机器视觉在农产品检测中的实际应用.pptVIP

机器视觉技术在农产品检测中的应用 主要内容 一、机器视觉技术的简介 二、机器视觉技术在农产品检测中的应用 三、机器视觉技术的应用前景及问题 机器视觉是通过对目标物体图像的获取、处理和分析来模拟人类的视觉功能,并使用各种机电设备实现生产自动化。 机器视觉是20世纪 70年代在遥感图象处理和医学图象处理技术成功应用的基础上逐渐兴起的，是图象处理的一个分支学科。 一、机器视觉技术简介 1.机器视觉系统的组成 机器视觉系统的组成部分主要有光源、图像传感器(摄像机等)、图像采集卡、计算机等硬件设备和用于处理数字图像的软件。 2.工作原理 获取数字图像 数字图像处理 成像方式 特点及应用 可见光成像 可见光彩色或灰度成像技术适合对农产品形状、大小、颜色和纹理等外部特征进行自动分析。 红外成像 红外线具有热辐射效应。热敏成像技术可以将物体的外部辐射强度转化为可视图像，可以检测农产品表面不同部位在外界温度变化时的不同反应。 紫外成像 穿透性较强,当紫外光照射到荧光物质时这些物质会被激发出波长较长的荧光。不同物质的荧光受激能力不同。 X光成像 不同的物质对X射线的吸收能力不同。通过X光透射图像检测可见光不易得知的对象内部信息。 CT成像 可以表现物体内部某个剖面的形态特征。 核磁共振成像 在核磁共振成像片上，含水成分大的组织结构亮度高 ,而含水成分少的组织则亮度较低。了解农产品的内部信息。 2.1获取图像方式(刘华波, 2009) 2.2.图像处理 利用数字图像处理技术对采集的图像进行去噪、边缘检测、图像增强等预处理，提取特征参数，进行逻辑判断，生成相应的结果。最终发出相应的操作命令。 二、机器视觉在农产品检测中的应用 机器视觉技术的特点是速度高、信息量大、可以排除主观因素干扰,而且还能对参数指标进行定量描述,具有人工检测所无法比拟的优越性。 目前，国内外利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，主要包括对谷物、蔬菜、干果、水果等的大小、形状、颜色和表面损伤、缺陷、异物进行检测和分级。 1998年何东健等，利用机器视觉技术研究了红星苹果表面颜色分级方法。在HIS颜色空间中，选用在合适的色相阈值下累计着色面积的百分比作为水果等级评判指标，结果与人工分级吻合度达88%（何东健等，1998）。 2002年，冯斌等以水果表面颜色分布的分形维数为特征进行了水果表面颜色分级的试验研究,分级正确率达到95%(冯斌等,2002)。 2004年，应义斌等以柑橘表面色泽和固酸比作为其成熟度的评判指标，结果表明柑橘果实表皮颜色与其成熟度之间具有相关性（应义斌等，2004）。 2004年赵杰文等，对田间成熟番茄识别技术进行了研究。在HIS颜色模型下，根据成熟番茄、未成熟番茄以及枝叶的色调H分布的差异，用阈值分割的方法将成熟番茄区域分离出来，取得了良好的识别效果（赵杰文等，2004）。 2008年，游家训等研究了水果分级中的颜色指标，选用色调H来判别水果颜色，并将径向基神经网络应用于水果颜色分级中，在苹果分级测试中，对特等果的分级正确率约91.7%，一等果的分级正确率约为89.5%，二等果91.2%，等外果为100%。（游家训等，2008） 2008年，刘国敏等提取脐橙有效像素的表面颜色特征参数（H、S、R、G、B），对色泽进行定量描述，通过神经网络算法建立颜色特征参数与色泽之间的关系模型。结果表明，该分级模型对色泽的分级与人工标准分级的一致度分别为90%和92%(刘国敏等,2008)。 2008年，赵杰文等在HIS颜色空间中 ,提取H的均值和均方差作为红枣的颜色特征值 ,利用支持向量机识别缺陷红枣。实验结果表明,识别准确率可以达到96.2%,优于人工神经网络的89.4%（赵杰文等，2008）。 2008年，马学武等人设计了红枣自动分级装置，以面积、颜色、最大直径等为特征参数，可以同时对多通道的红枣进行分级,其准确率可达 80%以上,系统处理速度约为10个/s（马学武等，2008）。 2009年，司永胜等采用R-G和色差比(R-G)/(G-B)相结合的方法,对顺光、逆光等不同情况下的红色苹果进行了识别。实验结果表明,该方法可以一定程度上消除光线、土壤等影响,识别率达到 97 %,但算法在逆光同时光线较暗情况下识别效果较差 (司永胜，2009）。 2009年饶秀勤等，将完成图像分割的水果图像转换为HIS颜色模型,提取其H分量的面积加权直方图,对其用主成分分析提取特征值,然后利用马氏距离分析方法完成样本的分级,总的分级误差仅为 1.75 %（饶秀勤等，2009）。 2010年，K. Chen等运用机器视觉对肥牛肉进行识别,提取了关于皮下脂肪颜色的12个特征参数(R、G、B、H、S、I的均值