Detection Precision of Seedmeter for Large-granule Seeds

A detecting method based on machine vision was put forward to test the performance of seedmeter with corn and soybean seeds as test samples,in which MATLAB software was applied to process image data and analyze the results.The experimental results showed that the mean value of absolute error of the sowing speed for soybean was 0.004-0.68 seed ？ s-1;the mean value of relative error was from 6.5% to 130%,and there were no significant differences of mean value,standard deviation and coefficient of variation of flowing seeds between manual statistics and MATLAB statistics.The machine vision method was proved to be time-saving,labor-saving and no-touching in the seedmeter precision detecting.

基于机器视觉的锂电池缺陷检测研究进展

锂电池作为新能源汽车的核心组件之一,其复杂的制造工艺流程不可避免地引入各种缺陷,严重影响产品的质量,缺陷检测已成为锂电池制造流程中的重要环节,而兼顾了精度与速度优势的机器视觉方法受到高度关注。本文综述了近15年来基于机器视觉的锂电池缺陷检测方法的研究进展。首先简介锂电池表面常见的缺陷类型,阐明视觉缺陷检测的主要流程。然后重点阐述了基于传统图像处理的锂电池缺陷检测方法,对检测流程中的图像预处理、图像分割、特征提取、分类识别4大步骤进行了详细的解释说明,并对比每个步骤中各类方法的优缺点。接着按分类网络、检测网络、分割网络这3类综述了基于深度学习的锂电池缺陷检测方法。随后整理了10个锂电池自建数据集和缺陷检测性能评价指标。最后指出针对锂电池缺陷检测目前面临着诸多方面的技术挑战,并对未来的工作进行了展望。

用图像处理技术检测精密排种器性能

运用计算机图像处理技术 ,建立了精密排种器性能检测系统。通过种子动态图像的详细分析 ,采用图像增强、平滑、锐化及分割等预处理方法 ,有效地提高了图像质量 ;提出了根据种子的面积和种子间距检测精密排种器性能的特征提取方式。检测试验表明 ,检测系统精度满足精密排种器性能检测要求。

基于高速摄像系统的精密排种器性能检测试验

运用高速摄像系统对精密排种器的种子排种过程进行图像采集,将采集的图像进行背景去除、滤波、锐化、二值化等图像处理,提出了根据种子面积和质心位置特征值检测精密排种器性能的方法。在不同的工作参数下对排种精度和播种均匀性进行试验分析。试验结果表明:高速摄像检测和人工检测的排种合格指数相对误差小于1%,变异系数误差小于3%,此方法的检测精度满足精密排种器性能检测要求。

彩色图像边缘特征及其人脸检测性能评价

介绍了一种有效的彩色图像边缘特征提取算法,提出了一种新的边缘方向编码——双轴对称方向编码,利用多重交叉验证的ROC(receiver operating characteristic)曲线对基于颜色及其边缘直方图的SVM(supportvector machine)人脸检测进行平均性能评价.实验结果表明,图像颜色边缘特征比灰度边缘特征具有明显优势.通过分别与RGB三色直方图线性拼接,新的双轴对称边缘方向编码表现出比传统方向编码更好的SVM分类性能.利用颜色及其边缘直方图特征能够明显提高人脸检测性能,分辨出不同光照条件下、不同表情甚至部分遮挡的非深度旋转的彩色人脸.

基于图像处理的机器播种参数检测方法研究

为快速准确地检测机器播种性能,提出了一种基于图像处理的播种机播种性能检测方法。首先,通过信号触发,相机连续获取传送带上的种子图像,并将采集到的连续图像拼接成图像片段。运用大津法自动获取二值化图像阈值,通过阈值分割方法提取种子图像,并利用中值法对二值化图像中的种子数量进行清点。基于二值化图像的纵向、横向投影信息,得出种子阵列宽度、阵列中心、种子阵列间距、非种子间隔的坐标信息。基于以上测量参数计算出条播种、穴播种和精密播种性能相关参数。在某试验田进行实际应用测试,结果表明,该方法对机器播种性能的检测是可行的、有效的。

磁吸式精密播种器性能图像检测技术研究

根据磁吸式精密播种器结构及工作特点,运用机器视觉技术,建立排种性能视觉检测系统。采用摄像头与磁吸头相对静止,伴随排种机构运动的摄取方式,避免图像运动失真;采取图像平滑、分割等预处理方法,有效地提高图像质量;提出基于形态学图像处理的种子特征提取法,通过种子特征判断磁吸头取种情况,由此统计播种器在某一时间段的播种精度,包括单粒率、重播率、漏播率。试验表明,采用该系统进行实时检测,效率高,其漏播识别准确率高达100%、单粒识别准确率达95%以上。

MATLAB在排种器性能检测中的应用

利用MATLAB软件实现对排种器的动态种子流图像进行处理,并对检测结果进行分析。结果表明:基于MATLAB软件的视觉检测精度和检测速度较高,而且该软件使用方便,操作简单,有很广阔的应用前景。

Hough变换在汽车车身缝隙检测中的应用

提出通过检测汽车车身缝隙来评定汽车防雨密封性能的方法,利用CCD摄像机拍摄缝隙图像,采集到计算机中,经过图像处理提取缝隙尺寸信息,评定汽车防雨密封性能。该方法中最重要、最复杂的环节是图像处理过程中的缝隙边缘检测,文中主要讨论在图像处理过程中利用Hough变换进行边缘检测,提取缝隙轮廓信息的方法,并且用Matlab6.0编程实现。

图像处理Hough变换的慢小目标航迹起始方法

针对传统算法难以实现对慢小目标进行有效航迹起始的问题,提出了一种图像处理Hough变换的慢小目标航迹起始方法。引入了最小外接矩形的长宽比(F3)、占空比(F2)和像素值(F1)3个参量值作为Hough变换的加权因子,并运用图像标记技术提取积累区域上述加权因子,最后通过加权Hough变换成功起始慢小目标航迹,提高了雷达对慢小目标的探测性能。仿真结果验证了该算法的有效性。

典型微分算子的图像边缘检测对比研究

基于图像梯度灰度值的微分边缘检测是一种常用的边缘检测方法,其原理是根据图像像素点梯度变化确定图像中的边缘信息,将图像中的边缘轮廓检测出来,可以在保留图像重要信息的同时减少数据量.但不同的微分边缘检测算子在检测的准确性、连续性、边缘宽度以及抑制噪声等方面存在较为明显的差异性.因此,采用典型微分边缘检测方法中的Roberts算子、Prewitt算子、Sobel算子、Laplace算子和Canny算子分别对原始图像和添加噪声并滤波的图像进行边缘检测,其中噪声是方差为0.01的高斯噪声,检测结果显示Canny算子的边缘检测效果较好,且其峰值信噪比为15.035,均方误差为0.038,信噪比为2.837,表明该微分算子抗噪声干扰能力最强,但缺点是所用时间较长,约为0.57 s,是其他算子的5倍以上.

Haar小波数值解原理在图像边缘检测算法中的应用

在计算机视觉领域中,提取出的图像边缘信息不仅可以简要表示整幅图像信息,且能充分体现出物体的特征,因此边缘检测算法的重要性日益凸显。文中针对传统图像边缘检测算法中存在的抗噪性能差和边缘定位不明显等问题,提出了一种基于非均匀Haar小波变换的图像边缘检测算法。利用Haar小波滤波器将原始图像分解为4个子分量图像,其中水平与垂直高频子分量图像采用Canny算子进行边缘检测,低频子分量图像则利用修正形态算子进行形态学边缘检测。然后对处理后的所有子分量图像进行逆向重构操作,从而实现精准的边缘检测操作。最终,基于Lena图像验证了所提算法的性能。实验结果表明,所提算法的峰值信噪比与均方误差分别为6.3338和15217.52,且边缘检测效果明显优于其他相关对比算法。

基于Canny边缘检测算法的绝缘子缺陷图像处理方法

近年来,输电线路绝缘子自爆故障率愈来愈高,给电力系统的正常运行带来了严重威胁。以无人机拍摄到简单背景下的自爆绝缘子图像为研究目标,采用新型Canny边缘检测算法、Radon直线检测算法、图像旋转算法、垂直投影算法来识别绝缘子自爆缺陷。针对传统Canny边缘检测算法存在的图像滤波效果较差、不能自适应调整高斯函数方差等问题,采用自适应平滑滤波取代高斯滤波。利用Matlab R2020a进行仿真实验,结果表明,改进后的图像峰值信噪比平均值比改进前增加了1.8 dB,实现了对传统Canny边缘检测算法在图像抗噪性能方面的改进。

电子元器件缺陷检测技术研究与开发

目前,电子元器件缺陷的检测大多都是对其内部和外部进行检测,内部检测难度比较大,检测参数和检测过程较为复杂、麻烦,而且内部的参数有时候后不能准确地进行检测;而外观缺陷检测大多数只通过人眼或显微镜进行人工观察,效率低下,浪费人力物力;为此通过对电子元器件的内部和外部缺陷进行检测判断是否存在性能参数失效,以及利用数字图像处理技术对电子元器件外观缺陷进行检测和分析。具体地,明确内部参数检测原理和外部检测主要结构与功能,外部检测主要获取图像进行分析,同时,执行图像分割与降噪处理,借助于生成的灰度共生矩阵将纹理特征值计算出来,与预存储缺陷数据进行比对,明确元器件的外部具体缺陷情况。

基于目标区域的卷积神经网络火灾烟雾识别

在场景复杂、干扰较多的情况下,传统的火灾烟雾识别方法的识别性能不高。针对该问题,提出了一种基于目标区域的卷积神经网络火灾烟雾识别方法,构建两层的火灾烟雾识别模型,利用目标区域定位层的运动检测算法对火灾烟雾图像进行烟雾目标区域的提取,快速去除复杂场景的大量无关干扰信息,并将提取的烟雾目标区域输入火灾烟雾识别层,通过卷积神经网络精细提取烟雾的深层特征后进行分类,完成火灾烟雾的识别。实验结果表明,所提方法在复杂环境下的数据集中,抗干扰能力较强,能够有效降低误检率,提高烟雾识别的准确率。