基于模糊彩色聚类方法的西红柿缺陷分割研究

缺陷的检测一直是应用计算机视觉技术进行水果自动分级的难点。在 HSL颜色模型的基础上 ,提出了基于模糊颜色聚类的缺陷分割方法。将 RGB颜色模型转化为 HSL 颜色模型 ;用三角隶属度函数定义 H、S、L 模糊集 ,进而构成模糊颜色集 ;在模糊颜色的基础上 ,定义模糊颜色相似度测度 ,分析两种模糊颜色的形似性。将该分割方法应用于西红柿的缺陷分割 ,试验表明 :准确率达 96%。

基于图像的圣女果表面缺陷检测

研究圣女果表面缺陷准确检测的方法。在圣女果采摘的过程中,如何按照圣女果表面的缺陷对圣女果等级进行划分,已经成为圣女果相关产业中需要研究的核心问题。利用传统的图像检测方法,很难对圣女果表面的细微缺陷进行准确的检测,从而难以保证圣女果的品质。为了避免上述传统算法的弊端,提出了一种基于表面缺陷定位算法的圣女果表面缺陷检测方法。计算圣女果图像中的表面缺陷区域像素,从而为圣女果表面缺陷检测提供依据。利用表面缺陷定位方法,获取圣女果表面出现缺陷的区域的空间位置。实验结果表明,利用本文算法进行圣女果表面缺陷检测,可以极大地提高检测的准确性,从而满足实际农业生产的需求。

基于YOLOv4模型剪枝的番茄缺陷在线检测

为解决番茄缺陷检测过程中的精确性和实时性问题,该研究提出一种基于模型剪枝的番茄表面缺陷实时检测方法。采用模型剪枝的方法在YOLOv4网络模型基础上进行模型优化,首先将3个连续检测工位采集的RGB图像拼接生成YOLOv4网络的输入图像,然后采用通道剪枝和层剪枝的方法压缩YOLOv4网络模型,从而减少模型参数,提高检测速度,最后提出一种基于L1范数的非极大值抑制方法,用于在模型微调后去除冗余预测框,从而精准定位图像中的缺陷位置,并将模型部署到分级系统上进行实时检测试验。结果表明,该研究提出的YOLOv4P网络与原YOLOv4网络相比,网络模型尺寸和推理时间分别减少了232.40 MB和10.11 ms,平均精度均值(Mean Average Precision,mAP)从92.45%提高到94.56%,能满足实际生产中针对缺陷番茄进行精准、实时检测的要求,为番茄分级系统提供了高效的实时检测方法。

圣女果表面缺陷检测与分级系统研究

设计了一种基于机器视觉的圣女果表面缺陷检测与大小分级系统。该系统集图像采集、图像处理与识别及机器人分拣于一体,实现了对图像进行滤波、二值化、边缘检测和定位识别;提出了基于Sobel与分数阶微分的边缘检测算法,通过比较7种不同算法对同一批圣女果分拣的效果,检验新算法的有效性。实验结果表明:所提算法可以有效地检测圣女果缺陷并对圣女果进行大小分级,综合分级准确率为98.4%,具有很好的应用前景。

加工番茄虫眼及霉变的可见近红外高光谱成像检测

为了探求一种快速有效识别虫眼和霉变加工番茄的无损检测方法,利用高光谱成像技术,从光谱和图像2个角度对其进行检测。先借助可见近红外高光谱成像系统获取408~1 013nm的加工番茄高光谱图像数据,提取并分析感兴趣区域的平均光谱曲线进行主成分分析,根据各波段权重系数优选了550,750,900nm 3个特征波长;然后通过特征波长下图像的主成分分析,选择缺陷部位与正常区域强度对照最明显的第一主成分图像,通过掩模、阈值处理和形态学开运算等图像处理方法对缺陷番茄进行检测判别。虫眼、霉变和正常三类番茄的识别率分别为93.3%,90%,100%。同时利用上述3个特征波长进行波段比图像运算,并选择波段比550nm/750nm图像进行缺陷识别,虫眼、霉变和正常三类加工番茄的识别率分别为93.3%,96.7%,100%。研究结果表明,二次主成分分析和波段比检测算法均可以有效地识别缺陷加工番茄。另外研究中仅选用了3个特征波段,数据量大大减少,为搭建开发适于加工番茄缺陷的多光谱在线检测系统提供了可能。