【文章內容簡介】 桃和杏的壓傷情 況。劉有壓傷和沒有壓協(xié)的表面進行光譜反刺特性實驗 ,井選擇合適的波。然后 ,:采集 住前加以這些渡艮為中心波濾光片的光譜幽像。結聚表明 :檢測水果表面址仂最 采集到的剴像的比率幽像 ,檢洲的準確率約為 %。 有效的方法是在兩個波 】年 ,.【叫等人實時采集了掛在移動吊鉤上的小雞的光譜圖像。的健 康小 雞圖像的平均強度比不健康的要高 ,而用的傅立葉光譜像素強度時 ,健康小 雞圖像的平均強度要比不健康的低得多。當把和的光譜圖像像素強度一起 輸入神經網絡時 ,有 %的校準性和 .%有效性 。輸入的快速傅立葉變換的光 譜圖像強度時 ,則有 .%的校準性和 %有效性。 年 , 等人描述了一個多光譜蘋果品質檢測實驗臺。利辟特殊 的光纖和濾光片可咀同時采集到分別在、和四個光譜波段 蘋果的反射圖像。采集劍的圖像經過處理后可以分割出欲陷部分 ,然后記錄各個缺陷部 分。典犁的缺陷如新撞傷的傷口、儲存后蘋果上的撞傷、結疤、黑斑、軟化、腐爛、褐班 平168。病蟲害等都能被檢測出米。 碩士學位論文 第一章緒論 年 , 等人利用高光譜和多光譜像分析技術檢測肉雞表皮瘤。在 ~范圍內采集到幅有表皮瘤的肉雞圖像 ,通過主成分分析法從中選擇了 、 /、三個波段 ,然后同時采集在』 .述二個波段下只病雞和只正常 雞的多光譜幽像 ,從圖像中提取變異系數、偏斜系數、峰度等特征 ,用以上三個特征進行 分析時可得到 %的正確率。 年 ,.等人通過神經網絡對帝國和金帥蘋果的表面質量進行分級。 把蘋果圖像中獲得的各像素灰度值和紋理特征作為人。神經網絡分類器的輸入。通過曲類 型的和五類型的分類廊用 確定來識別細微的表面特征的有效光譜波段。對兩類型的分類 準確率為 .%~%。對五類型的分類 ,帝國蘋果準確率為 .%~%,而金帥蘋果 為 .%~.%。恪【 ?所示為蘋果圖像分級的神經網絡結構圖。 ?‘ 坤 ?“ 砷斗岫 ?☆ 圖 .蘋果圖像分級的神經網絡結構圖 年 , 【等人采集并分析了種不同成熟度的西紅柿光譜圖像。在 之間的光譜以 .的間隔被記錄成個波段。實驗結果表明 :光譜圖像 , 比標準圖像能更有效地區(qū)分西紅柿的成熟度。 年 ,.等人利用計算機視覺技術和數字信號處理器對柑橘進行多光譜 實時檢測 ,建立了一個可以同時得到可見光和 近紅外圖像的多光譜攝像系統(tǒng) ,如圖 .所 示 ,該系統(tǒng)可以以每秒個水果的速度檢測大小、顏色、表面缺陷等。實驗結果表明 :對 于完好的表面 ,用波段來判斷是可行的 :但是對于缺陷檢測 ,用四個波段的圖像來 判斷更適合。 第章緒論 圖多光譜圖像系統(tǒng)卜 年 , 、 等人應刪高光譜圖像和多光譜分析技術劉 、三個品種的蘋果表匠缺陷進行了檢測。茸先利用高光譜剖像分析法來 描述節(jié)糶的光譜特征 ,從而精確地選抒濾光片 ,然后設計多光譜成像系統(tǒng) 。利用多光譜成 像技術快速檢鋇蘋果的缺陷。實驗結果表明檢測準確率為 :蘋果為 %, 為 %,但 只有 %。 年 ,..等人研制了一個光譜范圍從 ~的高光譜成像系統(tǒng)。 研究結果表明 :污染可以在綠色、紅色平168。近紅外二個波段的幽像中被識別山米 ,域是近紅 外范陽兩端的波段 ,但兩個近紅外范圍的波段對不同品種蘋果的顏色敏感程度幣夠。對這 兩組波段 ,不同品種蘋果上較重污染的部分用簡單的閽值法就可以比較容易檢測山來。而 較輕污染的部分則需要更多的計算量和復雜的分析 ,如結合閾值和形態(tài)學進行檢測。 年 ,.., .等人帶熒光成像技術來檢測有較輕污染的蘋果。研 , 究表明 ,不管是主成分分析法還是最大反射法都能確定四個相同的多光譜波段 , 和 ,并用這四個晟佳的光譜波段來檢測蘋果表面的污染。此外 , 簡單的兩個波段的比例如 比減少了正常蘋聚表面的變化 ,而加強了有 污染和無污染區(qū)域的差異。 年 , 等人利用多光譜技術對芒果的成熟度進行檢測。首先用光譜輻射 計測得芒果樣品的特征光譜段 ,然后采集芒果的圖像 ,最后通過多種算法的測試尋 找一種高精度、可靠性好的算法來檢測芒果的成熟度。 年 , ,..等人研制了一個包括含有攝像頭、光纖照明設備、 第章緒論 碩 .學位論文 鏡頭自動裝置和圖像處理軟件的高光譜成像系統(tǒng)。利州這個系統(tǒng)他們采集在到 之間共 個光譜波段的有排 泄物和食品污染的家禽體的光譜圖像和空間圖像數 %,而非線性則可達 %。 據。實驗結果表明 :線性柱狀伸縮檢測的精確度為 年 , ,等人介紹了用于蘋果果梗和花萼在線檢測的近紅外和中 紅外雙攝像頭成像系統(tǒng)。在單一的近紅外成像方法中 ,蘋果的果梗 ,花萼經常和真正的缺 陷混淆而造成分級錯誤。中紅外攝像頭僅能辨認蘋累的果梗 ,花萼部分 ,而近紅外攝像頭 能區(qū)分蘋果的果梗 ,花萼部分羽真正的缺陷。在線試驗結果表明 :用這種方玄能 %區(qū)分 出完好的蘋果 .。分有缺陷蘋果的準確率為 %。該雙攝像頭成像系統(tǒng)在進行蘋果缺陷的 在線分級應川中有較好的可靠性。 圖一計算視覺系統(tǒng) .? 年 ,.【研制成功了近紅外高光譜成像系統(tǒng) ,并設計算法檢測蘋果表面上新 和 兩種蘋果撞傷天后 的撞傷和舊的撞傷。實驗采集了 的高光譜幽像。實驗結果表明 :在到之間的光譜范圍對檢測撞傷是最合 則為 適的。對 來說 ,其檢測的準確率為 %~%,而對 %~%。檢測撞傷的最佳光譜分辨率為 .到 ,則光譜波段相應為 ~之 間。本研究表明近紅外高光譜成像技術對檢測蘋果表面的撞傷是非常有效的。 的 等人通過一個高分辨率 .~. 年 ,.,. 商光譜成像系統(tǒng)來檢測食品和農產品的缺陷和污染 。比較了各種幽像分析方法檢測 、 、利四種蘋果表面的缺陷或是污染的效果。在 壩‘學位論文 第一章緒論 ?光譜范陶 ,通過單色圖像和二階差分方法分析各個蘋果對光譜響應的不同 ,把 蘋果分為無污染和受污染兩婁。利用在的葉綠素吸收波段和兩個在近紅外范劇的 波段 ,通過不對稱二階差分方法 ,可檢測蘋果有缺陷或污染的部分。 圖 .高光滑成像系統(tǒng) .本研究的主要內容 往水果品質檢測與自動化分級系統(tǒng)中 ,通常采州彩色攝像頭采集水果圖像 ,然 后對采集到的圖像進行模式識別 ,最后根據識別結果進行相應的分級。水果圖像的采集質 量的高低將直 接影響最終確定水果品質和級別的準確性 ,所以采集到的水果圖像所包含的 信息應盡可能詳細地反映水果的各種外部特性。但是在實際應用中 ,彩色攝像頭采 集到的水粟圖像不能很好地反映水果表面的細微特征 ,為了提高檢測與分級的可靠性 ,利 用水果在不同光譜條件下的圖像 ,提取更多的表面特征。 本項研究以蘋果為研究對象 ,主要內容是利用多光譜圖像技術米檢測蘋果表面腐爛、 撞傷等常見表面缺陷 ,探索蘋果多光譜圖像中光譜信息和各種表面缺陷之間的關系 。同時 進行蘋果花梗和花萼的識別。具體內容如 : 】、建立并完善適合本研究的多光譜圖像系統(tǒng) ,通過對光照系統(tǒng)及攝像頭等硬件 的選擇對比 ,建立適合本研究的實驗臺。 第章緒論 碩‘學位論殳 、提出井討論進行蘋果分光反射特性實驗的依據 ,進行蘋果分光反射特性實驗 ,找 出滿足本研究要求的濾光片中心波氏。 、研究碰傷和腐爛等常見表面缺陷的檢測方法。 、進行碰傷和腐爛等常見表面缺陷檢測的實驗 ,并對實驗結果進行分析和討論。 、研究蘋果果梗和花萼的識別方法。 、進行蘋果果梗和花萼的識別實驗 ,并對實驗結果進行分析和討論。 .本章小結 本章闡述了利用計算機視覺和幽像處理技術進行水果品質檢測與自動分級技術研究 目的和意義 ,綜述了目前國內外應用計算機視覺技術和多光潛圖像技術進行水果品質檢測 與分級的研究現狀及存在的問題 ,提出了本研究的主要內容。碩士學位論文 第二章本研究的多光譜幽像采集系統(tǒng) 第二章本研究的多光譜圖像采集系統(tǒng) .計算機視覺系統(tǒng)概述 ..計算機視覺概念 計算機視覺主要研究用計算機來模擬人的視覺功能從客觀事物的圖像中提取信息 ,進 行處理并加以理解 ,最終用于實際檢測、測量和控制。一個典型的計算機視覺系統(tǒng)主要包 括光源、光學系統(tǒng)、圖像捕捉系統(tǒng)、圖像數字化模塊、數字圖像處理模塊、智能判斷決策 模塊和機械控制執(zhí)行模塊 ,如圖所 示。首先采用攝像頭或其它圖像拍攝裝置將 目標轉換成圖像信號 ,然后轉變成數字化信號傳送給專用的圖像處理系統(tǒng) ,根據像素分布、 亮度和顏色等信息 ,進行各種運算來抽取目標的特征 ,根據預設的容許度和其他條件輸出 判斷結果。 圖典型的計算機視覺系統(tǒng)結構 .計算機視覺關鍵技術 、光源照明技術 在計算機視覺系統(tǒng)中 ,好的光源與照明方案往往是整個系統(tǒng)成敗的關鍵 ,起著非常重 要的作用 ,并不是簡單的照亮物體而已。光源與照明方案的配合應盡可能地突出物體特征 量 ,同時還應保證足夠的整體亮度 ,物體位置的變化不應該影響成像的質量。 在計算機 視覺系統(tǒng)中一般使用透射光和反射光。對于反射光情況應充分考慮光源和光 學鏡頭的相對位置、物體表面的紋理、物體的幾何形狀等要素。 確定光源主耍是要考慮光源的顯色性。光源的顯色性是指與參照標準相比較 ,個光 碩士學位論文 第二章本研究的多光譜圖像采集系統(tǒng) 滁對物體顏色外貌所產生的效果。即光源能反映物體“真實”顏色的能力。光源的顯色性 是衡量光源的視覺質量的重要指標。光源的光譜功率分布決定了光源的