基于改进分水岭-凹点分割的矿石粒径分级检测方法

为了提高混凝土行业的生产质量,需要对矿石大小做粒径分析,传统方法是采用人工筛分处理,需要耗费大量的人力物力,同时,也存在检测时间长和检测精度低等问题;针对这一难题,通过利用计算机视觉技术,提出了一种基于改进分水岭-凹点分割的矿石粒径分级检测新方法;首先,利用图像自适应中值滤波和改进的多尺度形态学处理,提取矿石轮廓特征;其次,采用改进的分水岭分割和凹点分割相结合,获得矿石之间粘连形成的深凹点集合;最后,引入反向链码模板对凹点集进行有效的分离,从而对矿石粒径做出精准的统计分析;实验结果表明,该算法的粒径分级与人工筛分的粒径分级相比较,两者之间的累积误差率在5%以内,具有较高的准确性与实用性,值得大力地推广与应用。

基于改进凹点分割的小麦播种籽粒落种分布在线检测方法

针对播种性能参数人工计算效率低及在线检测软件缺乏等问题,提出了一种基于图像处理的小麦播种时籽粒落种分布在线检测方法,建立了基于连通区域面积和轮廓周长的粘连种子判据,创建了改进凹点分割粘连种子方法,对分割后的种子进行计数与坐标定位,实现落种均匀度、准确度和离散度的计算检测。搭建了落种分布检测装置并开发了检测软件,试验结果表明:在不同播量、播种行进速度条件下,改进凹点分割算法平均准确率均在95%以上,相比凹点分割算法平均准确率有明显提高,说明该方法对种子颗粒总数识别准确率较高;随着播量增加,种子粘连概率提高,出现假凹点几率增大,算法准确率降低;随着播种行进速度增加,图像中种子变形和失真几率增加,导致部分粘连种子难以分割或错误分割,算法准确率亦降低;播量及播种行进速度对落种均匀度、准确度、离散度的影响不显著,与人工计算测量结果吻合,表明了该落种分布检测方法的可行性。

基于ECMM分割法的杂草稻种子在线识别技术

为提高水稻种子质量,剔除杂草稻种子,提出一种基于凹点匹配的粘连分割算法,搭建一种在线形色双选水稻种子识别平台。该平台由排种系统、图像采集系统、传动系统、电机驱动系统构成。该平台算法基于ECMM凹点分割法,首先对采集的图像进行预处理、提取形态因子小于0.4的粘连轮廓,对所提取轮廓的边缘进行一维高斯卷积核平滑处理,并计算平滑后轮廓曲线的曲率及其曲率均值,寻找与曲率均值相差较大的若干个点作为角点。其次,依据矢量三角形面积的正负来判断角点是否为真正的凹点,寻找凹点与前继点、后继点所组成的法线方向的夹角范围(0°~180°),并在此夹角范围内寻找与其相匹配的凹点对,完成粘连分割。该算法平均精度为92.90%,比极限腐蚀法提高19.82个百分点,比分水岭算法提高12.85个百分点。最后,计算分割后图像上各轮廓内的种子长度与R通道像素占比来识别杂草稻种子。经识别平台测试,本文算法每识别100粒种子平均用时0.95 s,平均识别精度为97.50%。

机器视觉在螺母定位中的应用

为解决当前工业生产中人工上下机床物料错误率高的现状,提出了采用机器人来代替人工的设想,并根据设想进行系统的设计。基于Kinect传感器获得的深度图像,利用Canny算法实现螺母的边缘检测,并采用凹点分割、基于Open CV改进的Hough变换、边缘曲率分割的方法。采用Python语言编程,最终成功实现了螺母中心位置的拟合,进而实现了对螺母的定位。

复杂背景的快速人脸检测研究

对于彩色图片,为了能够快速地在复杂背景中检测出多姿态人脸,解决肤色分割后大量粘连的类肤色和肤色区域等问题,在阐述光照和色彩补偿、肤色分割等算法的同时,提出了利用投影法和GLV法相结合的改进算法及利用人的头发来定位人脸的方法。实验结果表明,该方法能够在很短的时间内较为准确地检测出复杂环境中旋转不超过45°的多姿态人脸。因此,具有很好的应用前景。