计算机视觉理论与方法范例6篇

前言:中文期刊网精心挑选了计算机视觉理论与方法范文供你参考和学习,希望我们的参考范文能激发你的文章创作灵感,欢迎阅读。

计算机视觉理论与方法

计算机视觉理论与方法范文1

【关键词】计算机;视觉系统;框架构思

在现代计算机技术的支持下,对人类视觉功能进行模拟的计算机系统被称为计算机视觉系统,因为视觉系统本身兼具科学性和应用性,所以计算机视觉系统本身既具有科学学科的特性又具有工程学科的特性。对其的研究不仅能够进一步了解人类本身,而且能够在工业生产领域发挥更大的作用。

1 计算机视觉系统现有理论框架

1.1 计算机世界理论框架

20世纪80年代,麻省理工学院教授Marr在视觉理论研究领域获得突破,提出了利用计算机实现视觉能力的理论框架――计算机视觉理论,这一理论主要特点是以现代信息处理的方式对人类视觉能力作用机制进行了分析,并以人类的视觉能力为基础在计算机技术的支持下形成了三个不同的计算机层次。分别是计算机理论层次、表示层次和算法层次。这三个层次分别对应着人类对视觉信息进行处理的三个环节,通过各个环节的仿生设置,计算机视觉系统就能够将初步的视觉处理能力赋予计算机。这一理论中的核心是计算机理论层次,Marr认为人类的视觉能力主要是从图像中建立物体形状和位置的描述,所以在这一层次中设计者设计的主要环节是从初步获取的二维图像中提取和细化物体的三维结构和位置,并将这些信息在一个二维平面上反映出来,即三维重建。

1.2 基于知识的视觉理论框架

基于知识的视觉理论框架最早产生于20世纪90年代,最早的提出者是Lowe。认为在人类的视觉能力发挥过程中,对三维物体的实际测算是不必要的,人类的视觉能力与三维测算能力没有直接的关系,虽然使用三维测算技术也能够实现计算机视觉系统的功能,但并不是对人类视觉功能的模仿。Lowe认为在人类的视觉活动中,会将三维物体看成二维物体,也会将二维物体看成三维物体。这种现象本身并不是偶然性的,而是一种视觉作用机制的必然。既然人类肉眼能够借助一定的作用机制和处理能力实现二维的三维化,在计算机视觉系统中就完全有可能设计出这种对人类肉眼直接模拟的机制。以感知系统感知物体的二维特性,并在其基础上直接生成三维图像,而不需要借助复杂的测量过程。

1.3 主动视觉理论框架

主动视觉理论是在现有计算机理论的基础上形成的新型理论框架,是根据人类视觉功能实现的主动性提出的。在人类实现视觉功能的过程中,人类的视觉系统并不是被动的,而是会根据视觉系统的要求调动身体的其他部位进行配合的、具有主动性的,所以在人类视觉功能的发挥过程中,视觉系统是具有主动性的,人类视觉系统的视角、关注点都会是动态变化的。

基于这一理论,主动视觉理论框架认为人类的视觉活动是一种“感知――动作”过程。根据这一原则,主动视觉理论框架认为计算机视觉系统并不需要精准的三维测算系统。而应该以计算机视觉获取系统为核心,设置主动的视觉系统。这一理念在实际的应用中主要通过对图像获取系统技术参数的调整和控制来实现,例如摄像机的位置、取向、焦距、光圈等,通过对这些参数的调整图像信息获取系统就能够从不同的视角对物体进行观察,进而获取物体的三维图像信息。

2 计算机视觉理论框架中存在的问题

计算机视觉理论框架的产生极大的支持了计算机视觉系统的研发工作,但是在计算机视觉系统的实际研发工作中,也逐渐暴露出了计算机理论框架的缺陷。当前主流的计算机视觉系统框架中,计算机视觉理论是最早产生的也是唯一一种被动的计算机视觉技术。在其理论系统中更多的强调人类视觉系统的测算能力,而没有意识到人类的视觉系统是一种主观性很强的、目的性很强的信息获取系统,完全建立在测算基础上的计算机视觉理论框架是不必要的。

基于知识的理论框架,认为人类视觉系统的功能实现主要环节是反馈,强调了人类视觉活动中主观意识的指导作用。但是它过于强调系统的目的性和主观性,完全否定了计算机视觉理论,认为人类视觉系统是个完全脱离计算机的认识过程,这种认识显然是错误的,在判断物体尺寸大小、距离远近时,测算无疑是极为必然的。

主动视觉理论并不完全排除三维重建,认为计算机视觉系统的三维重建应该建立在图像获取系统的主动性上。通过改变图像获取摄像机的角度、参数对时间、空间和分辨率等进行有选择的感知,解决了计算机视觉系统认知过程中的不稳定问题,降低了计算机视觉系统实现的难度。但是在其理论框架内部缺乏主观、高层的指导,从整体上看并不完善。

3 计算机视觉系统框架的新构思

在计算机视觉系统的研究领域,三种理论构建各有优劣。但是无疑反应了当前计算机视觉系统研发的主流思想,因此计算机视觉系统框架的新构思应该在其基础上进行,致力于克服各个理论的缺点。综合比较三种理论框架,笔者认为计算机视觉理论虽然存在某些问题,但是从整体上看这一理论框架是最具实践性和操作性的,其存在的问题完全可以借助其他理论框架加以解决,因此笔者以计算机视觉理论为主体,结合基于知识的视觉理论和主动视觉理论,提出一个更加完善和通用的计算机视觉系统构架。

计算机视觉系统视觉功能实现的主体结构还是建立在计算理论结构的基础上的,将计算理论框架中的早期视觉处理环节分为图像预处理、图像分割和二维模式识别两个部分,因为图像的预处理是在平面图像基础上的简单处理,不需要主观主导意识和目的性的参与,同时图像分割和二维模式识别能够最大限度的提升后继图像处理的效果。

在早期处理完成以后,后继的中后期处理还是分别情调了二维模式识别和三维模式识别,虽然这两种模式本身的识别原理是一样的,但是其面对的对象不同,物体的模型也不同。一般来讲,在我们的世界中二维信息具有很强的重要性,图形、文字、指纹等关键二维信息在通常情况下作用更大、应用范围更广,所以计算机视觉系统矿建的新思路中,要对二维信息进行进一步的处理。

模型库提供具体物体模型的表示。知识库不但要对物体进行抽象表示而且还要对抽象知识进行推理。人类经验的积累和知识的获取是通过学习而得到的,所以加人模型库、知识库管理,并让其从输出结果中进行学习。这将使模型库和知识库更加丰富和完善。

视觉活动本身是带有目的性的,所以在有些时候视觉系统的应用确实需要视物体的实际情况来决定,有时只需识别场景中存在的是什么物体或某物是否存在,而不要求定量恢复场景中的物体。因此,在计算机视觉系统中引人视觉目的来判断输出是否满足要求。同时,用视觉目的对图象分割和二维模式识别、中期视觉处理、后期视觉处理和三维模式识别加以控制。如果需要三维重建则由主动视觉控制成象来获得景物更完整的信息。

计算机视觉系统框架是支持计算机视觉系统实现的重要基础,所以在计算机视觉系统的研发、设计工作中,对理论框架的研究具有鲜明的现实意义,本文简单介绍了现有框架思想,并分析了其各自的优缺点,最后再这些理论框架的基础上形成了计算机视觉系统框架的新构思。认为计算机视觉系统构架应该以计算机理论为基础,以视觉活动的主观性和目的性为指导,以具体的视觉实现形式为方法

【参考文献】

计算机视觉理论与方法范文2

关键词:计算机视觉技术;食品工业;分级;图像处理

中图分类号: TS207 文献标识码:A

随着微型个人计算机应用的越来越广泛,以及计算机在综合学科中应用的深入研究,现如今在工农业、军事国防、医学卫生等众多领域的使用和研究方面计算机视觉技术都起到了至关重要的作用,为了节省人力、降低成本、减少误差,该项技术在食品企业、科研院所、检测机构中的应用更加普遍。如今,在农产品药物残留检测、水果重量分级、等级筛选、质量监管等方面计算机视觉技术有众多应用。

1 计算机视觉技术概述

计算机视觉技术是利用计算机、摄像机、图像卡以及相关处理技术来模拟人的视觉,用以识别、感知和认识我们生活的世界[1]。该技术是模拟识别人工智能、心理物理学、图像处理、计算机科学及神经生物学等多领域的综合学科。计算机视觉技术用摄像机模拟人眼,用计算机模拟大脑,用计算机程序和算法来模拟人对事物的认识和思考,替代人类完成程序为其设定的工作。该技术由多个相关的图像处理系统组成,主要包括光源提供系统、图像提取系统、计算机数据运算系统等。原理是:首先通过摄像机获得所需要的图像信息,然后利用信号转换将获得的图像信息转变为数字图像以便计算机正确识别[2]。随着科学技术的发展,计算机技术在各个领域得到广泛应用,计算机视觉技术不仅在代替人类视觉上取得了重大成就,而且在很多具体工作方便超越了人的视觉功能。计算机视觉计算有如此快速的发展,是因为与人类的视觉相比该技术具有以下显著优势[3]。

1.1 自动化程度高

计算机视觉可以实现对农产品的多个外形和内在品质指标进行同时检测分析,可以进行整体识别、增强对目标识别的准确性。

1.2 实现无损检测

由于计算机视觉技术对农产品的识别是通过扫描、摄像,而不需要直接接触,可以减少对所检测食品的伤害。

1.3 稳定的检测精度

设计的运行程序确定后,计算机视觉技术的识别功能就会具有统一的识别标准,具有稳定的检测精度,避免了人工识别和检测时主观因素所造成的差异。

2 计算机视觉技术在食品检测中的应用

20世纪70年代初,学者开始研究计算机视觉技术在食品工业中的应用,近几十年电子技术得到快速发展,计算机视觉技术也越来越成熟。国内外学者在研究计算机视觉技术在食品工业中的应用方面主要集中在该技术对果蔬的外部形态(如形状、重量、外观损伤、色泽等)的识别、内部无损检测等方面。国内有关计算机视觉技术在食品业中的应用研究起始于90年代,比国外发达国家晚多达20a,但是发展很快。

2.1 计算机视觉技术在果蔬分级中的应用研究

计算机视觉技术在食品检测中的应用研究相当广泛,从外部直径、成熟度的检测到内部腐烂程度的检测都有研究。韩伟等[4]采用分割水果的拍摄图像和新的计算机算法计算水果的半径,进而得出果蔬的最大直径。研究表明,该算法不仅降低了计算量而且提高了计算精度,此方法用于水果分级的误差不超过2mm,高于国际水果分级标准所规定的5mm分类标准差,可在工业生产中很好应用。李庆中[5]也利用图像的缺陷分割算法研究了计算机视觉技术在苹果检测与分级中的应用,结果表明此算法能快速、有效地分割出苹果的表面缺陷。孙洪胜等[6]以苹果色泽特征比率的变化规律为理论基础,结合模糊聚类知识利用计算机视觉技术来检测苹果缺陷域,检测不仅快速而且结果精确。刘禾等[7]通过研究认为苹果的表面缺陷可以利用计算机视觉技术进行检测,计算机视觉技术还可以将苹果按照检测结果进行分级,把检测过的苹果分成裂果、刺伤果、碰伤果和虫伤果等类别。梨的果梗是否存在是梨类分级的重要特征之一,应义斌等[8]通过计算机视觉技术、图像处理技术、傅立叶描述子的方法来描述和识别果形以及有无果柄,其识别率达到90%。杨秀坤等[9]综合运用计算机视觉技术、遗传算法、多层前馈神经网络系统,实现了具有精确度高、灵活性强和速度快等优点的苹果成熟度自动判别。陈育彦等[10]采用半导体激光技术、计算机视觉技术和图像分析技术相结合的方法检测苹果表面的机械损伤和果实内部的腐烂情况,初步验证了计算机视觉技术检测苹果表面的损伤和内部腐烂是可行的。冯斌等[11]通过计算机视觉技术对水果图像的边缘进行检测,然后确定水果的大小用以水果分级。试验表明,该方法比传统的检测方法速度快、准确率高,适用于计算机视觉的实时检测。朱伟[12]在模糊颜色的基础上,分析西红柿损伤部分和完好部分模糊颜色的差别,用分割方法对西红柿的缺陷进行分割,结果显示准确率高达96%。曹乐平等[13]人研究了温州蜜柑的果皮颜色与果实可滴定酸含量以及糖分含量之间的相关性,然而根据相关性,样品检测的正确识别率分别只有约74%和67%。刘刚等[14]从垂直和水平两个方向获取苹果的图像,并通过计算机自动分析图像数据,对苹果的外径、体积、以及圆形度等参数进行处理,与人工检测相比,计算机视觉技术具有检测效率高,检测标准统一性好等优点。Blasco. J [15]通过计算机视觉技术分析柑橘果皮的缺陷,进而对其在线分级,正确率约为95%。赵广华等[16]人综合计算机视觉识别系统、输送转换系统、输送翻转系统、差速匀果系统和分选系统,研制出一款适于实时监测、品质动态的智能分级系统,能够很好地实现苹果分级。王江枫等[17]建立了芒果重量与摄影图像的相互关系,应用计算机视觉技术检测桂香芒果和紫花芒果的重量和果面损伤,按重量分级其准确率均为92%,按果面损伤分级的准确率分别为76%和80%。

2.2 计算机视觉技术在禽蛋检测中的应用研究

禽蛋企业在生产过程中,产品的分级、品质检测主要采用人工方法,不仅需要大量的物力人力,而且存在劳动强度大、人为误差大、工作效率低等缺点,计算机视觉技术可以很好的解决这类产品工业生产中存在的困扰。欧阳静怡等[18]利用计算机视觉技术来检测鸡蛋蛋壳裂纹,利用摄像机获取鸡蛋图像后,采用fisher、同态滤波和BET算法等优化后的图像处理技术,获得裂纹形状并判断,试验结果表明,计算机视觉技术对鸡蛋蛋壳裂纹的检测准确率高达98%。汪俊德等[19]以计算机视觉技术为基础,设计出一套双黄鸡蛋检测系统。该系统获取蛋黄指数、蛋黄特征和蛋形尺寸等特征,和设计的数学模型对比来实现双黄鸡蛋的检测和识别,检测准确率高达95%。郑丽敏等[20]人通过高分辨率的数字摄像头获取鸡蛋图像,根据图像特征建立数学模型来预测鸡蛋的新鲜度和贮藏期,结果表明,计算机视觉技术对鸡蛋的新鲜度、贮藏期进行预测的结果准确率为94%。潘磊庆等[21]通过计算机视觉技术和声学响应信息技术相结合的方法检测裂纹鸡蛋,其检测准确率达到98%。Mertens K等[22]人基于计算机视觉技术研发了鸡蛋的分级检测系统,该系统识别带污渍鸡蛋的正确率高达99%。

2.3 计算机视觉技术在检测食品中微生物含量中的应用研究

计算机技术和图像处理技术在综合学科中的应用得到快速发展,在微生物快速检测中的应用也越来越多,主要是针对微生物微菌落的处理。食品工业中计算机视觉技术在微生物检测方面的研究和应用以研究单个细胞为主,并在个体细胞的研究上取得了一定的进展。殷涌光等[23]以颜色特征分辨技术为基础,设计了一套应用计算机视觉技术快速定量检测食品中大肠杆菌的系统,该系统检测结果与传统方法的检测结果具有很好的相关性,但与传统方法相比,可以节省5d时间,检测时间在18h以内,并且能够有效提高产品品质。Lawless等[24]人等时间段测定培养基上的细胞密度,然后通过计算机技术建立时间和细胞密度之间的动态关联,利用该关联可以预测和自动检测微生物的生长情况,如通过计算机控制自动定量采集检测对象,然后分析菌落的边缘形态,根据菌落的边缘形态计算机可以显示被检测菌落的具置,并且根据动态关联计算机视觉系统可以同时处理多个不同的样品。郭培源等[25]人对计算机视觉技术用于猪肉的分级进行了研究,结果显示计算机视觉技术在识别猪肉表面微生物数量上与国标方法检测的结果显著相关,该技术可以有效地计算微生物的数量。Bayraktar. B等[26]人采用计算机视觉技术、光散射技术(BARDOT)和模式识别技术相结合的方法来快速检测李斯特菌,在获取该菌菌落中的形态特征有对图像进行分析处理达到对该菌的分类识别。殷涌光等[27]人综合利用计算机视觉、活体染色、人工神经网络、图像处理等技术,用分辨率为520万像素的数字摄像机拍摄细菌内部的染色效果,并结合新的图像处理算法,对细菌形态学的8个特征参数进行检测,检测结果与传统检测结果显著相关(相关系数R=0.9987),和传统检测方法相比该方法具有操作简单、快速、结果准确、适合现场快速检测等特点。鲁静[28]和刘侃[29]利用显微镜和图像采集仪器,获取乳制品的扫描图像,然后微生物的图像特征,识别出微生物数量,并以此作为衡量乳制品质量是否达标的依据,并对产品进行分级。

2.4计算机视觉技术在其他食品产业中的应用研究

里红杰等[30]通过提取贝类和虾类等海产品的形状、尺寸、纹理、颜色等外形特征,对照数学模型,采用数字图像处理技术、计算机识别技术实现了对贝类和虾类等海产品的无损检测和自动化分类、分级和质量评估,并通过实例详细阐述了该技术的实现方法,证实了此项技术的有效性。计算机视觉技术还可以检验玉米粒形和玉米种子质量、识别玉米品种和玉米田间杂草[31]。晁德起等[32]通过x射线照射获取毛叶枣的透视图像后,运用计算机视觉技术对图像进行分析评估,毛叶枣可食率的评估结果与运用物理方法测得的结果平均误差仅为1.47%,因此得出结论:计算机视觉技术可以应用于毛叶枣的自动分级。Gokmen,V等通用对薯片制作过程中图像像素的变化来研究薯片的褐变率,通过分析特色参数来研究薯片中丙烯酰胺的含量和褐变率也关系,结果显示两项参数相关性为0.989,从而可以应用计算机视觉技术来预测加热食品中丙烯酰胺的含量,该方法可以在加热食品行业中得到广泛应用。韩仲志等人拍摄和扫描11类花生籽粒,每类100颗不同等级的花生籽粒的正反面图像,利用计算机视觉技术对花生内部和外部采集图像,并通过图像对其外在品质和内在品质进行分析,并建立相应的数学模型,该技术在对待检样品进行分级检测时的正确率高达92%。另外,郭培源等人以国家标准为依据,通过数字摄像技术获取猪肉的细菌菌斑面积、脂肪细胞数、颜色特征值以及氨气等品质指标来实现猪肉新鲜程度的分级辨认。

3 展望

新技术的研究与应用必然伴随着坎坷,从70年代初计算机视觉技术在食品工业中进行应用开始,就遇到了很多问题。计算机视觉技术在食品工业中的研究及应用主要存在以下几方面的问题。

3.1 检测指标有限

计算机视觉技术在检测食品单一指标或者以一个指标作为分级标准进行分级时具有理想效果,但以同一食品的多个指标共同作为分级标准进行检测分级,则分级结果误差较大。例如,Davenel等通过计算机视觉对苹果的大小、重量、外观损伤进行分析,但研究结果显示,系统会把花粤和果梗标记为缺陷,还由于苹果表面碰压伤等缺陷情况复杂,造成分级误差很大,分级正确率只有69%。Nozer等以计算机视觉为主要技术手段,获取水果的图像,进而通过分析图像来确定水果的形状、大小、颜色和重量,并进行分级,其正确率仅为85.1%。

3.2 兼容性差

计算机视觉技术针对单一种类的果蔬分级检测效果显著,但是同一套系统和设备很难用于其他种类的果蔬,甚至同一种类不同品种的农产品也很难公用一套计算机视觉设备。Reyerzwiggelaar等利用计算机视觉检查杏和桃的损伤程度,发现其检测桃子的准确率显著高于杏的。Majumdar.S等利用计算机视觉技术区分不同种类的麦粒,小麦、燕麦、大麦的识别正确率有明显差异。

3.3 检测性能受环境制约

现阶段的计算机视觉技术和配套的数学模型适用于简单的环境,在复杂环境下工作时会产生较大的误差。Plebe等利用计算机视觉技术对果树上的水果进行识别定位,但研究发现由于光照条件以及周边环境的影响,水果的识别和定位精度不高,不能满足实际生产的需要。

综上所述,可看出国内外学者对计算机视觉技术在食品工业中的应用进行了大量的研究,有些研究从单一方面入手,有些研究综合了多个学科,在研究和应用的过程中,取得了较大的经济效益,也遇到了很多问题,在新的形势下,计算机视觉技术和数码拍摄、图像处理、人工神经网络,数学模型建设、微生物快速计量等高新技术相融合的综合技术逐渐成为了各个领域学者的研究热点,以计算机视觉为基础的综合技术也将在食品工业中发挥更加重要的作用。

参考文献

[1] 宁纪锋,龙满生,何东健.农业领域中的计算机视觉研究[J].计算机与农业,2001(01):1-3.

[2] 李峥.基于计算机视觉的蔬菜颜色检测系统研究[D].吉林:吉林大学,2004.

[3] 曾爱群.基于计算机视觉与神经网络的芒果等级分类研究[D].桂林:桂林工学院,2008.

[4] 韩伟,曾庆山.基于计算机视觉的水果直径检测方法的研究[J].中国农机化,2011(05):25-29.

[5] 李庆中.苹果自动分级中计算机视觉信息快速获取与处理技术的研究[D].北京:中国农业大学,2000.

[6] 孙洪胜,李宇鹏,王成,等.基于计算机视觉的苹果在线高效检测与分级系统[J].仪表技术与传感器,2011(06):62-65.

[7] 刘禾,汀慰华.水果果形判别人工神经网络专家系统的研究[J].农业工程学报,1996,12(0l):171-176.

[8] 应义斌,景寒松,马俊福.用计算机视觉进行黄花梨果梗识别的新方法[J].农业工程学报,1998,14(02):221-225.

[9] 杨秀坤,陈晓光,马成林,等.用遗传神经网络方法进行苹果颜色白动检测的研究[J].农业工程学报,1997,13(02):193-176.

[10] 陈育彦,屠康,柴丽月,等.基于激光图像分析的苹果表面损伤和内部腐烂检测[J].农业机械学报,2009,40(07):133-137.

[11] 冯斌,汪憋华.基于计算机视觉的水果大小检测方法[J].农业机械学报,2003,34(01):73-75.

[12] 朱伟,曹其新.基于模糊彩色聚类方法的西红柿缺陷分割[J].农业工程学报,2003,19(03):133-136.

[13] 曹乐平,温芝元,沈陆明.基于色调分形维数的柑橘糖度和有效酸度检测[J].农业机械学报,2009,41(03):143-148.

[14] 刘刚,王立香,柳兆君.基于计算机视觉的苹果质量检测[J].安徽农业科学,2012,40(08):5014-5016.

[15] Blasco J,Aleixos N,Molto puter vision detection of peel defects in citrus by means of a region oriented segmentation algorithm[J].Journal of Food Engineering,2007,81(03):535-543.

[16] 赵广华,飞,陆奎荣,等.智能化苹果品质实时分选系统[J].中国科技信息.

[17] 王江枫,罗锡文,洪添胜,等.计算机视觉技术在芒果重量及果面坏损检测中的应用[J].农业工程学报,1998(12):186-189.

[18] 欧阳静怡,刘木华.基于计算机视觉的鸡蛋裂纹检测方法研究[J].农机化研究,2012(03):91-93.

[19] 汪俊德,郑丽敏,徐桂云,等.基于计算机视觉技术的双黄鸡蛋检测系统研究[J].农机化研究,2012(09):195-199.

[20] 郑丽敏,杨旭,徐桂云,等.基于计算机视觉的鸡蛋新鲜度无损检测[J].农业工程学报,2009,25(03):335-339.

[21] 潘磊庆,屠康,詹歌,等.基于计算机视觉和声学响应信息融合的鸡蛋裂纹检测[J].农业工程学报,2010,26(11):332-337.

[22] Mertens K,De Ketelaere B,Kamers B,et al.Dirt detection on brown eggs by means of colorcomputer vision[J]. Poultry Science,2005,84(10):1653-1659.

[23] 殷涌光,丁筠.基于计算机视觉的食品中大肠杆菌快速定量检测[J].吉林大学学报(工学版),2009,39(02):344-348.

[24] Lawless C,Wilkinson DJ,Young A,et al.Colonyzer: automated quantification of micro-organism growth characteristics on solid agar[J].BMC Bioinformatics,2010(08):38-44.

[25] 郭培源,毕松,袁芳.猪肉新鲜度智能检测分级系统研究[J].食品科学,2010,31(15):68-72.

[26] Bayraktar B,Banada PP,Hirleman ED,et al.Feature extraction from light-scatter patterns of Listeria colonies for identification and classification [J].Journal of Biomedical Optics,2006,11(03):34- 36.

[27] 殷涌光,丁筠.基于计算机视觉的蔬菜中活菌总数的快速检测[J].农业工程学报,2009,25(07):249-254.

[28] 鲁静.乳品微生物自动检测系统的设计[J].湖北第二师范学院学报,2010,27(08):115-117.

[29] 刘侃.鲜奶含菌量快速检测系统[D].华中科技大学,2008.

[30] 里红杰,陶学恒,于晓强.计算机视觉技术在海产品质量评估中的应用[J].食品与机械,2012,28(04):154-156.

计算机视觉理论与方法范文3

计算机视觉是一门研究如何使机器“看”的科学,更进一步地说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。计算机视觉包括集成的视觉系统与真实世界视觉的应用建设。创建三维模型的过程是相当困难的,需要机械测量摄像机的位置或手动对准一个场景的局部三维视图。通过使用相应的算法,它可以通过集合中一个场景的立体图像,然后自动生成一个逼真、几何精确的三维数字化模型。

全书分为三大部分,共14章:1.引言:立体图像和深度知觉、三维视觉系统、三维视觉应用的介绍;2.视觉的研究简史;3.二维和三维视觉的形成;4.图像匹配中低层次图像处理:包括卷积滤波、离散平均、离散分化、边缘检测、结构张量、角点检测等内容;5.尺度空间的视觉:包括图像尺度、高斯尺度空间、微分尺度空间、多分辨率金字塔等内容;6.图像匹配算法:包括各种匹配措施、计算方面的匹配、立体匹配方法的多样性、基于区域、弹性、梯度的匹配等内容;空间重构及多视图集成:一般的三维重建和多视图集成方面的内容;8.具体案例:临床和兽医应用、电影重构等具体实例的分析;9.射影几何基础;10.图像处理的张量微积分基础:包括线性算子和变坐标系统的基本概念、度量张量、简单的张量代数等内容;11.图像中的失真和噪声:包括噪声模型、产生噪声的测试图片、正态分布生成随机数;12.图像变换程序:包括结构的变形系统、坐标变换模块、像素值的插值、经典实力等内容;13.编程技术,图像处理和计算机视觉:包括其设计与实现、统一的建模语言、设计模式、处理平台等内容;14.图像处理库。

作者Bogusaw Cyganek于1993年获得电子计算机科学学位,于1996年获得了赫尔辛堡科技大学博士学位。近年来,他还与许多科学中心合作,在计算机视觉系统的发展方面做出了贡献。作为一个软件开发经理和高级软件工程师,他有着多年的实际工作经验。他目前在波兰克拉科夫AGH科技大学(AGH University of Scien and Technology)电子部任研究员和讲师,研究兴趣包括计算机视觉、模式识别、以及对可编程器件和嵌入式系统的开发。他还是电子电气工程师协会(IEEE,Institute of Electrical and Electronics Engineers)、国际模式识别学会(IAPR,International Association for Pattern Recognition)、工业和应用数学学会(SIAM,Society for Industrial and Applied Mathematics)成员。

本书提供了对三维计算机视觉方法,理论和算法的全面的介绍。几乎每一个理论问题都使用C++和Matlab的伪代码或完整代码进行实现,并且提供下载的软件网站、案例研究和练习。本书是相关学者、程序员的有益参考,也适合对计算机科学、临床摄影、机器人领域、图形和数学感兴趣的学生或研究人员阅读。

李亚宁,硕士研究生

计算机视觉理论与方法范文4

分布式计算是一种计算方法,和集中式计算是相对的。随着计算技术的发展,有些计算应用需要非常巨大的计算能力才能完成,如果采用集中式计算,需要耗费相当长的时间来完成。简单来说,分布式计算将该应用分解成许多小的部分,分配给多台计算机进行处理。这样可以节约整体计算时间,大大提高计算效率。本书使用开源工具及相应技术的开发并实现了大规模分布式处理系统,提出了构建高性能分布式计算系统的先进材料,提供实际的指导、相关练习以及软件框架的理论描述。

全书分为2部分,共8章。第1部分 高性能分布式计算的编程基础,包括1-4章:1.引言:包括分布式系统的介绍、分类,分布式计算体系结构与分布式文件系统,最后指出分布式系统面对的挑战与发展趋势;2.开始使用Hadoop:包括Hadoop的发展历史、生态系统、HDFS的特性、单个节点的集群安装与多个节点的集群安装,最后介绍Hadoop编程与流;3.从Spark开始:包括Spark装置、应用实例、Python编程及应用等内容;4.Spark和Scalding的内部编程:包括其安装步骤与编程指南。第2部分 使用Hadoop、Scalding和Spark的实例,包括5-8章:5. 案例研究1:使用Scalding和Spark进行数据聚类:包括聚类技术、聚类过程、K均值算法和相应的例子,最后进行实现;6.案例研究2:使用Scalding和Spark进行数据分类:包括分类及概率论的相关概念,朴素贝叶斯及其分类器的实现,最后对Scalding的实现进行实验并说明结果;7.案例研究3:使用Scalding和Spark进行回归分析:包括线性回归的代数方法和梯度下降法,并分别使用Scalding和Spark进行了实现;8.案例研究4:使用Scalding和Spark的推荐系统:包括推荐系统的介绍、技术应用、实现规则并使用Scalding和Spark进行了实现。

作者K.G. Srinivasa是卡内基梅隆大学计算机科学学院机器人研究所的副教授;是电脑专业资格认定协会(ICCP,International Conformity Certification Programm)、国际计算机视觉期刊(IJCV,International Journal Computer Vision)、国际计算机视觉与模式识别会议(CVPR,Computer Vision and Pattern Recognition)等多个国际会议的委员会委员,发表超过20篇期刊及会议论文。他的研究领域包括计算机视觉、图像处理、动态场景的计算机视觉监控、基于人的行为和生物特征的人物识别与身份鉴定以及数字多媒体数据的水印处理等。

本书描述了构建高性能分布式计算大规模数据处理的软件系统新模式的基本原理;介绍了Hadoop生态系统并一步步地指导安装、编程和执行;对Spark的基础知识,包括弹性分布式数据集进行了介绍,并对使用Spark和Scalding进行数据聚类、分类和回归进行了分析,提供了详细的案例研究方法;最后使用Scalding和Spark实现了一个实用推荐系统。本书适合计算机体系结构、计算智能、数据挖掘等专业的科研人员及研究生阅读参考。

计算机视觉理论与方法范文5

关键词 机器视觉;现代农业;应用;问题;展望

中图分类号 TP391.4 文献标识码 A 文章编号 1007-5739(2014)08-0335-01

Application of Machine Vision Technique in Modern Agriculture

WANG Wen-jing

(Department of Electronic Information,Foshan Polytechnic,Foshan Guangdong 528137)

Abstract The basic concepts,principle and system of machine vision were introduced.The application status of machine vision in modern agricultural production was discussed.Based on the analysis and research status at home and abroad,current problems and future direction of the development was proposed for machine vision applications in modern agriculture.

Key words machine vision;modern agricultural;application;problems;prospects

随着“在工业化、城镇化深入发展中同步推进农业现代化”这项重要任务在“十二五”规划中的提出,我国的农业有了迅猛发展,农业与自动化技术的研究和应用得到了高度的重视,但是与国外发达国家还有一定的差距。机器视觉技术是促进农业生产和管理自动化水平提高的一种高效的手段。目前,该技术在国内外农业领域的各个环节已经有了较大突破,如种子质量检测、田间杂草识别、植物生长信息监测、病虫害监测等。机器视觉技术不仅节约了人力、物力的消耗,而且提高了生产质量和效率。

1 机器视觉技术的基本概念、原理以及系统组成

机器视觉也称之为计算机视觉,是一种利用机器代替人眼进行观察、测量与判断的技术,首先利用摄像机获取目标的图像,然后通过计算机算法将图像进行数字化处理和颜色、形状和尺寸等的测量与判别[1]。

机器视觉系统主要由光源、摄像机、采集卡和计算机构成。摄像机通过光电传感器将被测物光形象转化为电信号,并且以图像的形式记录保存下来。图像采集卡是连接摄像机和计算机的纽带,主要作用是把电信号转化为数字信号,并将数字信号传输到计算机进行保存和处理。在实际应用中,为了能够获得高亮度和高对比度的图像,通常需要使用光源提供的灯光照明,以便图像的获取和处理。

2 机器视觉技术在现代化农业中的应用

2.1 在农业生产前的应用

进行种子质量检测。农作物种子质量的好坏对作物产品的优劣与作物产量的高低有着直接的影响作用,在农业生产过程中有着至关重要的地位。成 芳等[2]详细介绍了机器视觉系统的原理和发展动态,并且从系统软件、硬件和国内外研究现状等方面综合描述了机器视觉在种子质量检测中的运用。陈兵旗等[3]利用机器视觉技术对水稻种子进行了精选,首先提取长宽比和面积等特征参数,并建立有关稻种类型的数据库,进而对稻种类型进行判断,然后通过扫描线数和扫描线上黑白像素的变化次数来判断种子是否破裂,最后利用不同阈值提取的稻种面积差来判断稻种是否霉变。试验证明:该方法能对种子种类、发霉和破损情况等进行判断,具有较高的准确率。

2.2 在农业生产中的应用

2.2.1 作物生长信息监测。农作物的生长调控、缺素诊断、产量分析与预测都是以作物生长信息为基础和依据的,因此,通过机器视觉的方法对农作物的生长信息进行监测,成为当今机器视觉在农业中的研究热点之一。张云鹤等[4]设计了农作物茎秆直径变化测量系统,通过测量图像中作物茎秆直径像素数、图像中参照物直径像素数和参照物的实际直径求取作物茎秆直径。使用该系统对黄瓜茎杆进行直径测量,绝对误差在0.002 mm以内。王文静等[5]设计了一个基于机器视觉的水下鲆鲽鱼类质量估计系统。该系统利用机器视觉和图像处理技术对不同生长发育阶段的半滑舌鳎进行了检测,提取了鱼的面积、等效椭圆长宽比和圆形度因子等形状参数,并将各参数分别与质量进行数据拟合建立二维和三维维模型。试验证明:该方法能够较好地估计出生物的质量。

2.2.2 病虫害与杂草监测。病虫害和杂草直接危害着农作物的生长,如果没有得到及时的控制,会直接影响到农作物的质量与产量。因此,检测并获取害虫的分布情况、位置、生长情况等对农作物的生产具有巨大的意义。邱道尹等[6]设计了一个基于机器视觉的大田害虫检测系统,利用神经网络分类的方法对常见的几类害虫进行了分类。通过现场试验证明,该方法简单可行、识别率高。毛文华等[7]以国内外的研究为例,系统、详细地介绍了机器视觉在杂草识别中的研究和应用情况,分析了采用植物纹理、颜色、多光谱和形状等特征来识别杂草的理论根据以及存在的问题和难点。尹建军等[8]利用摄像机采集标定靶图像,根据摄像机的透视模型对图像进行处理,求出48个靶点质心的像素坐标,然后通过DLT最小二乘法建立摄像机隐参数矩阵。实践证明,该方法对杂草定位的误差在23 mm以内,能够满足杂草识别与智能化喷施的需求。

2.2.3 营养胁迫诊断。在农业生产管理中,由于缺素初期的作物和正常情况没有太大差别,很难被察觉和诊断,而利用机器视觉的方法能够比较及时、准确的判断,进而降低损失。

毛罕平等[9]在作物营养元素亏缺的识别和自动检测中,利用植物的叶片特征和遗传算法进行优化组合,挑选出能够用在分类器设计方面的特征向量。试验证明,利用二叉树分类法的模糊K近邻法对缺元素的番茄进行识别和测试,其误差在15%以内。张彦娥等[10]利用机器视觉技术和图像处理技术研究了一种温室黄瓜叶片营养信息检测系统,通过求取叶片含水率、含氮率与含磷率分别与各个分量之间的相关性;试验证明:该方法获取叶片颜色分量、亮度指标等参数,能够作为计算机视觉技术作物长势和作物营养信息监测的指标。

2.3 在农业生产中的应用

2.3.1 农业机器人。对农业机器人的应用主要利用机器人技术进行视觉导航技术的研究,是目前比较受关注的课题之一。视觉导航技术的研究为农业机器人的自动除草、施肥和施药等工作奠定了良好的基础。

周 俊等[11]在综合分析农田自然环境的基础上,提出了农业机器人视觉导航中多分辨率路径识别算法,并将色彩特征分析法应用于路径识别中,利用小波分析变化法进行边缘检测,结果表明,结合导航系统期望跟踪的路径特点分析可以比较准确的识别路径。安 秋等[12]通过AVR单片机的下位机来控制4个电机的速度和实现与上位机的串口通讯功能,提出了将线性扫描法和最小二乘法结合使用的思路,实现了农业机器人的视觉导航算法,使机器人能够在农作物之间行走。

2.3.2 品质分级。利用机器视觉的方法对农作物进行分级,可以减少主观因素的影响,并且为生产自动化的发展奠定了基础。

蒋益女等[13]对苹果质量等级识别的机器视觉检测技术进行了研究,对苹果图像进行梗蒂、缺陷识别后,提取目标区域,并求出纹理和几何特征参数等,并通过Pearson对参数进行相关性分析和SFFS对特征进行选择,去掉冗余的特征,最后使用KNN分类方法对苹果进行分类。试验结果表明,该识别方法对苹果等级识别与人工判别结果非常接近,可以推广到其他产品质量等级检测和识别。李江波等[14]对鲜香菇外部品质计算机视觉检测与分级进行了研究,首先对摄像机采集的图像进行预处理后,获取香菇菇盖的圆形度、最大直径、色调均值等特征参数对香菇进行分级。试验证明,利用BP神经网络法对香菇进行分级的准确度为94.2%。

3 存在的问题及未来的展望

随着机器视觉技术的发展和农业自动化水平的提高,机器视觉技术在农业中的应用研究越来越多,但是由于农作物形状的多样性、周围环境的复杂性、理论和实际的差异性等因素制约着机器视觉技术在农业中的应用发展。为了解决这些问题,笔者认为应从试验条件、系统硬件和软件设计3个方面着手。如在设置和模拟试验条件和硬件系统设计时,应多方位、全面地考虑到实际情况和国内外先进技术,使设计更加完善。在系统软件算法的开发阶段,需要将机器视觉和图像处理算法多与神经网络、人工智能等相结合使用,寻求出适用性强的新算法[15]。

在现代农业中引入机器视觉技术,不仅可以提高农业生产和发展的自动化水平,而且可以使人类从重复的劳动中解放出来,有着广阔的发展空间和应用前景。一方面,与人类视觉相比,机器视觉具有快速、非接触性、无损和准确的特点,可以提高农业生产效率,促进农业生产和管理自动化方向和发展。另一方面,计算机、自动化控制技术、机器视觉技术的进一步发展和综合集成,也将会为机器视觉在农业生产中的应用开辟新的空间。

4 参考文献

[1] 赵晓霞.计算机视觉技术在农业中的应用[J].科技情报开发与经济,2004,14(4):124-125.

[2] 成芳,应义斌.机器视觉技术在农作物种子质量检验中的应用研究进展[J].农业工程学报,2001,17(6):175-179.

[3] 陈兵旗,孙旭东,韩旭,等.基于机器视觉的水稻种子精选技术[J].农业机械学报,2010,41(7):165-173.

[4] 张云鹤,乔晓军,王成,等.基于机器视觉的作物茎秆直径变化测量仪研发[J].农机化研究,2011(12):158-160.

[5] 王文静,徐建瑜,吕志敏,等.基于机器视觉的水下鲆鲽鱼类质量估计[J].农业工程学报,2012,28(16):153-157.

[6] 邱道尹,张红涛,刘新宇,等.基于机器视觉的大田害虫检测系统[J].农业机械学报,2007,38(1):120-122.

[7] 毛文华,王一鸣,张小超,等.基于机器视觉的田间杂草识别技术研究进展[J].农业工程学报,2004,20(5):43-46.

[8] 尹建军,沈宝国,陈树人.基于机器视觉的田间杂草定位技术[J].农业机械学报,2010,41(6):163-166.

[9] 毛罕平,徐贵力,李萍萍.基于计算机视觉的番茄营养元素亏缺的识别[J].农业机械学报,2003,34(2):73-75.

[10] 张彦娥,李民赞,张喜杰.基于计算机视觉技术的温室黄瓜叶片营养信息检测[J].农业工程学报,2005,21(8):102-105.

[11] 周俊,姬长英.农业机器人视觉导航中多分辨率路径识别[J].农业机械学报,2003,34(6):120-123.

[12] 安秋,顾宝兴,王海青.农业机器人视觉导航试验平台[J].河南科技大学学报:自然科学版,2012,33(3):42-45.

[13] 蒋益女,徐从富.基于机器视觉的苹果质量等级识别方法的研究[J].计算机应用于软件,2010,27(11):99-101.

计算机视觉理论与方法范文6

关键词:目标跟踪技术;意义;问题;解决方法

中图分类号:TP18 文献标识码:A 文章编号:1009-3044(2015)02-0171-01

1.目标跟踪研究技术分类

1.1图像序列中目标跟踪技术

在图像中,根据点与点之间的关系,可以通过相邻两幅图像的点集中用以实现跟踪目标。同样的,根据线在目标跟踪中的使用,可以更加清晰的分解出图像的轮廓信息用以描述目标图像。更进一步,可以将面应用于目标跟踪,了解整个区域的外观信息,在经过后期的优化和分类处理实现目标跟踪。

在图像识别中,可以根据图像本身的空间位置相互依赖的关系以及图像块与图像块之间的关系在建立模型和构造置信度图的时候,融合空间的上下文信息。使得建立的目标跟踪的模型更加具有科学的根据,同时置信度图更加精确,更利于研究目标跟踪。

1.2视频序列中目标跟踪技术

目标跟踪可以通过对视频序列中正在运动的目标进行分析检测、提取数据、更进一步的进行识别和跟踪。这样的过程中,可以获得目标运动的参数,例如移动速度、加速度、运动的轨迹等,再将所得的结果进行下一步的分析处理,以此实现对目标的理解以完成任务跟踪的目的。

对于目标跟踪和测量可以分为三个阶段。首先,有目标的检测和特征提取,在这两个阶段中,需要一定的理论知识和灵活的应变能力,可以根据场合的不同进行不同的设计。第三个阶段就是目标的跟踪,简单来说可以理解为目标初始状态和特征提取从而得到目标视觉特征,以此为基础,进行时间和空间相结合对目标的状态进行估计。因此,一个良好的跟踪系统必须能满足顾客准确、实时、可靠的要求。“准确”顾名思义,就是要提高目标跟踪的精准度,最低的要求即要可以跟踪出目标的大致位置,高的要求下必须给出目标的准确方位。“实时”是指的跟踪目标信息的更新速度,数据的输出速度必须要在物体的实际运动速度内,满足控制系统的动态指标要求。“可靠”则是要求目标跟踪结果的真实可靠性,过程必须保证稳定,即使是在跟踪失败的情况下,也要求具有良好的恢复能力。只有满足以上三点,才能达到很好的综合性能。

2 目标跟踪研究技术意义

2.1 在民用领域的意义

在民用领域中,目标跟踪技术研究的新兴方向是拥有核心技术的智能化视频监控。智能化视频监控是高层计算机视觉技术,简单描述则是摄像机进行前期采样,通过视频序列图,对其中的信息进行更进一步的分析和理解,从而实现视频监控系统的智能化。例如有的视频监控中可以智能识别场景内人的行为和语言对话。从而可以甄别出危险的人员自动报警。在交通管理中,也可以通过智能检测实现对车辆的管理,实时监控道路车流量和对异常的车辆进行调查,可以很大程度上减少交通事故的发生,和更快速的进行事后处理。

2.2在军事领域的意义

在军事领域中,目标跟踪技术对于增强国防有很大的意义。视频监控可以及时掌握战争中的环境和更快速地对敌方的目标进行搜索和跟踪。对于环境的掌握和检测有利于寻找和提取目标和场景、还有摄像机的机位等信息来进行实时的反馈控制,可以了解敌方动态在战争中处于主导地位。还可以将目标跟踪技术和机器人技术结合,研究机器人视觉导航系统,安装在机器人体内的摄像机可以实现实时环境检测,获取更为详细的环境信息。同时,目标跟踪中的智能视频监控也有利于发现边防的不利状况和嫌疑人员,更大程度上保护我国军事机密。

3 目标跟踪研究技术应用

3.1在道路车辆监控上的应用

在现实生活中,可以利用目标跟踪技术实时监控道路上的车辆,在移动过程中,车辆在视窗中的大小和形状会发生特定的变化。例如我们可以选取一组在实际环境中拍摄的照片进行研究,车辆由近及远的移动过程中,车辆目标区域的形状会慢慢变小,目标形状变化不大会取得比较成功的跟踪效果。但是存在缺陷的是,目标变小时,跟踪的准确性也随之变小,有时所反应的结果已经偏离了目标所在的实际位置。导致目标跟踪出现问题,甚至错误的跟踪了其他目标。因此,在道路中车辆的监控方面,还要进一步改正,加强精准度,才能让科技更好为交通事业做出贡献。

3.2在矿井安全监控中的应用

在生活中,井下工作是安全风险最大的工作之一。可以利用目标跟踪技术,对井下危险区域运动目标进行检测和跟踪,在这样的检测下,可以提前得到风险预测,提前预警可以有效防止危险事故的发生。利用数学领域的利用背景建立模型和利用背景差法在线有效的调节速率,这种方法可以应对光线的变化和突变的环境下对移动目标的监控,利用目标跟踪技术在发生突发状况时可以准确的定位和实时的跟踪目标。可以提高突发事故的存活率,给矿工们的生命多一层保障。

3.3在社会生活中的作用

在社会工作中,未来发展的趋势电子化越来越普及于生活的任何角落,与现有阶段的键盘和鼠标表达思想不同,未来的人和计算机的交互影响应该会更加方便,科学家希望计算机能够像一个人一样善解人意,这就需要计算机能够读懂人类的语言、表情、手势、动作等。利用目标跟踪技术,实现视频的智能化,计算机可以通过采集人们的动作图像等进行分析,更理解场景中的人和事。例如在医疗领域,可以利用这个智能的电脑来监护生病的儿童和老人,他可以很快的明白病人的需求,所以可以更好的照顾从而促进医疗事业的革新;在教育领域中,利用视频智能的分析技术,比普通老师更快的了解学生对于知识的掌握了解情况,判断学生的学习兴趣,可以因材施教,更好更快的教好学生;在游戏时,智能的计算机能更快地了解游戏者的意图和兴趣,分析出更适合游戏者的游戏,让游戏者开心的融入氛围体验娱乐生活的乐趣。

参考文献:

[1] 丁业兵,王年,唐俊,等.基于颜色和边缘特征CAM Shift目标跟踪算法[J].华东理工大学学报:自然科学版,2012,38(l):69-74.