【机器视觉技术在农产品检测中的应用探究的文献综述3600字】_第1页
【机器视觉技术在农产品检测中的应用探究的文献综述3600字】_第2页
【机器视觉技术在农产品检测中的应用探究的文献综述3600字】_第3页
【机器视觉技术在农产品检测中的应用探究的文献综述3600字】_第4页
【机器视觉技术在农产品检测中的应用探究的文献综述3600字】_第5页
免费预览已结束,剩余1页可下载查看

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

机器视觉技术在农产品检测中的应用研究的国内外文献综述目录TOC\o"1-2"\h\u28846机器视觉技术在农产品检测中的应用研究的国内外文献综述 198491.1机器视觉技术在农产品检测中的应用进展 181951.2近红外光谱技术在农产品检测中的应用进展 21.1机器视觉技术在农产品检测中的应用进展机器视觉是一种常见的无损检测技术,具有广泛的应用范围。近年来,利用机器视觉技术来检测和分级农产品商品,已经成为目前国内外自动化检测的一种新的趋势[1],学者们也取得了一定的研究成果。徐莹莹在甜瓜的品质检测中,运用图像处理方法预处理甜瓜图像,再采用角点提取判断瓜蒂区,然后通过大津算法分割不同区域,建立模型算法,获得缺陷识别的准确率为92.2%[2]。Peng等利用机器视觉技术对火龙果、梨、苹果、柑橘、香蕉、桃等6种水果进行分类[3]。王侨等开发了一种基于机器视觉的玉米定向播种选种装置,在该装置中采集种子的动态RGB色彩特征,并结合种子形态建立了空间、周长等二十项检测指标,从而判断种子是否合格[4]。周竹等利用机器视觉技术,采用最长径外接矩形的宽高比法检测马铃薯的形状,分级正确率91.0%[5]。刘鹏等采用独立分量法检测甜柿表面病害,该方法可以很好的识别病害区域[6]。何建斌等采用K均值聚类与形态学相结合的方法检测小麦的颜色,实现了小麦植株与背景的分离,达到了很好的效果[7]。XuLiming等利用机器视觉技术对草莓的颜色、形状、尺寸大小进行检测,形状检测错误率低于5%,颜色分级准确率达88.8%,形状分级准确率超过90%,每个草莓的平均分级时间低于3秒[8]。ZouXiaobo等基于遗传算法的组织特征参数方法提取苹果的颜色特征,应用决策树与组织特征参数结合的方法有效实现了苹果颜色的分级[9]。GuoFen等基于HIS颜色空间,采用贝叶斯分类器对苹果的颜色进行分级,分级准确率达90%[10]。V.Leemans等通过图像分析获得底色分类、缺陷分割、花萼和茎的识别、缺陷等特征,实现苹果的质量分级,对金冠苹果和金桥那苹果品质分级正确率分别达到78%和72%[11]。赵小霞等提出了水果自动分级系统的总体设计,并介绍了该系统的视觉模块,主要包括机器视觉模块和图像处理等两个方面。水果自动分级的实现是基于图像处理和PLC控制技术。试验结果表明,该系统对水果的分级精度最高可达98%,可靠性较高[12]。陈林琳等提出了一种利用机器视觉技术对火龙果进行分级的方法。采用CCD相机和DSP处理器对火龙果进行缺陷检测,并根据火龙果的大小和颜色对火龙果进行分类。结果表明,机器视觉支持的自动化火龙果分级系统具有较高的分级效率和精度,为机器视觉水果分级系统的后续产业化提供了技术支撑[13]。赵小康等提出了一种利用点云图像检测红色水果的方法,以克服遮挡对检测的影响。首先,利用红色绿色阈值法分割图像,去噪后,采用减法聚类算法对水果的点云进行检测和统计,随后确定水果的真阳率和假阳性率[14]。高辉等提出了由机器视觉支持的苹果缺陷快速检测技术。自动亮度校正技术用来消除苹果表面亮斑,同时根据缺陷的数量完成苹果的初步判断,并利用加权相关向量机对缺陷苹果进一步判断。结果表明,该检测技术对1000个检测样品的识别准确率为99.1%,对不同缺陷的检测准确率较高[15]。龚忠良等为了实现柑橘缺陷检测,提出一种机器视觉技术支持的缺陷检测方法。在VS2013环境下利用开源计算机视觉库OpenCV开发,根据柑橘的颜色和形态特征,将颜色模型由RGB转换为HSV,结果表明,柑橘表面缺陷检测的总体识别率为92%,因此该方法能有效区分柑橘表面的缺陷[16]。张丽芬等设计开发了一种集樱桃内在品质和外观测定为一体的小型计算机视觉自动分选系统。该系统由运动系统、视觉采集系统、数据处理系统和自动分拣控制系统组成。试验表明,该系统可以对樱桃的内、外品质进行准确、高速的分选[17]。1.2近红外光谱技术在农产品检测中的应用进展孟庆龙等通过分割所采集到的苹果高光谱图像成功识别苹果表面缺陷[18]。朱晓琳等等利用高光谱设备获取库尔勒香梨图像,建立了其可溶性固体含量检测模型,相关系数为0.946,预测均方根误差为0.403[19]。蒋浩等通过采集草莓的高光谱图像结合Fisher判别模型预测草莓成熟度,识别率超过95%[20]。李锋霞等利用高光谱技术对比多种预处理方法和建模分析算法对哈密瓜硬度检测的影响,最终表明高光谱技术可成功实现哈密瓜硬度检测[21]。罗霞等通过采集火龙果的高光谱图像,光谱数据提取后建立的MAS-BPNN模型可成功对可溶性固形物含量预测,模型相关系数为0.899,预测均方根误差为0.721[22]。刘燕德等通过高光谱设备获取黄桃高光谱图像,结合化学计量学算法,建立了可溶性固形物预测模型,相关系数为0.792[23]。谭保华等以新疆阿克苏苹果、新疆鲜枣和海南香蕉为研究对象,采集3种水果的光谱,并对比研究分析了完整和切片的光谱差异,结果表明,近红外光谱技术可以有效地达到对实验果实样品的无损检测,检测结果可以反映实验果实样品的含糖量。同时,切片实验果实样品所反映的内部信息比整个实验果实样品的信息更加丰富[24]。吴爽等结合四种化学计量方法,借鉴使用图像处理的深度网络模块,利用可见光/近红外光谱对不同糖度的西瓜进行建模。结果表明,深度学习网络模块一维在可见/近红外光谱数据处理中显示出巨大的潜力,改进卷积神经网络在预测集中相关系数为0.8932,预测均方根误差为0.7104°Brix[25]。Suphamitmongkol,W等利用近红外化学分析法对柑橘进行分类,利用光谱波段建立定性检测模型对柑橘的品种进行识别,效果较好[26]。刘燕德等为了快速实现对不同产地苹果糖度的在线无损检测,减少产地变化对近红外化学分析模型的影响,建立了在线检测不同产地苹果糖度的通用模型。结果表明,多产地苹果糖度在线检测的通用模型可以提高对不同产地样品糖度的预测能力,而且该模型可以通过采用适当的波长筛选技术进行简化。在波长有限的光谱设备中具有很好的应用前景[27]。蔡德玲等为了实现客观、准确、快速、无损地测定草莓内部可溶性固形物含量,采用近红外定性分析结合竞争性适应性重新加权算法规则抽样(CARS)变量选择和变量活性分析,构建了偏最小二乘模型和多元线性回归模型,随后比较模型,发现CARS-PLS模型可以较好的预测草莓内部可溶性固体含量[28]。刘燕德等为研究柑橘黄龙病快速无损检测的可行性,采集光谱并预处理后,对模型及其参数进行了优化,分别建立PLS-DA和LS-SVM模型。结果表明,可以利用近红外光谱分析结合最小二乘支持向量机的方法对柑橘黄龙病进行无损检测[29]。金姣姣等采用近红外光谱辨别香梨的贮藏时间。用随机共振方法从光谱中提取特征信息。结果表明,随机共振输出信噪比特征值的主成分分析法对不同香梨样品的区分效果更好[30]。介邓飞等为了分析变量筛选结果对西瓜糖分预测模型准确性的影响,利用近红外漫射光谱法测定麒麟瓜可溶性固形物含量,并分别建立模型,结合连续投影算法对预测模型的准确性进行筛选。结果表明,偏最小二乘模型的预测效果较好[31]。参考文献唐义华.红提品质无损检测技术研究[D].武汉:华中农业大学,2016:1-2.徐莹莹.基于计算机视觉的甜瓜外观品质检测研究[D].兰州:甘肃农业大学,2011:40-45.PengHX,ShaoYY,ChenKY,etal.Researchonmulti-classfruitsrecognitionbasedonmachinevisionandSVM[J].IFAC-PapersOnLine,2018,51(17):817-821.王侨,陈兵旗,朱德利,等.基于机器视觉的定向播种用玉米种粒精选装置研究[J].农业机械学报,2017,48(02):27-37.周竹,黄懿,李小昱,等.基于机器视觉的马铃薯自动分级方法[J].农业工程学报.2012,28(7):178-183.刘鹏,屠康,潘磊庆,等.基于激光图像次郎甜柿可溶性固形物含量检测[J].农业机械学报.2011,42(1):144-149.何建斌,梁威,李晓明.基于K均值聚类和数学形态学的小麦彩色图像分割[J].浙江农业学报.2011,23(4):829-832.XuLiming,ZhaoYanchao.Automatedstrawberrygradingsystembasedonimageprocessing[J].ComputersandElectronicsinAgriculture.2010,71:32–39.ZouXiaobo,ZhaoJiewen,LiYanxiao.Applecolorgradingbasedonorganizationfeatureparameters[J].PatternRecognitionLetters.2007,28:2046–2053.GuoFen,CaoQixin.StudyonColorImageProcessingBasedIntelligentFruitSortingSystem[R].Proceedingsofthe5"WorldCongressonIntelligentControalandAutomation,June15-19,2004,Hangzhou,P.R.China.V.Leemans,H.Magein,M.-F.Destain.On-lineFruitGradingaccordingtotheirExternalQualityusingMachineVision[J].BiosystemsEngineering.2002,83(4):397–404.赵小霞,李志强.基于PLC和机器视觉的水果自动分级系统研究[J].农机化研究,2021,43(08):75-79.陈林琳,姜大庆,黄菊,等.基于机器视觉的火龙果自动分级系统设计[J].农机化研究,2020,42(05):130-133.赵小康,李浩,朱启兵,等.基于点云图像和减法聚类的甜椒自动检测[J].农业工程技术,2020,40(30):93.高辉,马国峰,刘伟杰.基于机器视觉的苹果缺陷快速检测方法研究[J].食品与机械,2020,36(10):125-129+148.龚中良,杨张鹏,梁力,等.基于机器视觉的柑橘表面缺陷检测[J].江苏农业科学,2019,47(07):236-239.张丽芬.基于计算机视觉技术的樱桃自动分选系统设计[J].农机化研究,2017,39(09):212-214.孟庆龙,张艳,尚静.基于高光谱成像技术无损检测苹果表面缺陷[J].食品工业,2019,40(03):131-134.朱晓琳,李光辉,张萌.基于CARS-MIV-SVR的库尔勒香梨可溶性固体含量预测方法[J].光谱学与光谱分析,2019,39(11):3547-3552.蒋浩,张初,刘飞,朱红艳,何勇.基于高光谱图像多光谱参数的草莓成熟度识别[J].光谱学与光谱分析,2016,36(05):1423-1427.李锋霞,马本学,何青海,等.哈密瓜坚实度的高光谱无损检测技术[J].光子学报,2013,42(05):592-595.罗霞,洪添胜,罗阔,等.高光谱技术在无损检测火龙果可溶性固形物中的应用[J].激光与光电子学进展,2015,52(08):315-323.刘燕德,韩如冰,朱丹宁,等.黄桃碰伤和可溶性固形物高光谱成像无损检测[J].光谱学与光谱分析,2017,37(10):3175-3181.谭保华,肖腾飞,刘琼磊,等.典型经济水果近红外漫反射无损检测及其光谱数据分析[J].湖北农业科学,2020,59(12):154-158.吴爽

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论