技术,开发了用于苹果内外部品质无损感知及分级的机器手系统。机器手系统采用六轴机械臂搭载自行研发的末端执行器,末端执行器上装载有光学传感器与抓取结构,可以抓取流水线上的苹果并同时采集苹果的光谱进行糖度检测。使用CMOS相机采集苹果图像,训练并使用PP-YOLO深度学习目标检测模型处理采集的苹果图像,计算苹果的坐标位置实现苹果的动态定位,并获取苹果的果径大小、着色度信息实现外部品质检测。采集苹果样本光谱,结合不同的光谱预处理方式,利用偏最小二乘（Partial Least-Square,PLS）方法进行建模分析。试验结果表明,使用PP-YOLO目标检测算法处理图像和计算苹果位置,其识别速度为38帧/s,极大地提高了检测速度。使用归一化光谱比值法（Normalized Spectral Ratio,NSR）作为预处理算法的糖度建模结果较佳。采用NSR+CARS（Competitive Adaptive Reweighted Sampling,竞争性自适应重加权算法）作为机器手的动态光谱模型效果较佳,该动态光谱模型相关系数Rv为0.958 9,验证均方根误差RMSEV（Root Mean Squared Error of Validation）为0.462 7%,与静态下建立的模型相比,机器手在动态状态下采集光谱对所建立的预测模型的预测效果影响较小。对整体机器手系统进行了试验验证,机器手在工作时能够无损伤地抓取苹果,给出果径大小、着色度、糖度3个检测指标并依据指标自动划分等级,然后依据等级信息分级。随后测定了3个指标的实测值与预测值进行分析,果径大小的预测相关系数为0.977 2,均方根误差为1.631 5 mm;着色度的预测相关系数为0.967 4,均方根误差为5.973 4%;糖度的预测相关系数为0.964 3,均方根误差为0.504 8%,预测结果与真实值均具有较强的线性关系和较低的预测误差,机器手系统分级正确率为95%,完成一颗苹果的定位、抓取、检测、分级和放置的时间约为5.2 s,具有较好的工作可靠性,研究结果为苹果多品质指标的高效检测提供参考。 相似文献
2.
球体图像灰度变换模型及其在柑桔图像校正中的应用 总被引：4，自引：3，他引：4
由于水果形状不规则，在利用机器视觉和图像处理技术进行水果品质检测和自动分级过程中，会产生图像失真现象。针对这一问题，通过分析在6个位置采集的3种不同尺寸、19种不同表面颜色的标准试验球体的图像，研究了球体的大小、表面颜色和图像采集位置等因素对球体图像灰度失真的影响，并分别建立了位于摄像视区中心的球体图像的灰度校正模型和偏离摄像视区中心的球体图像的灰度校正模型，模型的相关系数R2分别为0.796和0.842。最后，采用该模型在MATLAB软件平台上构建了柑桔图像的灰度校正算法。试验结果 相似文献
3.
马铃薯黑心病和单薯质量的透射高光谱检测方法 总被引：2，自引：1，他引：1
针对单一检测技术不能同时检测马铃薯内外品质的多项指标,采用透射高光谱成像技术并融合光谱和图像信息,对其内部黑心病、质量指标进行检测。通过透射高光谱成像系统获取266个样本高光谱图像（400～1000 nm）,并提取光谱和图像二者信息。采用不同变量选择方法对光谱进行变量选择,用9个光谱变量建立检测马铃薯黑心病偏最小二乘判别分析（partial least squares discriminant analysis, PLS-DA）模型与质量偏最小二乘回归（partial least squares, PLS）模型;提取样本透射高光谱图像的面积信息,建立基于光谱-图像的检测马铃薯质量PLS模型。试验结果表明,黑心样本识别率为100%,识别最小黑心面积为1.88 cm2;基于光谱-图像所建立质量检测模型预测效果较好,其预测集相关系数(Rp)为0.99,预测均方根误差(RMSEP）为10.88。结果表明：采用透射高光谱成像技术并融合图像和光谱信息对马铃薯内部黑心病、质量同时进行检测是可行的。 相似文献
4.
苹果内外品质在线无损检测分级系统设计与试验 总被引：3，自引：8，他引：3
目前苹果品质检测分级机械存在结构复杂、价格昂贵以及不能兼顾内外品质的缺点。苹果的内部品质和外部品质都是决定苹果价值的关键因素,故该研究根据静态条件下的试验分析,设计了苹果内外品质在线无损检测分级系统。该系统主要由哑铃式滚子、机器视觉外观品质检测系统模块、近红外内部品质检测系统模块、分级模块以及控制系统组成。在机器视觉外部品质检测模块设计中,为了增大苹果有碰伤部位和无碰伤部位之间的对比度,通过采集有碰伤部位和无碰伤部位的反射率光谱,确定在730 nm处两者的反射率差异最大,并以此选用波长为730 nm的红色LED光源作为机器视觉模块的光源。为获得苹果整个表面信息,苹果在向前运动的过程中完成自转,并利用算法将单个苹果3个运动状态下的图像进行提取和合成,随后对图像进行高斯滤波,大津法二值化以及轮廓提取处理,当该苹果判断为有碰伤时,直接发送剔除指令,当判断为无碰伤,对轮廓提取后图像进行圆拟合处理,并利用拟合圆直径得到该苹果的大小。近红外内部品质检测系统模块设计中,对比2种近红外检测结构,并以试验确定了将探头和光源布置在下的设计方式。最终,通过试验验证得到了系统的在线检测性能,系统对于苹果有无碰伤检测总体正确率为94%,大小检测的相关系数为0.964 6,均方根误差为2.28 1 mm,苹果内部可溶性固形物含量所建立模型的校正集相关系数为0.950 8,校正集均方根误差为0.342 6%,预测集相关系数为0.949 2,预测集均方根误差为0.448 7%。单个苹果的检测时间为0.71 s。整机具有体积小、结构简单、成本较低的优点,适用于农户和中小型企业。 相似文献
5.
6.
为实现肉鸡屠宰过程中断翅鸡胴体的快速检测,提高生产效率,该研究利用机器视觉系统采集了肉鸡屠宰线上的1 053张肉鸡胴体图,构建了一种快速识别断翅缺陷的方法。通过机器视觉装置采集鸡胴体正视图,经图像预处理后分别提取鸡胴体左右两端到质心的距离及其差值（d1、d2、dc）、两翅最低点高度及其差值（h1、h2、hc）、两翅面积及其比值（S1、S2、Sr）、矩形度（R）和宽长比（rate）共11个特征值,并通过主成分分析降维至8个主成分。建立线性判别模型、二次判别模型、随机森林、支持向量机、BP神经网络和VGG16模型,比较模型的F1分数和总准确率,在所有模型组合中,以VGG16模型的F1分数和总准确率最高,分别为94.35%和93.28%,平均预测速度为10.34张/s。利用VGG16建立的模型有较好的分类效果,可为鸡胴体断翅的快速识别与分类提供技术参考。 相似文献
7.
机器视觉在幼苗自动移钵作业中的应用 总被引：12，自引：10，他引：2
该文提出了一套在自动幼苗移钵作业中用于幼苗生长状况检测的机器视觉系统。穴盘中幼苗的图像被采集和处理,识别出适合进行移钵的单元,用于自动幼苗移钵机的移钵作业。相邻单元的幼苗边缘重叠和叶片挤压会造成识别错误,在该研究中以番茄幼苗作为试验样本,使用基于形态学的分水岭算法处理来完成叶片边缘分割,提取每个穴孔中幼苗的叶片面积和叶片周长来确定适合进行移钵的单元。试验结果表明该机器视觉系统识别准确率达到了98%,应用于自动幼苗移钵机器人中可以很好地判断不同生长状况的秧苗生长质量。 相似文献
8.
为了监测温室黄瓜叶片湿润情况以计算叶片湿润时间并用于病害预警,利用K-均值聚类算法实现黄瓜叶片的水滴荧光图像分割。选择人工气候室培育的健康且洁净的黄瓜叶片作为试验试材,采用移液枪向叶面、叶缘部位上滴水,模拟不同的叶片湿润情形,使用荧光成像仪蓝光镜头在白天（07：00）和夜晚（18：00）分别采集图像。应用 K-均值聚类算法在L*a*b颜色空间对水滴图像进行分割,首先要将原始图像由RGB颜色空间转换到L*a*b颜色空间,然后在在L*a*b颜色空间中利用a*b*二维数据空间的颜色差异,以欧式距离度量像素间的相似度,使用K均值对图像进行聚类,聚类得到的图像灰度化后进一步用数学形态学中的开闭交替滤波方法进行校正,最终完成图像分割。利用该方法对10幅含有不同水滴数量的黄瓜叶片荧光图像进行分割,为了验证该方法的有效性,分别采用基于H分量直方图分割算法、主动轮廓即C_V模型分割方法、融合K均值聚类和Ncut算法作对比试验。试验结果表明,该方法的平均匹配率、误分率相较于其他3种方法有明显的优势,平均匹配率为81.27%、平均误分率为9.57%,较之于其他3种方法,平均匹配率分别提高了44.11、11.50、10.90百分点,平均误分率分别降低了23.03、5.47和5.05百分点。该方法能够较为准确地将水滴从图像中分割出来,这为用计算机器视觉的方法监测黄瓜叶片的润湿时间提供了新的思路。 相似文献
9.
为了对优质蛋、次品蛋和劣质蛋这3种皮蛋进行检测及分级,该文应用机器视觉结合近红外光谱技术,研究利用皮蛋凝胶品质无损检测的分级方法。首先采集皮蛋透射光图像,提取18个图像颜色特征值,然后将所提取的18维特征利用主成分分析(principal component analysis,PCA)进行降维,对PCA降维后的3个主成分建立遗传算法优化支持向量机(genetic algorithm-support vector machine,GA-SVM)分级模型,把皮蛋样本分为两大类:可食用蛋(优质蛋与次品蛋)与不可食用蛋(劣质蛋),劣质蛋测试集识别率为100%。然后在机器视觉分类结果的基础上,利用近红外光谱技术获取可食用蛋(优质蛋与次品蛋)的原始光谱,并进行多元散射矫正(multiplicative scatter correction,MSC),利用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)降维提取特征波长,基于支持向量机(support vector machine,SVM)对特征波长变量建立分级模型,区分出优质蛋与次品蛋,优质蛋测试集识别率为96.49%,次品蛋识别率为94.12%。研究结果表明:基于机器视觉和近红外光谱进行皮蛋凝胶品质无损检测分级是可行的。 相似文献
10.
11.
基于图像处理与人工神经网络的小麦颗粒外观品质评价方法 总被引：10，自引：3，他引：7
综合利用计算机视觉、图像处理、人工神经网络技术,实现小麦品质评价自动化。通过比较不同背景,发现在黑色毛面纸板背景下,使用数码像机获得容易处理的小麦图像。应用分水岭算法自主开发了图像分割处理软件,分割小麦图像并识别提取出完整的小麦颗粒,针对每个小麦颗粒,计算了其12个形态学特征、12个色泽参数等图像特征参数。利用所提取的24个小麦图像特征参数,采用人工神经网络BP算法建立起小麦粒径外观品质评价模型,并应用于小麦的品质识别,取得了良好的试验结果。多次建模运算证明,该方法具有较好的稳定性,对小麦粒径外观品质评价的平均识别准确率可达93%。 相似文献
12.
深度估计是智能农机视觉系统实现三维场景重建和目标定位的关键。该文提出一种基于自监督学习的番茄植株图像深度估计网络模型,该模型直接应用双目图像作为输入来估计每个像素的深度。设计了3种面向通道分组卷积模块,并利用其构建卷积自编码器作为深度估计网络的主体结构。针对手工特征衡量2幅图像相似度不足的问题,引入卷积特征近似性损失作为损失函数的组成部分。结果表明:基于分组卷积模块的卷积自编码器能够有效提高深度估计网络的视差图精度;卷积特征近似性损失函数对提高番茄植株图像深度估计的精度具有显著作用,精度随着参与损失函数计算的卷积模块层数的增加而升高,但超过4层后,其对精度的进一步提升作用不再明显;当双目图像采样距离在9.0 m以内时,该文方法所估计的棋盘格角点距离均方根误差和平均绝对误差分别小于2.5和1.8 cm,在3.0 m以内时,则分别小于0.7和0.5 cm,模型计算速度为28.0帧/s,与已有研究相比,2种误差分别降低了33.1%和35.6%,计算速度提高了52.2%。该研究可为智能农机视觉系统设计提供参考。 相似文献
13.
自动监测装置用温室粉虱和蓟马成虫图像分割识别算法 总被引：6，自引：5，他引：1
为了监测温室黄瓜作物虫害种类、数量变化情况以预测虫害发展趋势,该文以粉虱和蓟马为例,提出了一种基于Prewitt、Canny边缘检测算子分割和SVM(support vector machine)的温室粉虱和蓟马诱虫板的图像识别算法。该方法利用HSI(Hue-Saturation-Intensity)颜色空间的I分量与L*a*b*颜色空间的b分量二值图像中害虫目标与背景的高对比性,再分别相应地利用Prewitt算子和Canny算子进行单头害虫边缘分割,再经过形态学处理,最后融合这两幅二值图像完成单头害虫区域的提取。然后提取害虫的5个形态特征(面积、相对面积、周长、复杂度、占空比)及9个颜色特征(Hue-Saturation-Value颜色空间、HSI颜色空间、L*a*b*颜色空间各分量的一阶矩),并对这14个特征参数进行归一化处理,将特征值作为SVM的输入向量,进行温室粉虱和蓟马的诱虫板图像识别。通过分析比较不同向量组合的BP(back propagation)与SVM的害虫识别率、4种不同SVM核函数的害虫识别率,发现颜色特征向量是粉虱和蓟马识别的主成分,且SVM的识别效果优于BP神经网络、线性核函数的SVM分类性能最好且稳定。结果表明:平均识别准确率达到了93.5%,粉虱和蓟马成虫的识别率分别是96.0%和91.0%,能够实现温室害虫的诱虫板图像识别。该研究可以为虫害的监测与预警提供支持,为及时采取正确的防治措施提供重要的理论依据。 相似文献
14.
番茄花果的协同识别是温室生产管理调控的重要决策依据,针对温室番茄栽培密度大,植株遮挡、重叠等因素导致的现有识别算法精度不足问题,该研究提出一种基于级联深度学习的番茄花果协同识别方法,引入图像组合增强与前端ViT分类网络,以提高模型对于小目标与密集图像检测性能。同时,通过先分类识别、再进行目标检测的级联网络,解决了传统检测模型因为图像压缩而导致的小目标模糊、有效信息丢失问题。最后,引入了包括大果和串果在内的不同类型番茄品种数据集,验证了该方法的可行性与有效性。经测试,研究提出的目标检测模型的平均识别率均值（mean average precision,m AP）为92.30%,检测速度为28.46帧/s,其中对小花、成熟番茄和未成熟番茄识别平均准确率分别为87.92%、92.35%和96.62%。通过消融试验表明,与YOLOX、组合增强YOLOX相比,改进后的模型m AP提高了2.38～6.11个百分点,相比于现有YOLOV3、YOLOV4、YOLOV5主流检测模型,m AP提高了16.56～23.30个百分点。可视化结果表明,改进模型实现了对小目标的零漏检和对密集对象的无误检,从而达到... 相似文献
15.
温室绿熟番茄机器视觉检测方法 总被引：3，自引：3，他引：3
针对基于可见光图像对绿色番茄进行识别过程中,光线不均造成的阴影等会影响果实的识别、枝干和叶片对果实的遮挡以及果实之间的遮挡对果实识别的影响等难题,该文对基于机器视觉的绿色番茄检测方法进行研究。首先通过快速归一化互相关函数(FNCC,fast normalized cross correlation)方法对果实的潜在区域进行检测,再通过基于直方图信息的区域分类器对果实潜在区域进行分类,判别该区域是否属于绿色果实,并对非果实区域进行滤除,估计果实区域的个数。与此同时,基于颜色分析对输入图像进行分割,并通过霍夫变换圆检测绿色果实的位置。最终对基于FNCC和霍夫变换圆检测方法的检测结果进行融合,实现对绿色番茄果实的检测。当绿色果实和红色果实同时存在时,将绿色果实检测结果与基于局部极大值法和随机圆环变换检测圆算法的红色番茄果实检测结果进行合并。算法通过有机结合纹理信息、颜色信息及番茄的形状信息,对绿色番茄果实进行了检测,解决了绿色番茄与叶子、茎秆等背景颜色接近等难题。文中共使用了70幅番茄图像,其中35幅图像作为训练集图像,35幅作为验证集图像。所提出算法对训练集图像中的83个果实的检测正确率为89.2%,对验证集图像中105个果实的检测正确率为86.7%,为番茄采摘机器人采摘红色和绿色成熟番茄奠定了基础。 相似文献
16.
基于粗糙集和BP神经网络的棉花病害识别 总被引：7，自引：10，他引：7
为了提高棉花病害的识别率,提出了一种在自然环境条件下基于粗糙集和BP神经网络的棉花病害识别方法。该方法以轮纹病、角斑病、褐斑病和盲椿象为研究对象,将病害棉花图像从RGB颜色空间转换到HSI和L*a*b*颜色空间,应用Otsu算法对H分量、a*分量和b*分量进行阈值分割,通过H+a*+b*分量与原始图像的交集提取棉花病斑区域,利用颜色矩和灰度共生矩阵分别提取病斑的颜色和纹理特征,并结合粗糙集理论和BP神经网络,实现特征向量的优选,和棉花病害的识别。通过比较试验发现,粗糙集理论能有效减少特征维数,使提取的全部特征向量16个减少到5个,使BP神经网络的训练时间缩短到原来的1/4,且棉花病害平均识别正确率达到92.72%。研究结果表明,该方法准确识别了4种棉花病害,为棉花病害的防治提供了有效的技术支持。 相似文献
17.
为明确辐照对樱桃番茄杀菌效果及其品质特性的影响,以樱桃番茄为材料,分析了樱桃番茄中大肠杆菌、沙门氏菌和李斯特氏菌3种致病菌D_(10)值,并对辐照样品在室温下贮藏0、2、4、6、8、10 d后的色泽和可溶性固形物含量进行了分析。结果表明,樱桃番茄中接种的大肠杆菌、沙门氏菌和李斯特氏菌的D_(10)值分别为0.088、0.243和0.264 kGy;辐照剂量低于2.0 kGy时对樱桃番茄在室温条件下色泽L*值、a*值、b*值及可溶性固形物含量无显著影响(P0.05)。因此,2.0 kGy可以作为樱桃番茄辐照的适宜剂量。本研究结果为降低樱桃番茄的致病微生物含量及辐照技术在保障生鲜果蔬受致病菌污染的应用提供了一定的技术支持。 相似文献
18.
由于苹果表面缺陷与果梗/花萼具有相似的灰度特征,通过传统机器视觉方法难以对两者进行有效区分。为避免苹果果梗/花萼对其表面缺陷识别造成干扰,该研究提出了一种基于相移算法的苹果果梗/花萼检测方法。通过搭建条纹投影系统,投影仪投射三步相移条纹至苹果样本,摄像机同步采集经苹果表面调制的条纹图像;通过分析发现果梗/花萼区域的条纹图像凹凸性与正常区域存在明显差异,利用三步相移算法恢复条纹图像的截断相位,结合相位偏移、阈值分割和二维凸包算法便可检测出苹果果梗/花萼。试验结果表明：该方法能够有效地区分果梗/花萼和表面缺陷,识别出不同位置和角度的果梗/花萼,整体准确率可达到99.12%;同时能够满足在线检测需求,平均处理时间约为0.479s。该研究可为苹果外观品质检测提供技术支持。 相似文献
19.
基于深度图像和BP神经网络的肉鸡体质量估测模型 总被引：2，自引：4，他引：2
针对现阶段肉鸡称重复杂、福利降低问题,提出了一种基于深度图像的肉鸡体质量估测模型建立方法。该方法首先对深度图像进行图像预处理,再利用数值积分法提取出目标特征,并结合BP神经网络,实现群体肉鸡的体质量估测。估测结果与实际测量结果进行对比,研究结果表明两者的均方根误差为0.048,平均相对误差为3.3%,绝对误差在0.001 0~0.068 2 kg范围内,最优拟合度为0.994 3,具有较好的推广应用价值。该方法较为准确的估测出肉鸡体质量,并为用机器视觉的方法估测肉鸡生长发育规律提供了新的思路。 相似文献
20.
针对单一的自然场景图像信息不能满足准确识别果实和精准定位目标的要求,提出一种多尺度分解双寻优策略简化脉冲耦合神经网络（Simplified Pulse Coupled Neural Network, SPCNN）的飞行时间（Time of Flight,ToF）与可见光果园苹果图像融合模型。对SPCNN模型引入带参数优化的双寻优策略,对非下采样轮廓波变换（Nonsubsampled Contourlet Transform, NSCT）融合规则进行改进。模型包括配准模块、编码区、多尺度分解模块、单目标SPCNN融合模型、多目标SPCNN融合模型、解码区。模型改进了SPCNN模型的参数优化方式以及迭代次数,模型自适应点火次数较低,在3～7次左右,具有点火次数低、自适应分割、效率高的优点。中光15:00时段点火识别成功率达到了100.00%,点火分割时间达到最低91.91s。与其他融合模型比较,模型在强光12:00、中光15:00、弱光18:20、19:00时段融合图像识别成功率达到100.00%;融合时间低于SPCNN模型,达到最低92.68s。模型识别精度最优达到了100.00%、融合耗时最低达到了92.68s、模型大小较SPCNN低一个数量级,可补充和完善图像层次融合理论和方法。 相似文献