2013-06-28 13:39:04 myouki 阅读数 1399
计算机图像技术在农业中的应用
  第一、图像处理的动态性目前,大部分研究成果都是静态的,即先从室内或田间采集静态图像,再用实验室的计算机对图像进行处理。在实际生产应用中,很多情况下需要进行动态图像的实时处理,这就要求图像获取设备与处理设备合并,能在获取图像的同时立即处理所采集的图像,精确与快速地得出结果,并进行控制。如何实现动态图像处理是研究人员所要解决的难题。
  第二、农业环境的多变性目前,多数研究是在可以采集高质量图像的具有可控光照、色温以及没有环境因素影响的实验室或温室等理想条件下进行的,但是基于无损的计算机视觉技术工作在农业应用中不可避免在田间作业,而农田环境十分复杂,如光照不均、风速变化大、自然光色温的不可控性以及设备的机械振动等许多因素,都能导致图像质量下降,噪声增加,大大增加了图像预处理的难度,降低了处理结果的准确性和快速性。因此,农业中计算机视觉技术的应用从实验室走到田间实际还有很多问题值得研究。
  第三、计算机下农产品检测计算机视觉技术无需接触测定对象,便可以从获取的图像中得到大量的参数和信息,而且与人工检验相比具有效率高、识别率高和标准统一等优点,特别适合动物、植物和农产品等生物体的检测与质量综合评定,因此在农产品检测中广泛应用。对农产品的检测不仅要求全面检测外观品质,还要求检测内在品质。未来将实现对农产品动态特征的提取和识别,依照国际标准,进行在线检测,并且检测速度和精度不断提高,系统的兼容性不断升级,可以适用于不同种类农产品的检测。Rehkugler G. E. 等研究了利用机器视觉进行苹果表面压伤检测,并依据美国苹果标准进行分级,研制成功了利用机器视觉进行缺陷检测和分级的苹果处理设备。Miller等研制了一套鲜桃的计算机视觉分级系统。桃由输送带送进照明箱被摄像,经过图像处理,桃的颜色和着色度的数字信号经计算机处理后与不同成熟度桃的标准色相比较,按照颜色特征的差异,不同成熟度的桃被分开。应义斌等开发了黄花梨品质检测机器视觉系统,比较了不同强度光源、不同背景对采集到的图像的影响,并研制了一套适用于黄花梨及其他水果品质检测的机器视觉系统。K. Ni2nomiya等研制成功由3 个机器视觉系统组成的茄子自动分级系统,可以从获得的图像中提取检测出茄子的大小、损伤数量、损伤面积、花萼颜色、水果形状以及水果弯曲度。经2a的试用结果显示,该系统能检测出茄子的许多缺陷,能更准确地对茄子进行分级。李伟等提出了一种基于机器视觉技术的苹果表面纹理检测分级方法,并设计了由PC机、可编程逻辑控制器、摄像机和图像采集卡等组成的苹果视觉自动化分级系统。选取41个水晶富士苹果在该系统进行了分级试验,分级窜果率为4. 9%。刘国敏等根据脐橙图像的特点和分级标准,运用计算机视觉和神经网络算法对脐橙进行自动检测与分级。试验结果表明,其预测准确率达到85%。
2013-06-28 14:13:23 myouki 阅读数 6443
计算机视觉及模式识别技术在农业领域的应用
高 华、周 林
(山东农业大学信息技术与工程学院 山东 泰安 201018)
摘要:计算机视觉技术在农业各个领域的应用研究得到了广泛开展,并随着相关技术的不断成熟和发展,计算机视觉在农业各领域中的应用必将对传统农业模式产生巨大影响。本文从计算机视觉技术在果品分级与检测、粮食种质的检验与评测、植物生长状态监测、田间收获作业、农产品加工、杂草与病虫害防治等方面的发展作了回顾和综述,并对今后的发展作了展望。
关键词:计算机视觉;模式识别;图象处理;农业
中图分类号:TP391.41    文献标识码:A  文章编号:1000-2324(2003)04-0590-04
收稿日期:2002-12-24
作者简介:高华(1963- ),男,教授,主要从事计算机视觉、图像处理等教学与研究工作。
E-mail:gaoh@sdau.edu.cn
1 引言
  计算机视觉是研究用计算机来模拟生物外显或宏观视觉功能的科学和技术。计算机视觉的发展是20世纪50年代从统计模式识别开始的,计算机视觉的历史虽短,但其技术已经广泛地应用于各个方面。可以说,需要人类视觉的场合几乎都需要计算机视觉,人类视觉无法感知的场合,计算机视觉也突显其优越性。近20几年来计算机视觉在农业领域中也得到了广泛研究和应用。本文仅从几个侧面介绍计算机视觉技术在农业领域中的研究和进展。
2 在果品形状与缺陷检测及分级中的应用
  计算机视觉技术无需接触测定对象便可从获取的图像中得到大量的参数和信息,而且和人工检验相比具有效率高、识别率高、标准统一的优点。特别适合于动物、植物和农产品等生物体的检测和质量综合评定。因此在农产品品质检验中具有广泛应用。
  早在1985年Rehkugler[1]就采用图象的灰度值检测苹果的缺陷,然而当时检测精度较低。同年Sarkar N.和R.R.Wolfe[2]又利用数字图像分析和模式识别技术,根据西红柿8邻域链码边界的曲率来描述西红柿的形状。并研制成功了一种具有定向机构和合适的照明装置的计算机视觉西红柿品质分级装置。1989年Miller[3]等在桃子分级研究中,提出了利用彩色图象和近红外图象分析损伤面积的算法,使测量结果与人工测量的结果相关系数达 0.56。Shearer[4]在1990年 又提出了用机器视觉对圆椒进行颜色分级的新方法,正确率达96%。而Brandon[5]利用计算机视觉系统获取胡萝卜顶部图象,提取外形特征参数输入神经网络,将胡萝卜顶部形状分为 5级,平均分类的准确率达85%。Heinemann等[6]在1995年结合形状与HIS两方面信息进行苹果质量检评,使其用色彩的准确率达100%,而用形状评价的准确率达92.3%。在果品检测与分级设备研制方面,Tao.Y等(1995年)[7, 8]研制成功了Merling高速高频机器视觉水果分级系统。该机的生产率为44t/h,苹果、桔子、桃子、西红柿及其它水果的分级,目前已得到广泛应用,美国每年有50%以上的苹果经该设备处理,并已推广到加拿大等其它国家。
3 在粮食作物质量检测与分级中的应用
  从20几年前,美日等发达国家就开始把机器视觉技术应用于农作物种子质量检验评价,至今已经取得了较大发展。Zayas[9]在1985年将基于种子光特性的图像分析连同统计图像识别技术用于区分不同的小麦品种。1986年,Gunasekaran.S等[10]对玉米籽粒裂纹机器视觉无损检测技术进行研究,表明玉米籽粒裂纹与其他部位可以采用高速滤波法将其识别出来,检测精度达90%。而Zayas等[9,11,12]使用计算机视觉系统从小麦图片中提取出形态学特征参数,应用这些特征区分小麦的品种及非小麦成分。Liao.K等[13]在1992年将玉米籽粒图象用34个特征参数作为神经网络的输入变量,可将籽粒形态分为 5类,经过学习的神经网络对完整籽粒分类的准确率达93%,破损籽粒分类准确率达91 %。Liao K.等[14]1994年根据玉米粒的颜色和表面缺陷进行实时分级,该系统的缺点是分级速度很慢,每秒仅处理12个玉米粒。Ni-B等(1997年)[15]为了区分凸形冠顶、光滑凹形冠顶和非光滑凹形冠顶玉米籽粒,找到了一种不用结构光而通过图象处理的方法获得玉米籽粒三维信息的可行技术,并发现不同形状的玉米籽粒其图象灰度曲线有明显差异,该系统的平均检测精度与人工检测相仿,约为87%,所需时间为1.5~1.8s/粒,离实际应用还有较大距离。另外Ni-B.等 (1998)[16]还研究机器视觉玉米粒大小分级,可测得独立于玉米粒方向的尺寸。Y.Chtioui,S.等[17]在1999年提出了用Rough sets理论作为模式分类工具通过计算机视觉技术来评价蚕豆品质的方法。这一理论提出用两种不同的离散方法来区分合格、破损、过小、异类蚕豆和石头。利用从彩色图像中提取的35个特征参数进行分类,分类结果与判别分析统计分类结果相比有较好的一致度。模拟实验表明,该理论的分类方法与离散间隔数有很大关系。
4 在植物生长状态监测中的应用
  精确自动地监测动植物生长情况是自动控制动植物生长环境的前提。Seginer I.等 (1992) [18]研究发现完全长成型的西红柿叶子的运动与缺水情况及CO2吸收率几乎成线性相关,叶尖的运动状态是反映植株需水情况的非常敏感的指标。为此,他们利用机器视觉技术对植株叶子的生长情况进行监测,其结果可用来作为灌溉系统的控制信号。而VandeVooren等 (1992年)[19]利用机器视觉技术测定了蘑菇的各种形态学特征,提出用圆度、弯曲能量、球形度和偏心距等来描述蘑菇的形状特征。Ling P. P.等 (1995年)[20]利用机器视觉采集了同一胚芽体细胞处于不同阶段时的两幅图像,并用伸长系数和生长纵横比 (即图像对主轴与次主轴的二阶矩之比)作为两个特征系数来比较以预测最终发芽状况,通过对426个样本进行的试验结果表明,该机器视觉系统预测发芽率的精度为61.5%~85.1 %,高于专家人工预测的精度43.1 %~69%。Shimizu H.(1995)[21]对利用机器视觉和近红外光进行非接触式植物三维生长信息测定技术的研究,所研制检测系统的分辨精度可以达到0.05个像素或0.025mm,通过分析该系统每隔12min记录一次,并连续记录所获得的信息后发现,白天和晚上的平均生长率分别为1.74mm/h和0.65mm/h,白天的生长速度要远远高于黑夜,这为合理控制植物的光照条件提供了依据。Ahmad I.S.等(1996年)[22]利用彩色图像信息评价缺水和缺氮对玉米生长的影响及由此而造成的植株颜色的变化,并表明色彩是一个用来识别植株和叶子的有效分类特征,可供灌溉和施肥决策时参考。Shinizu等(1995年)[23]通过连续采集植株图象,成功的分析了其昼夜生长率。Singh(1996年)[24]根据对冠层大小的图象分析来判断水稻中期生长情况,并建立了根据水稻中期生长情况及施肥量来预测产量的数学模型。
5 计算机视觉在田间收获作业中的应用 
  计算机视觉技术应用于农产品自动化收获始于20世纪80年代中后期,是近年来最热门的研究课题之一。1989年Slaughter D. C.等[25]首先研究利用自然光条件下图像的色度和亮度信息对柑桔收获机械手进行导向,建立了一个利用彩色图像中的颜色信息从桔树上识别桔子的分类模型。该分类器从果园自然环境中识别桔子的正确率为75%,识别桔子形心的误差率为6%。1991年日本Kubota公司成功研制出一种用于桔子收获机器人的机械手[26]。1996年Zhang-Shuhai,Takahashi-T等[27]通过计算苹果图象轮廓线,并利用通过模式识别来实现对苹果的检测、定位,进而可以自动采摘苹果。Kondo.N等 (1996年)[28]研究了樱桃番茄的收获机器人,提出了检测樱桃番茄位置的有效算法,检测正确率达到了70%。国内周云山、李强等(1995)[29]利用计算机视觉技术设计了由蘑菇传送带、摄像机、采摘机器手、三自由度气动伺服机构、机器手抓取控制系统和计算机等组成的蘑菇采摘器。
6 在农产品加工中的应用
  目前,人们已经开始探索计算机视觉技术在农产品加工自动化中的应用。国外已有部分成果得到实际应用。我国仅有极少数学者做过这方面的研究,与国外相比差距较大。
  L ing P.P.等[30]在1991年就研究鲜虾图像的形态学特征和频谱特征,力图实现为鲜虾去头加工的自动化,发现根据频谱特征确定下刀位置较有效,在每秒处理2只虾的情况下,以频谱特征为依据所确定的下刀位置的标准偏差为2.8~4.6 mm。McConnell(1995年)[31]研究利用机器视觉技术检测颜色来控制烘制或烤制食品的质量,取得满意效果。为了保证食品加工过程中所用容器的质量,1995年,Seida S.等[32]研究了利用计算机视觉技术检测饮料容器质量的可行技术。而Tao Y.等[33]研制成功了基于计算机视觉的鸡肉中的骨头碎片及污染物的无损检测设备,并探索出了一种将X射线成像技术与激光三维成像技术相结合的方法,该方法可以大大提高系统快速、准确地检测骨头碎片及污染物的能力。
7 在杂草与病虫害防治方面的应用
  研究大田作物病虫草害的自动识别与测定技术,建成自动化控制系统,用来防除田间杂草与病虫害,是计算机视觉技术在作物栽培生产中的重要应用研究领域。例如为了针对杂草精确喷洒除草剂,Woebbecke D. M.等 (1995年)[34]对美国中西部地区的10种常见杂草及玉米和大豆的二值图像进行了形态学特征分析,发现用形态学特征区别单子叶和双子叶植物非常有效,准确率为60%~90%。而,Woebbecke D. M.等(1995年)[35]的研究发现利用彩色图象的2g-r-b特征区别植物与非植物背景的效果很好,可用于设计探测杂草用的传感器的定点喷洒控制。同时,Zhang N.和 C.Chaisattapagon等(1995)[36]也对如何识别小麦地里的杂草进行了研究,他们同时使用了形状分析和颜色分析方法。可以识别出阔叶杂草品种。这些研究结果为基于杂草探测的精确施药技术的应用打下了一定的基础。Casady W. W.等 (1996年)[37]为了合理地对水稻施用氮肥,研究了利用机器视觉测定水稻稻冠尺寸和面积的技术,该机器视觉系统能在自然光照和水田灌水情况下采集水稻稻冠的图像,并能利用灰度中值和数学形态学进行水稻稻冠图像与背景的正确分割和特征抽取,研究发现所测定的水稻稻冠的高度、宽度和面积与人工测量结果的相关性分别为0.896、0.874和0.885,这为根据水稻生长情况合理施用氮肥创造了条件。在此基础上,Singh N.等 (1996年)[38]建立了基于机器视觉的水稻中期氮肥管理系统,该系统利用所测定的稻冠尺寸判断水稻的生长情况,并建立了根据中期氮肥施用量和中期水稻生长情况 (稻冠尺寸和叶绿素 )预测水稻产量的数学模型,预测结果与实测结果的相关系数为0.846。该模型为进行水稻中期需氮情况分析和确定最佳中期施氮量提供了一种客观的方法。农药的粗放式喷洒是农业生产中效率最低、污染最严重的环节,Giles D.K.和 D.C.Slaughter(1997)[39]等研制了一种能对成行作物实施精量喷雾的装置。该系统由机器视觉导向系统使喷头直接位于每行作物的上方,并能根据目标作物的宽度自动调节扇形喷头相对于前进方向的偏转角度,从而保证雾滴分布宽度与目标作物宽度相一致,以减少农药的浪费。经测定,与传统的喷雾方式相比,该系统可使用药量减少66%~80%,目标作物上的雾滴沉降效率提高2.5~3.7倍,周围土壤的沉降量和空中飘移将分别减少72 %~90%和62%~93%,这不仅节约了农药,提高了施药效率,而且还可以大大减少对环境的污染。而Zayas,-I. Y;Flinn,-P. W(1998)[40]利用机器视觉检测批量小麦样品昆虫,对多米尼克成虫、一些草籽、杂物的检出率高于90%。
8 计算机视觉在农业领域其他方面的应用 
  计算机视觉在农业领域的应用还包括很多方面。如Das K.和 Evans M.D.等 (1992 a,b) [41,42]用机器视觉技术在鸡蛋孵化的早期检测鸡蛋的生命活力,去除死蛋或坏蛋,正确率可高达 96%~100%,从而提高出雏率。而Tao Y. (1997)[43]对基于机器视觉的幼鸡性别识别技术进行了研究,研制成功了借助于紫外线成像自动识别幼鸡性别的装置。还有在土地资源中可以用遥感图像提取土地荒漠化信息、对土壤环境进行分类、监测冬小麦面积、农作物种植面积提取、生态土地分类。利用数字图像分析土壤表面裂隙的方向分布、研究土壤孔隙三维结构。在林业生产中作林业资源调查、监测林区土壤粗空隙率、森林资源调查、木材无损检测等等。
9 结束语
  计算机视觉技术在农业各个领域的应用研究得到了广泛开展,并随着相关技术的不断成熟和发展,计算机视觉、图象处理、模式识别、神经网络等技术和方法对于作物特征的识别、苗情的监测、病虫害的防治以及精细农业的发展都将起到积极的推动作用。相信在不久的将来计算机视觉技术必将对传统农业模式产生巨大影响。
  但由于农业复杂的环境和生物多样性等因素,致使农产品外观一般比较复杂。另外计算机视觉技术在农业中的应用还处于初级阶段,有许多技术难题还未解决:如动态图像信息的快速获取,并行处理算法、多频图像特征的提取等。因此还需要我们进一步深入研究。
参考文献:
〔1〕Rehkugler G E,Throop J A.Apple sorting with machine vision[J]. Transaction of the ASAE,1985,29(5):1388-1395
〔2〕Sarkar N, Wolfe R R. Computer vision based system for quality separation of fresh market tomatoes[J].Trans of the ASAE,1985b,28(5):1714-1718
〔3〕Miller B K,Delwiche M J.A color vision system for peach grading[J]. Trans of the ASAE,1989,32(4):1484-1490
〔4〕Shearer S A,Payne F. A Color and defect sorting of bell peppers using machine vision[J]. Trans of the ASAE,1990,33(6):2045-2050
〔5〕Brandon J R,Howarth M S,Searcy S W. A neural networks of carrot tip classification[J]. Trans of the ASAE,1990,7549
〔6〕Heinemann D Z,Varghess Z A,et al. Machine vision inspection of golden delicious apples[J]. Applied Engineering in Agricuture,1995,11(6)910-916
〔7〕Tao Y,Morrow C T,et al. Technique for shape grading of potatoes using machine vision[J].Transactions of the ASAE,1995,1555-1561
〔8〕Tao Y,Chance L,et al. Full scale fruit vision sorting system design-factor sand conside rations[J].Proceedings of the FPAC Ⅳ Conference,1995,Chicago,Illinois,14-22
〔9〕Zayas,Pomeranz L Y,Lai F S. Discrimination between Arthur and Arkan wheats by image analysis[J].Cereal Chemistry. 1985,62(2):478-480
〔10〕Gunasekarans S,Cooper T M,et al. Image processing for stress crack in corn kernels[J]. Transactions of the ASAE,1987,30(1):266-271
〔11〕Zayas I, Lai F S, Pomeranz Y. Discrimination between wheat classes and varieties by im age analysis [J]. Cereal Chemistry,1986,63 (1):52-56
〔12〕Zayas I, Pormeranz Y, L ai F S. Discrimination of wheat and non wheat components in grain samples by image analysis[J]. Cereal Chemistry,1989, 66(3):233-237
〔13〕Liao K,Reid J J,et al. Corn kernel shape identification by machine vision using a neural network classifier[J]. ASAE Peper,1992,7017
〔14〕Liao K,Paulsen M R,Reid JF,et al. Corn kernel breakage classification by machine vision using a neural network classifier[J]. Trans of the ASAE. 1994,36(6):1949-1953
〔15〕Ni- B,Paulsen M R,et al. Corn kernel crown shape identification using image processing[J]. Trans of the ASAE,1997,40(3):833-838
〔16〕Ni- B, Paulsen,et al. Size grading of corn kernels with machine vision[J]. Apple ngagric.1998,14(5):567-571
〔17〕Chtioui Y, Panigrahi S, Backer L F. Rough sets theory as a pattern classification tool for quality assessment of edible beans[J]. Transactions of the ASAE,1999,42 (4):1145-1152
〔18〕Seginer I,Elster R T,Goodrum J W,et al. Plant wilt detection by computer- vision tracking of leaf tips[J]. Trans of the ASAE,1992,35(5):1563-1567
〔19〕Van De Vooren J G,Polder G,et al. Identifications mush rooms cultivars using image analysis[J]. Trans of the ASAE,1992,3(1):347-350
〔20〕Ling P P,Cheng Z,Musacchio D J. Quantification of xomatic coffee embryo growth using machine vision[J].Trans of the ASAE,1995,38(6):1911-1917
〔21〕Shimizu H,Heins R D. Computer vision based system for plant growth analysis[J].Trans of the ASAE,1995,38(3 ):959-964
〔22〕Ahmad I S,Reid J F. Evaluation of color representations for maize image[J]. Agricultural Engineering Research,1996,63:185-196
〔23〕Shimizu H,Heins R D. Computer vision based system for plant growth analysis[J]. Trans of the ASAE,1995,38(3)959-964
〔24〕Singh N,Casady W W,et al. Machine vision based nitrogen management models for rice[J]. Trans of the ASAE,1996,39(3):1899-1904
〔25〕Slaughter D C, Harrell R C. Discriminating fruit for robotic harvest using color in natural outdoor scenes[J]. Trans of the ASAE,1989,32 (2):757-763
〔26〕Saring Y. Robotics of fruit harvesting: a state of the art review[J]. Journal Agricultural Engineering Research,1993,54:265-280
〔27〕Zhang Shuhai, Takahashi- T, et al. Studies on autom ation of work in orchards (part 1 ). Detection of apple by pattern recognition[J]. Journal of the Japanese Society of Agricultural Machinery,1996,58(1): 9-16
〔28〕Kondo N,Nishitsuji Y,Ling P P,et al. Visual feed back guided robotic cherry to mat to harvesting[J]. Trans of the ASAE,1996,39(6):2331-2338
〔29〕周云山,李强等 .计算机视觉在蘑菇采摘机器上的应用[J].农业工程学报,1995,11(4),27-32
〔30〕Ling P P, Searcy S W. Feature extraction for a machine- vision- based shrimp deheader[J]. Trans of the ASAE,1991,34(6):2631-2637
〔31〕McConnell R K,Blau H H. Color classification of non-uniform baked and roasted foods[M]. Chicago,Illinois: Proceeding soft the FPAC Ⅳ Conference,1995,40-46
〔32〕Seida S, Franke E. Unique applications of machine vision for container inspection and sorting[A].Chicago, Illinois:Proceedings of the FPAC IV Conference[C],1995,102-108
〔33〕Tao Y, Wen Z. Item defect detection apparatus and method[J]. United States Patent Pending, 0 9/046,270,1998
〔34〕Woebbecke D M,Meyer G E,Von Bargen K,et al. Shape features for identifying young weeds using image analysis[J]. Trans of the ASAE,1995b,38(1):271-28
〔35〕Woebbecke D M,Meyer G E,Von Bargen K,et al. Color indices for weed identification under various soil,residue,and lighting conditions[J]. Trans of the ASAE,1995a,38(1):259-269
〔36〕Zhang N,Chaisattapagon C. Effective criteria for weed identification in wheat fields using ma chine vision[J].Trans of the ASAE,1995,38(3):965-974
〔37〕Casady W W,Singh N,Costello T A. Machine vision for measurement of rice canopy dimensions[J]. Trans of the ASAE,1996,39(5):1891-1898
〔38〕Singh N,Casady W W, Costello T A. Machine vision based nitrogen management models for rice[J].Trans of the ASAE,1996,39(5):1899-1904
〔39〕Giles D K,Slaughter D C. Precision band spraying with machine- vision guidance and adjustable yaw nozzles[J]. Trans of the ASAE,1997,40 (1 ):29-36
〔40〕Zayas I Y, Flinn P W. Detection of insects in bulk wheat samples with machine vision[J]. Trans of the ASAE,1998,41(3):883-888
〔41〕Das K,Evans M D. Detecting fertility of hatching eggs using machine vision:Neural network classifiers[J].Trans of the ASAE,1992b,35(6):2035-2041
〔42〕Das K,Evans M D. Detecting fertility of hatching eggs using machine vision:Histogram characterization method[J].Trans of the ASAE,1992a,35(4):1335-1341
〔43〕Tao Y. United States Patent Pending (Ser No.60/076,342 Attny Ref:#ARK007/97- 856)[M].Automatic Feather Sexing of Poultry Chicks Using Ultraviolet Imaging,1997
2018-05-28 16:31:18 cszn6666 阅读数 2439

   机器视觉是一门涉及模式识别、神经生物学、计算机科学、人工智能、图像处理、心理物理学等诸多领域的交叉学科。主要是通过计算机对人类某些视觉方面的智能行为的模拟和再现,再处理并理解从客观事物的图像中提取到的信息,最终达到在实际检测和控制中应用的目的。近年来,随着农业的智能化发展,使得机器视觉越来越多的应用于农业之中。 
  1机器视觉的主要结构 
  1.1照明 
  照明是机器视觉系统里的一个非常重要的部分。它直接影响着摄像机采集到的数据的质量,所以,在选择照明设备的事情上,要非常的谨慎。一个好的光源的判别标准是: 
  (1)能够突出对比被测物体的特征。 
  (2)保证稳定性和亮度。 
  (3)物体的位移不会对成像质量有影响。 
  生活中常见的光源主要有白炽灯、氙灯、荧光灯、LED等几种类型。在照明上,有两种方法可以来增强需要的目标特征: 
  (1)利用光谱。选取合适的照明光源反射呈现出希望看到的光谱范围。 
  (2)利用照明的方向性。有两种方法:其中一种是具利用光源本身的照射效果。光进行漫反射时,光的照射强度在每个方向上基本相同。而当光直射时,光源的光会集中在一个狭小的范围内。特定的环境下,光源会发出单向平行光。 
  (3)可以从被测物、光源、摄像机三个部分的相对位置入手。有正面光、背光、明场照明、暗场照明四种相互独立的方法。 
  1.2镜头 
  摄像镜头是一种光学设备。具有把光转换为摄像机内部成像的功能。镜头是机器视觉中举足轻重的部分,对判断图像的质量好坏有着很客观的作用。镜头性能的参数主要有工作距离、角度、视场、景深、分辨率等几个方面。工作距离指的是镜头的前部到被测物体的距离。视场表示摄像头能观察到的最大的范围。景深指的是在物体在摄像机照射到清晰图像的情况下能移动的前后距离范围。 
  1.3摄像机 
  摄像机是可是将光线转换成图像的装置。摄像机又分CCD和CMOS传感器摄像机两种。两者主要的区别是读出数据的方式。CCD的成本高,工艺复杂,耗电高,但是效果好。CMOS制造成本低,制造工艺简单,消耗的电力小,但是CMOS的通透性和对色彩的还原能力都比较差。CCD可分为两类,面阵式和线阵式。在速度较高的情况下一般采用线阵式,速度低的情况下采用面阵式。面阵式价格也比较便宜。 
  1.4 图像采集卡 
  把摄像机采集到的数据通过图像采集卡转存到电脑中。

 
  2机器视觉在农业中的应用 
  2.1机器视觉在棉花氮素营养诊断中的应用 
  农作物生长发育进程和产量形成受肥料影响很大,基于机器视觉的作物生长监测与诊断技术是近地面遥感监测的方法之一,其优质清晰的数字图像既能方便地对作物生长发育的季节性变化进行评估,也能实时高效、快速准确、自动无损地提供作物长势信息和营养状态诊断,在信息化精准农业生产中扮演着极其重要的角色,还可以帮助农户适时采取农艺措施(施肥、灌水、耕作、收割以及病、虫、草、鼠害防治等),从而提高农作物产量与品质。 
  2.2机器视觉在嫁接苗移栽实时定位中的应用 
  为了降低嫁接苗培育整个环节的工作强度、提高嫁接苗存活率以及生长质量,嫁接苗的全自动培育是未来发展的趋势。嫁接苗的全自动培育包括精密定向自动播种、自动育苗、自动供苗、自动嫁接、嫁接苗自动移栽以及温室自动管理几个步骤,每个环节都有大量的研究人员深入研究。其中,嫁接苗的自动移栽主要完成从嫁接机上取苗再到穴盘上进行种苗的过程。移栽效果一般取决于穴孔定位的精度、稳定性以及末端执行器的设计。针对移栽过程中基于机器视觉的穴孔位置的定位研究是目前的研究热点。 
  2.3机器视觉在茶陇识别与采茶机导航中的应用 
  中国是茶叶的主要原产地,也是世界上茶叶种植、消费、出口最大的国家之一。目前,我国茶叶采摘和用工的矛盾已经成为茶叶产业发展的瓶颈,加快发展茶叶采摘机械化势在必行。采用机械化作业替代人工,不仅可以降低成本,而且能够提高采茶质量和生产效率。机器视觉在茶陇识别与采茶机导航中的应用,给茶产业带来了新的春天。利用计算机视觉系统识别茶树嫩芽并实现定位采摘的方法,不仅可以保证叶片的完整性,还能使整个采摘过程完全自动化,节省大量的人力物力,但机器视觉的识别效率还有待提高。 


  3总结与展望 
  机器视觉在农业中的应用为精细农业和农业生产自动化奠定了基础,不仅有助于解放劳动力,还有助于提高农作物产品的品质和产量。 
  另外,植物生长过程的三维重构是目前国内外的研究热点,机器视觉技术是改过程中不可或缺的重要环节。植物生长周期长,利用三维重构技术可将作物在虚拟空间中结构的发育与生长过程进行仿真,并以三维图像进行展现,不仅能够直观、精确地呈现植物的三维生长过程,还可对植物的生长进行预测,为生物育种、育苗提供高效便捷的实验方法。 


深圳辰视智能科技有限公司是一家集机器视觉、工业智能化于一体的高新技术企业,是由一支中国科学院机器视觉技术研究的精英团队在深圳创立。

辰视智能拥有基于深度学习的三维视觉引导、机器人运动控制、视觉检测、三维建模等方面的核心技术,并研发了机器人三维视觉引导系统 、机器人二维视觉引导系统、三维检测系统、产品外观检测系统等可根据客户需求定制化的智能产品。以高效·低成本·模块化的方式为自动化集成商、自动化设备厂商、机器人厂家提供机器视觉的相关解决方案。 


2017-10-31 15:34:42 weixin_34228617 阅读数 42

20世纪60年代,开始出现机器视觉的概念,我国有关机器视觉的概念从20世纪80年代起步,开始主要应用于PCB印刷、组装电路、半导体元器件制作等半导体及电子行业。随着计算机与图像处理技术的发展,机器视觉技术的研究与应用已扩展到农业工程领域,并在许多方面取得了重大成果。

机器视觉检测.jpg

国家“十二五规划”提出要全面推进我国农业生产现代化进程。随着计算机图形图像处理及智能制技术的发展,机器视觉技术逐渐渗透到农业生活的方方面面。通过分析机器视觉技术在我国农业生产中的应用实例可发现机器视觉技术的研究应用主要集中在获取目标物图像信息、图像处理与算法识别、智能视觉定位导航及机器视觉系统集成等方面。

机器视觉技术的基本就是获取目标物图像信息,获取的图像信息直接会影响到机器视觉技术的判断精度,并且采集图像的像素直接影响到机器的处理速度。由于农业生产环境复杂多变且采集的目标物差异较大,因此机器视觉技术获取目标物图像信息的方法需要根据目标物及所需信息的变化而有所不同。目前对农产品信息采集的方法主要为采用CCD(CMOS)照相机或摄像机拍摄,并结合红外光谱信息或高光谱信息进行目标物信息的采集,用来进行下一步的分析处理。利用机器视觉技术及近红外光谱的有效结合可实现对土壤含水率的快速检测,并能对不同地区的土壤进行成分分析,从而为不同农作物选择更适合自身的生存环境。

机器视觉技术在农业自然场景中进行农作物信息提取时,由于环境光照的变化以及农作物在颜色、位置、形状上等差异导致机器视觉识别、特征提取带来了不小的障碍,机器视觉技术能否于农业生产中高效率、高准确率地提取到目标物的特征直接导致机器视觉系统的可靠性。因此,机器视觉系统的精确图像处理与算法识别是机器视觉应用于农业生产的关键一步。有学者提出基于加速鲁棒特征(Speeded up robust features,SURF)的绿色作物特征提取与图像匹配算法,这种算法为精确获取自然环境下农作物的各项生长参数提供了很大的参考价值。

智能视觉定位导航是系统可自动采集农业生产自然环境特征,以此分析出机器人行走路径所需的参数,从而控制智能机器人的导航路径。基于机器视觉的智能视觉定位导航算法是机器视觉导航定位系统的核心,决定着导航定位的精准性。

我国作为传统农业大国,机器视觉技术在农业生产、加工中的应用也越来越广泛。机器视觉技术(www.lrist.com)可用于农作物生长情况监测、农作物按级分捡、农产品和食品加工检测等。

上一篇下一篇

2019-07-08 17:14:00 aikui8441 阅读数 188

当前,计算机视觉在许多领域都有着广泛的应用,并且已成为就业的一个重要方向。 (1)传统行业,工业、农业、交通监控、智慧城市、人机交互、卫星遥感、国防安保 (2)互联网、物联网,大数据领域 (3)国内一些高大上的企业,百度,腾讯,阿里巴巴,每年都有计算机视觉领域的岗位。 (4)计算机领域的国际国内大赛。

数字图像处理(Digital Image Processing) 将图像信号转换成数字信号并用计算机对其进行处理的过程。

数字图像 由连续的模拟图像采样和量化而得。 组成数字图像的基本单位是像素,所以数字图像是像素的集合。 像素的值代表图像在该位置的亮度(或灰度),称为图像的灰度值。 数字图像像素具有整数坐标和整数灰度值☆

特点:图像是人类信息获取和交流的主要方式 视、听、触、嗅、味等 图像是人类信息获取的重要手段 图像的分辨率逐步提高 可以充分利用现代化的数字通讯和信息传输技术 数字图像可以长期保存和永不失真

研究方向:

1图像的平滑 (Image Smoothing) 即图像的去噪声处理,主要是为了去除实际成像过程中,因成像设备和环境所造成的图像失真,提取有用信息。

邻域平均法 中值滤波 多图像平均法  频域低通滤波法

2边缘锐化,锐化的作用是要使灰度反差增强。

2.图像分割(separate?Divide?Segment!) 将图像分成若干部分,每一部分对应于某一物体表面。 在进行分割时,每一部分的灰度或纹理符合某一种均匀测度度量。 其本质是将像素进行分类。分类依据是像素的灰度值、颜色、频谱特性、空间特性或纹理特性等。

图像类型:

1、索引图像(Indexed Image) 2、灰度图像(Intensity Image) 3、真彩色图像(RGB Image) 4、二值图像(BW Image)。

数字图像处理主要是对已有的图像,比如说可见光的图像、红外图像、雷达成像进行噪声滤除、边缘检测、图像恢复等处理,就像用ps 处理照片一样的。人脸识别啊、指纹识别啊、运动物体跟踪啊,都属于图像处理。去噪有各种滤波算法;其他的有各种时频变化算法,如傅里叶变化,小波变换等

图像增强方法:

基于图像域的方法: 直接在图像所在的空间进行处理,也叫空域处理

基于变换域的方法: 在图像变换域间接进行,也叫频域处理

根据处理策略不同,分为: 点处理、邻域处理、全图处理

计算机图形学(Computer Graphics)讲的是图形,也就是图形的构造方式,是一种从无到有的概念,从数据得到图像。是给定关于景象结构、表面反射特性、光源配置及相机模型的信息,生成图像。

计算机视觉(Computer Vision)是给定图象,从图象提取信息,包括景象的三维结构,运动检测,识别物体等。 

数字图像处理(Digital Image Processing)是对已有的图像进行变换、分析、重构,得到的仍是图像。

模式识别(PR)本质就是分类,根据常识或样本或二者结合进行分类,可以对图像进行分类,从图像得到数据。

非结构化道路检测与障碍物识别

比较瘦长的目标是人,比较扁长方的是汽车

转载于:https://www.cnblogs.com/fengtangjiang/p/11152466.html

没有更多推荐了,返回首页