高斯拉普拉斯算子检测马铃薯斑点缺陷研究
CARS_SPA算法结合高光谱检测马铃薯还原糖含量_姜微
图像；Id-黑色图像。
1.4 数据预处理
为减弱或消除基线漂移、散射等非目标因素
对光谱影响，对高光谱成像仪采集光谱预处理 。 [13]
分别对原始光谱采用平滑 13 点、最大值归一化、基
线校正、正交信号校正和标准化等预处理，并依次
比较原始光谱和预处理后光谱对定标模型影响，以
系数最大、均方根误差最小原则，确定预处理方
共制备 238 个样本，比色法测定马铃薯还原糖含量，选择 190 个样本作校正集，48 个样本作验证集，与全光谱和经
典变量提取方法比较。结果表明，CARS-SPA 算法筛选波段效果最佳，相比于全谱建模其参与建模波长点由 203 个
利用机器视觉检测马铃薯外部品质方法综述
利用机器视觉检测马铃薯外部品质方法综述赵军;田海韬【摘要】马铃薯外部品质检测对于马铃薯产业发展有着重要意义.综述了国内外利用机器视觉在马铃薯外部品质检测中的应用,包括马铃薯重量检测、几何形状检测、表面缺陷检测,以及根据表面缺陷进行马铃薯分级.讨论了马铃薯外部品质检测研究中的新方法、新进展以及存在的不足,展望了今后的发展趋势与研究方向.%The detection of potato surface quality is of great significance to the potato industry. This paper summarizes the applications of potato surface quality detection by machine vision at home and abroad. It includes the detection methods of potato's weight, geometrical shape, surface defects and the classification methods acoording to surface defects. It describes the new approaches and progresses on potato surface quality detection as well as shortcomings in exiting methods. At the end of the summary, it outlooks the development tendency and research directions in the future researches.【期刊名称】《图学学报》【年(卷),期】2017(038)003【总页数】6页(P382-387)【关键词】机器视觉;马铃薯;图像处理;品质检测【作者】赵军;田海韬【作者单位】兰州交通大学机电工程学院,甘肃兰州 730070;兰州交通大学机电工程学院,甘肃兰州 730070【正文语种】中文【中图分类】TP391.4我国是马铃薯大国但还称不上马铃薯强国，主要在于我国马铃薯分级销售以及深加工发展不足。
结合计算机视觉的马铃薯外部品质检测技术
结合计算机视觉的马铃薯外部品质检测技术向静;何志良;汤林越;熊俊涛【摘要】利用计算机视觉进行马铃薯产后品质检测分级有十分重要意义.首先对计算机视觉系统获取的马铃薯进行图像分析,利用Otsu法去除马铃薯图像背景,然后针对马铃薯的损伤、绿皮和发芽状态进行图像处理识别;针对马铃薯中的绿皮状态,利用感知器学习算法(PLA)区分正常马铃薯与绿皮马铃薯;然后针对表皮发芽的马铃薯,利用边缘检测法得到图像中马铃薯区域的各部位边缘,结合K-最近邻分类算法(KNN)识别表面发芽的马铃薯,同时通过角点检测确定轮廓上的发芽区域;然后对检测到的边缘利用中值滤波结合面积最大法,确定马铃薯表皮的损伤部位,最终实现马铃薯品质的分级.利用计算机视觉方法马铃薯品质检测实验结果:正常马铃薯识别正确率为96.8%,绿皮马铃薯为89.7%,表皮损伤马铃薯为90.4%,发芽马铃薯为96%.%The use of computer vision technology for potato postpartum quality grading has very important significance. First image analysis is carried out for the potato image obtained by computer vision system.The Otsu method is used to remove the background of the potato image,then the image processing and recognition is carried out for the potato states of damage,green skin and sprout.For the green skin potato,the Perceptron Learning Algorithm(PLA)is used to distin-guish the normal potato and green peel potato.For the epidermis germinative potato,the edge detection method is used to get the image edge of potato in the area of each part.The K-Nearest Neighbor(KNN)classification algorithm is used to recognize the epidermis germinative potato,and the germination area profile is obtained by corner detection.Then for the edge detected,themedian filter and the area of the solution are used to determine the potato skin injury,finally realizing the classification of potato quality. The potato quality test results:the recognition accuracy of normal potato is 96.8%, green peel potato is 89.7%,the skin injury potato is 90.4%,and the sprouting potato is 96%.【期刊名称】《计算机工程与应用》【年(卷),期】2018(054)005【总页数】5页(P165-169)【关键词】计算机视觉;马铃薯分级;品质检测【作者】向静;何志良;汤林越;熊俊涛【作者单位】湖北民族学院信息工程学院,湖北恩施445000;华南农业大学数学与信息学院,广州510642;华南农业大学数学与信息学院,广州510642;华南农业大学数学与信息学院,广州510642【正文语种】中文【中图分类】TP391.411 引言利用计算技术视觉实现果蔬产后品质检测有重要意义，计算机视觉能实现果蔬的快速无损检测，在实际应用方面有较大优势和可行性[1]。
sobel与拉式高斯算子比较
Sobel算子对灰度渐变和噪声较多的图像处理较好，对边缘定位比较准确拉普拉斯-高斯算子：二阶微分算子，线性，移不变算子，通过找图像灰度值中二值微分的过零点来检测边缘点，对单峰函数进行微分，则峰值处微分值为0，峰值两侧符号相反，而原来极值点对应于二阶微分中过零点，通过检测过零点即可将图像边缘提取出来经常出现双像素边界，对噪声比较敏感，很少用该方法检测边缘，而是用它来判断边缘像素是位于图像的明区还是暗区的，因此得到的边缘点数比较少，有利于后继的处理和识别工作。
各种算子的存在就是对这种导数分割原理进行的实例化计算，是为了在计算过程中直接使用的一种计算单位；Roberts算子：边缘定位准，但是对噪声敏感。
适用于边缘明显且噪声较少的图像分割。
Roberts边缘检测算子是一种利用局部差分算子寻找边缘的算子,Robert算子图像处理后结果边缘不是很平滑。
经分析，由于Robert算子通常会在图像边缘附近的区域内产生较宽的响应，故采用上述算子检测的边缘图像常需做细化处理，边缘定位的精度不是很高。
Prewitt算子：对噪声有抑制作用，抑制噪声的原理是通过像素平均，但是像素平均相当于对图像的低通滤波，所以Prewitt算子对边缘的定位不如Roberts算子。
Sobel算子：Sobel算子和Prewitt算子都是加权平均，但是Sobel算子认为，邻域的像素对当前像素产生的影响不是等价的，所以距离不同的像素具有不同的权值，对算子结果产生的影响也不同。
一般来说，距离越远，产生的影响越小。
Isotropic Sobel算子：加权平均算子，权值反比于邻点与中心点的距离，当沿不同方向检测边缘时梯度幅度一致，就是通常所说的各向同性。
在边沿检测中，常用的一种模板是Sobel 算子。
Sobel 算子有两个，一个是检测水平边沿的；另一个是检测垂直平边沿的。
Sobel算子另一种形式是各向同性Sobel(Isotropic Sobel)算子，也有两个，一个是检测水平边沿的，另一个是检测垂直平边沿的。
马铃薯叶片早疫病的高光谱识别研究
马铃薯叶片早疫病的高光谱识别研究徐明珠;李梅;白志鹏;胡耀华;何勇【摘要】为实现马铃薯叶片早疫病的快速识别,达到尽早防治的目的,利用高光谱成像系统连续4 天采集375 ~1 0 1 8 nm 波段内的健康和染病马铃薯叶片的高光谱数据信息,并用ENVI 软件提取感兴趣区域的光谱反射率平均值. 分别建立基于全光谱( full spectrum , FS )、连续投影算法( SPA )和载荷系数法( x-LW )提取的特征波长的 BP网络和LS-SVM识别模型,其中FS-BP、SPA-BP、x-LW-BP 模型中预测集识别率分别为1 0 0%、1 0 0%、9 8 .3 3%, LS-SVM 模型的预测集识别率均为1 0 0%;SPA和x-LW提取的特征波长个数均仅占全波长的1 .4 7%,大大简化了模型,提高了运算速率. 实验表明:应用高光谱成像技术可以快速、准确地识别出马铃薯叶片早疫病,且 SPA和x-LW可以作为特征波长提取的有效方法,为田间马铃薯早疫病的在线实时检测仪器的开发提供理论依据.%The purpose of this paper is to realize identification of early blight of potato leaves rapidly , and to achieve ear-ly prevention .Hyperspectral data of healthy and infected potato leaves were obtained by hyperspectral imaging system within the wavelength range of 375~1018 nm for four consecutive days , and the average spectral reflectance of the region of interests were extracted by ENVI software .Effective wavelengths were selected by successive projections algorithm (SPA) and x-loading weights (x-LW), respectively.Error back propagation (BP) neural network and least squares support vector machines ( LS-SVM) identification models were established based on full spectrum ( FS) , SPA, and x-LW, respectively.The results showed that the identification rates of the prediction set are 100%,100%and 98.33%in FS-BP, SPA-BP, x-LW-BP models and 100%in all of LS-SVM models, respectively.The number of effective wave-length extracted by SPA and x-LW, respectively, accounts for only 1.47%of the total number of wavelengths , simplify-ing the models and improving the rate of operation greatly .The results indicated that it is feasible to identify early blight on potato leaves exactly and quickly using hyperspectral imaging , SPA and x-LW are effective methods to extract charac-teristic wavelengths and it provides a theoretical basis for the development of online real-time detection instrument of ear-ly blight of potato in the field .【期刊名称】《农机化研究》【年(卷),期】2016(038)006【总页数】5页(P205-209)【关键词】马铃薯;早疫病;高光谱成像技术;特征波长;识别模型【作者】徐明珠;李梅;白志鹏;胡耀华;何勇【作者单位】西北农林科技大学机械与电子工程学院,陕西杨凌 712100;西北农林科技大学机械与电子工程学院,陕西杨凌 712100;西北农林科技大学机械与电子工程学院,陕西杨凌 712100;西北农林科技大学机械与电子工程学院,陕西杨凌712100;浙江大学生物系统工程与食品科学学院,杭州 310058【正文语种】中文【中图分类】S122马铃薯在世界上许多国家和地区都有种植，面积和产量仅次于小麦、水稻和玉米。
基于多源信息融合技术的马铃薯痂疮病无损检测方法
Fig.2
图 2 马铃薯图像采集装置示意图 Schematic diagram for potato image acquisition system
1.3 采集方法 1.3.1 马铃薯机器视觉图像采集 将马铃薯患痂疮病的一面进行标记，再将标记 的一面正对着相机放置在载物台上，打开光源，调 整 CCD 传感器焦距与光圈，使马铃薯图像最为清 晰， 然后固定相机参数， 采集马铃薯机器视觉图像，
2
2.1
基于机器视觉的马铃薯痂疮病检测
图 1 马铃薯样本图片 Fig.1 Potato sample pictures
试验装置 试验使用的马铃薯光谱采集仪器为美国 Thermo Electron 公司的 Antaris II 傅里叶变换近 红外光谱仪。光谱范围为 4 000～10 000 cm-1，分辨 率为 8 cm-1，扫描次数为 32。 马铃薯图像采集装置如图 2 所示，该装置由光 箱、环形光源、立式光源、CCD 图像传感器、采集 卡、电缆线、PC 主机组成。CCD 图像传感器型号 为 scA1390-17fc （德国， Baseler ），镜头型号为 M1214-MP，图像采集卡型号为 Meteor2-1394。环 形光源置于暗箱顶部，立式光源置于暗箱 4 个角， 选黑色作为图像背景色。