机器视觉与图像处理课程教学改革探索研究

机器视觉与图像处理是一门内容繁杂、理论抽象、实践性强的专业基础课程,传统的教学方法难以满足该课程的教学需要。针对此种情况,文章从教学内容、教学安排、教学手段三个方面分析了教学现状。继而根据存在的问题探索机器视觉与图像处理课程的教学方式的改革,并提出一系列的课堂教学改革的措施,提高学生的学习积极性和主动性,增加学生对机器视觉与图像处理技术的了解。

油茶籽热风干燥动力学研究

为研究油茶籽热风干燥特性,探讨热风温度、初始干基含水率对油茶籽干燥速率的影响,在不同初始干基含水率、不同热风温度条件下分别对油茶籽进行干燥,并比较了9种数学模型在油茶籽热风干燥中的适用性。结果表明,油茶籽热风干燥过程并没有出现恒速干燥段,干燥主要发生在降速干燥阶段。物料初始干基含水率、温度是影响干燥的主要因素,初始干基含水率越低、干燥温度越高,干燥到目标含水率所用时间越短。干燥过程中,有效水分扩散系数随温度升高而增大,热风温度从50℃升高到80℃,其有效水分扩散系数由1. 313 2×10-9m2/s增大到3. 922 3×10-9m2/s,油茶籽的干燥活化能为33. 619 3 k J/mol;通过比较决定系数R2、均方根误差eRMSE以及卡方检验值χ2得出,Lewis模型为描述油茶籽热风薄层干燥的最优模型,预测值与试验值的均方误差为1. 36%,最大相对误差小于4%,表明模型预测的干燥曲线和试验干燥曲线一致性较好。

基于卷积神经网络的油茶籽完整性识别方法

针对现有油茶籽色选机无法识别碎籽的问题,提出一种基于卷积神经网络的油茶籽完整性识别算法。以油茶籽完整性识别为目标,构建油茶籽图像库;基于油茶籽完整性识别任务要求,通过对AlexNet网络进行优化得到适合油茶籽完整性识别的卷积神经网络模型,该网络具有4层卷积层、2层归一化层、3层池化层和1层全连接层。为了提高网络分类准确率和实时性,从网络结构简化和超参数优化两方面对卷积神经网络进行优化,最终网络结构(CO-Net)的分类准确率、训练收敛速度和泛化性能均得到了提高。实验结果表明,优化后的网络对油茶籽完整性识别准确率达98.05%,训练时间为0.58 h,模型规模为1.65 MB,单幅油茶籽图像检测平均耗时13.91 ms,可以满足油茶籽在线实时分选的要求。

基于机器视觉的胡萝卜表面缺陷识别方法研究

胡萝卜在生长与收获运输过程中,不可避免会出现一些外观缺陷,缺陷胡萝卜的剔除是胡萝卜上市销售前的重要环节。目前缺陷胡萝卜主要依靠人工分选,具有分选标准不稳定、劳动强度大、成本高等缺点。为了快速、准确、无损地检测缺陷胡萝卜,将机器视觉技术引入到胡萝卜分选过程中,以提高分选准确率和效率。胡萝卜表面缺陷包括青头、弯曲、断裂、分叉和开裂等,缺陷特征互不相同,所以不同缺陷需要不同的检测算法。青头检测利用胡萝卜正常区域与青头区域的颜色差异实现,胡萝卜图像在HSV颜色空间下,利用统计方法确定青头区域H、S和V的判别阈值;弯曲、断裂和分叉识别是根据正常胡萝卜与缺陷胡萝卜之间的形状差异实现,凸壳算法、Hu不变矩和Harris角点检测算法分别用来检测胡萝卜弯曲、断裂和分叉缺陷;开裂检测则是利用胡萝卜正常与开裂区域的纹理差异实现,Sobel水平边缘检测算子、Canny边缘检测算子结合形态学操作实现胡萝卜开裂区域提取。结果表明青头、弯曲、断裂、分叉和开裂的识别准确率分别为100%、91.14%、90.57%、94.57%和95.45%,总体识别准确率达94.91%,满足胡萝卜在线分选精度要求。

深度多分支模型融合网络的胡萝卜缺陷识别与分割

缺陷检测是胡萝卜上市销售前的重要环节,开裂缺陷区域的分割提取是开裂胡萝卜修整的必要条件。基于图像处理的传统的胡萝卜表面缺陷识别算法复杂,通用性、鲁棒性较差。该研究提出一种集胡萝卜缺陷种类识别(C-Net)和开裂缺陷分割(S-Net)为一体的深度多分支模型融合网络(CS-Net)。C-Net将预训练的ResNet-50作为胡萝卜图像特征提取器,分别输出ResNet-50不同卷积层特征,将其作为支持向量机(Support Vector Machine,SVM)的输入训练不同的分类模型,并利用不同策略将其融合以获取最终的分类模型;S-Net将预训练的ResNet-50作为分割网络的编码器,根据不同的分割网络构造思想设计解码器,构造胡萝卜开裂区域分割提取网络。结果表明,C-Net中,ResNet-50第49层输出模型在测试集上的准确率为94.71%,利用Stacking融合方法得到的模型性能最好,在测试集上的准确率为98.40%;S-Net中,根据U-net构造思想构造的网络分割效果最好,分割像素准确率(Pixel Accuracy,PA)、类别平均像素准确率(Mean Pixel Accuracy,MPA)和平均交互比(Mean Intersection over Union,MIoU)分别为98.31%、96.05%和92.81%。该研究构建的胡萝卜缺陷识别分割网络对胡萝卜外观品质的量化评价和表面缺陷的修整具有重要意义。

基于三维湿热传递的玉米籽粒干燥应力裂纹预测

为了揭示热风干燥过程玉米籽粒的应力裂纹形成机理,该文利用图像处理技术构建玉米籽粒的三维几何模型,将湿热传递数学模型与应力模型耦合获得应力信息,并与其屈服应力比较以预测玉米籽粒开裂特性。结果表明:该模型模拟的含水率和温度与试验值的最大误差分别为7.28%和9.64%,可以用于模拟玉米籽粒温度梯度、水分梯度和应力分布变化。干燥过程玉米籽粒的温度、水分梯度和应力表层较大而内部较小,干燥过程玉米籽粒主要受湿应力作用。干燥过程(热风温度40~80℃、相对湿度12%~52%)玉米籽粒的最大应力逐渐减小,其随着热风温度的升高而增大、随着相对湿度的升高而减小。玉米籽粒的最大应力在干燥前期大于其屈服应力而发生开裂,较低的温度和较高的相对湿度可以抑制玉米籽粒在干燥前期形成裂纹。研究结果为预测干燥过程玉米籽粒应力裂纹提供参考。

低湿玉米籽粒的射频加热模拟与试验

为了准确预测射频加热过程低湿(含水率13.0%~20.0%)玉米籽粒的温度分布变化,该研究结合玉米籽粒的多组分结构特征、热物理特性及介电特性的异质性,建立了玉米籽粒的三维二组分物理几何模型和射频加热数学模型,并利用验证后的模型研究不同姿态和含水率玉米籽粒的射频选择性加热。结果表明:射频加热过程中平放玉米籽粒温度的模拟值与试验值最大相对误差仅为3.47%,玉米籽粒中胚的温度高于胚乳,该模型能很好地预测籽粒内部的选择性加热现象。射频加热过程直立玉米籽粒的几何效应最强,显著提高了胚的电场强度和功率密度,导致其优先加热程度最大,其次是斜放和侧立玉米籽粒的,平放玉米籽粒中胚的优先加热程度最小。射频加热过程含水率为13.0%的玉米籽粒中胚与胚乳的温差逐渐增大,而含水率为16.5%和20.0%的玉米籽粒中胚与胚乳的温差先增大后减小;当玉米籽粒被加热至55℃时,含水率为16.5%的玉米籽粒中胚的优先加热程度最大,其次是含水率为13.0%玉米籽粒的,含水率为20.0%的玉米籽粒中胚的优先加热程度最小。研究结果揭示了玉米籽粒的姿态和含水率对其射频选择性加热的影响规律,可为射频加热技术应用于低湿玉米籽粒的热处理过程提供有益借鉴。