基于機器視覺特定物體識別的研究.pdf

1、羽毛球是勞動密集型產(chǎn)品,從羽毛的分揀到成品羽毛球的檢測,大約有十來道工序。每道工序都需要相應(yīng)設(shè)備與人員,羽毛球從原始狀態(tài)到成品需要耗費大量的空間與人力,而羽毛的檢測與分類又是這當(dāng)中最需要人力與最耗時的環(huán)節(jié)。現(xiàn)代工業(yè)生產(chǎn)研究中,為了降低成本或者避免人員傷亡等原因,越來越多的場合開始應(yīng)用機器視覺代替人眼對目標(biāo)進行檢測或識別。然而,羽毛分類仍然使用幾十年前的工藝,高度依賴人工的作用；為此,本文設(shè)計了一種基于機器視覺的羽毛檢測系統(tǒng)。
　　

2、 本文主要對羽毛圖片進行了預(yù)處理、紋理特征提取與模式識別、顏色判斷、弱蟲蛀判斷四個方面的研究,主要的創(chuàng)新點與完成的工作有:
　　 1、每片羽毛片都存在絲紋與拱度不一樣的特點,這些特點會干擾后面特征的提取與分類。本文首先采用半徑為3的中值濾波的方法削弱毛片固有的絲紋帶來的影響；接著采用同態(tài)濾波,該方法可以減弱毛片的不平整所造成羽毛葉上的光照不均勻的作用。
　　 2、根據(jù)灰度共生矩陣的不同的步長與角度的實驗數(shù)據(jù),分析得出對

3、比度等7個參數(shù)作為羽毛的特征。首先,提出新方法求取羽毛圖片共生矩陣的最佳步長與角度,即只改變兩變量之一,通過求各參數(shù)值之間的方差與差值選擇最佳結(jié)果,本文求得最佳步長與角度分別為20與45°；然后,以共生矩陣的7個特征參數(shù)值作為BP神經(jīng)網(wǎng)絡(luò)的輸入值,實驗證明可以很好地區(qū)分好毛與其它四類毛片。
　　 3、首先,采用CIE LUV顏色空間求取待測毛片與參考標(biāo)準(zhǔn)白片之間的歐氏距離,結(jié)果證明這種方法對羽毛分類的效果不太理想；然后,采用改進

4、的HSI顏色空間計算方法進行顏色分類,該方法為了削弱亮度分量Ⅰ對顏色的影響,對分量H、S、Ⅰ分別賦于16、8、1的權(quán)值,實驗得出該方法對羽毛顏色分類效果很好。
　　 4、弱蟲蛀毛片是指被昆蟲輕微咬傷的羽毛片。與嚴(yán)重被蟲咬的羽毛不同,不能直接通過閾值分割的方法判斷羽毛是否有無弱蟲蛀,而且它容易與噪聲相混淆。本文采用Canny算子檢測弱蟲蛀邊緣,接著增加一個防斷算法,然后再利用連通域的性質(zhì)提取目標(biāo)信息。
　　 本系統(tǒng)建立在M