計(jì)算機(jī)視覺檢測(cè)技術(shù)精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的計(jì)算機(jī)視覺檢測(cè)技術(shù)主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：計(jì)算機(jī)視覺檢測(cè)技術(shù)范文

關(guān)鍵詞：計(jì)算機(jī)視覺技術(shù)；C# ；；作物無損檢測(cè)；軟件設(shè)計(jì)

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2013）15-3640-03

數(shù)字農(nóng)業(yè)和農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)作為現(xiàn)代農(nóng)業(yè)最前沿的發(fā)展領(lǐng)域之一，是當(dāng)今世界發(fā)展農(nóng)業(yè)信息化，實(shí)現(xiàn)農(nóng)業(yè)可持續(xù)發(fā)展的關(guān)鍵和核心技術(shù)。數(shù)字農(nóng)業(yè)要求快速、實(shí)時(shí)、準(zhǔn)確和定位化的獲取植物生長(zhǎng)信息，而農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)要求植物信息可實(shí)時(shí)動(dòng)態(tài)感知，顯然，傳統(tǒng)的實(shí)驗(yàn)室測(cè)量分析和信息獲取方法已經(jīng)不能滿足數(shù)字農(nóng)業(yè)和農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)的發(fā)展要求。因此，研究和開發(fā)植物生命信息快速無損檢測(cè)技術(shù)和傳感儀器等軟硬件平臺(tái)已經(jīng)成為現(xiàn)代農(nóng)業(yè)承待解決的關(guān)鍵問題[1]。

目前，國(guó)內(nèi)在作物無損檢測(cè)方面的研究?jī)x器主要是依賴進(jìn)口，而相應(yīng)的軟件也是伴隨著儀器而購(gòu)買。此類軟件，一般價(jià)格昂貴，而且在自主研究平臺(tái)中，因?yàn)闊o法取得源代碼而無法使用或升級(jí)，從而出現(xiàn)研究瓶頸。在各類無損化檢測(cè)技術(shù)中，隨著計(jì)算機(jī)視覺技術(shù)越來越廣泛的應(yīng)用，對(duì)應(yīng)的軟件系統(tǒng)的開發(fā)迫在眉睫[2]。

正是基于這樣的背景，我們通過對(duì)目前應(yīng)用比較廣泛的C#進(jìn)行研究，利用C#強(qiáng)大的數(shù)據(jù)處理能力和良好的用戶界面開發(fā)，并結(jié)合強(qiáng)大的圖像處理能力，進(jìn)行作物實(shí)時(shí)檢測(cè)軟件平臺(tái)的自主設(shè)計(jì)與開發(fā)。

1 計(jì)算機(jī)視覺技術(shù)簡(jiǎn)介

計(jì)算機(jī)視覺也稱機(jī)器視覺，是采用攝像機(jī)或者數(shù)碼相機(jī)將被檢測(cè)圖像轉(zhuǎn)化為數(shù)字信號(hào)，再采用先進(jìn)的計(jì)算機(jī)軟件技術(shù)對(duì)圖像信號(hào)進(jìn)行處理，從而得到所需要的各種目標(biāo)圖像特征值。并由此實(shí)現(xiàn)模式識(shí)別，坐標(biāo)計(jì)算等功能。然后再根據(jù)其結(jié)果輸出數(shù)據(jù)，發(fā)出指令，再配合執(zhí)行機(jī)構(gòu)完成好壞篩選，位置調(diào)整，數(shù)據(jù)統(tǒng)計(jì)等自動(dòng)化流程。與人工視覺相比較，計(jì)算機(jī)視覺的最大的優(yōu)點(diǎn)是快速、精確、可靠，以及數(shù)字化。

隨著數(shù)字農(nóng)業(yè)和農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)的發(fā)展，計(jì)算機(jī)視覺技術(shù)將越來越廣泛的應(yīng)用于農(nóng)業(yè)生產(chǎn)中，而構(gòu)成計(jì)算機(jī)視覺系統(tǒng)的軟件系統(tǒng)是整個(gè)計(jì)算機(jī)視覺系統(tǒng)的靈魂。隨著硬件技術(shù)的不斷發(fā)展完善，計(jì)算機(jī)視覺系統(tǒng)其功能是否強(qiáng)大，可以說完全取決于軟件系統(tǒng)的能力。

2 軟件系統(tǒng)設(shè)計(jì)

2.1 C#與

C#是由微軟公司開發(fā)的一種面向?qū)ο蟮男滦途幊陶Z(yǔ)言，它是從C和C++ 中派生出來的，保留了C/C++原有的強(qiáng)大功能，并且繼承了C/C++的靈活性。同時(shí)由于是MicroSoft公司的產(chǎn)品，它又同Visual Basic一樣具有簡(jiǎn)單的語(yǔ)法結(jié)構(gòu)和高效的開發(fā)能力，可以使程序員快速的編寫出基于.NET平臺(tái)的應(yīng)用程序。

一個(gè)基于C#框架，專門為C#開發(fā)者和研究者設(shè)計(jì)和開發(fā)的，這個(gè)框架提供了豐富的類庫(kù)資源，包括圖像處理，神經(jīng)網(wǎng)絡(luò)，模糊系統(tǒng)，遺傳算法，人工智能和機(jī)器人控制等領(lǐng)域。該框架架構(gòu)合理，易于擴(kuò)展，涉及多個(gè)較前沿的技術(shù)模塊，為相關(guān)開發(fā)人員或科研人員的工作提供了極大的便利。本系統(tǒng)就是采用C#程序設(shè)計(jì)語(yǔ)言，通過調(diào)用該框架來實(shí)現(xiàn)作物無損檢查系統(tǒng)的開發(fā)。

2.2 系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

本軟件系統(tǒng)是在數(shù)碼相機(jī)拍攝的作物圖像的基礎(chǔ)上，采用圖像處理方法進(jìn)行特征提取與分析，從而實(shí)現(xiàn)作物的無損檢測(cè)。主要分為圖像輸入，圖像預(yù)處理，特征提取，特征分析幾個(gè)模塊。

1） 圖像輸入

將要分析處理的圖像讀取到系統(tǒng)中來，為后面圖像處理作準(zhǔn)備。C#提供了三個(gè)最重要的圖像處理類，即Bitmap類、BitmapData類和Graphics類。三種圖像處理的方法，即提取像素法、內(nèi)存法和指針法。從執(zhí)行效率和實(shí)現(xiàn)難度綜合考慮，本系統(tǒng)的開發(fā)采用內(nèi)存法。

2） 圖像預(yù)處理

圖像預(yù)處理主要包括圖像的大小調(diào)整，形態(tài)矯正，平滑和去噪等，以降低環(huán)境對(duì)拍攝照片造成的不利影響。提供了多個(gè)類，可以對(duì)圖像進(jìn)行平滑去噪等操作，本系統(tǒng)中采用了中值濾波算方法，對(duì)應(yīng)中的Median類。

3） 特征提取

特征提取分析，是整個(gè)系統(tǒng)的核心所在，需要選取合適的圖像分割算法，對(duì)圖像進(jìn)行處理，提取目標(biāo)區(qū)域，為特征分析作準(zhǔn)備。在本系統(tǒng)中采用了閾值分割技術(shù)，因?yàn)檫@種算法相對(duì)來說比較直接并且易于實(shí)現(xiàn)。

采用閾值分割技術(shù)，首先，必需確定一個(gè)閾值作為圖像分割的閾值，在本系統(tǒng)中，采用自適應(yīng)閾值法，由用戶在軟件的操作過程中進(jìn)行設(shè)定，并且可以根據(jù)需要進(jìn)行調(diào)整。然后，根據(jù)這個(gè)閾值對(duì)圖像進(jìn)行分割，并將其轉(zhuǎn)化為二值圖，如圖（b）所示。從圖中我們可以看到二值圖像中存在大量的小孔，這種太小的孔洞對(duì)我們進(jìn)行圖像分析沒有實(shí)際意義，并且會(huì)干擾結(jié)果的正確性，因此我們需要采用腐蝕和膨脹的形態(tài)學(xué)方法來進(jìn)行填充孔洞，結(jié)果如圖（C）所示。最后，我們需要根據(jù)需要提取目標(biāo)區(qū)，涉及到連通區(qū)域的提取問題。最后，輸出結(jié)果。

4） 特征分析

對(duì)圖像分割結(jié)果進(jìn)行分析，用于指導(dǎo)生產(chǎn)實(shí)踐。我們可以對(duì)通過圖像處理得到的目標(biāo)區(qū)域進(jìn)行分析，比如可以根據(jù)葉片顏色的變化判斷葉綠素含量，進(jìn)而推算出作物的營(yíng)養(yǎng)狀況，根據(jù)色素區(qū)域的大小計(jì)算出葉面積，根據(jù)不同區(qū)域的形狀、大小判斷病蟲害等。

3 實(shí)驗(yàn)結(jié)果及分析

軟件運(yùn)行后主界面如圖3所示。

為驗(yàn)證本系統(tǒng)的有效性，我們通過設(shè)定不同的閾值進(jìn)行圖像分割，并跟photoshop cs4軟件中魔棒的工具作對(duì)比，來提取圖片中的目標(biāo)區(qū)域。測(cè)試圖片大小為800px×610px，取特征點(diǎn)坐標(biāo)P（310，70），該點(diǎn)的RGB值為（29，92，0），獲取目標(biāo)區(qū)域的總像素和綠色分量平均值，數(shù)據(jù)如表1所示。

從上述表中我們可以看出，本軟件在圖像處理目標(biāo)區(qū)域的提取方面，提取到的目標(biāo)區(qū)域較photoshop 提取的小，綠色分量平均值較photoshop更接近特征點(diǎn)數(shù)值，由此看出用本軟件做圖像分割準(zhǔn)確性更高。

4 結(jié)束語(yǔ)與展望

計(jì)算機(jī)視覺具有非破壞性、快速、高效、信息量大等特點(diǎn)，目前已在主要的農(nóng)作物和經(jīng)濟(jì)作物的養(yǎng)分診斷，植物病蟲害的快速檢測(cè)及預(yù)警預(yù)報(bào)等方面有了廣泛應(yīng)用，取得了較好的效果。隨著計(jì)算機(jī)視覺技術(shù)和圖像處理技術(shù)的發(fā)展，計(jì)算機(jī)視覺技術(shù)將更多的應(yīng)用于植物長(zhǎng)勢(shì)預(yù)測(cè)、產(chǎn)量估計(jì)等方面。

通過本次研究，開發(fā)了一個(gè)交互界面良好的色素分量檢測(cè)系統(tǒng)，能對(duì)圖像在RGB分量上實(shí)現(xiàn)閾值分割，并實(shí)現(xiàn)目標(biāo)區(qū)域的獲取分析。該文主要提倡一種軟件開發(fā)的理念，所設(shè)計(jì)開發(fā)的軟件的針對(duì)性較強(qiáng)，還存在著很多的局限和不足，要作為計(jì)算機(jī)視覺類的通用軟件，系統(tǒng)的穩(wěn)定性和功能都還有待進(jìn)一步提升。

參考文獻(xiàn)：

[1] 劉飛.基于光譜和多光譜成像技術(shù)的油菜生命信息快速無損檢查機(jī)理和方法研究[D].浙江：浙江大學(xué)博士學(xué)位論文，2011.

[2] 朱哲燕，陳紅.基于MATLAB的作物信息光譜分析平臺(tái)的設(shè)計(jì)與開發(fā)[J].科技資訊，2012（16）.

[3] 蔣麗華.基于計(jì)算機(jī)視覺技術(shù)的葉綠素含量檢測(cè)系統(tǒng)[D].蘇州：蘇州大學(xué)碩士學(xué)位論文，2009.

[4] 趙春江.C#數(shù)字圖像處理算法典型實(shí)例[M].北京：人民郵電出版社，2009.

[5] 何勇，劉飛，聶鵬程. 數(shù)字農(nóng)業(yè)與農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)[J].農(nóng)機(jī)論壇，2012（1）.

[6] 張起麗.基于數(shù)學(xué)形態(tài)學(xué)的彩色圖像處理研究[D].西安：西北大學(xué)碩士學(xué)位論文，2009

[7] 冀高.基于數(shù)字圖像處理的棉花群體特征提取[D].北京：北京郵電大學(xué)碩士學(xué)位論文，2007.

第2篇：計(jì)算機(jī)視覺檢測(cè)技術(shù)范文

關(guān)鍵詞：絕緣子；憎水性；稀疏表示；圖像識(shí)別

中圖分類號(hào)：TM855 文獻(xiàn)標(biāo)識(shí)碼：A

與傳統(tǒng)電瓷、玻璃絕緣子相比，復(fù)合絕緣子因其具有優(yōu)異的耐污閃性能而在電力系統(tǒng)中被廣泛使用.復(fù)合絕緣子的憎水性和憎水遷移性是其具有較強(qiáng)耐污閃性能的基礎(chǔ)，然而其在運(yùn)行中因受到紫外線、污穢、電磁場(chǎng)等條件的共同作用會(huì)出現(xiàn)老化現(xiàn)象，使得復(fù)合絕緣子憎水性下降，嚴(yán)重老化的絕緣子甚至?xí)适湓魉訹1-2].因此有必要定期對(duì)運(yùn)行中的復(fù)合絕緣子的憎水性進(jìn)行檢測(cè)，及時(shí)更換憎水性不合格的絕緣子.目前現(xiàn)場(chǎng)測(cè)量復(fù)合絕緣子憎水性的方法主要為噴水分級(jí)法[3]，該方法將復(fù)合絕緣子憎水性分為HC1至HC7 7個(gè)等級(jí)，其操作簡(jiǎn)單，對(duì)檢測(cè)設(shè)備要求低，但完全依賴于人的主觀判斷，容易引起檢測(cè)結(jié)果的不一致性.

目前，國(guó)內(nèi)外一些學(xué)者提出了基于絕緣子憎水性圖像的智能檢測(cè)方法，文獻(xiàn)[4-5]采用圖像預(yù)處理去除噪聲和雜波，利用方向?yàn)V波、自適應(yīng)濾波等方法提取圖像的水珠或者水跡邊緣，對(duì)水珠特征參數(shù)進(jìn)行統(tǒng)計(jì)以后利用K鄰近算法進(jìn)行模式識(shí)別，從而確定憎水性等級(jí).這種方法克服了目測(cè)的主觀性，但是由于圖像分割處理中很容易出現(xiàn)過度分割或者欠分割現(xiàn)象而導(dǎo)致分割失敗，使得后續(xù)的特征值提取失準(zhǔn)從而導(dǎo)致分類算法無法進(jìn)行.如圖1所示為運(yùn)用先進(jìn)的水平集方法對(duì)去噪后憎水性圖像進(jìn)行分割時(shí)，出現(xiàn)過分割和欠分割的現(xiàn)象.

本文采用稀疏表示分類算法（Sparse Representation Classification， SRC）對(duì)復(fù)合絕緣子憎水性圖像進(jìn)行識(shí)別與分類.稀疏表示的算法是由Wright等于2009年提出應(yīng)用于人臉識(shí)別領(lǐng)域中的算法[6].在該方法中一個(gè)測(cè)試樣本被所有訓(xùn)練樣本稀疏線性表示，然后從中找出對(duì)測(cè)試樣本表示誤差最小的一類訓(xùn)練樣本.這一研究為稀疏表示在圖像識(shí)別中的應(yīng)用開辟了新的方向.本文運(yùn)用稀疏表示分類算法對(duì)復(fù)合絕緣子憎水性圖像進(jìn)行分類，通過對(duì)稀疏表示系數(shù)以及最小殘差的計(jì)算找出樣本庫(kù)中與測(cè)試圖像最接近的訓(xùn)練圖像，從而判斷測(cè)試圖像所對(duì)應(yīng)復(fù)合絕緣子的憎水性等級(jí).

1稀疏表示算法

由于拍攝圖片光照條件、拍攝角度、拍攝距離等實(shí)際因素的影響，即使是同一等級(jí)的水珠圖像也會(huì)呈現(xiàn)出多種不同的效果，所以在選擇訓(xùn)練樣本時(shí)，要綜合考慮各種水珠圖像所可能呈現(xiàn)的情況.以HC1級(jí)別的憎水性圖像為例，此時(shí)的復(fù)合絕緣子憎水性能較好，噴水后復(fù)合絕緣子傘裙表面會(huì)呈現(xiàn)出單個(gè)獨(dú)立的水珠.但由于受到拍攝條件的影響，水珠的大小、形狀、分布有很大的不同.為了能使訓(xùn)練樣本最大限度的代表HC1級(jí)別憎水性圖像的特征，選取具有不同大小水珠、不同光照條件、水珠分布疏密不一致、以及水珠重心傾斜不同角度的憎水性圖像作為訓(xùn)練樣本集.對(duì)于HC4～HC6級(jí)別的憎水性圖像，由于這些類別復(fù)合絕緣子表面出現(xiàn)了不同程度的污穢，使得拍攝所得水珠圖像的背景進(jìn)一步復(fù)雜化，需要考慮背景中污穢的分布以及污穢等級(jí)的影響.本文所用到的部分HC1～HC6的訓(xùn)練樣本圖像如圖2所示.

3實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)與分析

3.1可理解性分析

一個(gè)分類模型的質(zhì)量通常由兩方面進(jìn)行評(píng)估決定：分類試驗(yàn)的準(zhǔn)確率以及該模型的可理解性.圖4（a）和（b）給出了同屬憎水性等級(jí)HC1級(jí)的兩個(gè)測(cè)試樣本，圖4（c）和（f）為利用訓(xùn)練樣本庫(kù)里所有樣本圖像對(duì)測(cè)試樣本進(jìn)行稀疏表示所得的兩組稀疏表示系數(shù)和利用式（6）計(jì)算得到的各類表示誤差.從圖4（c）中可以看出：第1類訓(xùn)練樣本所對(duì)應(yīng)的稀疏表示系數(shù)明顯大于其他幾類的稀疏表示系數(shù).這說明訓(xùn)練樣本集中第1類樣本對(duì)稀疏表示的貢獻(xiàn)最大，這也在圖4（d）表示的各類測(cè)試誤差中得到了體現(xiàn).因此我們僅通過圖4（c）就可判定測(cè)試樣本屬于第1類，即該憎水性圖像所對(duì)應(yīng)的復(fù)合絕緣子的憎水性屬于HC1級(jí).但是，在對(duì)第2個(gè)測(cè)試樣本圖像進(jìn)行測(cè)試時(shí)，僅根據(jù)圖4（e）的稀疏表示系數(shù)對(duì)其憎水性級(jí)別進(jìn)行劃分有一定的困難，各個(gè)類別所對(duì)應(yīng)的稀疏表示系數(shù)變化跨度很大，系數(shù)之間大小相近的也很多.此種情況下通過進(jìn)一步計(jì)算該測(cè)試圖像與稀疏表示各類之間的殘差來對(duì)測(cè)試圖像進(jìn)行分類.由圖4（f）可知：第1類訓(xùn)練樣本與測(cè)試圖像之間的殘差最小，以此可判定該測(cè)試樣本屬于第1類，即該憎水性圖像所對(duì)應(yīng)的復(fù)合絕緣子憎水性等級(jí)為HC1級(jí).

通過這個(gè)例子可以看出，利用稀疏表示對(duì)復(fù)合絕緣子憎水性圖像進(jìn)行分類時(shí)，稀疏表示的系數(shù)具有以下兩個(gè)特點(diǎn)：

1）測(cè)試樣本所對(duì)應(yīng)類別的訓(xùn)練樣本參與該稀疏表示的比例最大.

2）同類測(cè)試樣本所對(duì)應(yīng)的稀疏表示系數(shù)都比較接近.

3.2實(shí)驗(yàn)結(jié)果分析

據(jù)文獻(xiàn)[11]，憎水性為HC1～HC2級(jí)的復(fù)合絕緣子可以繼續(xù)入網(wǎng)運(yùn)行，HC3～HC5級(jí)時(shí)需要進(jìn)行跟蹤監(jiān)測(cè)，HC6～HC7級(jí)的復(fù)合絕緣子必須退出運(yùn)行.本文在實(shí)驗(yàn)測(cè)試階段將復(fù)合絕緣子憎水性試驗(yàn)圖像分成繼續(xù)運(yùn)行，繼續(xù)觀測(cè)，退出運(yùn)行3大類.將HC1～HC2分為第1類，HC3～HC5分為第2類，HC6～HC7分為第3類.相對(duì)應(yīng)的樣本訓(xùn)練集也進(jìn)行了相應(yīng)的調(diào)整，形成了具備上述3大類共107幅標(biāo)準(zhǔn)憎水性圖像的訓(xùn)練樣本庫(kù)即訓(xùn)練樣本空間，其中第1類樣本40幅，第2類樣本30幅，第3類樣本37幅.由于第1類樣本圖像中水珠較多，導(dǎo)致圖像情況復(fù)雜，故相應(yīng)增加了第1類樣本圖像的數(shù)量.

4結(jié)論

測(cè)試結(jié)果表明：運(yùn)用稀疏表示分類算法對(duì)復(fù)合絕緣子憎水性圖像進(jìn)行檢測(cè)分類具有較高的準(zhǔn)確率和可行性.復(fù)合絕緣子圖像光照情況復(fù)雜，水珠分布隨機(jī)不規(guī)則，可見該算法對(duì)外界環(huán)境的改變具有一定的魯棒性.與傳統(tǒng)的憎水性圖像識(shí)別分類方法相比，稀疏表示分類算法避開了復(fù)雜的圖像分割和特征提取過程，大大簡(jiǎn)化了復(fù)合絕緣子憎水性檢測(cè)步驟.如何通過豐富和優(yōu)化憎水性圖像訓(xùn)練樣本庫(kù)進(jìn)一步提高算法準(zhǔn)確率是今后努力的方向.

參考文獻(xiàn)

[1]趙林杰，李成榕，熊俊，等. 基于帶電檢測(cè)的復(fù)合絕緣子憎水性評(píng)價(jià)[J]. 中國(guó)電機(jī)工程學(xué)報(bào)，2008，28（16）： 135-142.

[2]張福林. 復(fù)合絕緣子外絕緣基材硅橡膠表面的憎水性和憎水遷移性機(jī)理分析[J]. 華北電力技術(shù)， 1999，3（1）：19-21.

[3]STRI Guide921，Hydrophobicity classification Guide[S].Sweden： Swedish Transm Res Inst， 1992.

[4]BERG M. A digital image processing method for estimating the level of hydrophobicity of high voltage polymeric insulating materials[C]//1999 Conference on Electrical Insulation and Dielectric Phenomena.Austin：IEEE，1999：756-762.

[5]彭克學(xué)，王泉德，王先培. 基于表面噴水圖像分析的絕緣子表面憎水性檢測(cè)方法[J].絕緣材料，2005，7（1）：47-51.

[6]WRIGHT J， YANG A Y. Robust face recognition via sparse representation[J]. IEEE Trans on Pattern Analysis and Machine Intelligence（PAMI）， 2009， 31（2）：210-227.

[7]DONOHO D， TSAIG Y. Fast solution of l1norm minimization problems when the solution may be sparse[J]. IEEE Trans on Information Theory， 2006，54（11）：4789-4812.

[8]DONOHO D. Compressed sensing[J]. IEEE Trans on Information Theory，2006，52（4）：289-1306.

[9]HUANG J， HUANG X， METAXAS D. Simultaneous image transformation and sparse representation recovery[C]//Proceedings of CVPR. Anchorage： IEEE，2008：1-8.

[10]DONOHO D， TSAIG Y. Fast soluion of l1-norm minimization problems when the solution maybe sparse[R]. Department of Statistics， Stanford University， USA，2008.

第3篇：計(jì)算機(jī)視覺檢測(cè)技術(shù)范文

關(guān)鍵詞：肉類食品；品質(zhì)檢測(cè)；研究

隨著經(jīng)濟(jì)的快速增長(zhǎng)，國(guó)民生活的日益提高，我國(guó)肉類消費(fèi)量也在快速增長(zhǎng)，由肉類食品所引起的食物安全問題也不斷增多，如“禽流感”、 “豬鏈球菌中毒”等.傳統(tǒng)的檢測(cè)技術(shù)費(fèi)時(shí)費(fèi)力,檢測(cè)效率低,已經(jīng)達(dá)不到現(xiàn)代檢測(cè)所需的快速、準(zhǔn)確、實(shí)時(shí)、無損等要求。 現(xiàn)代的肉品檢測(cè)技術(shù)，注重實(shí)用性和精確性。儀器微型化、低耗能化、功能專用化、多維化、一體化、成像化；生物技術(shù)被大量應(yīng)用；與計(jì)算機(jī)技術(shù)結(jié)合得越來越緊密；不斷采用其它領(lǐng)域的新技術(shù)；生理學(xué)中的感覺器官生理變動(dòng)規(guī)律和電生理學(xué)研究學(xué)方法等。

1 物理方法

1.1 計(jì)算機(jī)視覺技術(shù)

計(jì)算機(jī)視覺技術(shù)通過計(jì)算機(jī)模擬人的判別準(zhǔn)則去理解和識(shí)別圖像，用圖像分析作出相應(yīng)結(jié)論的實(shí)用技術(shù)，其中圖像處理和圖像分析是計(jì)算機(jī)視覺技術(shù)的核心。

計(jì)算機(jī)視覺技術(shù)可對(duì)其新鮮度作出判定；基于神經(jīng)網(wǎng)絡(luò)分類器的立體顏色直立圖可用于分析雞胴體全身缺陷。李剛等構(gòu)建了由氣體傳感器陣列、數(shù)據(jù)采集單元、神經(jīng)網(wǎng)絡(luò)組成的智能檢測(cè)辨識(shí)系統(tǒng)，通過豬肉樣本的測(cè)試與分析表明，該方法可實(shí)時(shí)準(zhǔn)確地識(shí)別肉類新鮮度，辨識(shí)準(zhǔn)確率可達(dá)9 0 % 以上。Malone 等以圖像處理方法和專家系統(tǒng)控制為基礎(chǔ)，研發(fā)了一個(gè)分析系統(tǒng)，該系統(tǒng)可以根據(jù)圖像分析的結(jié)果并參照數(shù)據(jù)庫(kù)作出正確的判斷，確定魚片脊骨的位置，并操縱高壓水切割器剔除魚片中的脊骨。機(jī)器視覺系統(tǒng)也用于研究豬腰肉的品質(zhì)波動(dòng)和分級(jí)，如用400 ～700nm 的光纖反射測(cè)量系統(tǒng)可以檢測(cè)出明顯的PSE 豬腰肉，同時(shí)根據(jù)豬肉品質(zhì)優(yōu)劣進(jìn)行分級(jí)。

1.2 超聲波技術(shù)

超聲波檢測(cè)技術(shù)是利用肉品在超聲波作用下的吸收特性、衰減系數(shù)、傳播速度、本身的聲阻抗和固有頻率，測(cè)定肉品組成成分、肌肉厚度、脂肪厚度的快速無損在線檢測(cè)、分級(jí)方法。

利用超聲波可以測(cè)定肉品(活體或尸體) 的成分，如牛、羊、豬等的背膘厚度及脂肪含量。Benedito等應(yīng)用超聲波傳播速度的變化檢測(cè)發(fā)酵香腸的化學(xué)成分，發(fā)現(xiàn)在脂肪中溫度每升高1 ℃超聲波速減慢5.6m/s;在瘦肉中，超聲波速隨溫度上升而上升。

Brondum 等使用超聲波在線檢測(cè)豬胴體的系統(tǒng)，該系統(tǒng)包括1 6 個(gè)超聲波傳感器，可以確定膘厚、肥瘦、產(chǎn)肉率(與胴體重量有關(guān))、 主要切割點(diǎn)等指標(biāo)，其在線檢測(cè)速度可達(dá)1150 頭/h ，能達(dá)到較高的準(zhǔn)確率。目前較好的產(chǎn)品有丹麥S F KTechnology A/S 公司研制的在線檢測(cè)產(chǎn)品。

用超聲波圖像檢測(cè)脂肪厚度和腰部肌肉易受到操作人員、測(cè)量部位、超聲波頻率、被測(cè)物體的不規(guī)則性和肥瘦組織分布的不均勻性等因素的影響，而且實(shí)時(shí)超聲波圖像一般只能檢測(cè)某部位的化學(xué)成分而不是全身成分。所以，超聲波檢測(cè)技術(shù)更多地應(yīng)用在線自動(dòng)快速無損檢測(cè)，它具有適應(yīng)性強(qiáng)、對(duì)人體無害、檢測(cè)靈敏、使用靈活等特點(diǎn)。該技術(shù)在國(guó)外已逐漸進(jìn)入肉品實(shí)際檢測(cè)中，但我國(guó)在這方面的研究與應(yīng)用尚未見報(bào)道。

1.3 電磁學(xué)檢測(cè)技術(shù)

肉品的組織、成分、結(jié)構(gòu)、狀態(tài)等和其電磁特性有密切關(guān)系。如肉品從新鮮到腐敗的過程中。其阻抗值就有一定的變化規(guī)律。

電磁掃描的原理是骨頭和肌肉這些含水的物質(zhì)比脂肪有更高的導(dǎo)電率，它和豬、羊的無脂肪瘦肉有較好的相關(guān)性。Higbie 等采用測(cè)量胴體全身電導(dǎo)率的方法來估計(jì)無脂瘦肉和全脂肪含量，通過對(duì)不同部位和條件下的豬胴體檢測(cè)，發(fā)現(xiàn)可以用三或四變量公式預(yù)測(cè)無脂瘦肉重量，而且可以根據(jù)公式推算肉類各組分的含量，復(fù)相關(guān)系數(shù)R2>0.66。 測(cè)量豬酮體的電特性能有效確定豬肉不正常系水力及PSE 特性等早期衰變，因?yàn)橄邓?、pH 值、三磷酸腺苷(TP)的降低均與生物電阻抗以及相位變化有關(guān)。而電磁學(xué)檢測(cè)的變化曲線與計(jì)算機(jī)視覺技術(shù)和超聲波檢驗(yàn)所得的變化曲線具有相似性。

2 儀器分析方法

2.1 高效液相色譜法

高效液相色譜法( H P L C ) 特別適用于高沸點(diǎn)、不能氣化或熱穩(wěn)定性差的有機(jī)物的分離分析，在食品行業(yè)中常用于食品添加劑、農(nóng)藥殘留和生物毒素的分析檢測(cè)，具有靈敏度高、操作簡(jiǎn)便、結(jié)果準(zhǔn)確可靠、重現(xiàn)性好且成本較低的優(yōu)勢(shì)。

檢測(cè)抗生素的傳統(tǒng)方法是微生物法，靈敏度較、低耗時(shí)較長(zhǎng)，一次只能檢測(cè)一種抗生素。反相HPLC 測(cè)定抗生素，簡(jiǎn)便快速，能同時(shí)監(jiān)測(cè)多種抗生素，已成為肉品檢測(cè)中的常用方法。湯麗芬等用反相HPLC 同時(shí)測(cè)定廣州地區(qū)肉類4 種抗生素的殘留量，結(jié)果表明；各抗生素的線性范圍均為0.01～ 1.0 µg/ml，相關(guān)系數(shù)均為0.99 以上(n=5)；回收率均為95.6% ～ 106.0%； 日內(nèi)日間變異系數(shù)均在允許范圍內(nèi)(小于15%)。

2.2 毛細(xì)管電泳安培法

1991 年Jorgenson 和Monnig 首次提出了高速毛細(xì)管電泳技術(shù)(HSCE 或fast-CE)，使分析時(shí)間縮短至幾分鐘內(nèi)。毛細(xì)管電泳安培法具有靈敏度高、樣品體積小的特點(diǎn)。但電泳時(shí)間多為5～30min，因此近年來芯片毛細(xì)管電泳技術(shù)是電泳的一大熱點(diǎn)，芯片毛細(xì)管電泳技術(shù)實(shí)質(zhì)上是將HSCE 的儀器微型化，采用窄內(nèi)徑且短的毛細(xì)管和提高分離場(chǎng)強(qiáng)的方式來提高分析速度，因此保持電泳高效的同時(shí)提高其分析速度是電泳技術(shù)的發(fā)展趨勢(shì)。

楊冰儀等采用高速毛細(xì)管電泳安培法對(duì)市售肉類中的人工合成雌激素己烯雌酚(DES) 進(jìn)行了測(cè)定，結(jié)果表明：參數(shù)優(yōu)化后，DES 在60s 內(nèi)可以得到較好的分離，檢出限為1.0×10-8mol/L，DEC 濃度在1.48× 10-4～3.69 ×10-5mol/L，1.25×10-6～1.85×10-7mol/L 與峰面積分段呈良好的線性關(guān)系；遷移時(shí)間和峰面積的相對(duì)標(biāo)準(zhǔn)偏差分別為0.65%、2.2%。

2.3 近紅外光譜分析技術(shù)

近紅外技術(shù)NIR(nearinfrared)具有測(cè)量測(cè)信號(hào)數(shù)字化及分析過程綠色化的特點(diǎn)。在肉品檢測(cè)中，它可以用來測(cè)定屠宰分割過程中和肉制品加工中原料肉和成品的水分、蛋白質(zhì)、脂肪等指標(biāo)；也能鑒別冷凍肉并測(cè)定其保水性、滲透性、肉汁損失率和干物質(zhì)含量。

Ben-Gera 等采用紅外透射技術(shù)，研究了肉制品乳濁液中脂肪和水分的含量。Lanza 利用近紅外光譜分析研究了生豬肉和牛肉的水分、蛋白質(zhì)、脂肪和卡路里含量，發(fā)現(xiàn)在波長(zhǎng)為1100～ 2500nm 時(shí)，反射光譜與水分、脂肪和卡路里有較高的相關(guān)性(R0.987)，與蛋白質(zhì)的相關(guān)系數(shù)(R)為0.885。此外，有研究表明：近紅外光通過光纖反射的透射特性與牛肉剪切力相關(guān)(R=0.798～0.826)，與水分、蛋白質(zhì)、脂肪等指標(biāo)也有較好的相關(guān)性。Park 等通過分析近紅外反射光譜以確定牛肉嫩度，采用主成分分析法(PCR，principal componen tregression)分析波長(zhǎng)在1100～2498nm 處生肉的吸收光譜，發(fā)現(xiàn)其與測(cè)得的熟肉嫩度存在復(fù)相關(guān)系數(shù)R2=0.692，從而可以建立預(yù)測(cè)牛肉嫩度(口感)的分析模型。

但該方法成本較高且分析較復(fù)雜。目前丹麥、德國(guó)已開發(fā)出在線檢測(cè)設(shè)備，而我國(guó)還沒有類似的檢測(cè)儀器。

2.4 核磁共振波譜分析技術(shù)

核磁共振波譜法是根據(jù)具有磁性質(zhì)的原子核對(duì)射頻磁場(chǎng)的吸收原理，以測(cè)定各種有機(jī)或無機(jī)成分的檢測(cè)技術(shù)。它是一種無損檢測(cè)技術(shù)，可以檢測(cè)同一樣品的不同原子核，以便從不同角度對(duì)樣品進(jìn)行觀察；另外它還具有結(jié)構(gòu)和動(dòng)力學(xué)信息敏感性，可以觀察樣品的化學(xué)結(jié)構(gòu)特征和分子遷移。31P 因其天然豐度高(100%)，在細(xì)胞中的含量高(DNA、磷脂及ATP等)；化學(xué)位移范圍寬(約30)，共振譜線簡(jiǎn)單容易識(shí)別；在生物體內(nèi)普遍存在，且與生命過程息息相關(guān)，而使31PNMR 技術(shù)在生物樣品檢測(cè)中使用最多。

31PNMR可用于檢測(cè)肉品中添加磷酸鹽的水解過程。Rongrong Li 研究了雞肉中不同磷酸鹽的水解過程，經(jīng)檢測(cè)發(fā)現(xiàn)TSPP 和TKPP 的水解最快，大約1.25h 就可以完全水解為Pi。采用31PNMR 技術(shù)可以快速無損地區(qū)別和量化肌肉組織中的有機(jī)和無機(jī)磷酸鹽，為進(jìn)一步解釋磷酸鹽的作用機(jī)理提供了方法。

3 現(xiàn)代分子生物學(xué)技術(shù)

3.1 核酸探針檢測(cè)技術(shù)

核酸分子雜交可以用于待測(cè)核酸樣品中的特定基因序列。該技術(shù)不僅具有特異性、靈敏度高的優(yōu)點(diǎn)，而且兼?zhèn)浣M織化學(xué)染色的可見性和定位性。在肉品檢測(cè)中，核酸探針技術(shù)主要用于致病性病原菌的檢測(cè)。

目前我國(guó)肉品致病菌的檢驗(yàn)普遍采用傳統(tǒng)的細(xì)菌學(xué)檢驗(yàn)方法和血清學(xué)方法，方法繁瑣，靈敏度和準(zhǔn)確性都不高。核酸探針技術(shù)可檢測(cè)出10-12～10-9 的核酸，可廣泛應(yīng)用于進(jìn)出口動(dòng)物性食品的檢驗(yàn)，包括沙門氏菌、彎桿菌、輪狀病毒、狂犬病毒等多種病原體。

核酸探針技術(shù)在實(shí)際應(yīng)用中仍存在一些問題，如放射性同位素標(biāo)記的核酸探針半衰期短、對(duì)人體有危害等（生物素標(biāo)記的核酸探針雖然對(duì)人體無害，但受紫外線照射易分解），所以作為常規(guī)診斷特別是食品實(shí)驗(yàn)室較不適用。

3.2 生物芯片檢測(cè)技術(shù)

生物芯片使研究中不連續(xù)的分析過程都集成在芯片上完成，實(shí)現(xiàn)檢測(cè)的連續(xù)化、集成化、微型化、信息化，單位面積內(nèi)可以高密度排列大量的生物探針，每平方厘米可達(dá)5 10 萬(wàn)個(gè)， 一次實(shí)驗(yàn)就可檢測(cè)多種疾病或分析多種生物樣品，已經(jīng)廣泛用于食品安全檢測(cè)、食品微生物檢測(cè)、動(dòng)物疫病檢測(cè)、轉(zhuǎn)基因動(dòng)植物檢測(cè)等方面。

張慶峰等以卵清白蛋白為載體蛋白合成了雌二醇的結(jié)合物，并采用Cy3 新型熒光染料標(biāo)記結(jié)合物，作為雌二醇的競(jìng)爭(zhēng)物，建立了以競(jìng)爭(zhēng)法為基礎(chǔ)的檢測(cè)肉品中雌二醇的免疫芯片新方法。該技術(shù)用生物芯片點(diǎn)樣儀在醛基化玻片表面點(diǎn)樣制備免疫微陣列，對(duì)雌二醇進(jìn)行了定性定量檢測(cè)。結(jié)果表明熒光信號(hào)隨待測(cè)物濃度的降低而增強(qiáng)，待測(cè)物濃度在0.001～0.4µg/ml 的范圍內(nèi)有較好的線性趨勢(shì)，檢測(cè)范圍為1 0.001 g/ml。

4 微生物檢測(cè)技術(shù)

當(dāng)前，微生物電子學(xué)、微機(jī)技術(shù)濾光技術(shù)、生物傳感器等多項(xiàng)領(lǐng)域的突破，使得微生物快速檢測(cè)技術(shù)得到了改進(jìn)，正朝著快速、準(zhǔn)確、簡(jiǎn)便及自動(dòng)化的方向發(fā)展。利用傳統(tǒng)微生物檢測(cè)原理，結(jié)合先進(jìn)技術(shù)，設(shè)計(jì)了形式各異的微生物檢測(cè)儀器設(shè)備，正逐步廣泛應(yīng)用于肉品微生物檢測(cè)。如ATBExpression細(xì)菌鑒定智能系統(tǒng)、全自動(dòng)微生物快速鑒定儀器VITEK、微生物總數(shù)快速測(cè)定儀、自動(dòng)菌落計(jì)數(shù)系統(tǒng)、應(yīng)用電阻抗技術(shù)的全自動(dòng)微生物監(jiān)測(cè)系統(tǒng)。

參考文獻(xiàn)

[1] 陳福生高志賢王建華. 食品安全檢測(cè)與現(xiàn)代生物技術(shù)[M].北京化學(xué)工業(yè)出版社2004.

[2] 趙杰文孫永海.現(xiàn)代食品檢測(cè)技術(shù)[M].北京中國(guó)輕工業(yè)出版社2005.

[3] 陳純.計(jì)算機(jī)圖像處理技術(shù)與算法[M].北京清華大學(xué)出版社2003.

[4] 孫永海鮮于建川石晶.基于計(jì)算機(jī)視覺的冷卻牛肉嫩度分析方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)2003 34(5) 102 105.

[5] 李剛曲世海郭培源張慧.基于神經(jīng)網(wǎng)絡(luò)的肉類新鮮度辨識(shí)技術(shù)[J].傳感器技術(shù)2004 24(3) 15 17.

[6] 滕炯華袁朝輝王磊.基于氣體傳感器陣列的牛肉新鮮度識(shí)別方法研究[J].測(cè)控技術(shù)2002 21 (7) 1 2.

第4篇：計(jì)算機(jī)視覺檢測(cè)技術(shù)范文

關(guān)鍵詞：數(shù)字圖像處理；測(cè)距；聚焦；頻域

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302(2012)09-0016-03

Images ranging method based on frequency domain analysis

ZHU Xue-yi

(School of Microelectronics and Solid-State Electronics, University of Electronic Science and Technology, Chengdu 610054, China)

Abstract: Using digital image processing theories and methods, the digital image pre-processing mode, the target graphic detection and the ranging model construction are studied and analyzed. Combined with a ranging scheme of single camera, a focusing ranging technique based on frequency domain analysis is given to process images captured by the monocular camera and calculate the distance from target detection image to the camera based on frequency domain image signals. The technique saves lots of complex hardware and reduces the demands of digital image processing, which has the advantages of high ranging precision and fast processing speed.

Keywords: digital image processing; ranging; focusing; frequency domain

0 引 言

視覺是人類觀察世界、認(rèn)知世界的重要功能手段，人類感知外部世界主要通過視覺、觸覺、聽覺和嗅覺等感覺器官，其中80%的信息是由視覺獲取的。計(jì)算機(jī)視覺就是人類利用計(jì)算機(jī)實(shí)現(xiàn)人的視覺功能，從而對(duì)客觀世界三維場(chǎng)景進(jìn)行感知、識(shí)別和理解。計(jì)算機(jī)視覺是一個(gè)相當(dāng)新而且發(fā)展迅速的研究領(lǐng)域。

在對(duì)生物視覺系統(tǒng)的研究中，人們?cè)缇妥⒁獾?，幾乎所有具有視覺功能的生物都有兩只眼睛。用兩只眼睛同時(shí)觀察物體，會(huì)有深度或遠(yuǎn)近的感覺，我們稱之為視差。因此，在計(jì)算機(jī)視覺系統(tǒng)中，也常用兩臺(tái)或多臺(tái)攝像機(jī)從兩個(gè)或多個(gè)視點(diǎn)去觀察同一場(chǎng)景，從而獲得在不同視角下的一組圖像，然后通過同一場(chǎng)景點(diǎn)在不同圖像中的視差，推斷出場(chǎng)景中目標(biāo)物體的空間幾何形狀和位置，這種方法稱為立體視覺。它是計(jì)算機(jī)視覺的一個(gè)重要分支，也是計(jì)算機(jī)視覺的核心研究?jī)?nèi)容之一。

視頻和圖像是對(duì)物質(zhì)世界客觀事物的形象而生動(dòng)的描述，是最直接且具體的信息表達(dá)形式之一，是人類最重要的信息載體。隨著科技的日益發(fā)展，人們需要一種更加先進(jìn)快捷的工作方式，另外，人們對(duì)工作環(huán)境和工作條件也提出了更新、更高的要求，視頻測(cè)距系統(tǒng)便在這種背景下應(yīng)運(yùn)而生。

視覺測(cè)距技術(shù)的發(fā)展對(duì)于距離測(cè)量有重要的意義。在基于數(shù)字圖像處理技術(shù)的視覺測(cè)距系統(tǒng)中，使用單個(gè)CCD(Charge Couple Device)攝像機(jī)的系統(tǒng)稱為單目攝像系統(tǒng)，而同時(shí)使用兩臺(tái)攝像機(jī)對(duì)同一景物進(jìn)行攝像，并運(yùn)用計(jì)算機(jī)分析兩幅圖像來確定物體的三維狀況的系統(tǒng)稱為雙目攝像系統(tǒng)。雙目攝像系統(tǒng)測(cè)量精度高，但計(jì)算速度較慢，成本較高。而單目攝像系統(tǒng)方法則比較簡(jiǎn)潔、快速，因此，本文對(duì)采用單目攝像系統(tǒng)檢測(cè)目標(biāo)物的測(cè)距方法進(jìn)行研究。

1 測(cè)距技術(shù)在國(guó)內(nèi)外的研究現(xiàn)狀

目前，國(guó)內(nèi)外對(duì)視覺測(cè)距技術(shù)的研究仍在不斷的進(jìn)行之中，還并沒有形成國(guó)際統(tǒng)一的標(biāo)準(zhǔn)模式，各種數(shù)字圖像處理技術(shù)和算法之間孰優(yōu)孰劣仍在不斷的探討和比較中。當(dāng)前，國(guó)內(nèi)外的研究機(jī)構(gòu)主要研究的測(cè)距技術(shù)包括超聲波測(cè)距技術(shù)、微波雷達(dá)測(cè)距技術(shù)、激光雷達(dá)測(cè)距技術(shù)和視覺測(cè)距技術(shù)。

1.1 激光雷達(dá)測(cè)距

激光雷達(dá)測(cè)距具有測(cè)量時(shí)間短、量程長(zhǎng)、精度高等特點(diǎn)，但激光雷達(dá)在惡劣天氣環(huán)境下或逆光狀態(tài)下的測(cè)距準(zhǔn)確性降低，另外，其造價(jià)、耗能、對(duì)人眼安全等因素也對(duì)其進(jìn)一步應(yīng)用有一定影響。

1.2 超聲波測(cè)距

超聲波是指振動(dòng)頻率在20 kHz以上的機(jī)械波，具有聲波傳輸?shù)幕疚锢硖匦?。超聲波測(cè)距是根據(jù)超聲波反射時(shí)間來計(jì)算與前方車輛之間的距離。超聲波測(cè)距原理比較簡(jiǎn)單，成本低，但超聲波的傳輸速度受天氣影響較大，不同天氣條件下的傳輸速度不同。

第5篇：計(jì)算機(jī)視覺檢測(cè)技術(shù)范文

關(guān)鍵詞 智能交通系統(tǒng)；計(jì)算機(jī)視覺；汽車流量

中圖分類號(hào)：TN948 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-7597（2014）14-0048-01

基于視覺的圖像處理器測(cè)量精度高，抗干擾能力強(qiáng)，許多自然及人為的干擾都可以被消除，運(yùn)用預(yù)測(cè)技術(shù)可以再捕獲瞬間丟失的目標(biāo)，并且能實(shí)現(xiàn)對(duì)記憶的跟蹤。它通常安裝在路邊或架空安裝，不會(huì)重新鋪設(shè)路面，也不會(huì)影響埋在地下的水和天然氣管道，更不會(huì)干擾交通。 基于視覺的圖像處理有其突出的優(yōu)點(diǎn)，表現(xiàn)在：可以獲得的目標(biāo)信息非常巨大，獲取信息的方法也非常方便。

1 研究的實(shí)用意義

車輛檢測(cè)系統(tǒng)在智能交通系統(tǒng)中具有很重要的地位。機(jī)動(dòng)車輛流量計(jì)數(shù)與監(jiān)控為智能控制提供了相當(dāng)重要的數(shù)據(jù)來源，通過計(jì)算機(jī)視覺的機(jī)動(dòng)車流量統(tǒng)計(jì)系統(tǒng)可以檢測(cè)很多交通參數(shù)，便于我們檢測(cè)和監(jiān)控，這些參數(shù)中的一個(gè)重要參數(shù)就是汽車

流量。

基于視頻的檢測(cè)法作為最有前途的方法之一，有以下優(yōu)點(diǎn)。

1）能高效、準(zhǔn)確、安全可靠地的監(jiān)視和控制道路交通，能夠提供高質(zhì)量高分辨率的圖像信息。

2）用于交通監(jiān)視和控制的主要設(shè)備就是安裝視頻攝像機(jī)，現(xiàn)在我國(guó)所有城市基本都已經(jīng)安裝了視頻攝像機(jī)，甚至高清視頻攝像機(jī)。因?yàn)榘惭b視頻攝像機(jī)破壞性非常低、很方便、也很經(jīng)濟(jì)。

3）由計(jì)算機(jī)視覺得到的交通信息可以通過聯(lián)網(wǎng)工作，非常有利于對(duì)道路交通網(wǎng)的監(jiān)視以及控制。

4）由于目前對(duì)智能交通系統(tǒng)的安全性、實(shí)時(shí)性和可靠性的要求都非常高，計(jì)算機(jī)技術(shù)和圖像處理技術(shù)的發(fā)展顯得極其

重要。

2 研究?jī)?nèi)容

本研究主要包含兩大部份：一部分就是采用分類和分割方法把采集到的視頻圖像的目標(biāo)進(jìn)行識(shí)別；另一部分就是通過定位方法來實(shí)現(xiàn)目標(biāo)的跟蹤。這兩部份是缺一不可，緊密聯(lián)系在一起的。

首先先介紹視頻圖像的目標(biāo)識(shí)別，視頻圖像目標(biāo)的識(shí)別方法有很多，但總體上主要有兩種方法：一是大家熟悉的相關(guān)匹配法，二是特征匹配法。相關(guān)匹配法是通過找到最大相關(guān)值（最大相關(guān)值指的就是當(dāng)前圖像與參考圖像間的相關(guān)系數(shù)的大小）所在的位置來確定當(dāng)前輸入圖像中的目標(biāo)位置。相關(guān)匹配法優(yōu)點(diǎn)是可以在信噪比很小的條件下工作，對(duì)噪聲抑制能力非常強(qiáng)，在計(jì)算形式上比較簡(jiǎn)單，很容易實(shí)現(xiàn)。但它的缺點(diǎn)也很明顯，由于相關(guān)匹配法對(duì)幾何和灰度畸變十分敏感，反而計(jì)算量偏大，造成的直接后果就是非常容易產(chǎn)生累積誤差，而且最關(guān)鍵的就是不能充分利用視頻圖像目標(biāo)的幾何特性，就不能保證對(duì)識(shí)別目標(biāo)的跟蹤精度。相關(guān)匹配法比較適合于對(duì)目標(biāo)的尺寸變化不大并且場(chǎng)景各部分的相關(guān)性不強(qiáng)，當(dāng)前輸入圖像和參考圖像的產(chǎn)生條件較為一致的場(chǎng)合。特征匹配方法是目前研究較多的一類圖像匹配方法，它是通過目標(biāo)的特征與輸入圖像中目標(biāo)的特征來比較辨識(shí)目標(biāo)。它首先提取輸入圖像和參考圖像的相關(guān)特征信息，比如邊緣、角點(diǎn)等。然后通過測(cè)量距離來比較輸入圖像與參考圖像的特征集合，如果輸入圖像的特征集與參考圖像的特征集距離是最小的（在滿足給定約束條件下），則判定該目標(biāo)被識(shí)別。它對(duì)目標(biāo)的幾何特征、灰度畸變一點(diǎn)都不敏感，但它充分利用了目標(biāo)圖像的特征信息，因而可以保證較高的跟蹤精度。

上面介紹了視頻圖像目標(biāo)的識(shí)別，現(xiàn)在介紹本研究第二部分：通過定位方法來實(shí)現(xiàn)目標(biāo)的跟蹤。對(duì)于圖像目標(biāo)的跟蹤方法通常有下面幾個(gè)方法。

亮度中心法，其實(shí)這種方法計(jì)算很簡(jiǎn)單，只要確定了一個(gè)點(diǎn)，就能完成定位。這個(gè)點(diǎn)就是一個(gè)跟蹤點(diǎn)，它就是具有最高灰度的像素點(diǎn)（來自獲得的視頻目標(biāo)圖像）或這個(gè)點(diǎn)上的一個(gè)鄰域。這種方法、性能很穩(wěn)定、容易實(shí)現(xiàn)，工程上運(yùn)用的很多。但這種跟蹤非常容易受干擾，因?yàn)樗饕m用于紅外和其他放射性目標(biāo)的跟蹤。

最佳空間濾波法是常用跟蹤方法之一，它完全是在亮度中心法的基礎(chǔ)上建立起來的，為了提高跟蹤性能，就要把目標(biāo)的大小、形狀、運(yùn)動(dòng)特性等特征都完全利用起來。但目前這類方法也有明顯缺點(diǎn)，在實(shí)用性、定位精度上和計(jì)算量方面都有較大的限制。

投影、形心法是通過目標(biāo)的投影或形心來確定目標(biāo)的實(shí)際位置和運(yùn)動(dòng)姿態(tài)。對(duì)比前面兩種跟蹤方法，投影、形心法的優(yōu)點(diǎn)是計(jì)算量非常小，容易通過硬件方式來實(shí)現(xiàn)。缺點(diǎn)是它的抗干擾性能力比較差，主要用于均勻背景下跟蹤孤立目標(biāo)。

從以上對(duì)研究?jī)?nèi)容的介紹，現(xiàn)有的各類識(shí)別和定位方法都各有優(yōu)缺點(diǎn)，要想找到一個(gè)合適的方法，都達(dá)不到滿意的效果。要想取得較好的性能，都只能在目標(biāo)尺寸相對(duì)對(duì)比度變化都不大、對(duì)噪聲的干擾又比較小、圖像灰度的空間變化并不明顯的理論環(huán)境中。然而實(shí)際的環(huán)境通常是變化無常的，通過一種方法來實(shí)現(xiàn)目標(biāo)的識(shí)別與跟蹤很難有合適的效果。最近幾年，結(jié)合這些方法的優(yōu)點(diǎn)和缺點(diǎn)，混合定位識(shí)別的方法確能將上述各類基本的識(shí)別方法進(jìn)行混合定位，使它們能夠合二為一，相互補(bǔ)充。這代表著目標(biāo)識(shí)別方法非常具有理論研究和應(yīng)用價(jià)值，是一個(gè)重要發(fā)展方向。

3 技術(shù)路線

研究的技術(shù)路線（如圖1）：首先提取出攝像機(jī)采集到的視頻，該視頻是以幀為單位的圖片文件形式。然后對(duì)圖像數(shù)據(jù)進(jìn)行數(shù)學(xué)上的處理，比如二值化、提取邊緣等。這樣就可以識(shí)別汽車的位置進(jìn)行定位，最后對(duì)識(shí)別出來的汽車數(shù)量通過計(jì)數(shù)器計(jì)數(shù)。

4 研究實(shí)現(xiàn)

通過基于計(jì)算機(jī)視覺的研究，我們?cè)O(shè)計(jì)出了能夠?qū)崿F(xiàn)機(jī)動(dòng)車流量的檢測(cè)和計(jì)數(shù)的系統(tǒng)。并且該系統(tǒng)能夠?qū)\(yùn)動(dòng)目標(biāo)進(jìn)行識(shí)別與跟蹤定位，對(duì)出現(xiàn)多目標(biāo)遮擋和丟失目標(biāo)，還可以重新匹配。

5 結(jié)束語(yǔ)

本文創(chuàng)新之處就是將上述各類基本的識(shí)別方法進(jìn)行混合定位，使它們能夠相互補(bǔ)充。這代表著目標(biāo)識(shí)別方法非常具有理論研究和應(yīng)用價(jià)值，是一個(gè)重要發(fā)展方向。

參考文獻(xiàn)

[1]章毓晉.圖像工程（第2版）[M].清華大學(xué)出版社，2007.

[2]夏文龍.基于計(jì)算機(jī)視覺的汽車流量檢測(cè)研究[D].四川大學(xué)，2003.

[3]葛群輝，淺談基于視覺的高速公路車流檢測(cè)技術(shù)[J].科技資訊，2010（2）.

[4]劉萌萌，基于無標(biāo)度攝像機(jī)的車流跟蹤與速度估計(jì)算法研究[D].西南交通大學(xué)，2005.

第6篇：計(jì)算機(jī)視覺檢測(cè)技術(shù)范文

關(guān)鍵詞 行人檢測(cè)技術(shù)；車載化境；模型構(gòu)建

中圖分類號(hào) TP3 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1674-6708（2017）181-0031-02

通過利用計(jì)算機(jī)視覺相關(guān)技術(shù)，判斷視頻中是否存在行人，分析架設(shè)在車輛上的攝像機(jī)得到的視頻，假設(shè)存在行人給出其確切的位置，這就是車載視覺系統(tǒng)中的行人檢測(cè)。作為智能車輛的重要組成部分，車載行人檢測(cè)系統(tǒng)可以保證行人的生命財(cái)產(chǎn)安全，有效提升駕駛安全性，近些年長(zhǎng)期受到了業(yè)界的重視程度。通過著裝、尺度、視角、遮擋、姿態(tài)等，在車載環(huán)境下的實(shí)時(shí)行人檢測(cè)技術(shù)，有一些常見的外觀差異問題存在于一般人體檢測(cè)中。也具有一些攝像機(jī)的自身運(yùn)動(dòng)考慮、檢測(cè)要求實(shí)時(shí)、光線變化要求魯棒的難點(diǎn)，這是自身所特有的。

對(duì)象識(shí)別及感興趣區(qū)域分割這兩大模塊，存在實(shí)時(shí)性及魯棒性的雙重要求，一般都包含在現(xiàn)有車載環(huán)境下的實(shí)時(shí)行人檢測(cè)系統(tǒng)之中。

1 車載環(huán)境下實(shí)時(shí)行人檢測(cè)模型的構(gòu)建

算法是行人檢測(cè)預(yù)警系統(tǒng)的核心，特征分析法及模型匹配法是行人檢測(cè)算法通常所包含的兩種方法。實(shí)用性不強(qiáng)，作為獨(dú)立的行人檢測(cè)技術(shù)，相比較而言，基于特征的行人檢測(cè)算法因其自身所具有的優(yōu)勢(shì)特色，是當(dāng)前主要的研究方向。本文模型引入了一種窗口拆分法和引進(jìn)的上下文掃描算子，使現(xiàn)有的行人算法應(yīng)用于車載設(shè)備成為可能，使原本耗時(shí)的算法在車載嵌入式系統(tǒng)上具有可以滿足實(shí)時(shí)性要求的應(yīng)用效率。驗(yàn)證過程及檢測(cè)過程是算法所包含的兩個(gè)過程。

1.1 行人檢測(cè)

1.3 行人驗(yàn)證

之前的研究是行人檢測(cè)中使用最廣泛的特征之一，已經(jīng)成功的用HOG特征來進(jìn)行物體檢測(cè)與識(shí)別。但是使用HOG特征只是在對(duì)誤報(bào)進(jìn)行篩選，對(duì)整幀圖像進(jìn)行計(jì)算是非常耗時(shí)的，HOG特征的運(yùn)算時(shí)間就明顯的降低，僅僅是有限的一些窗口需要驗(yàn)證，是分類檢驗(yàn)階段。使用SVM分類器及HOG特征驗(yàn)證之前得到的可能行人區(qū)域。在計(jì)算每一個(gè)窗口的HOG特征之前，需要先重新將感興趣區(qū)域的窗口轉(zhuǎn)換成為64Pixel×128Pixel。使用已離線訓(xùn)練好的線性SVM分類器進(jìn)行檢測(cè)前，先將計(jì)算完成一個(gè)3780維度的特征向量來描述窗口，從而對(duì)非行人及行人進(jìn)行區(qū)分，此過程可以減少誤報(bào)。

1.4 分類器及樣本庫(kù)

現(xiàn)有的公開樣本庫(kù)，不適用針對(duì)側(cè)面行人的檢測(cè)進(jìn)行訓(xùn)練，盡管在各自不同的研究方向上表現(xiàn)出了良好的性能。橫過街道的行人，是行人檢測(cè)預(yù)警系統(tǒng)的主要應(yīng)用對(duì)象，所以文章采集了側(cè)面行人的樣本庫(kù)，使用車載設(shè)備在城市街道。此樣本庫(kù)就為實(shí)時(shí)性的提升簡(jiǎn)化了條件，是因?yàn)閳?chǎng)景針對(duì)性強(qiáng)，算法的復(fù)雜程度相對(duì)較小。首先使用基于AdaBoost及Viola方法來完成訓(xùn)練，是因?yàn)樾枰?xùn)練AdaBoost及SVM兩類不同的分類器。使用了n個(gè)20Pixel×40Pixel的正樣本的，是在側(cè)面行人整體樣本的訓(xùn)練中，為訓(xùn)練一個(gè)級(jí)聯(lián)分類器，x個(gè)不小于正樣本大小的負(fù)樣本。應(yīng)用LIBLINEAR工具，訓(xùn)練線性SVM分類器，使用了19 587個(gè)負(fù)樣本及5 189個(gè)64Pixel×128Pixel的正樣本完成訓(xùn)練。

2 結(jié)論

可以滿足實(shí)時(shí)性的要求，需借助窗口拆分法及OCS得到的行人檢測(cè)系統(tǒng)。在使用了窗口拆分法及OCS之后，促使行人檢測(cè)算法在車載實(shí)時(shí)系統(tǒng)中的應(yīng)用成為可能，保持了相同級(jí)別準(zhǔn)確率。未來應(yīng)當(dāng)改進(jìn)快速檢測(cè)算法的準(zhǔn)確率及效率，繼續(xù)深入研究針對(duì)不同工況下的側(cè)面行人的檢測(cè)，要和已有的疲勞駕駛系統(tǒng)整合，要在未來的應(yīng)用中完成車道變線預(yù)警的判斷功能，形成一個(gè)功能更加完備的車載主動(dòng)安全輔助系統(tǒng)。

參考文獻(xiàn)

[1]郭愛英，徐美華，冉峰，等.基于CS-SD的車載環(huán)境下實(shí)時(shí)行人檢測(cè)模型[J].交通運(yùn)輸工程學(xué)報(bào)，2016（6）：132-139.

[2]王國(guó)華，劉瓊，莊家俊.基于局部特征的車載紅外行人檢測(cè)方法研究[J].電子學(xué)報(bào)，2015（7）：1444-1448.

第7篇：計(jì)算機(jī)視覺檢測(cè)技術(shù)范文

關(guān)鍵詞:視覺檢測(cè)技術(shù);F150視覺傳感器; 玻錐生產(chǎn)線

中圖分類號(hào):TP212文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1672-3198(2009)18-0306-01

1 引言

機(jī)器視覺技術(shù)作為計(jì)算機(jī)科學(xué)的一個(gè)重要分支,在近三十年中有迅速的發(fā)展。由于機(jī)器視覺系統(tǒng)可以快速獲取大量信息并自動(dòng)進(jìn)行數(shù)據(jù)處理,易于設(shè)計(jì)信息及加工控制信息集成。因此在現(xiàn)代自動(dòng)化生產(chǎn)過程中,機(jī)器視覺系統(tǒng)被廣泛用于工業(yè)監(jiān)視、成品檢驗(yàn)、質(zhì)量控制和數(shù)據(jù)測(cè)量等領(lǐng)域。工業(yè)視覺系統(tǒng)是實(shí)現(xiàn)現(xiàn)場(chǎng)工業(yè)自動(dòng)化的基礎(chǔ)技術(shù),尤其是要求高速化或人工視覺難以滿足要求的場(chǎng)合,常用機(jī)器視覺來替代人工視覺。玻錐生產(chǎn)線的自動(dòng)化程度很高,目前用視覺識(shí)別系統(tǒng)取代人工進(jìn)行檢測(cè)不僅可以減輕工人勞動(dòng)強(qiáng)度,而且能減少次品和提高生產(chǎn)效率。但是機(jī)器視覺系統(tǒng)也有它的局限性,因此對(duì)于不同的檢測(cè)對(duì)象或不同的工藝要求要具體分析,采取不同的檢測(cè)方案。故在此介紹在安飛公司的玻殼生產(chǎn)線中采用機(jī)器視覺取代人工視覺進(jìn)行檢測(cè)的應(yīng)用方法。

2 歐姆龍 F150視覺系統(tǒng)簡(jiǎn)介

(1)基本原理:機(jī)器視覺檢測(cè)系統(tǒng)通常采用CCD(Charge Couple Device)。攝像機(jī)攝取檢測(cè)圖像并將其轉(zhuǎn)化為數(shù)字信號(hào),再采用先進(jìn)的計(jì)算機(jī)硬件與軟件技術(shù)對(duì)圖像數(shù)字信號(hào)處理,得到所需的目標(biāo)圖像特定值,并在此基礎(chǔ)上實(shí)現(xiàn)模式識(shí)別、坐標(biāo)計(jì)算、灰度分布圖等功能。機(jī)器視覺檢測(cè)系統(tǒng)能夠根據(jù)檢測(cè)結(jié)果快速的顯示圖像、輸出數(shù)據(jù)、指令。執(zhí)行機(jī)構(gòu)可配合其完成位置調(diào)整、好壞篩選、數(shù)據(jù)統(tǒng)計(jì)等自動(dòng)化流程。與人工視覺相比,機(jī)器視覺最大的優(yōu)點(diǎn)是精確、快速、可靠、穩(wěn)定以及信息數(shù)字化。機(jī)器視覺系統(tǒng)主要由圖像的獲取、圖像的處理和輸出顯示組成。

圖像獲取設(shè)備包括光源、攝像機(jī)等,其中關(guān)鍵的部件為攝像機(jī)中的CCD由分布于其上的各個(gè)像元光敏二極管的線性陣列或矩形陣列構(gòu)成,通過順序輸出每個(gè)二極管的電壓脈沖,實(shí)現(xiàn)將圖像光信號(hào)轉(zhuǎn)換成電信號(hào)的目的。輸出的電壓脈沖序列可以直接以RS-170制式輸入標(biāo)準(zhǔn)顯示器,或者輸入計(jì)算機(jī)的內(nèi)存進(jìn)行數(shù)值化處理。CCD是目前最常用的機(jī)器視覺傳感器,圖像處理設(shè)備包括相應(yīng)的軟件和硬件系統(tǒng)。輸出設(shè)備與過程相連,包括監(jiān)視界面、過程控制器和報(bào)警裝置等。攝像數(shù)據(jù)通過計(jì)算機(jī)對(duì)標(biāo)準(zhǔn)和故障圖形的分析和比較,若發(fā)現(xiàn)不良產(chǎn)品,則發(fā)出NG信號(hào)報(bào)警,并通知PLC進(jìn)行下一步處理。機(jī)器視覺檢測(cè)的結(jié)果可以作為計(jì)算機(jī)輔助質(zhì)量CAQ(Computer Aided Quality)系統(tǒng)的信息來源,也可以和其他控制系統(tǒng)集成。

(2)主要性能指標(biāo):安飛公司玻錐生產(chǎn)線視覺檢測(cè)系統(tǒng)采用歐姆龍公司的F150視覺傳感器。系統(tǒng)像素為512×480,可以記錄二十三個(gè)個(gè)不同物件的標(biāo)準(zhǔn)畫面,存儲(chǔ)二十三個(gè)畫面不合格物件圖像,即可確定二十三種不合格的情況,以便于在生產(chǎn)中進(jìn)行比較和回饋。圖像處理采用二值化方法。數(shù)據(jù)及圖像的存儲(chǔ)通過RS232接口與PLC相連。攝影機(jī)和光源裝置為F150-C1×E-C型。其中攝影機(jī)部分為1/3寸CCD攝像元件,電子快門有1/100、1/500、1/2000、1/10000s等多種選擇。檢測(cè)范圍為50mm×50mm。

(3)系統(tǒng)基本構(gòu)成:系統(tǒng)中起核心作用的是控制器,基于二值化和灰度理論,可處理CCD鏡頭以像素為單位由光信號(hào)轉(zhuǎn)換而來的電信號(hào),并提供測(cè)量模式、輸入輸出和通信手段。控制器通過專用信號(hào)線與攝像機(jī)相連。使用者可手持編程器在顯示器上選擇測(cè)量模式,檢查區(qū)域及設(shè)定檢查條件。最后在控制器中產(chǎn)生特定信號(hào),由可編程控制器接收,控制執(zhí)行元件完成特定的動(dòng)作如取像、檢測(cè)、執(zhí)行等。

視覺檢測(cè)系統(tǒng)的基本結(jié)構(gòu)如圖1。

3 系統(tǒng)應(yīng)用

(1)硬件連接(如圖2) 。

(2)通訊參數(shù)設(shè)置:通訊方式:RS232,傳輸速率:9600bps,傳輸字長(zhǎng):8位,停止位:1位,奇偶校驗(yàn):無。

(3)判斷條件設(shè)置:為使攝像機(jī)得到更準(zhǔn)確的測(cè)量值,需先將待測(cè)物體放在照相機(jī)與光源中間,并在照相機(jī)的視野范圍內(nèi)調(diào)整光源強(qiáng)度,之后由檢測(cè)物自身的形狀、顏色及透光度來設(shè)定快門速度(shutter speed )、濾波( filitering)和背景抑制級(jí)別( BGS Levels ),設(shè)定好后必須能夠看清楚被檢測(cè)物的輪廓,并且輪廓邊緣不能閃爍,否則攝像機(jī)將不能檢測(cè)到理想效果。在安飛公司中攝像機(jī)快門速度設(shè)為1/2000S,濾波設(shè)為強(qiáng)過濾,背景抑制級(jí)別上限取255下限取156。

(4)檢查項(xiàng)目和領(lǐng)域設(shè)定:接著設(shè)定搜索領(lǐng)域(region),進(jìn)行方向、顏色、邊緣層和位置的設(shè)定,之后進(jìn)入位置補(bǔ)償(position compensation)調(diào)節(jié)補(bǔ)償區(qū)域及方向,最后進(jìn)入數(shù)據(jù)(date)中設(shè)置表達(dá)式,在此表達(dá)式設(shè)為R1.EG-R0.EG。以上設(shè)置結(jié)束后存儲(chǔ)設(shè)定內(nèi)容,將模式更換為運(yùn)行(RUN)模式進(jìn)行檢測(cè)。使用者可以手持式編程器的觸發(fā)按鍵{Trigger})進(jìn)行單次的測(cè)量,也可以通過可編程控制器發(fā)出“開始檢測(cè)(MEASURE/C) ”命令來進(jìn)行觸發(fā)測(cè)量,用“結(jié)束檢測(cè) (MEASURE/E) ”來結(jié)束測(cè)量。在安飛公司的玻錐生產(chǎn)中就采用了后一種方法,數(shù)據(jù)將根據(jù)需要進(jìn)行顯示并傳輸?shù)娇删幊炭刂破鳌?/p>

(5)攝像機(jī)檢測(cè)主菜單如下:

(6)系統(tǒng)功能。

本系統(tǒng)主要實(shí)現(xiàn)的功能如下:攝像機(jī)共進(jìn)行兩次照相首次照相首先檢測(cè)切割完小頭的玻錐,檢測(cè)切割是否成功。當(dāng)檢測(cè)值不在預(yù)設(shè)的正常值范圍內(nèi)時(shí)顯示器顯示NG符號(hào),同時(shí)PLC發(fā)出報(bào)警信號(hào)將產(chǎn)品排除生產(chǎn)線。當(dāng)檢測(cè)正常時(shí),程序正常進(jìn)行,攝像機(jī)檢測(cè)的數(shù)據(jù)自動(dòng)顯示在顯示屏上,之后PLC使管徑下移,照相機(jī)二次照相照出錐體與管徑的間距,將數(shù)據(jù)傳送至PLC,由PLC進(jìn)行下一步處理并在顯示屏上刷新數(shù)據(jù)。在實(shí)際應(yīng)用中,我們注意到光源的亮度對(duì)生產(chǎn)的影響很大,當(dāng)亮度過高時(shí)由于反光會(huì)造成檢測(cè)誤差,而過低時(shí)則不會(huì)正常顯像。

4 結(jié)語(yǔ)

OMRON公司的F150視覺傳感器自在安飛公司玻錐生產(chǎn)線應(yīng)用以來,系統(tǒng)運(yùn)行穩(wěn)定、可靠。其測(cè)量精度可以達(dá)到±0.001mm,完全達(dá)到生產(chǎn)工藝要求。該方法方便、快捷、有效地實(shí)現(xiàn)玻錐與管徑間的測(cè)量。本系統(tǒng)采用的是歐姆龍公司中端的F150系統(tǒng),而其最新推出的F160系統(tǒng),則可以滿足更高端的指標(biāo)要求,但同時(shí)成本會(huì)也有一定的提高。使用者可結(jié)合不同檢測(cè)系統(tǒng)的成本及工業(yè)現(xiàn)場(chǎng)實(shí)際要求,比較靈活的采用不同的系統(tǒng)。

第8篇：計(jì)算機(jī)視覺檢測(cè)技術(shù)范文

（1.西安計(jì)量技術(shù)研究院，陜西西安710068；2.西安理工大學(xué)，陜西西安710048）

摘要：針對(duì)基于三維掃描的商品過度包裝智能檢測(cè)系統(tǒng)中檢測(cè)攝像機(jī)與被測(cè)物間三維軸線求解復(fù)雜的問題，提出一種在過度包裝檢測(cè)系統(tǒng)中檢測(cè)攝像機(jī)與被測(cè)物間三維軸線求解方法。該方法利用棋盤格做標(biāo)記板，在計(jì)算機(jī)上利用OpenCV對(duì)標(biāo)記圖像進(jìn)行識(shí)別處理，利用三維重建原理對(duì)坐標(biāo)進(jìn)行二維到三維的變換和空間點(diǎn)重建，實(shí)現(xiàn)三維掃描下攝像機(jī)與被測(cè)物之間的三維軸線求解。在實(shí)驗(yàn)中，該方法測(cè)試數(shù)據(jù)達(dá)到該系統(tǒng)對(duì)精度的要求。所提方法中測(cè)量裝置結(jié)構(gòu)簡(jiǎn)單，在轉(zhuǎn)換過程中不需要對(duì)標(biāo)記進(jìn)行邊緣檢測(cè)，減少了計(jì)算量，同時(shí)使測(cè)量效率得到提高，降低求解的復(fù)雜程度。

關(guān)鍵詞 ：過度包裝檢測(cè)；標(biāo)記板；坐標(biāo)轉(zhuǎn)換；角點(diǎn)識(shí)別

中圖分類號(hào)：TN942.2?34 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1004?373X（2015）18?0022?04

收稿日期：2015?03?25

基金項(xiàng)目：陜西省工業(yè)科技攻關(guān)項(xiàng)目（2014K05

0 引言

隨著商品經(jīng)濟(jì)的發(fā)展，市場(chǎng)形成供大于求的局面，商品對(duì)包裝促銷作用的要求越來越高。因此，在產(chǎn)品的銷售過程中經(jīng)常會(huì)出現(xiàn)過度包裝[1]的現(xiàn)象。按照市場(chǎng)規(guī)律分析，其產(chǎn)生的原因主要在于生產(chǎn)者、設(shè)計(jì)者、消費(fèi)者、決策者4 個(gè)方面。而在技術(shù)上對(duì)過度包裝進(jìn)行檢測(cè)，便有了很大的需求?；谌S建模的商品過度包裝智能檢測(cè)過程包含前期的攝像機(jī)標(biāo)定和轉(zhuǎn)臺(tái)標(biāo)定、三維掃描、形態(tài)辨識(shí)與建模[2]、異類形體包裝體積智能換算，以及包裝空隙率運(yùn)算與是否過度包裝判定等基本環(huán)節(jié)，如圖1所示。

對(duì)商品的三維數(shù)據(jù)采集需要從多個(gè)角度進(jìn)行采集，并將這些從不同視角觀察的三維數(shù)據(jù)通過對(duì)齊復(fù)位過程表示于同一坐標(biāo)系中，對(duì)散亂點(diǎn)云進(jìn)行配準(zhǔn)[3]恢復(fù)其原有的位置關(guān)系。為此，在三維數(shù)據(jù)采集中攝像機(jī)與被測(cè)物間空間坐標(biāo)的轉(zhuǎn)換就成為該檢測(cè)系統(tǒng)精確測(cè)量與判定的基礎(chǔ)。

在單目視覺下或者是在雙目視覺下進(jìn)行物體三維信息的重建[4]工作時(shí)，都需要進(jìn)行三維信息的還原，通常采用雙目測(cè)量技術(shù)。雙目測(cè)量技術(shù)是計(jì)算機(jī)視覺[5]檢測(cè)技術(shù)的一個(gè)重要組成部分，利用2個(gè)攝像機(jī)模擬人眼的結(jié)構(gòu)對(duì)空間特征點(diǎn)進(jìn)行測(cè)量。為了保證被測(cè)物隨轉(zhuǎn)臺(tái)旋轉(zhuǎn)之后測(cè)量的準(zhǔn)確性，需要對(duì)轉(zhuǎn)臺(tái)參數(shù)進(jìn)行標(biāo)定，找出旋轉(zhuǎn)臺(tái)的旋轉(zhuǎn)軸線[6]。這其中就涉及到了轉(zhuǎn)臺(tái)參數(shù)計(jì)算這個(gè)重要環(huán)節(jié)。在數(shù)據(jù)采集過程中有被動(dòng)式采集和主動(dòng)式采集2種方法[7]。在三維重建中2種采集方式都可以使用[8]，二者的區(qū)別在于，被動(dòng)式?jīng)]有受控的主動(dòng)光源，無需復(fù)雜的設(shè)備，并且與人類的視覺習(xí)慣比較接近，其測(cè)量技術(shù)主要用于受環(huán)境約束不能使用激光或者特殊照明光的場(chǎng)合；主動(dòng)式數(shù)據(jù)采集有受控光源，二者互有優(yōu)劣。本文采用的是被動(dòng)式采集，利用棋盤格做標(biāo)記板，在計(jì)算機(jī)上對(duì)圖像進(jìn)行檢測(cè)識(shí)別，將坐標(biāo)進(jìn)行變換和空間點(diǎn)重建，來實(shí)現(xiàn)雙目視覺下攝像機(jī)與被測(cè)物之間三維軸線求解。

1 雙目視覺下三維坐標(biāo)轉(zhuǎn)換原理

在需要進(jìn)行軸線求解的領(lǐng)域中，現(xiàn)在一般有以下幾種常見的方法：第1種是對(duì)于計(jì)算機(jī)視覺測(cè)量中軸線標(biāo)定的方法主要標(biāo)準(zhǔn)平面或高精度半徑已知的標(biāo)準(zhǔn)球[9]來實(shí)現(xiàn)。通過被標(biāo)定的視覺測(cè)量設(shè)備首先從多個(gè)旋轉(zhuǎn)位置獲取標(biāo)準(zhǔn)平面或標(biāo)準(zhǔn)球的表面三維數(shù)據(jù)，然后根據(jù)三維點(diǎn)數(shù)據(jù)擬合出平面或球的表面方程，最后根據(jù)平面或標(biāo)準(zhǔn)球的幾何特征求取出旋轉(zhuǎn)臺(tái)的旋轉(zhuǎn)軸線位置。第2 種方法是利用球形標(biāo)靶[10]，旋轉(zhuǎn)若干個(gè)位置（至少3 個(gè)）通過灰度值跳變像素粗略尋出標(biāo)靶的邊緣，然后根據(jù)邊緣上相鄰像素點(diǎn)之間的曲率變化對(duì)邊緣進(jìn)行篩選，得到準(zhǔn)確地球形標(biāo)靶邊緣點(diǎn)，使用最小二乘法獲取球形標(biāo)靶的圓心，此后通過每個(gè)圓心三維點(diǎn)數(shù)據(jù)進(jìn)行擬合平面進(jìn)而求取軸線。

本文對(duì)上述方法進(jìn)行了總結(jié)和分析，結(jié)合實(shí)際的項(xiàng)目，提出了利用棋盤格做標(biāo)定板來進(jìn)行軸線標(biāo)定的方法。在此對(duì)該方法進(jìn)行詳細(xì)的介紹。

1.1 測(cè)量裝置環(huán)境搭建

在雙目視覺系統(tǒng)下，把轉(zhuǎn)臺(tái)置于2個(gè)攝像機(jī)的視場(chǎng)內(nèi)，并且把用于攝像機(jī)標(biāo)定的棋盤格置于轉(zhuǎn)臺(tái)上，其位置沒有特殊要求，最好是平放在轉(zhuǎn)臺(tái)上或與轉(zhuǎn)臺(tái)成一定角度，方便轉(zhuǎn)臺(tái)在旋轉(zhuǎn)更大角度時(shí)，攝像機(jī)可以檢測(cè)棋盤格上角點(diǎn)，此裝置用棋盤格代替?zhèn)鹘y(tǒng)的標(biāo)記圓和標(biāo)記球。雙目視覺軸線標(biāo)定的原理示意圖如圖2所示。

圖2中棋盤格擺放位置并不固定，擺放的標(biāo)準(zhǔn)就是需要讓棋盤格整體處于雙目攝像機(jī)的視場(chǎng)范圍內(nèi)，可以檢測(cè)出棋盤格的角點(diǎn)即可，所以擺放位置取決于攝像機(jī)與旋轉(zhuǎn)臺(tái)的相對(duì)位置。

1.2 對(duì)標(biāo)記點(diǎn)的檢測(cè)

之所以選擇棋盤格，是因?yàn)樵谶M(jìn)行攝像機(jī)標(biāo)定時(shí)發(fā)現(xiàn)攝像機(jī)可以很好地識(shí)別棋盤格的角點(diǎn)，通過OpenCV或者M(jìn)atlab 中的識(shí)別程序[11]對(duì)角點(diǎn)進(jìn)行檢測(cè)。通過程序可以得到角點(diǎn)的二維像素坐標(biāo)和轉(zhuǎn)換所需要的攝像機(jī)內(nèi)外參數(shù)矩陣，相較傳統(tǒng)的標(biāo)記圓和標(biāo)記球而言，簡(jiǎn)化了工序和計(jì)算質(zhì)心的步驟。選擇標(biāo)記點(diǎn)的時(shí)候盡量選擇遠(yuǎn)離圓心的某點(diǎn)，這樣可以大大減少計(jì)算誤差。轉(zhuǎn)動(dòng)圓盤，至少旋轉(zhuǎn)三個(gè)角度分別記錄下所選擇標(biāo)記點(diǎn)在左攝像頭和右攝像頭下的坐標(biāo)，分別記作Ql1 ，Ql2 ，Ql3和Qr1 ，Qr2 ，Qr3 ，其中Ql1 和Qr1 ，Ql2 和Qr2 ，Ql3 和Qr3 是空間中同一點(diǎn)在左右攝像機(jī)里對(duì)應(yīng)的點(diǎn)。

1.3 對(duì)標(biāo)記點(diǎn)的坐標(biāo)轉(zhuǎn)換

以上3點(diǎn)分別是在左右攝像機(jī)下的坐標(biāo)，通過幾何關(guān)系，空間點(diǎn)在左右攝像機(jī)下對(duì)應(yīng)的坐標(biāo)可以惟一確定這個(gè)空間點(diǎn)。

對(duì)這3點(diǎn)的空間三維坐標(biāo)進(jìn)行求解，來確定這3點(diǎn)在空間中的確定位置。如圖3所示，Ql1 與Qr1 是空間點(diǎn)Q1 在左攝像機(jī)與右攝像機(jī)中分別對(duì)應(yīng)的點(diǎn)，依據(jù)三角幾何的變換關(guān)系可以通過左右攝像機(jī)對(duì)應(yīng)的2點(diǎn)惟一確定空間中點(diǎn)Q1 。

利用計(jì)算機(jī)視覺將坐標(biāo)點(diǎn)進(jìn)行轉(zhuǎn)換，已經(jīng)分別檢測(cè)出Q1 在左攝像機(jī)下的坐標(biāo)，在右攝像機(jī)下的坐標(biāo)為，假定攝像機(jī)已經(jīng)標(biāo)定，通過標(biāo)定程序可以得到攝像機(jī)的內(nèi)外參數(shù)矩陣，進(jìn)而很容易得到投影矩陣[12]，分別記作M1與M2 ：

式中(u1,v1,1) 與(u2 ,v2 ,1) 表示Ql1 與Qr1 的齊次坐標(biāo)，同樣(x,y,z,1) 是Q1 齊次坐標(biāo)，mkij (k = 1,2 ; i = 1,2,3 ; j = 1,2,3,4)分別表示的第i 行和j 列元素，通過式（1）和式（2）聯(lián)立求解，可以將式（1）和式（2）中左邊的比例系數(shù)消去，得到式（3）：

依據(jù)式（3），利用最小二乘法可以求解超定方程組，得出x ，y ，z 。同理，對(duì)Ql2 ,Qr2 和Ql3,Qr3 這二組數(shù)據(jù)利用上述步驟也分別進(jìn)行轉(zhuǎn)換，此時(shí)便可以得到圓盤上3 個(gè)標(biāo)記點(diǎn)的三維坐標(biāo)，可以分別記作Q1(x1,y1,z1) ，Q2 (x2 ,y2 ,z2 ) ，Q3(x3,y3,z3) 。

1.4 求軸線的方向

即轉(zhuǎn)軸R 歸一化矢量。

1.5 求旋轉(zhuǎn)軸線上的一點(diǎn)坐標(biāo)

通過式（15）可以求出圓心坐標(biāo)。

從上面的步驟可以簡(jiǎn)單地得出該方法求軸線的一般過程，將軸線標(biāo)定的裝置搭建好之后，對(duì)坐標(biāo)點(diǎn)進(jìn)行檢測(cè)和空間轉(zhuǎn)換，使得求解所需要的數(shù)據(jù)在同一個(gè)空間坐標(biāo)系下。然后通過上述的方法求解軸線的方向，為了計(jì)算簡(jiǎn)單，選取軸線與旋轉(zhuǎn)平面的交點(diǎn)作為該向量上需要求的一點(diǎn)。這樣便可以得到確定軸線的所有數(shù)據(jù)，即軸線的方向和該旋轉(zhuǎn)軸上的一點(diǎn)。

2 實(shí)驗(yàn)結(jié)果與誤差分析

正文內(nèi)容雙目視覺下的軸線標(biāo)定采用2個(gè)CCD 攝像機(jī)，將其分別固定在水平臂的兩端，在2個(gè)攝像機(jī)的重合視場(chǎng)內(nèi)，放置由步進(jìn)電機(jī)和步進(jìn)電機(jī)驅(qū)動(dòng)器組成的旋轉(zhuǎn)臺(tái)。為了對(duì)進(jìn)行物體精確的三維重建，利用上述原理對(duì)旋轉(zhuǎn)軸進(jìn)行標(biāo)定，旋轉(zhuǎn)軸線的標(biāo)定精度很大程度上決定了物體三維重建的誤差大小。

在本實(shí)驗(yàn)中選擇棋盤格作為標(biāo)定板，放置在轉(zhuǎn)臺(tái)上，將雙目攝像機(jī)固定，可以在很大一個(gè)轉(zhuǎn)角內(nèi)進(jìn)行測(cè)量，距離近時(shí)可以進(jìn)行360°無死角測(cè)量，進(jìn)行實(shí)驗(yàn)時(shí)需要選擇多個(gè)角點(diǎn)用于標(biāo)定，這樣做是為了消除數(shù)據(jù)的噪聲影響。

對(duì)于一組數(shù)據(jù)，倘若標(biāo)準(zhǔn)差或者方差越小說明其數(shù)據(jù)波動(dòng)越小，也就意味著標(biāo)定的精度越高。表1的數(shù)據(jù)是進(jìn)行了6 次實(shí)驗(yàn)得出的結(jié)果，可以看到標(biāo)準(zhǔn)差接近于0，說明實(shí)驗(yàn)數(shù)據(jù)比較穩(wěn)定，精確度較高。

表1 中：a，b，c 分別代表是旋轉(zhuǎn)軸方向的三維坐標(biāo)值；x，y，z，分別代表標(biāo)記點(diǎn)所在圓圓心的三維坐標(biāo)值。

雙目視覺下軸線標(biāo)定的誤差來源主要有對(duì)棋盤格角點(diǎn)的識(shí)別誤差和轉(zhuǎn)臺(tái)轉(zhuǎn)動(dòng)的精度誤差，對(duì)于第1種誤差，不需要轉(zhuǎn)臺(tái)的測(cè)量每個(gè)點(diǎn)的旋轉(zhuǎn)度數(shù)，所以這種誤差的主要來源是二維圖像中角點(diǎn)的位置的識(shí)別誤差。采用的識(shí)別程序標(biāo)定對(duì)角點(diǎn)的識(shí)別誤差平均值是0.44 個(gè)像素點(diǎn)，為了提高角點(diǎn)的檢測(cè)精度，和軸線的測(cè)量精度，可以采用一次測(cè)量多個(gè)點(diǎn)（大于3個(gè)）求解超定方程，和多此求解軸線矢量和標(biāo)記點(diǎn)所在圓的圓心，進(jìn)而進(jìn)行數(shù)據(jù)擬合。對(duì)于第2種誤差來源，完全決定于旋轉(zhuǎn)平臺(tái)的平整度以及精密程度。

3 結(jié)語(yǔ)

本文基于過度包裝智能檢測(cè)項(xiàng)目，提出了在過度包裝檢測(cè)系統(tǒng)下一種檢測(cè)攝像機(jī)與被測(cè)物間三維軸線求解方法，對(duì)現(xiàn)有的標(biāo)定技術(shù)進(jìn)行了一定的革新和優(yōu)化。該方法不需要特殊的標(biāo)定板，簡(jiǎn)化了測(cè)量裝置。經(jīng)過試驗(yàn)數(shù)據(jù)分析，精確度較高，可以將噪聲對(duì)數(shù)據(jù)和整個(gè)標(biāo)定結(jié)果的影響降低很多，具有較好的魯棒性。在坐標(biāo)轉(zhuǎn)換時(shí)不需要額外的操作和工序，簡(jiǎn)化了轉(zhuǎn)換步驟。該方法具有較好的通用性，可以在其他應(yīng)用中使用。

參考文獻(xiàn)

[1] HAI R H，CHI Y J. Modifying soy protein isolate by microwave?assisted phosphorylation to improve emulsification properties [J]. Journal of the Chinese Cereals and Oils Association，2009，24（6）：40?42.

[2] 張梅，文靜華，張祖勛，等.基于特征關(guān)系圖的似二次曲面物體三維幾何建模[J].光電子·激光，2010，21（8）：1252?1256.

[3] 張旭東，吳國(guó)松，胡良梅，等.基于TOF三維相機(jī)相鄰散亂點(diǎn)云配準(zhǔn)技術(shù)研究[J].機(jī)械工程學(xué)報(bào)，2013，49（12）：8?23.

[4] LI X S，QIN K Y，YAO P，et al. 3D Reconstruction of space based on binocular vision [C]// Proceedings of the 6th Interna?tional Symposium on Precision Mechanical Measurements. [S.l.]：SPIE，2014：1861?1865.

[5] 馬頌德，張正友.計(jì)算機(jī)視覺：計(jì)算理論與算法基礎(chǔ)[M].北京：科學(xué)出版社，1998.

[6] PANG F，LAU H，SONG H，et al. A tool ? free calibration method for turntable?based 3d scanning systems [J]. IEEE Com?puter Graphics & Applications，2014，1（1）：10?11.

[7] HERN C，áNDEZ C，ESTEBAN E，SCHMITT F. Silhouette and stereo fusion for 3D object modeling [J]. Computer Vision and Image Understanding，2004，96（3）：367?392.

[8] FANG W，HE B W. Automatic view planning for 3D recon?struction and occlusion handling based on the integration of ac?tive and passive vision [C]// Proceedings of the 2012 IEEE In?ternational Symposium on Industrial Electronics. Hangzhou，China：IEEE，2012：1116?1121.

[9] 胡民政，習(xí)俊通.面向結(jié)構(gòu)光三維測(cè)量的兩軸轉(zhuǎn)臺(tái)標(biāo)定[J].上海交通大學(xué)學(xué)報(bào)，2010，44（4）：506?511.

[10] 王鵬，孫長(zhǎng)庫(kù).雙目視覺轉(zhuǎn)軸標(biāo)定方法：中國(guó)，CN101216296A[P].2008?07?09.

[11] ZHANG Z Y. A flexible new technique for camera calibration [J]. IEEE Transactions on Pattern Analysis and Machine Intel?ligence，2000，22（11）：93?98.

[12] 陳洪磊，賀建峰，劉俊.基于二維檢索的投影矩陣算法[J].計(jì)算機(jī)工程，2013，39（2）：229?232.

作者簡(jiǎn)介：王凱（1977—），男，陜西西安人，信息化管理中心主任，碩士。研究方向?yàn)闇y(cè)量信息管理。

第9篇：計(jì)算機(jī)視覺檢測(cè)技術(shù)范文

關(guān)鍵詞：柑橘；分級(jí)；感官鑒評(píng)；相關(guān)性

中圖分類號(hào)：S666 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2012）20-4631-03

柑橘是中國(guó)產(chǎn)量最大的水果種類之一，同時(shí)也是重要的外貿(mào)果品，但是由于采摘后檢測(cè)、分級(jí)技術(shù)落后，造成上市的柑橘等級(jí)混雜，良莠不齊，商品價(jià)值受到影響，特別是在國(guó)際市場(chǎng)上缺乏競(jìng)爭(zhēng)力。目前中國(guó)的柑橘分級(jí)主要依靠人工完成，分級(jí)結(jié)果因勞動(dòng)者的個(gè)體差異而一致性較差，效率較低[1，2]。利用機(jī)器視覺進(jìn)行柑橘分級(jí)可以同時(shí)對(duì)多個(gè)標(biāo)準(zhǔn)，包括水果的尺寸大小[3]、顏色[3，4]、形狀[5-7]、表面缺陷等外觀品質(zhì)進(jìn)行綜合分級(jí)。其分級(jí)的客觀性強(qiáng)、標(biāo)準(zhǔn)穩(wěn)定、一致性好、效率高，而且非接觸、無傷害，是解決人工分級(jí)問題的有效途徑之一，也是目前計(jì)算機(jī)視覺技術(shù)在農(nóng)業(yè)應(yīng)用中的一個(gè)研究熱點(diǎn)[1，2]。針對(duì)人工感官鑒評(píng)的各個(gè)指標(biāo)及其相關(guān)性進(jìn)行定量的分析與評(píng)價(jià)，可為機(jī)器視覺分級(jí)提供參考。

1 材料與方法

1.1 材料

于市場(chǎng)采購(gòu)?fù)庥^差異較大、成熟程度不同的溫州蜜柑100個(gè)作為試驗(yàn)樣本，依序貼上標(biāo)簽，供感官鑒評(píng)試驗(yàn)使用。

1.2 方法

1.2.1 感官鑒評(píng)指標(biāo)分析 參照溫州蜜柑的有關(guān)鑒評(píng)標(biāo)準(zhǔn)[1]，對(duì)過去的鑒評(píng)方法進(jìn)行了部分修改，重點(diǎn)對(duì)橘皮顏色、光滑度、橘皮厚薄、橘子軟硬程度、口感和水分6項(xiàng)指標(biāo)進(jìn)行評(píng)分，最后按總分從高到低將所有樣品得分劃分為4個(gè)區(qū)間，從而將樣品分為4個(gè)等級(jí)。具體評(píng)分標(biāo)準(zhǔn)如下。

橘皮顏色（10分）：著色程度為九成及以上給10分，五至八成給7～9分，兩至四成給4～6分，一成及以下給1～3分。光滑度（10分）：油胞細(xì)小、表皮光亮給7～10分，油胞較大、偶爾有疤痕給4～6分，有較多疤痕給1～3分。橘皮厚?。?0分）：果皮很薄給7～10分，中等給4～6分，很厚給1～3分。橘子軟硬程度（10分）：較軟給7～9分，較硬給4～6分，很硬和很軟給1～3分。口感（10分）：酸甜適口給7～9分，較酸給4～6分，非常酸或非常甜給1～3分。水分（10分）：水分大給7～9分，水分適中給4～6分，水分少給1～3分。

1.2.2 感官鑒評(píng)過程 在2011年10月15～30日兩周內(nèi)，于華中農(nóng)業(yè)大學(xué)理學(xué)院應(yīng)用物理系開放實(shí)驗(yàn)室，分4次對(duì)共100個(gè)柑橘樣本進(jìn)行了感官鑒評(píng)，就外形（橘皮顏色，光滑度，橘皮厚薄）、質(zhì)地（橘子軟硬程度）、風(fēng)味（口感，水分）共3個(gè)維度6個(gè)指標(biāo)獲取了100個(gè)樣本的感官鑒評(píng)數(shù)據(jù)。整個(gè)鑒評(píng)過程由食品質(zhì)量與安全專業(yè)的6名高年級(jí)本科生完成，每位鑒評(píng)人員對(duì)每個(gè)柑橘樣本就6個(gè)指標(biāo)進(jìn)行評(píng)分，總分為60分，每個(gè)樣本每個(gè)指標(biāo)的最終得分為6個(gè)鑒評(píng)人員給分的平均值，每個(gè)樣本的總分為其6個(gè)指標(biāo)的平均分之和。

2 結(jié)果與分析

2.1 感官鑒評(píng)試驗(yàn)結(jié)果

通過對(duì)100個(gè)試驗(yàn)樣本總評(píng)得分進(jìn)行分析，得出其中最高分為46.83分，最低分為25.67分，均分為38.31分，標(biāo)準(zhǔn)差為5.08分，得分分布區(qū)間間距為21.16分。將分布區(qū)間4等分，每等分間距大小為5.29分，將所有柑橘分為4個(gè)等級(jí)。

4個(gè)等級(jí)水果的平均分如表1所示。由表1可知，4個(gè)等級(jí)的水果在橘皮顏色上的得分差異最大，而橘皮厚薄并沒有隨著等級(jí)的降低呈單調(diào)下降的趨勢(shì)。4個(gè)級(jí)別的柑橘各指標(biāo)得分的標(biāo)準(zhǔn)差如表2所示，由表2可知，各個(gè)級(jí)別各個(gè)指標(biāo)的得分分散程度不一樣，其中以4級(jí)果光滑度得分的分散程度最大。

2.2 感官鑒評(píng)結(jié)果分析

2.2.1 感官鑒評(píng)指標(biāo)的相關(guān)性分析 為了對(duì)感官鑒評(píng)諸因素間的相互關(guān)系進(jìn)行分析，通過對(duì)100個(gè)樣本6個(gè)指標(biāo)的得分計(jì)算相關(guān)系數(shù)矩陣，其結(jié)果如表3所示。由表3可知，橘皮顏色和總分的相關(guān)系數(shù)最高，而橘皮厚薄與總分的相關(guān)系數(shù)很低。6個(gè)指標(biāo)與總分的相關(guān)系數(shù)為橘皮顏色>水分>橘子軟硬程度>口感>光滑度>橘皮厚薄。另外，橘子軟硬程度與水分之間有高度的相關(guān)性，且橘皮顏色、水分與口感的相關(guān)性較高。

2.2.2 感官鑒評(píng)各指標(biāo)得分及總分的散點(diǎn)圖 為了更直觀地顯示各指標(biāo)得分的分布情況，分別繪制了100個(gè)樣本的各指標(biāo)得分-總分的散點(diǎn)分布圖，如圖1所示。由圖1A可知，一級(jí)果與二級(jí)果的橘皮顏色得分并沒有完全拉開，但一、二級(jí)果與三、四級(jí)果的橘皮顏色得分差異較明顯。由圖1B可知，一、二、三級(jí)果在光滑度得分上差異不明顯，但與四級(jí)果拉開了較大差距。由圖1C可知，4個(gè)級(jí)別的柑橘在橘皮厚薄得分上差異不明顯，這也印證了橘皮厚薄與總分相關(guān)性很小。由圖1D可知，一、二、三級(jí)果在橘子軟硬程度得分上有較明顯差異，但四級(jí)果的橘子軟硬程度得分分布區(qū)間很大，與其他3個(gè)等級(jí)沒有明顯差距。由圖1E可知，4個(gè)等級(jí)的水果在口感得分上具有較大差異。由圖1F可知，前3個(gè)等級(jí)的水果在水分得分上有比較明顯的差異，但四級(jí)果的水分得分分布比較分散，與三級(jí)果沒有明顯差異。

3 小結(jié)與討論

本研究通過對(duì)柑橘感官鑒評(píng)諸要素綜合分析，以期為用機(jī)器視覺方法對(duì)柑橘分級(jí)提供一些指導(dǎo)性意見。研究發(fā)現(xiàn)，橘皮顏色與總分有很高的相關(guān)性，這也保證了通過機(jī)器視覺方法對(duì)柑橘進(jìn)行分級(jí)的可行性[3，4]。另外，水分作為與總分相關(guān)性排位第二高的指標(biāo)，也說明可以通過對(duì)水分進(jìn)行非接觸的無損檢測(cè)技術(shù)提高機(jī)器視覺分級(jí)方法的有效性。作為相關(guān)性第三高的橘子軟硬程度指標(biāo)，可以考慮在流水線上安裝壓力傳感器，在橘子翻滾過程中對(duì)其軟硬程度進(jìn)行檢測(cè)。同時(shí)，試驗(yàn)結(jié)果表明各項(xiàng)評(píng)價(jià)指標(biāo)得分與樣本總分的相關(guān)性大小有較大差異，表明在設(shè)計(jì)柑橘等水果的品質(zhì)評(píng)價(jià)指標(biāo)時(shí)，應(yīng)考慮每項(xiàng)指標(biāo)的重要性程度、給予不同的分值；在考慮采用多項(xiàng)指標(biāo)對(duì)水果進(jìn)行機(jī)器視覺分級(jí)時(shí)，應(yīng)綜合考慮給予不同指標(biāo)以不同的權(quán)重，從而保證分級(jí)系統(tǒng)設(shè)計(jì)的方案合理有效。

參考文獻(xiàn)：

[1] 卓春宣.2006年福建金柑鑒評(píng)結(jié)果分析及其對(duì)策[J].福建果樹，2007，142（3）：19-20.

[2] 周曉蓉，黎培輝，楊 堅(jiān).柑橘人工分級(jí)的誤差分析[J].農(nóng)機(jī)化研究，2010（4）：30-33.

[3] 張俊雄，荀 一，李 偉，等.基于計(jì)算機(jī)視覺的柑橘自動(dòng)化分級(jí)[J].江蘇大學(xué)學(xué)報(bào)（自然科學(xué)版），2007，28（2）：100-103.

[4] 何東健，楊 青，薛少平，等.果實(shí)表面顏色計(jì)算機(jī)視覺分級(jí)技術(shù)研究[J].農(nóng)業(yè)工程學(xué)報(bào)，1998，14（3）：202-205.

[5] 趙 靜，何東鍵.果實(shí)形狀的計(jì)算機(jī)識(shí)別方法研究[J].農(nóng)業(yè)工程學(xué)報(bào)，2001，17（2）：165-167.