共查询到19条相似文献，搜索用时 93 毫秒
1.
基于计算机视觉的鸡蛋裂纹检测方法研究 总被引：1，自引：0，他引：1
为了提高鸡蛋壳裂纹检测的准确性和效率,综合应用了计算机视觉技术,实现对鸡蛋表面裂纹的检测。在利用计算机视觉系统获取鸡蛋表面图像后,采用同态滤波、BET算法、fisher等改进型图像处理技术,提取裂纹特征并判决。试验结果表明,模型对裂纹鸡蛋的识别准确率达到了98%。 相似文献
2.
为了适应蔬菜等农产品对大肠杆菌快速检测的需求,提出采用形态特征参数及染色后菌体区域的颜色特征参数统计值对大肠杆菌进行快速识别,同时提出采用主成分神经网络作为预测模型来提高识别能力.提取了Hu's不变矩、形状因子、密集度、饱和度等14个具有尺度、平移、旋转不变性的特征参数,提取主成分建立了基于主成分的3层BP神经网络模型.将其与普通神经网络模型比较的结果表明,主成分神经网络简化了网络结构、减少了训练时间和计算量、提高了识别的正确率,对大肠杆菌的识别正确率达到91.33％. 相似文献
3.
为了适应蔬菜等农产品对大肠杆菌快速检测的需求,提出采用形态特征参数及染色后菌体区域的颜色特征参数统计值对大肠杆菌进行快速识别,同时提出采用主成分神经网络作为预测模型来提高识别能力。提取了Hu’s不变矩、形状因子、密集度、饱和度等14个具有尺度、平移、旋转不变性的特征参数,提取主成分建立了基于主成分的3层BP神经网络模型。将其与普通神经网络模型比较的结果表明,主成分神经网络简化了网络结构、减少了训练时间和计算量、提高了识别的正确率,对大肠杆菌的识别正确率达到91.33%。 相似文献
4.
基于核磁共振成像技术的香梨褐变检测 总被引：3，自引：0，他引：3
将核磁共振成像技术与人工神经网络理论相结合,对香梨内部褐变进行了检测。在磁共振T2加权图像中选取果核区域作为感兴趣区域,提取出反映褐变特性的10个微观纹理特征参数,建立了BP神经网络模型进行识别研究。针对BP神经网络模型存在的不足,利用遗传算法对网络模型的权值和阈值进行优化。通过验证性试验发现：对于4组香梨样本,优化后BP神经网络模型的平均正确识别率为92.50%,比未优化模型的平均正确识别率80.83%,提高了11.67个百分点;同一组香梨样本相比较,优化后模型的识别效果也均优于未优化模型,每组香梨的识别率都得到了不同程度的提高。结果表明：遗传算法优化后的BP神经网络模型具有很好的预测精度和泛化能力,可以实现香梨内部褐变的无损检测。 相似文献
5.
6.
基于叶片的植物病虫害识别方法 总被引：10，自引：0，他引：10
综合运用计算机数字图像处理技术与人工神经网络技术,对叶片色度值进行了计算;同时,建立一个多层BP神经网络,实现了对大豆叶片中病斑的自动识别,运用区域标记法对病斑的特征参数进行计算.实验证明,该方法能有效地识别出病斑区域,识别率可达92.1%,计算的特征参数为病种的识别提供了理论依据. 相似文献
7.
8.
9.
提出了一种机器视觉技术结合BP神经网络快速鉴别结球甘蓝叶球形状的方法。运用图像处理技术,提取结球甘蓝的高度、宽度、长轴、面积4个绝对形状参数,在此基础上定义了高宽比、圆形度、矩形度、椭形度、球顶形状指数等5个相对形状参数。分别以4个绝对参数、5个相对参数以及上述9个参数作为网络输入,建立BP神经网络叶球识别模型。测试结果表明,以绝对参数作为输入的BP神经网络正确识别率为62.5%,相对参数作为输入的BP神经网络以及相对参数和绝对参数9个参数作为输入的BP神经网络正确识别率均达100%,以相对参数作为网络输入的预测模型优于以绝对参数作为网络输入的预测模型,相对参数和相对参数结合绝对参数作为输入构建的BP神经网络识别模型均具有良好的分类和鉴别能力。 相似文献
10.
多类支持向量机在玉米品种识别中的应用 总被引：6，自引：1，他引：5
为了验证采用机器视觉以及图像处理方法对玉米品种进行自动识别的可行性,研究了一种基于玉米外观特征和多变量支持向量机(SVM)分类算法的玉米品种识别方法.采用数码相机获得了11个品种每个品种50粒共550幅图像,然后对各品种对应的籽粒群体图像提取每个籽粒的形态特征8个、颜色特征12个、纹理特征13个,共33个特征参数,并分别定义11个玉米品种的二进制编码作为网络的输出,建立特征参数与玉米品种之间的SVM识别模型.试验结果表明,该方法对11个品种550个籽粒的品种检出率为100%.在同样的情况下比较了基于BP神经网络(ANN)的识别性能,较ANN 94.3%的识别率,采用SVM的识别效果有了较大的提高,得到了较好的识别效果. 相似文献
11.
12.
13.
玉米种子的品质关系到后期玉米种植收获的好坏,也是玉米收获后的重要加工环节,一般在收获的玉米中挑选出品质优良的作为种子。利用计算机视觉对玉米种子品质进行挑选,具有效率高、准确度高的优势,可代替传统的人工作业,节省了大量劳动力。计算机视觉技术是通过对玉米种子采集的图像进行格式转换、图像变换、图像直方图信息统计、图像增强、图像分割及形态学处理等一系列图像预处理技术,并提取有效图像进行分析验算。计算机视觉技术对玉米种子品质的研究主要表现在玉米种子的品种、纯度、活力、裂纹等方面的检测,本文对玉米种子的检测智能化进行了阐述,为后期研究提供参考。 相似文献
14.
基于计算机视觉的奶牛生理参数监测与疾病诊断研究进展及挑战 总被引：1，自引：0，他引：1
利用先进的信息技术推动智能养殖业发展已经成为奶牛养殖研究领域的重要目标和任务。计算机视觉技术具有非接触、免应激、低成本及高通量等优点,在畜牧生产中应用前景广阔。本文在阐述了计算机视觉技术在智能化养殖业发展中重要性的基础上,首先介绍了基于计算机视觉的奶牛生理参数监测进展,包括体尺、体温、体重的前沿监测设备、技术和模型参数。然后阐述了奶牛跛行及乳腺炎等疾病诊断的前沿技术发展过程和研究现状。目前,相关技术研究和应用推广存在检测准确性不高,受环境因素影响较大,非标准化养殖场结构制约检测系统普及,以及检测系统成本较高等问题和挑战。最后,本文结合中国养殖业发展现状,针对保证检测准确性、减少环境干扰等问题,就如何提高计算机视觉技术在智能化养殖业中的准确性和普适性提出了相关建议,旨在为中国奶牛养殖业的科学管理和现代化生产提供新方法和新思路。 相似文献
15.
运用自行研制的禽蛋裂纹检测装置,可以采集并分析敲击鸡蛋产生的响应信号,检测裂纹蛋。提取敲击响应信号功率谱的10个特征参数,并采用逐步回归法和遗传算法进行优化和筛选,以期选取更有效的特征参数,提高模型检测精度。结果表明,遗传算法筛选结果明显优于逐步回归法。当采用遗传算法筛选的4个特征参数(功率谱信号的第1共振峰对应的频率点、第1共振峰的功率谱与其前4个频率功率谱的方差、前3个共振峰功率谱方差、中低频段功率谱能量比)作为判别模型的输入向量,模型能取得最优结果,预测集判别率可达到97.2%。 相似文献
16.
基于计算机视觉的高速机器人芒果分选系统设计 总被引：1，自引：0，他引：1
针对目前芒果的外观品质分级采取人工方法所存在的不足,基于机器视觉、并联机器人等先进技术,构建了用于芒果品质动态、实时检测及分选的高速机器人系统,设计了芒果分拣的计算机视觉硬件系统,开发了高速分拣计算机视觉软件系统。工作时,芒果输送带将芒果按机器人动作节拍输送至图像采集区域由工业相机采集图像,识别系统对图像信息进行特征提取,建立图像特征与国家标准中的三级芒果的对应关系,将具有相应图像特征的芒果其所处位置信息及其级别对应的位置信息,通过单片机控制系统输送给高速分选机器人,从而完成芒果的高速分选。测试结果表明:高速分拣机器人系统可以高速、准确地完成芒果的分选工作。 相似文献
17.
种蛋受精及性别鉴别关系到家禽孵化、养殖的经济效益和动物福利伦理等,种蛋受精与性别信息的检测是禽、蛋产业发展的难题,特别是种蛋性别的无损鉴定是世界难题。合适有效的无损检测技术,不仅应获得相关未知信息且不会对种蛋造成任何损伤,因此无损检测种蛋成为研究热点。然而,由于蛋壳厚度和颜色等外部品质形状差异、内部流体形态变化和胚胎发育等因素的影响,难以实现准确检测。本文对比了现有种蛋无损检测研究中的相关方法与技术,包括机器视觉技术、光谱技术、声共振频率分析、生物电信号分析、敲击振动法、介电常数分析、气味特征分析等;分析了种蛋受精和性别信息无损检测仍存在的技术限制、发育阶段检测限制、蛋壳干扰和种蛋个体差异性等方面挑战,并针对未来的研究及发展探讨了高光谱成像、X射线成像、超声波成像和磁共振成像等新兴技术应用于种蛋受精与性别无损检测的可行性。 相似文献
18.
禽蛋裂纹检测敲击装置力学分析与结构优化 总被引：1，自引：0，他引：1
为了增强敲击响应信号对禽蛋蛋壳裂纹信息的感知能力,提高禽蛋裂纹检测的准确性,分析了敲击装置的力学模型,并以此为依据优化设计激励棒的结构参数和检测条件。力学分析发现,禽蛋的激振力脉冲形态与激励棒质量、棒头刚度和敲击速度有关;优化后的激励棒质量应小于5.6 g,棒头采用尼龙材质;建立了冲击力能量与激励棒质量和敲击速度之间的相互关系,并建立了瞬态冲击过程的数学模型。试验结果表明,优化后激励棒对完好蛋激振力脉冲的稳定性较好,与所建立数学模型的相关系数均达到0.92以上;产生的力信号频带能覆盖禽蛋固有频率且具有足够的激振能量,有利于提高完好蛋与裂纹蛋的可区分性和响应信号的信噪比。 相似文献
19.
研究提出了一种基于机器视觉的病害和裂纹的识别方法。在H分量图中,依据半干枣在病害和非病害区域色调值差异提取病害区域,以提取的病害区域与枣表面积的比作为阈值确定较高的病害面积识别精度,可正确识别的感兴趣病害面积为16.87mm2,占枣投影面积的3.3%。为进一步提高在该病害面积识别精度的正确率,依据已确定的病害面积比阈值,将病害面积比值二值化,结合红枣区域颜色特征值H的均值和均方差,用SVM方法建立枣病害的识别模型,训练集和测试集的识别正确率分别为9 5.7 7%和9 5.7 9%。在I分量图中,对红枣区域进行Otsu’s阈值分割、图像局部属性统计和形态学处理,提取裂纹二值图像,依据裂纹图像不变距方法建立裂纹识别模型,训练集和测试集的识别正确率分别为94.90%和94.55%。 相似文献