机器视觉技术在谷物识别与分级中的研究进展
计算机视觉技术在粮食品质检测中的研究应用
该技 术对颗粒 状农 产品进 行分类 检 验是 当前 国内外 研 究的热 门话 题 ，并 越来 越广泛 地被 应用 于谷物 品 质 检测。该技术 是通 过计 算机对 获取 的图像进行 分
作 为实验背景 色。常用 的图像获 取方式 ， （ ） 过 １ 通 数码相机拍摄 。这种方 法 比较简单 ，图像 清晰度高 ， 移动性强 。缺点是获取得 到的 图像容 易倾斜 、畸变 ， 光 照不均 匀而 出现 阴影 等现 象 ，这 就增 加 了 图像 预 处 理 的困难 。在 通常 情况 下较 常选 用分 辨 率较 高 ，
又 可 以得 到一 些无量 纲 的形态 特征 ，如分散度 、圆
形度 和伸 长度 等。纹理 特征 反映 的是 图像 中相邻像
素 的灰度 或颜 色 的空 间相关 性 ，包 括能量 、熵 、对 比度 、惯性矩 和 局部平 稳性 等局 部极值 、共生矩 阵 和分形维数等 。色彩特征包括 Ｒ Ｂ颜色空间 中的 Ｒ、 Ｇ Ｇ、Ｂ分量均 值 和方 差 ，Ｈ Ｓ 色空 间 中 的 Ｈ、ｓ Ｉ颜 、１ 分量均值和方差等 。
视觉 有关 的任务 。同时 ，机 器视 觉可 以看 作是从 三 维环 境 的图像 中抽 取 、描 述和解 释 信息 的过 程 ，它
在 图像 的获取 方面 ，首先 要选 择合适 的拍摄 背 景 ，常用 的拍 摄 背景有 白色纸 、黑 色反 光纸和黑 色
不反 光纸 ，经 大量 的实 验证 明 以黑色不 反光纸作 为
中图分类号 ：ＴＰ ９ ．： Ｓ １．１ ３ １ Ｔ ２０７ ４ 文献标识码 ：Ａ 文章编号 ：１ ７ ￣ ８ ６（ ０ １ ０ － ０４ ０ ６４ ４９ ２１ ） ６ ０５－ ６
基于机器视觉的粮食质量检测与分析技术研究
基于机器视觉的粮食质量检测与分析技术研究第一章研究背景随着我国粮食生产的快速发展，粮食质量问题日益凸显。
粮食质量检测一直是保证人民生活安全和国家经济发展的重要措施。
传统的粮食质量检测主要依靠人力视觉检测，检测效率低，存在误差大等问题。
利用机器视觉技术对粮食进行质量检测，不但能够提高检测效率，而且可以有效减少误差。
因此，基于机器视觉的粮食质量检测与分析技术研究值得深入探究。
第二章机器视觉技术的原理机器视觉是利用计算机及相关传感器，对图像进行采集、处理和分析，从而实现对物体的识别、检测和定位等功能的一种控制技术。
机器视觉系统主要由图像采集、图像预处理、特征提取和分类识别四个部分组成。
图像采集是机器视觉系统的基础，能够获取粮食的图像信息；图像预处理是将原始图像进行处理，尽可能地提取有意义的信息，并去除噪声干扰；特征提取是将处理后的图像转化为有用的特征信息；分类识别是将特征信息进行分类，从而实现对粮食质量进行检测。
第三章基于机器视觉的粮食质量检测技术基于机器视觉的粮食质量检测技术主要有颜色、形状和纹理等多种特征属性。
其中，颜色特征是最常用的一种，通过对图像颜色的分析，可以有效地判断粮食的成熟度和外观表现；形状特征则主要用于对粮食形状的几何分析，从而判断粮食的完整性和品质；纹理特征是通过对粮食表面的纹理进行分析，判断粮食品质的优劣。
通过综合应用这些特征属性，可以实现对粮食的快速、准确检测。
第四章粮食质量检测实验的研究方法本文利用基于机器视觉的粮食质量检测技术，在实验室环境下，对大米、小麦等粮食进行质量检测研究。
实验步骤如下：首先，采用图像采集设备获取粮食图像；然后，对采集的图像进行预处理和特征提取；最后，利用分类器对处理后的图像特征进行分类，以判断粮食的质量。
第五章实验结果分析通过实验测试，本文证明了基于机器视觉的粮食质量检测技术在科学、准确和高效三个方面的优越性。
实验结果表明，该技术能够通过对颜色、形状和纹理等多方面特征属性的综合分析，实现对粮食质量的准确评估。
基于机器视觉的农产品分选技术研究
基于机器视觉的农产品分选技术研究一、引言随着人们生活水平的不断提高，对于农产品的检测和分选质量也越来越高。
如何利用技术手段提高农产品的质量与效率是当今社会亟待解决的问题。
机器视觉技术在农产品分选中的应用已逐渐成为热点问题，本文就基于机器视觉的农产品分选技术进行研究和探讨。
二、机器视觉技术介绍机器视觉技术是研究如何使机器获取和处理数字图像的学科，和其他人工智能技术相结合，能够提高农产品的分选生产效率。
机器视觉技术通过光源、图像采集系统、显微镜、计算机等主要技术手段，对农产品品质特征进行检测分析，为农产品的精准分选提供了可靠保障。
三、机器视觉技术在农产品保鲜中的应用1、农产品检测农产品检测是利用机器视觉技术针对农产品进行检测，以实现快速、准确的分选。
利用机器视觉技术可以大大提高农产品的品质和市场竞争力。
比如在花卉种植场中，利用机器视觉技术可以检测花卉的颜色、形状和大小等特征，实现花卉的自动分选。
2、农产品排序机器视觉技术也可以在农产品排序中发挥作用，实现小麦和水稻等农产品的分选。
机器视觉技术可以分析不同物种的形态特征和色泽等，针对不同品种的农产品进行精准分类和分选。
比如在水稻收割时，机器视觉可以通过采集的图像进行分析，然后根据不同品种进行分类和分选。
3、果蔬表面缺陷检测机器视觉技术能够检测果蔬表面的病虫害，对于畜禽产品破损、变质等计数的分选也是十分有效的。
比如在蔬菜批发市场中，利用机器视觉技术，可以对菜叶形态、菜肉质量、颜色等特征进行分析，检测到商品上的病虫害，从而筛选出优质的商品。
四、机器视觉技术的优势1、精准高效通过机器视觉技术，可以直观准确的对农产品的品质进行快速分析，从而选出最佳的农产品。
2、实时反馈机器视觉技术可以实时检测农产品的品质，能找到快速的问题，并及时进行反馈，保证农产品的质量。
3、安全节约采用机器视觉技术能够取代人工分选，能够降低人工成本和时间成本，从而提高农产品的利用效率。
五、机器视觉技术的发展前景随着农产品质量标准不断提高和生产效率不断提高，机器视觉技术将在农业中扮演更重要的角色。
基于机器视觉的谷物品种识别研究进展
基于机器视觉的谷物品种识别研究进展1. 引言机器视觉是一门研究如何使计算机能够“看”的技术，可以模仿人的视觉系统，实现对图像和视频的理解与处理。
随着计算机视觉和人工智能的快速发展，机器视觉技术在农业领域得到了广泛应用。
其中，谷物品种识别是一项重要的研究方向，可以帮助农民提高生产效率和品种选择准确性。
本文将就基于机器视觉的谷物品种识别的研究进展进行探讨。
2. 图像处理与特征提取2.1 图像预处理图像预处理是谷物品种识别中的关键步骤，其目的是去除图像中的噪声和干扰，使得图像能更好地进行分析和处理。
常用的图像预处理方法包括去噪、模糊、对比度增强等。
2.2 特征提取特征提取是机器视觉中的核心任务之一，它通过对图像进行分析并提取具有代表性的特征，从而实现对谷物品种的区分。
常用的特征提取方法包括颜色特征、纹理特征、形状特征等。
3. 基于机器学习的谷物品种识别机器学习是谷物品种识别中常用的方法之一，它通过训练模型实现对不同谷物品种的判别。
常用的机器学习分类方法包括支持向量机、神经网络、决策树等。
研究人员通过构建合适的特征向量和训练数据集，建立起具有较高准确性的谷物品种识别模型。
4. 基于深度学习的谷物品种识别深度学习是近年来发展迅猛的人工智能领域，其在图像识别中取得了巨大成功。
基于深度学习的谷物品种识别利用深度神经网络模型通过对大量样本数据的学习和训练，实现对谷物品种的自动识别。
该方法不需要人工提取特征，能够从原始图像中自动学习和提取特征，具有较高的识别准确性和鲁棒性。
5. 实验应用与展望基于机器视觉的谷物品种识别已在实际应用中取得了一定的进展。
研究人员通过大量的实验数据验证了机器视觉在谷物品种识别中的有效性和可行性。
然而，仍存在一些挑战，如光照条件的变化、背景干扰的处理等。
因此，未来的研究方向包括提高算法的鲁棒性、优化模型的性能以及进一步扩大研究样本的规模。
结论基于机器视觉的谷物品种识别是一个重要的研究领域，具有广阔的应用前景和挑战。
基于机器视觉的农业作物检测与分类研究
基于机器视觉的农业作物检测与分类研究随着科技的不断进步和人工智能的快速发展，机器视觉技术在各个领域中的应用也越来越广泛。
其中，基于机器视觉的农业作物检测与分类研究成为了当前热门的课题之一。
本文将从图像采集、特征提取、分类算法和应用场景等方面进行探讨。
首先，图像采集是基于机器视觉的农业作物检测与分类研究的重要环节。
传统的图像采集方式主要依靠人工进行，但这种方式效率低下且易受主观因素的影响。
而基于机器视觉的图像采集则可以实现自动化和高效率。
通过使用无人机、机器人等设备，可以对农田进行全方位的拍摄，获取大量的农作物图像数据。
此外，还可以通过红外相机等特殊设备获取植物的热量分布情况，为后续的特征提取和分类算法提供更多的信息。
其次，特征提取是基于机器视觉的农业作物检测与分类研究的核心环节。
通过对农作物图像数据进行处理和分析，提取出具有代表性的特征，是实现作物分类的关键。
常用的特征提取方法包括颜色特征、纹理特征和形状特征等。
颜色特征可以通过对图像像素值的统计和分析得到，纹理特征可以通过对图像的局部纹理模式进行提取，形状特征可以通过对图像的边缘和轮廓进行提取。
这些特征可以从不同的角度反映农作物的生长状态和特征，为后续的分类算法提供有效的输入。
第三，分类算法是基于机器视觉的农业作物检测与分类研究的关键环节。
根据特征提取得到的特征向量，可以使用不同的分类算法对农作物进行分类。
常用的分类算法包括支持向量机（SVM）、人工神经网络（ANN）、决策树和随机森林等。
这些算法可以根据特定的训练样本，通过学习和训练，建立起分类模型，实现对农作物的自动识别和分类。
同时，还可以结合深度学习的方法，使用卷积神经网络（CNN）等模型进行农作物的自动分类和识别。
最后，基于机器视觉的农业作物检测与分类研究在实际应用中具有广阔的前景。
通过对农作物的生长状态和特征进行检测和分类，可以实现对农田的智能化管理和农作物的精准养殖。
例如，可以根据农作物的生长情况，及时调整灌溉、施肥和植物保护等措施，提高农作物的产量和质量。
机器视觉在农业领域的应用
机器视觉在农业领域的应用近年来，随着人工智能技术的不断发展与普及，机器视觉在农业领域的应用也越来越受到重视。
机器视觉技术是指通过计算机进行图像和视频的处理和分析，从中提取有价值的信息并作出决策。
在农业生产中，机器视觉技术的应用可以帮助农民提高作物的产量和质量，并有效解决劳动力不足的问题。
一、机器视觉在农田监测中的应用机器视觉技术可通过相机、传感器、机器人等设备对农田进行实时监测，例如：测量土地含水量、土地营养成分、病虫害种类、土壤紊乱情况等问题。
同时，也可以通过机器视觉识别作物的成长状态，预测未来的潜在问题并及时采取措施走预防、改善的道路，这样就可以有效的降低农民的生产费用并增加收益。
二、机器视觉在作物智能喷洒中的应用智能喷洒系统最早是通过GPS和高精度传感器技术实现的，但由于其价格高昂并且对硬件依赖性较强，限制了其发展。
机器视觉技术的普及使智能喷洒系统更加具有成本效益，并且更加高效。
机器视觉技术可以通过对图像的分析来鉴定作物的位置和状况，根据专业知识可得出喷洒液的种类、浓度及喷洒路线，减少了单调重复的体力劳动，提高了喷洒效率。
三、机器视觉在果蔬行业分级技术与质检中的应用农业生产中对果蔬的质量有着非常高的要求，同时也需要对果蔬进行分级。
早期的果蔬分类往往依靠人工判断和眼力，效率低下且受主观因素影响。
而机器视觉技术可以通过图像识别检测，将果蔬按照大小、颜色、形状等特征分类，并进行质量监控，自动判定并处理次品，提高了处理效率。
四、机器视觉在温室种植中的应用温室种植具有节约土地资源、控制害虫疫情、提高收益等优势。
但其对于掌握植物生长、调节环境温度等技术参数要求较高。
机器视觉技术可以对温室内的温度变化、植物的成长情况进行智能监测，为农民提供最佳的生产环境，提高收益，并节省了能源消耗。
总之，机器视觉在农业领域的应用，对于提高农业生产效率、减少人工成本、增加农民收益具有重要的意义；并且，随着智能技术的不断发展，机器视觉在农业行业领域的应用还有很大的进步空间。
机器视觉在我国农业中的应用研究进展分析
机器视觉在我国农业中的应用研究进展分析一、内容概要随着科技的不断发展和创新，机器视觉作为计算机科学、图像处理、模式识别等多个学科交叉领域的高级技术，已经在许多行业中得到了广泛的应用。
而在我国农业领域，机器视觉技术的应用也日益广泛，为农业生产带来了许多便利和效益。
二、机器视觉原理及技术随着科技的不断发展，机器视觉技术在农业领域的应用也愈发广泛。
机器视觉是一种模拟人类视觉系统的技术，通过机器来获取和处理图像信息，实现对物体或环境的感知和理解。
在农业领域，机器视觉的原理由19世纪天文学的发展而产生。
经过一个多世纪的研究和发展，目前机器视觉在农业上的应用已进入实用阶段，主要用于作物病害检测、农作物生长监测和农业机械自动化等方面。
机器视觉系统主要由图像采集、处理和输出三个部分构成。
图像采集部分包括光学成像装置（如摄影机、摄像头等），用于捕获图像；预处理部分主要包括图像增强、滤波和锐化等操作，以改善图像质量；图像处理部分主要对图像进行特征提取和模式识别等操作；输出部分负责将处理后的结果以一定的形式展示给用户。
图像预处理是机器视觉系统中重要的一环，它直接影响后续的特征提取和模式识别效果。
常用的图像预处理方法有直方图均衡、噪声滤波、边缘检测和对比度增强等。
这些方法可以有效地改善图像的质量，为后续处理提供良好的基础。
特征提取是从图像中抽取关键信息的过程，是机器视觉系统的核心任务之一。
常用的特征提取方法有几何特征（如角点、边缘等）、统计特征（如像素值、纹理等）和模型特征（如形状上下文、代数特征等）。
通过提取有效的特征，可以为后续的模式识别和分类提供依据。
模式识别与分类是机器视觉的基本功能之一，其目标是将未知的图像映射到已知的类别中。
常用的模式识别方法有统计模式识别、结构模式识别和机器学习等方法。
根据识别的结果，可以对农业场景中的物体或环境进行自动分析和判断。
传统的作物病害检测方法主要依赖于人工观察，费时费力且易出错。
玉米品质性状计算机视觉识别与评价研究进展_周志强
标 , 建立了相应的隶属函数. 权龙哲等
利用图
像标记法, 实现了在含有众多散放玉米籽粒的图 像中对单个籽粒的有效拾取, 分析并设计了单个 籽粒图像的形心及边缘曲线的提取方法, 研究了 利用 co if5 小波来识别玉米籽粒尖顶的方法 , 提高 了识别的准确率及精度. 闸建文等
[ 16]
轮廓线 , 得到玉米籽粒应力裂纹的图像. 分析应力 裂纹的图像 , 通过搜索二维逻辑矩阵 , 统计出了裂 纹的条数. 史智兴等
[ 7]
通过对不同品种玉米籽粒
84
河南工业大学学报 ( 自然科学版 )
第 32卷
[ 15]
数字图像信息的分析对比, 发现玉米籽粒白色部 分 ( 胚部 )与黄色部分 ( 冠部 ) 的面积、 颜色等信息 可以作为识别玉米品种的特征 . 采用基于支持向 量机的遗传算法结合 SPSS 统计软件进行试验验 证 , 得出玉米籽粒白色部分与黄色部分的面积比 例、 黄色部分的蓝色分量与饱和度在玉米品种识 别方面具有显著 价值. Z ayas 等 借助于一 系列 形态学参数从破损的玉米籽粒中提取出完整的籽 粒 , 用 SAS 程序中的统计学判别函数来进行外形 判别分析. 结果表明, 玉米籽粒的形态学参数能够 准确地将完整玉米从破损玉米中分离出来. 但采 用这些技术只有在时间极少限制或没有限制的情 况下才是可行的 . Ru iz A ltisenta 等
[ 33 34]
1 . 3 计算机视觉技术在玉米应力裂纹检测中的 应用 裂纹率是影响干燥后玉米品质的一个重要指 标 , 应力裂纹的存在严重影响玉米的品质 : 一是在 后续输送和加工过程中易产生破碎 ; 二是裂纹玉 米使玉米湿法加工淀粉得率降低 ; 三是裂纹玉米 在贮存过程中易吸湿、 霉变和产生病虫害 ; 四是食 品加工中 ( 如玉米片的加工 ) 不 能使用有裂纹的 玉米; 五是有裂纹玉米降低玉米等级 ; 六是裂纹玉 [ 24] 米会降低种子发芽率 . 因此, 研究玉米应力裂 纹的检测方法具有重要意义. 常规的玉米裂纹检 测方法主要有光照法、 化学法、 射线法等 . 这些方 法过程复杂、 耗时, 而且化学法、 射线法等是破坏 性检测, 不适于对所有样品进行检测 . 近年来, 数 字图像处理技术已经广泛用于各类产品的质量检 测和控制, 同时也逐渐成为物体表面裂纹检测的 [ 25 28] 一种有效办法并得到了广泛应用 . 张杰
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
收稿日期:2001-11-27作者简介:郭文川(1969-),女,讲师,在职博士研究生机器视觉技术在谷物识别与分级中的研究进展郭文川 讲 师 郭文川,朱新华(西北农林科技大学机电学院,陕西杨凌 712100)摘 要:机器视觉技术在农产品品质检测方面的研究和应用发展迅速,为了能充分了解国内外在谷物方面的研究状况,综述了机器视觉技术在大米、小麦、玉米以及其它谷物的识别和分级中的研究进展。
关键词:机器视觉;谷物;识别;分级中图分类号:T S 210.7 文献标识码:A 文章编号:1003-6202(2002)06-0050-02Research Progress of Machine Vision Technology in Grains Identification and classificationABSTRAC T In or der to fully understand the research and application situation o f machine vision ing rain quality deter mination,w hich is developing fast,as a reference to researchers this paper summarizes the research progress of machine vision techno logy in the identification and classification of rice,cor n,wheat and other grains.KEYWORDS machine vision;g rain;identificat ion;classification 1 引言机器视觉技术是20世纪70年代初期崭露头角的。
随着图像处理技术的专业化与计算机成本的下降和速度的提高,机器视觉技术已广泛地应用于各个领域。
农产品在生长过程中易受到人为和自然等复杂因素的影响,产品品质差异性较大,这使得人工进行品质评价、品种识别和分级的精度和劳动效率显著降低。
而机器视觉系统因其速度高、信息量大、功能多的特点在农产品品质检测、品种的识别和分级中得到广泛应用。
2 机器视觉技术在谷物识别及分级中的研究状况211 在大米中的研究进展从20世纪80年代开始,国外学者把机器视觉技术应用于大米识别和分级的研究中。
日本大学森岛博教授从1983年开始对大米机视识别和分级进行广泛的研究。
研究了同品种大米中整粒、碎粒、异色粒、有裂痕粒的识别和分级方法,以及不同品种大米的识别方法,并形成了一整套理论体系。
Reid J F 等人[1]用机器视觉技术对大米粒的应力裂纹进行了研究。
许俐等人[2]通过计算机图像处理与色度学理论的有机结合,研究了染色后大米的胚乳、皮量以及胚芽所呈现的不同颜色特征和区分方法。
确定了谷物大米加工与图标分级的定量关系,从而提出了大米加工精度的自动检测方法。
黄星奕等人[3]提出了用计算机视觉系统代替人眼对大米胚芽进行自动识别的方法。
通过对胚芽米颜色特性和彩色图像的分析研究,提出以饱和度S 作为特征参数进行胚芽和胚乳的识别,从而实现了对大米留胚率的自动检测。
212 在小麦分级中的研究进展国内外对小麦的识别和分级研究得较晚。
U tku H 等人在1998年为分级小麦品种,研究了图像处理软件包。
在处理数字化小麦中,图像缺点和尘粒可能显著降低边缘检测算法性能。
该软件应用中值滤波技术以消除这些杂质并弄平麦粒表面。
还应用了等级滤波技术以检测麦粒的边界条件。
得出的边界条件与椭圆拟合,确定了特征参数。
结果表明:31个小麦品种的分级率为69%。
Zayas I Y 等人[4]研究了应用数字图像技术识别散装小麦样品中的害虫。
M ajumdar S 等人[5]研究了根据谷粒的质地和颜色特征用数字图像分析算法区分散装加拿大西部红春小麦(CWRS)、加拿大西部琥珀色硬质小麦(CWAD)、大麦、燕麦和黑麦粒。
散装样品的质地特征由图像的不同颜色或色带组合得到,用以决定给出最高谷粒区分准确率的颜色或色带的组合。
当用散装样品的颜色特征在独立的数据系列中区分谷粒时,其平均准确率为100%。
W ang D 等人[6]应用测量400~2000nm 反射光谱的光辐射测量系统,定量研究了6种小麦的单粒颜色。
同时应用神经网络(N N )研究单粒小麦的颜色分级。
NN 采用离散特征选择法和主矢量分析法使输入数据数量减少。
两种情况下的分级精度分别为98.8%和98%。
P aliwal J 等人[7]建立了用以区分加拿大西部红春小麦和加拿大西部琥珀色硬质小麦以及大麦、燕麦和黑麦粒的机器视觉算法。
该算法分类的精确度分别为100%,94%,93%,99%和95%。
Luo X 等人[8]为了应用从谷粒样品图像获得的形态和颜色特征分级谷粒,使用了两种统计分级器和一种神经网络来分级谷粒,并对试验进行了比较。
对于谷粒的分级以及加拿大西部红春小麦完好、受损粒的分级,K 最近邻域统计分级器和多层神经网络(M NN )分级器得出了相似的结论。
该分级器具有15个形态特征和13个颜色特征,其对加拿大西部红春小麦和加拿大西部琥珀色硬质小麦以及大麦、黑麦和燕麦平均分级精度分别为:98.2%,96.9%,99.0%,98.2%和99.0%。
213 在玉米分级中的研究进展Gaunasekaran S 等人[9]对玉米籽粒应力裂纹机器视觉无损检测技术进行了研究。
结果表明:当光线入射空直径为2.4mm,背景为黑色,入射光为白色光时,所采集的图像中,玉米籽粒应用裂纹处与其它部位的像素灰度值具有很大的差异,故可以用高速滤波法将其识别出来,其检测精度为90%。
L iao K 等人[10]将玉米种子图像的形态用34个设计参数来描述,其中包括6个沿周边的最大曲率,13个沿主轴的对称比,1个外形圆度与主轴长度比,1个面积值及3个垂直50粮食与饲料工业/2002年第6期 C EREAL &FEED IND USTR Y /2002,N o.6于主轴的副轴长度的比,做为神经网络的输入变量,输出为种子形态的5种分类。
通过研究神经网络模型分类精度可达91%以上。
随后又研究了用机器视觉网络分级器来分级破损的玉米粒,并于1994年得出与玉米籽粒质量有关的颜色特征,包括玉米粒特定区域的平均R,G,B值或H(色调), S(饱和度)和I(亮度)值等。
研究表明:在R、G、B色彩辨别方面,白色和黄色玉米粒之间的B值差异最大,G值次之,而R值的差异则最小。
而在HSI色彩辨别方面,根据H值来区分黄色和白色的玉米粒最为容易。
只要经过合适的标定,该系统的精度和速度都要比以往的方法高,处理速度约为每1.3s处理12个籽粒,这为大规模、工业水平的谷物质量自动化检测系统的开发打下了一定的技术基础。
Ng H F[11]从玉米粒图像提取绿染料着色的损伤面积,并计算玉米粒着色表面占总投影面积的百分比,应用单粒分析和分批分析确定玉米粒的机械损伤。
提取玉米粒图像中的发霉面积,并计算霉菌覆盖的玉米粒表面总投影面积的百分比。
应用单粒分析以确定发霉损失。
这种机器视觉系统用于测定玉米粒的机械损伤和发霉损失,具有很高的精度和一致性。
机器视觉系统测量值的标准偏差小于平均值的5%。
同时得出了使用灰度参照权得出照明变化引起的颜色变化。
从光谱反射模型导出方程。
根据此方程计算R、G、B 每个通道颜色变化的程度。
这些数值形成一个变换矩阵,应用该矩阵变换图像的R、G、B值,以补偿颜色的变化。
为证明在照明变化时这种颜色标定方法的效率,进行了霉变玉米粒颜色分级的一组试验。
Ni B等人对玉米的识别和分级进行了系统的研究。
首先设计和建立了用于自动检测玉米粒的原型机器视觉系统[12]。
过滤光用于消除由于玉米粒的移动而产生的图像中的模糊。
检测了随机方向上的整粒和破损的玉米粒,其成功区分率分别为91%和94%。
同时应用该机器视觉系统鉴定顶部形状不同的玉米粒。
为了区分凸形冠顶、光滑凹形冠顶和非光滑凹形冠顶玉米粒,找到了一种不用结构光而通过图像处理的方法获得玉米籽粒的三维信息的可行技术,并发现不同形状的玉米籽粒其图像灰度曲线有明显的差异。
该系统同人工检测相比,其检测精度为87%。
处理时间为1.5~ 1.8s/粒。
随后研制了玉米粒粒度分级电子系统[13]。
获得了玉米粒长度、宽度和投影面积而不受玉米粒方位的限制。
将粒度分级算法的性能与用精密圆孔种子分级机的分级结果进行了对比,该分级系统的平均分级精度达到74%~ 94%。
农产品的表面颜色是反映农产品品质的一个重要特征。
L iu J等人[14]对玉米粒的白度进行了定义,建立了快速、准确简易玉米白度的测量方法。
对大范围颜色变化的63个玉米样品的白度值进行了测量,并提出了代表性的结果)))白度值能定性地和可靠地表示玉米粒颜色的差别。
214在其它谷物中的研究进展Purchase L V[15]应用机器视觉技术研究了大麦种子的快速鉴定系统。
Chtioui[16]应用机器视觉的粗大理论作为分类工具用以评价食用豆子的质量。
为了区分可接收的、破裂的、破损的、小的、异类的豆子和石头,提出了两个不同离散化方法即相同或等频率间隔的粗大分类器。
日本研制出大豆的颜色分选机。
该机根据颜色对大豆进行分选,分选精度高,加工能力为350kg,前后两个照像机将大豆分选进16个箱内[17]。
3结语目前,国外用机器视觉技术进行农产品品质自动识别的研究对象极其广泛。
例如对果品、蔬菜的识别和分级系统研究较多,而且有一部分研究成果已经被应用于实际的生产中,而对谷物的识别和分级还处于初级阶段,这主要是受人们观念的影响。
认为在谷物的识别和分级中,对大米的研究还有一定的价值,是因为大米的品质和精度等级直接决定其销售情况。
而小麦由于一般要磨成粉,因此,消费者不关心其品质及等级。
而玉米由于绝大部分是作为饲料,因此更无研究的必要。
正是由于诸多原因使得机器视觉技术在谷物品种、品质识别以及分级方面的研究很缓慢。
大米、小麦、玉米有许多品种,不同的地域适合种植不同的品种,不同的生产目的要求不同的品质。
例如,生产方便面需要高蛋白、高筋力的小麦品种,品质不合要求会影响方便面的质量。
因此,品种、品质的鉴定非常重要。
人工鉴定易受各种因素的影响,有很大的局限性。
同时,作为农产品的种子,其品质鉴定和分级同样十分重要。
应用机器视觉技术可以将种子中的异类挑出,保证了种子的纯度。
同时,将影响种植效益的劣种剔除可以大大提高生产效益。
总之,机器视觉技术在谷物的识别和分级方面的研究有待于进一步的加强。
同时,应加大力度将新技术应用于实际生产中,以最终提高生产效益。
主要参考文献[1]Rei J F,et puter Vision Sensing of Stress Cracks in CornKernels[J].Trans of the AS AE,1991,34(5):2226~2244. [2]许俐1大米加工精度的图像设别方法[J].农业工程学报,1996,12(3):172~175.[3]黄星奕1计算机视觉在大米胚芽识别中的应用[J].农业机械学报,2000,31(1):62~65.[4]Zayas I Y,et al.Detection of Insects in Bulk Wheat S amples w ithM achine Vision[J].T rans of AS AE,1998,41(3):883~888. [5]M ajumdar S,et al.Classification of Bulk Samples of Cereal Grai nUsing M achine Vision[J].J Agric Engng Res,1999,73:35~47.[6]Wang D,et al.Single Wheat Kernel Color Clas s i fication UsingNeural Netw orks[J].Transacti on of the ASAE,1999,41(1): 233~240.[7]Paliwal J,et al.Grain Kernel Identification Using Kernel Signa-ture[J].T ransaction of the ASAE,1999,42(6):1921~1924.[8]Luo X,et parision of Statistical an d Neural Netw orkM ethods for Classification C ereal Grains Using M achine Vision [J].Trans of the ASAE,1999,42(2):413~419.[9]Gaunasekaran S,et al.Image Processi ng for Stress Cracks i nCorn Kernels[J].Trans of the ASAE,1987,30(1):266~271.[10]Liao K,et al.Corn Kernel S hape Identi fication by M achine V-isi on Using a Neural Netw ork Clas sifier[C].ASAE Paper,927017.[11]Ng H F,et al.M achine Vision E valuation of Corn Kernel M e-chanical and M old Damage[J].Trans of the ASAE,1998,41(2):415~420.[12]Ni B,et al.Desi gn of an Auti omatic Corn Kernel Inpection S ys-tem for M ach i ne Vision[J].T ransaction of the ASAE,1997,40(2):491~497.[13]Ni B,et al.Size Grading of Corn Kernels w ith M achine Vision[J].Appli ed Engineering i n Agriculture,1998,14(5):567~571.[14]Liu J,et al.Corn W hiteness M easurement and Classi ficationUsing M ach i ne Vision[J].T ransaction of the ASAE,2000,43(3):757~763.[15]Purchase I V.Rapid Identification of Barely Varieties by M a-chine Vision Exam i nation of Seed[J].HGCA-Project-Re-port,1991,33:65.[16]Chti oui Y,et al.Rough Sets Theory as a Pattern Classi ficationTool for Quali ty Assessment of Edible Beans[J].T ransaction ofthe ASAE,199,42(4):1145~1152.[17]大豆颜色色选机[N].农机新闻,2000-01-11,-13.(责任编辑:黄小平)51郭文川等:机器视觉技术在谷物识别与分级中的研究进展/2002年第6期。