機(jī)器視覺概念精選(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機(jī)器視覺概念主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：機(jī)器視覺概念范文

[關(guān)鍵詞]機(jī)器視覺技術(shù)；機(jī)械制造自動(dòng)化；應(yīng)用

中圖分類號(hào)：T01文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-914X（2017）28-0061-01

機(jī)器視覺技術(shù)是科學(xué)技術(shù)在機(jī)械設(shè)備上的一種應(yīng)用，其從擬人角度入手，通過模仿人類思維形成機(jī)械思維過程，以人工智能的方式來實(shí)現(xiàn)與“人眼”相同的功能，進(jìn)而在人類無(wú)法適應(yīng)的惡劣環(huán)境下進(jìn)行作業(yè)。如果說機(jī)械臂是模仿人類外部器官所制成的機(jī)械設(shè)備，那么機(jī)器視覺則是模仿人眼所操縱的智能攝像機(jī)、照相機(jī)設(shè)備，目前，機(jī)器視覺技術(shù)在機(jī)械制造自動(dòng)化領(lǐng)域可以實(shí)現(xiàn)數(shù)據(jù)采集與信息判斷的目標(biāo)，對(duì)推動(dòng)機(jī)械生產(chǎn)自動(dòng)化有著非常重要的意義。

一、何為機(jī)器視覺技術(shù)

所謂機(jī)器視覺技術(shù)，是利用機(jī)械來模擬人眼以獲取圖像信息，在攝取圖像后，機(jī)械會(huì)借助其內(nèi)部設(shè)置的計(jì)算機(jī)進(jìn)行讀圖，對(duì)圖像中含有的信息進(jìn)行判斷。目前，攝取圖像的技術(shù)有很多，攝取難度也不大，電子攝像器材更是種類繁多且價(jià)格便宜，對(duì)于機(jī)器視覺技術(shù)而言，難點(diǎn)在于對(duì)圖像的判斷與解析。大部分圖像都具有線條、顏色等基本元素，人眼可以通過大腦來分析與判斷上述基本元素，而機(jī)器視覺技術(shù)雖然可以與人眼一樣攝取圖像，在一定程度上模仿人類的思維，但是其思維原理依然與人類有所不同，就工作原理而言，機(jī)器視覺技術(shù)是將收集而來的圖片信息進(jìn)行處理，將其整理后使其變?yōu)楹?jiǎn)化圖，再將簡(jiǎn)化圖中含有的信息轉(zhuǎn)化為數(shù)字信號(hào)，計(jì)算機(jī)基于模型將特定的片段篩選識(shí)別出來，再轉(zhuǎn)化為人類所能理解的信息。單純看筆者的描述，機(jī)器視覺技術(shù)的處理過程具有很大的負(fù)載，而在實(shí)際指向時(shí)僅需要不到0.1s的反應(yīng)時(shí)間。而在機(jī)械制造自動(dòng)化領(lǐng)域，機(jī)器視覺系統(tǒng)僅需要處理少量信息，因此具有極高的效率，其較高的靈敏度與穩(wěn)定的工作狀態(tài)使得其在機(jī)械制造領(lǐng)域具有非常好的應(yīng)用效果。

二、機(jī)器視覺技術(shù)的現(xiàn)實(shí)應(yīng)用

（一）應(yīng)用方向之一——質(zhì)量檢測(cè)

機(jī)器視覺技術(shù)可以安裝在檢測(cè)裝置之上，用于檢測(cè)產(chǎn)品外觀是否存在瑕疵甚至是故障。對(duì)于輪船、飛機(jī)、汽車的制造而言，在制造大型機(jī)械零件時(shí)雖然可以依靠人工進(jìn)行流水線生產(chǎn)的質(zhì)量檢測(cè)，但是人的精力有限，可能因精力不足而出現(xiàn)注意力不集中的狀況，這時(shí)很容易導(dǎo)致外觀問題被忽略。而使用機(jī)器視覺技術(shù)便可以避免這類問題的出現(xiàn)，機(jī)器并不存在困倦和注意力不集中的問題，只要供給其足夠的能量便可以一直工作，借助高精度的攝像、照相設(shè)備，可以清晰識(shí)別零件表面存在的缺陷。再以曲軸的彎曲度為例，這類部件對(duì)于參數(shù)的精度有很高的要求，正所謂“差之毫厘，謬以千里”，即使曲軸的彎曲度有一絲不合格，也有可能導(dǎo)致部件無(wú)法安裝的結(jié)果，而人眼很難清晰辨別出這種細(xì)微的“偏差”，而機(jī)器視覺技術(shù)可以清晰辨別出來，通過機(jī)器視覺技術(shù)的高細(xì)節(jié)檢測(cè)，即使零件的誤差只有幾毫米甚至幾微米，也可以被清晰查出?？梢哉f，在機(jī)器視覺的精細(xì)檢測(cè)下，可以實(shí)現(xiàn)零件的完美篩選結(jié)果，不合格產(chǎn)品退出了生產(chǎn)線，不會(huì)流入市場(chǎng)，間接避免了安全事故的發(fā)生。

（二）應(yīng)用方向之二——精密測(cè)量

1.精密測(cè)量零件尺寸

機(jī)器視覺系統(tǒng)由圖像采集系統(tǒng)與圖像識(shí)別系統(tǒng)兩部分組成，檢測(cè)系統(tǒng)包括CCD攝像頭、光學(xué)系統(tǒng)以及計(jì)算機(jī)處理系統(tǒng)。由光源向被檢測(cè)零件發(fā)射平行光束，被檢測(cè)部位在光線的照射下反射、折射出光芒，借助內(nèi)置于攝像機(jī)中的CCD攝像頭，由顯微光學(xué)鏡進(jìn)行成像，再由計(jì)算機(jī)系統(tǒng)進(jìn)行圖像的處理，以獲得零件的相關(guān)信息。若是被檢測(cè)零件移位，則可以重復(fù)測(cè)量2次零件的邊緣輪廓，兩次測(cè)量結(jié)果相減即為位移量?；谏鲜鲈砜梢詾樾螤詈?jiǎn)單、尺寸較小的在線工件進(jìn)行精密測(cè)量。例如，電子接插件的生產(chǎn)速度至少為300件/分鐘，使用機(jī)器視覺技術(shù)可以實(shí)現(xiàn)0.01mm級(jí)別的精密測(cè)量。

2.逆向工程

如果說測(cè)量零件尺寸、減少誤差值、避免不達(dá)標(biāo)零件流入市場(chǎng)是機(jī)器視覺技術(shù)的正向應(yīng)用，那么機(jī)器視覺技術(shù)還能應(yīng)用于機(jī)械制造的逆向工程，即通過攝像頭測(cè)得標(biāo)準(zhǔn)價(jià)的輪廓坐標(biāo)值，構(gòu)建曲面并轉(zhuǎn)換為圖形，經(jīng)由只能系統(tǒng)輸送到加工機(jī)器中進(jìn)行產(chǎn)品的制作。簡(jiǎn)而言之，其實(shí)就是借助機(jī)器視覺技術(shù)的測(cè)量系統(tǒng)測(cè)得標(biāo)準(zhǔn)件的三維尺寸與各個(gè)位置的精確數(shù)據(jù)，給予曲面處理并最終加工成型。目前，CCD光電器件發(fā)展非常迅速，可以基于三角法對(duì)零件表面輪廓進(jìn)行快速的視覺測(cè)量，由激光穿過而產(chǎn)生的條紋結(jié)構(gòu)光輝投射到零件表面，基于零件表面因深度、曲率不同而形成的條紋，由CCD攝像機(jī)來獲得條紋的變化，計(jì)算機(jī)將圖像信息轉(zhuǎn)變?yōu)槟M信號(hào)，再將模擬信號(hào)轉(zhuǎn)變?yōu)閿?shù)字信號(hào)，最后將信號(hào)還原至圖像處理系統(tǒng)中，獲得三維輪廓圖像。

（三）應(yīng)用方向之三——自動(dòng)焊接機(jī)器人

自動(dòng)焊接機(jī)器人是機(jī)械制造自動(dòng)化發(fā)展到一定程度的產(chǎn)物，在機(jī)器人身上安裝紅外攝像儀與CCD攝像機(jī)可以使其具有視覺功能，機(jī)器人內(nèi)部安裝有模擬工人生產(chǎn)行為模式的人工智能，再加上視覺感知功能，可以在搶弧光與飛濺條件下完成人工無(wú)法進(jìn)行的焊接操作。當(dāng)然，這一方向的應(yīng)用在我國(guó)目前較為少見，受技術(shù)所限，我國(guó)在焊接精度上依然難以得到保證。

結(jié)語(yǔ)

本文首先介紹了機(jī)器視覺技術(shù)的概念與特點(diǎn)，隨后介紹了機(jī)器視覺技術(shù)在機(jī)械制造自動(dòng)化領(lǐng)域的三大應(yīng)用方向，旨在點(diǎn)明機(jī)器視覺技術(shù)的美好發(fā)展前景，使機(jī)器視覺技術(shù)得以在機(jī)械制造自動(dòng)化領(lǐng)域得到更加廣泛的應(yīng)用。

參考文獻(xiàn) 

[1] 何勇，孫釗，李華廈.機(jī)器視覺技術(shù)及其在機(jī)械制造自動(dòng)化中的應(yīng)用[J].黑龍江科技信息，2016，（24）. 

[2] 楊剛.機(jī)器視覺技術(shù)及其在機(jī)械制造自動(dòng)化中的應(yīng)用分析[J].科技創(chuàng)新與應(yīng)用，2015，（24）. 

[3] 吳繼方.淺談機(jī)器視覺技術(shù)在自動(dòng)化制造業(yè)中的應(yīng)用[J].山東工業(yè)技術(shù)，2016（11）. 

[4] 王暉.機(jī)器視覺技術(shù)及其在機(jī)械制造自動(dòng)化中的應(yīng)用分析[J].黑龍江科技信息，2017（11）. 

第2篇：機(jī)器視覺概念范文

關(guān)鍵詞 學(xué)科交叉教學(xué) 應(yīng)用數(shù)學(xué) 機(jī)器視覺

中圖分類號(hào)：G643.0 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.16400/ki.kjdkz.2015.12.016

Abstract Interdisciplinary teaching is teaching model advocated by most schools， graduate students for cultivating compound talents can promote. In this paper， "Applied Mathematics" teaching in machine vision applications courses for example， by building cross-disciplinary courseware and experimental platform to build， will dull mathematical theory and practical application together. In theory study， to enhance engineering practice ability， innovation ability of students.

Key words interdisciplinary teaching； applied mathematics； machine vision

0 前言

21世紀(jì)是世界經(jīng)濟(jì)、文化、科技迅猛發(fā)展的時(shí)期，由此派生了一系列復(fù)雜的問題，所以需要的人才也是復(fù)合型的人才。交叉學(xué)科教學(xué)是教育部提出的深化研究生教育改革的意見，鼓勵(lì)多學(xué)科交叉培養(yǎng)可以拓寬學(xué)術(shù)視野，激發(fā)創(chuàng)新思維。

國(guó)內(nèi)的國(guó)防科技大學(xué)，以“微機(jī)電系統(tǒng)分析與設(shè)計(jì)”課程為例，分析了交叉學(xué)科研究生課程的特點(diǎn)，并從基礎(chǔ)知識(shí)教學(xué)、專題研討和實(shí)踐能力等進(jìn)行了教學(xué)方法的探索與實(shí)踐。①南京航空航天大學(xué)開展了交叉學(xué)科課程教學(xué)方法的研究，積極引導(dǎo)研究生探索和主動(dòng)學(xué)習(xí)，促進(jìn)其思維發(fā)散。②美國(guó)政府頒布了新修訂的學(xué)科目錄，交叉學(xué)科的數(shù)量從1985年的9個(gè)增至2000年的21個(gè)，反映出美國(guó)增設(shè)交叉學(xué)科專業(yè)，加大學(xué)科交叉人才培養(yǎng)力度的趨勢(shì)。③

機(jī)器視覺是一門多學(xué)科交叉的課程，涉及到應(yīng)用數(shù)學(xué)、光學(xué)、圖像處理等相關(guān)內(nèi)容。這門課程中的數(shù)學(xué)應(yīng)用頗多，并且涉及到的算法抽象，概念較多，學(xué)習(xí)后并不具備實(shí)際的應(yīng)用能力。由于大多數(shù)應(yīng)用數(shù)學(xué)的算法可以以圖像處理的形式表現(xiàn)出來，為此，研究了一種基于機(jī)器視覺設(shè)備的計(jì)算機(jī)應(yīng)用數(shù)學(xué)基礎(chǔ)試驗(yàn)教學(xué)方法，將枯燥的數(shù)學(xué)理論與實(shí)踐應(yīng)用結(jié)合起來，使得學(xué)生可以在理論學(xué)習(xí)過程中，了解每個(gè)數(shù)學(xué)理論的實(shí)際應(yīng)用效果，應(yīng)用到研究生的創(chuàng)新實(shí)驗(yàn)中，提升學(xué)生的學(xué)習(xí)興趣和主動(dòng)性。

1 教學(xué)課件的主要構(gòu)成

該系統(tǒng)教學(xué)課件是根據(jù)作者前期國(guó)家自然科學(xué)基金研究成果和多年教學(xué)經(jīng)驗(yàn)總結(jié)的軟硬件結(jié)合的系統(tǒng)，④軟件主要包括：數(shù)學(xué)基礎(chǔ)課件模塊，曲線繪圖構(gòu)件，程序開發(fā)環(huán)境。硬件主要包括：計(jì)算機(jī)、圖像采集與光源，運(yùn)動(dòng)控制機(jī)構(gòu)。

1.1 硬件系統(tǒng)組成

1.1.1 工業(yè)攝像機(jī)和投射光源

為了進(jìn)行更好的圖像采集，系統(tǒng)采用了畸變率較小的工業(yè)攝像機(jī)和工業(yè)鏡頭。工業(yè)攝像機(jī)采用千兆以太網(wǎng)技術(shù)，通過TCP/IP 技術(shù)完成圖像的傳輸和采集。 攝像機(jī)的驅(qū)動(dòng)開發(fā)成可以直接使用的課件模塊，可以直接進(jìn)行數(shù)字圖像采集。以雙目攝像機(jī)為中心建立了一個(gè)世界坐標(biāo)系，坐標(biāo)系的參數(shù)已經(jīng)經(jīng)過系統(tǒng)自動(dòng)標(biāo)定。

數(shù)字圖像采用1280？024 pixel的分辨率，在這種分辨率下，圖像可以將比較復(fù)雜的函數(shù)離散化表示出來。

投影光源采用DLP技術(shù)的LED投影光源，該光源可以通過程序設(shè)計(jì)投射出彩色圖像和黑白圖像，投射圖像可以投射出預(yù)訂的光強(qiáng)變化函數(shù)，如圖1所示。

1.1.2 運(yùn)動(dòng)控制系統(tǒng)

運(yùn)動(dòng)控制結(jié)構(gòu)包括平移臺(tái)和轉(zhuǎn)臺(tái)，主要用于提供坐標(biāo)的旋轉(zhuǎn)、平移和坐標(biāo)變換。系統(tǒng)通過步進(jìn)電機(jī)和脈沖發(fā)生控制來完成，上位機(jī)通過RS-232與控制器進(jìn)行連接。

1.2軟件結(jié)構(gòu)

系統(tǒng)的軟件由以下幾個(gè)部分構(gòu)成：

操作系統(tǒng)：Windows操作系統(tǒng)

程序開發(fā)環(huán)境：VISUAL STUDIO 2008

三維顯示與接口：基于OPENGL開發(fā)的三維顯示接口控件。

教學(xué)基本課件：自行開發(fā)的基本插值方法、向量空間演示、矩陣運(yùn)算等基本課件。

應(yīng)用開放接口：圖像處理中的最常用二值化、閾值分割、邊緣提取、特征匹配等，還包括攝像機(jī)的自標(biāo)定、采集、光源投射等。

根據(jù)以上軟件的開放接口，利用已經(jīng)設(shè)計(jì)好的程序和算法，可完成對(duì)圖像的初步處理作業(yè)。

2教學(xué)課件的搭建

根據(jù)搭建的教學(xué)平臺(tái)可以組成多種教學(xué)課件，根據(jù)我們常用的實(shí)驗(yàn)方式，完成幾種常用的應(yīng)用數(shù)學(xué)課程的教學(xué)：

2.1應(yīng)用機(jī)器視覺進(jìn)行矩陣運(yùn)算教學(xué)

矩陣運(yùn)算在機(jī)器視覺中應(yīng)用最為廣泛，較為典型的就是攝像機(jī)的標(biāo)定的旋轉(zhuǎn)平移矩陣，物空間到像空間的變換矩陣和坐標(biāo)變換矩陣。

在矩陣運(yùn)算中，基本的物空間到像空間旋轉(zhuǎn)平移矩陣如公式（1）所示：

= + （1）

旋轉(zhuǎn)矩陣R為一個(gè)3？的矩陣，平移矩陣T為3？的向量，通過對(duì)簡(jiǎn)單的旋轉(zhuǎn)平移矩陣的計(jì)算，驗(yàn)證坐標(biāo)轉(zhuǎn)換關(guān)系。利用攝像機(jī)的三自由度調(diào)節(jié)云臺(tái)，在三個(gè)方向上給出已知的旋轉(zhuǎn)角度，求出實(shí)際的旋轉(zhuǎn)平移矩陣。經(jīng)過這個(gè)教學(xué)，同學(xué)們理解了矩陣運(yùn)算的應(yīng)用領(lǐng)域，也對(duì)矩陣運(yùn)算有了深刻的印象。

2.2賦范線性空間的教學(xué)

應(yīng)用數(shù)學(xué)基礎(chǔ)教學(xué)中最為枯燥的就是賦范線性空間，而圖像處理和三維點(diǎn)陣的處理可以為賦范線性空間提供一個(gè)非常好的實(shí)例。

如圖2所示，由教師在機(jī)器視覺系統(tǒng)中給出一個(gè)含有帶有空間坐標(biāo)信息的三維點(diǎn)陣，這個(gè)三維點(diǎn)陣是實(shí)測(cè)的一位教師的手指尖的三維點(diǎn)云圖。該點(diǎn)陣的每一個(gè)點(diǎn)都帶有的三維坐標(biāo)以及灰度信息。另外，三維點(diǎn)陣還存在一些測(cè)量的噪聲，一些較小的孤立點(diǎn)集。

這個(gè)教學(xué)課件主要通過學(xué)習(xí)如何去除點(diǎn)云的噪聲來學(xué)習(xí)賦范線性空間。教師首先通過設(shè)計(jì)好的軟件來顯示距離、范數(shù)、度量、開集、收斂等一系列概念，由同學(xué)們根據(jù)點(diǎn)云之間的性質(zhì)，判斷出開集、閉集，從而通過編寫程序判斷出噪聲點(diǎn)和孤立點(diǎn)群并加以去除，理解有界賦范線性空間等概念。

3 結(jié)論

通過機(jī)器視覺這門課程的教學(xué)，很好的將應(yīng)用數(shù)學(xué)基礎(chǔ)中枯燥的概念轉(zhuǎn)換為生動(dòng)的實(shí)例，并具有較強(qiáng)的程序?qū)崿F(xiàn)性。較之傳統(tǒng)的學(xué)習(xí)方法，提高了學(xué)生的興趣。此教學(xué)方法理論與實(shí)踐相結(jié)合，是響應(yīng)國(guó)家“卓越計(jì)劃”的教學(xué)改革新方法。不但可應(yīng)用于本科生、研究生的教學(xué)過程中，也可應(yīng)用到教師的科學(xué)實(shí)驗(yàn)中。

基金項(xiàng)目：國(guó)家自然科學(xué)基金《單目高精度大型物體彩色三維數(shù)字化測(cè)量原理研究》（編號(hào)：60808020）和《基于視覺的織物疵點(diǎn)三維檢測(cè)和三維識(shí)別原理研究》（編號(hào)：61078041）

注釋

① 肖定邦，辛華，吳學(xué)忠等.交叉學(xué)科研究生課程教學(xué)的探索與實(shí)踐[J].高等教育研究學(xué)報(bào)，2012.3：115-117.

② 李修建，孔迪，劉菊，等.注重學(xué)科交叉融合 實(shí)現(xiàn)個(gè)性化教學(xué)[J].學(xué)位與研究生教育，2014.5：24-27.

第3篇：機(jī)器視覺概念范文

關(guān)鍵字：計(jì)算機(jī)視覺；作物病害診斷；進(jìn)展；模式識(shí)別

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)號(hào)：A 文章編號(hào)：2095-2163（2015）02-

The Research Development of Computer Vision in the Plant Disease Diagnosis

PU Yongxian

（Computer Science Dept .Dehong Teachers'college， Dehong Yunnan 678400， China）

Abstract： according to the statistics， crop yield loss caused by disease in more than 12% on average， disease occurs not only affect the production， also decreased the quality of the product. Research by computer vision technology realizes fast and accurate diagnosis of crop disease， and provides scientific basis for disease prevention and control， which is the urgent demand of agricultural informatization development. Articles on computer vision technology is applied to the crop disease diagnosis has carried on the detailed analysis and research， in order to get these new technologies in the current situation of crop disease diagnosis each link， points out the shortages of computer vision in the diagnosis of crop diseases and research direction. The study on the development of crop disease intelligent detection technology will play an important role.

Key words：Computer Vision； Crop Disease Diagnosis； Progress； Pattern Recognition

0引言

在作物生產(chǎn)中，病害是制約作物質(zhì)與量的重要因素。病害發(fā)生，往往致使作物的使用價(jià)值降低，甚至還會(huì)導(dǎo)致大面積減產(chǎn)，乃至絕收，造成巨大的經(jīng)濟(jì)損失。因此，在作物生長(zhǎng)過程中，病害防治是個(gè)關(guān)鍵的問題之一。因各種原因植保人員匱乏，而種植戶個(gè)體素質(zhì)差異及受一些主觀人為因素的影響，對(duì)作物病害診斷存在主觀性、局限性、模糊性等，不能對(duì)作物病害的類型及受害程度做出客觀、定量的分析與判斷，結(jié)果要么是藥量不對(duì)、要么是藥不對(duì)癥，嚴(yán)重影響了作物的質(zhì)與量。

計(jì)算機(jī)視覺也稱為機(jī)器視覺，是研究如何用計(jì)算機(jī)來模擬和再現(xiàn)人類視覺功能的科學(xué)，也被稱為圖像理解和圖像分析，是人工智能領(lǐng)域的一個(gè)重要分支。隨著計(jì)算機(jī)技術(shù)、圖像處理和人工智能等學(xué)科的發(fā)展，以及數(shù)碼相機(jī)、手機(jī)等攝像工具像素的提高，將機(jī)器視覺用于作物病害診斷，實(shí)現(xiàn)作物病害的無(wú)損檢測(cè)、快速診斷提供了新的途徑和方法[1]。報(bào)道最早的是在1989年穗波信雄等人[2]對(duì)采集的缺乏鈣、鐵、鎂營(yíng)養(yǎng)元素的茨菇葉片圖像進(jìn)行研究，在RGB模型中，利用直方圖分析了正常和病態(tài)的顏色特征。為適應(yīng)農(nóng)業(yè)信息化的迫切需求，國(guó)內(nèi)外學(xué)者對(duì)機(jī)器視覺用于作物病害診斷進(jìn)行了研究和實(shí)踐，而取得進(jìn)展主要集中在近10年，涉及的作物有水稻、玉米、小麥、葡萄、黃瓜、甘蔗、蔬菜等病害[3-14]，這些研究針對(duì)不同作物，從不同側(cè)面為作物病害實(shí)現(xiàn)自動(dòng)化診斷提供了理論和實(shí)踐基礎(chǔ)。因機(jī)器視覺比人眼能更早發(fā)現(xiàn)作物因病蟲危害所表現(xiàn)的顏色、紋理、形狀等細(xì)微變化，所以利用這種技術(shù)病害病害與人工方式相比，提高了診斷的效率和精準(zhǔn)度，為作物保護(hù)智能化、變量噴藥等提供了科學(xué)依據(jù)。

本文綜述和歸納了機(jī)器視覺診斷作物病害的主要技術(shù)：病害圖像采集、增強(qiáng)處理、病斑分割、特征提取、特征優(yōu)化、病害識(shí)別等各環(huán)節(jié)的方法及現(xiàn)狀，指出了機(jī)器視覺診斷作物病害存在的不足和研究方向。該研究對(duì)實(shí)現(xiàn)作物病害的機(jī)器視覺診斷技術(shù)的發(fā)展將起到重要的推動(dòng)作用。

1機(jī)器視覺識(shí)別作物病害的技術(shù)路線與進(jìn)展

作物病害因其病原物種類不同會(huì)產(chǎn)生形狀、顏色、紋理等不同的病斑，通常專業(yè)植保技術(shù)人員就是根據(jù)這些特征判斷病害的。機(jī)器視覺診斷作物病害是通過無(wú)損采集病害圖像，利用圖像處理技術(shù)對(duì)圖像增強(qiáng)處理、分割病斑，提取病斑特征、優(yōu)化特征，用模式識(shí)別技術(shù)診斷病害類別及危害程度，從而為病害的防治提供科學(xué)依據(jù)。圖1為機(jī)器視覺診斷作物病害的技術(shù)路線圖。

圖1機(jī)器視覺識(shí)別作物病害技術(shù)路線圖

Fig 1 Technology roadmap of machine vision recognition crop diseases

1.1病害圖像采集與增強(qiáng)處理

（1）病害圖像采集方法。圖像采集是病害識(shí)別的第一步，采集的質(zhì)量會(huì)直接影響識(shí)別結(jié)果。常用采集設(shè)備有數(shù)碼攝像機(jī)、掃描儀、數(shù)碼相機(jī)、手機(jī)等。其中，數(shù)碼相機(jī)便于攜帶，能滿足圖像清晰度要求，符合野外作業(yè)等特點(diǎn)，因此病害圖像采集中用得較多。依據(jù)采集環(huán)境氛圍分為室內(nèi)采集和室外（田間）采集兩種。室內(nèi)采集是將田間采摘到的病害標(biāo)本經(jīng)密封保濕后使用CCD攝像機(jī)或數(shù)碼相機(jī)在室內(nèi)攝取病害的標(biāo)本圖像。在田間采集圖像中，有學(xué)者為了采集到高質(zhì)量的圖像，采取了一系列措施以減少外界因素的影響。如陳佳娟[5]采用便攜式掃描儀采集圖像，以減少自然光照對(duì)圖像質(zhì)量的影響。徐貴力等人[6]設(shè)計(jì)了活體采光箱，使照射光變成反射光，從而避免了陰影，以減少誤差。這種規(guī)范圖像采集方式雖簡(jiǎn)化了后期圖像處理和識(shí)別的難度，但基層生產(chǎn)單位可能缺乏配套的技術(shù)設(shè)備，且會(huì)使病害識(shí)別過度依賴圖像。為擴(kuò)展應(yīng)用范圍和通用性，有學(xué)者對(duì)在田間自然光照射下直接獲取的病害圖像，用圖像處理和模式識(shí)別技術(shù)診斷病害進(jìn)行了研究，如李宗儒[7]用手機(jī)拍攝了蘋果的圓斑病、花葉病等5種病害圖像，對(duì)病害圖像增強(qiáng)處理、分割病斑，提取病斑特征，用BP神經(jīng)網(wǎng)絡(luò)識(shí)別病害，獲得了較好效果。姜武[8]用Canon EOS 50D相機(jī)在陽(yáng)光充足的早晨拍攝山茶葉片圖像，進(jìn)行顏色分形和RGB強(qiáng)度值提取，用支持向量機(jī)對(duì)山茶分類識(shí)別，取得了較好效果。

（2）圖像增強(qiáng)方法。在采集圖像過程中，因受設(shè)備、環(huán)境等因素影響，往往使采集到的圖像含有噪聲，若不對(duì)其增強(qiáng)處理會(huì)影響到病害的正確識(shí)別率。病害圖像增強(qiáng)是為病斑分割，特征提取做準(zhǔn)備，所以應(yīng)確保在去除噪聲的同時(shí)，保證病斑邊緣不模糊。圖像增強(qiáng)處理根據(jù)其處理的空間不同，分為空域法和頻域法?？沼蚍ㄊ菍?duì)圖像本身直接進(jìn)行濾波操作，而頻域法是對(duì)圖像進(jìn)行轉(zhuǎn)化，將其轉(zhuǎn)化到頻率域中去噪處理，之后再還原到圖像的空間域。圖像增強(qiáng)處理常用方法有：直方圖均衡化、對(duì)比度增強(qiáng)、均值濾波、中值濾波、高斯濾波、銳化等。王靜[9]利用數(shù)碼相機(jī)采集了赤星病與野火病兩種病害圖像80幅，采用灰度圖像直方圖均衡化及中值濾波兩種方法對(duì)圖像增強(qiáng)處理，實(shí)驗(yàn)表明，中值濾波去噪效果最好，在保留圖像病斑邊緣信息的同時(shí)，使病斑輪廓與細(xì)節(jié)更加清晰，便于后期病斑分割及特征提取。劉芝京[10]采集黃瓜早、中、晚期的角斑病病害圖像，分別用均值濾波、中值濾波、高斯濾波等對(duì)圖像處理，實(shí)驗(yàn)表明這些去噪方法中，高斯濾波效果最好。

1.2病斑特征獲取

（1）病斑分割

計(jì)算機(jī)視覺主要是依據(jù)病斑的特征信息診斷病害類別及危害程度的。因此，彩色病斑的準(zhǔn)確分割，是后期提取病斑特征，病害類別的客觀、準(zhǔn)確診斷的關(guān)鍵環(huán)節(jié)之一。當(dāng)前針對(duì)作物病害圖像分割算法有閾值分割、空間聚類、區(qū)域分割、邊緣檢測(cè)分割、計(jì)算智能方法等。由于作物病害圖像存在背景復(fù)雜、病斑區(qū)域排列無(wú)序、顏色、紋理分布不均、病斑邊界模糊、葉片表面紋理噪聲等干擾，因此尚無(wú)一種魯棒性好，且簡(jiǎn)單適用的通用方法，也還沒有一種判斷分割是否成功的客觀標(biāo)準(zhǔn)。近年來學(xué)者們對(duì)作物病害圖像的分割進(jìn)行了大量研究，試圖尋找一種更具潛力的分割算法，以期獲得更完美，通用的分割方法。趙進(jìn)輝等人[11]分析了甘蔗病害圖像的顏色與形狀特征，采用面積閾值及鏈碼分割赤腐病和環(huán)斑病病斑，收到了較好的效果。管澤鑫等人[12]提取水稻病斑與斑點(diǎn)外輪廓顏色，用最大類間方差法（Otsu[13]）分割病斑，取得了較好的效果。邵慶等人[14]以小麥條銹病為例，對(duì)獲取的小麥病害圖像采用迭代閾值分割和微分邊緣檢測(cè)分割病斑。溫長(zhǎng)吉等人[15].用改進(jìn)蜂群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)玉米病害圖像分割。祁廣云等[16]采用改進(jìn)的遺傳算法及BP神經(jīng)網(wǎng)絡(luò)對(duì)大豆葉片病斑分割，能有效提取病斑區(qū)域。毛罕平等人[17-18]利用模糊C均值聚類對(duì)棉花、玉米病害圖像的病斑進(jìn)行分割。張飛云[19]采用K-means硬聚類算法對(duì)玉米葉部病害圖像分割，得到彩色病斑。張芳、仁玉剛[20-21]用采分水嶺算法分割黃瓜病害圖像，正確率均在90%以上。劉立波[22]對(duì)水稻葉部病害圖像的分割進(jìn)行研究，結(jié)果證明，模糊C均值聚類法的分割效果較好，但速度欠佳，Otsu法分割效果略差，但速度較快。濮永仙[23]利用支持向量機(jī)檢測(cè)煙草病斑邊緣，以分割彩色病斑。石鳳梅等人[24]利用支持向量機(jī)分割水稻稻瘟病彩色圖像病斑，其分割效果優(yōu)于Otsu法。

（2）病斑特征提取

計(jì)算機(jī)視覺識(shí)別作物病害用到的特征主要有顏色、紋理、形狀等特征。顏色是區(qū)分病害類別的重要特征，有RGB、HSI、Lab、YUV等7種顏色空間模型，可得到顏色特征值和顏色特征差異，而模型的選擇會(huì)影響到病害識(shí)別效果。紋理是指圖像中反復(fù)出現(xiàn)的局部模式及排列規(guī)則。作物病害圖像正常與病變部分的紋理在粗細(xì)、走向上有較大差異。紋理特征有基于灰度直方圖的統(tǒng)計(jì)測(cè)度，基于灰度共生矩陣的紋理特征和基于游程的紋理描述特征。提取紋理特征的方法有分形維數(shù)、小波變換、Gabor小波變換、局域二值模式，以及Gabor分塊局域二值模式方法等。形狀常與目標(biāo)聯(lián)系在一起，形狀特征可以看作是比顏色和紋理更高層的特征，它能直觀描述目標(biāo)和背景之間的區(qū)別，不同病害的病斑在尺寸大小、似圓性、長(zhǎng)短軸等方面有不同特性，對(duì)旋轉(zhuǎn)、平移有很強(qiáng)的穩(wěn)定性。提取病斑形狀特征的方法有弗里曼鏈碼法，傅里葉描述子，多尺度曲率空間方法等。王美麗等人[25] 在HSV顏色空間提取小麥白粉病和銹病病害圖像的顏色和形狀特征，對(duì)病害進(jìn)行識(shí)別，識(shí)別率達(dá)96%以上。蔡清等人[26]對(duì)蟲食菜葉圖像處理后，提取其形狀的圓形度、復(fù)雜度、球形度等7個(gè)特征，用BP神經(jīng)網(wǎng)絡(luò)識(shí)別病害。王克如[27]提取玉米病害圖像中紋理特征的能量、熵及慣性矩作為識(shí)別病害的特征，實(shí)驗(yàn)得出，以單個(gè)特征識(shí)別正確識(shí)別率達(dá)90%，綜合應(yīng)用三個(gè)紋理特征，識(shí)別率達(dá)100%。田有文等人[28]提取葡萄葉部病斑的顏色、紋理、形狀特征，用支持向量機(jī)識(shí)別，實(shí)驗(yàn)表明，綜合應(yīng)用三種特征的識(shí)別率比只用單一特征的識(shí)別高。李旺[29]以黃瓜葉部3種常見病害圖像為研究對(duì)象，提取病斑顏色、紋理和形態(tài)特征總共14個(gè)特征，用支持向量機(jī)識(shí)別，實(shí)驗(yàn)表明，分別以顏色、紋理、形狀特征識(shí)別，識(shí)別率分別為72.23%、90.70%、90.24%，綜合3種特征識(shí)別率為96.00%。

（3）特征優(yōu)化

特征優(yōu)化是指在特征提取完成后，將特征因子中對(duì)識(shí)別病害貢獻(xiàn)低的因子丟棄，以確保在降低特征維度的同時(shí)，能提高病害的識(shí)別率。常用的特征優(yōu)化方法有：逐步判別法、主成分分析法、遺傳算法等。實(shí)踐證明，優(yōu)化后的特征能更好的表征病害，能在特征減少的情況下提高診斷的正確率。管澤鑫等人[12]提取水稻3種常見病害圖像的形態(tài)、顏色、紋理共63個(gè)特征，用逐步判別法對(duì)特征優(yōu)化，用貝葉斯判別法識(shí)別病害，可使特征數(shù)減少到原來的35.2%，而病害準(zhǔn)確識(shí)別率達(dá)97.2%。柴洋等人[30]提取了番茄早疫病、晚疫病等4種葉部病害圖像的顏色、紋理和形狀共18個(gè)特征，用逐步判別法優(yōu)化，最終選取12個(gè)特征，用主成分優(yōu)化后綜合成2個(gè)新變量，分別用貝葉斯判別法和用費(fèi)歇爾判別函數(shù)識(shí)別病害，均取得了較好的效果。陳麗等人[31]提取了玉米5種葉部病害圖像病斑特征，用遺傳算法優(yōu)化特征，用概率神經(jīng)網(wǎng)絡(luò)識(shí)別病害，識(shí)別率為90.4%。彭占武[32]提取了黃瓜6種常見病害圖像的顏色、紋理、形狀特征14個(gè)，用遺傳算法優(yōu)化得到8個(gè)特征，用模糊識(shí)別模式識(shí)別病害，其識(shí)別率達(dá)93.3%。濮永仙[33]提取了煙草常見病害圖像的顏色、紋理及形態(tài)共26個(gè)特征，用雙編碼遺傳算法與支持向量機(jī)結(jié)合優(yōu)化特征，最后得到16個(gè)特征，該方法與沒有采用遺傳算法的支持向量機(jī)識(shí)別相比，在同等條件下，特征向量減少了38%，正確率提高了6.29%。所謂雙編碼遺傳算法，即二進(jìn)制編碼和實(shí)數(shù)編碼結(jié)合，支持向量機(jī)作為底層分類器，分類精度作為遺傳算法的適應(yīng)度對(duì)個(gè)體進(jìn)行評(píng)估，在去除冗余特征的同時(shí)為保留的特征賦予權(quán)重，如圖2所示。韓瑞珍[34]提取了害蟲的顏色、紋理特征共35個(gè)，用蟻群算法對(duì)特征優(yōu)化，將35個(gè)特征降低到29個(gè)，識(shí)別準(zhǔn)確率從87.4%提高到89.5%。

圖2雙編碼遺傳算法中的個(gè)體

Fig 2 Individual in the double coding genetic algorithm

1.3病害模式識(shí)別

模式識(shí)別也叫模式分類，指依據(jù)輸入的原始數(shù)據(jù)，判斷其類別并采取相應(yīng)的行為[35]。病害模式識(shí)別的任務(wù)是依據(jù)特征數(shù)據(jù)由分類器完成分類的，分類器設(shè)計(jì)和特征描述共同決定了模式識(shí)別系統(tǒng)的性能。用于病害識(shí)別的模式可分為統(tǒng)計(jì)模式、句法結(jié)構(gòu)模式、模糊模式和機(jī)器學(xué)習(xí)方法四類。其中，統(tǒng)計(jì)模式識(shí)別是用概率統(tǒng)計(jì)原理，獲取滿足某種已知分布的特征向量，然后通過決策函數(shù)來分類，不同的決策函數(shù)能夠產(chǎn)生不同的分類方法。常見的統(tǒng)計(jì)模式識(shí)別方法有兩種：一是由Neyman決策和貝葉斯決策等構(gòu)成的基于似然函數(shù)的分類方法，另一種是基于距離函數(shù)的分類識(shí)別方法。模糊模式識(shí)別是基于模糊理論利用模糊信息進(jìn)行模糊分類的，主要方法有最大隸屬原則識(shí)別法、接近原則識(shí)別法和模糊聚類分析法三種。機(jī)器學(xué)習(xí)指計(jì)算機(jī)模擬或者實(shí)現(xiàn)人類的某些行為，它的應(yīng)用已涉及很多領(lǐng)域。目前常用于作物病害識(shí)別的機(jī)器學(xué)習(xí)方法有人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（SVM）、移動(dòng)中心超球分類器等。其中，支持向量機(jī)分類器是目前機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)之一，它能夠較好地解決小樣本、非線性、高維數(shù)的分類問題，且具有良好的推廣和泛化能力。神經(jīng)網(wǎng)絡(luò)是基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則，以訓(xùn)練誤差最小化為優(yōu)化目標(biāo)，而SVM以訓(xùn)練誤差作為優(yōu)化問題的約束條件，以置信范圍最小化為優(yōu)化目標(biāo)，所以SVM的解具有唯一性，也是全局最優(yōu)[36]。移動(dòng)中心超球分類器是近年來新提出的一種分類器，它是一種對(duì)參考樣本進(jìn)行壓縮的方法，可以節(jié)省空間，但其識(shí)別率不如人工神經(jīng)網(wǎng)絡(luò)高。以下是在作物病害診斷中較成功的幾種識(shí)別模式及技術(shù)進(jìn)展。

1.3.1 貝葉斯判斷法

貝葉斯判別法是一種典型的基于統(tǒng)計(jì)方法的分類器。它的基本原理是將代表模式的特征向量X分到m個(gè)類別（C1，C2，…，Cm）中的某一類。操作步驟為：

（1）設(shè)樣本有n個(gè)屬性（W1，W2，…Wn），每個(gè)樣本可看作是n維空間的一個(gè)點(diǎn)X=（x1，x2，…，xn）；

（2）設(shè)有m個(gè)不同的類（C1，C2，…，Cm），X是一個(gè)未知類別的樣本，預(yù)測(cè)X的類別為后驗(yàn)概率最大的那個(gè)類別；3）用貝葉斯后驗(yàn)概率公式計(jì)算，并進(jìn)行比較，依據(jù)后驗(yàn)概率可將樣本X歸到Ci類中，當(dāng)且僅當(dāng)>，成立。貝葉斯分類器因其結(jié)構(gòu)簡(jiǎn)單、易于擴(kuò)展等特點(diǎn)，被廣泛用于作物病害診斷。楊昕薇等人[37]對(duì)3種寒地水稻常見病害圖像處理、提取特征，用貝葉斯判別法識(shí)別病害，其識(shí)別率達(dá)97.5%。趙玉霞等人[38]提取玉米銹病、灰斑病等5種病斑圖像的特征，利用樸素貝葉斯分類器識(shí)別，其識(shí)別精度在83%以上。柴阿麗等人[39]提取了番茄早疫病、晚疫病等4種葉部病害圖像病斑的顏色、紋理和形狀特征，優(yōu)化特征后，用貝葉斯判別法識(shí)別病害，其識(shí)別率達(dá)94.71%。

1.3.2 人工神經(jīng)網(wǎng)絡(luò)識(shí)別法

神經(jīng)網(wǎng)絡(luò)技術(shù)是目前廣泛使用的一種機(jī)器學(xué)習(xí)方法，其研究工作始于19世紀(jì)末20世紀(jì)初[40]，因具有并行處理、非線性映射、自適應(yīng)學(xué)習(xí)、魯棒容錯(cuò)性等優(yōu)點(diǎn)，以及采用數(shù)據(jù)驅(qū)動(dòng)模式，故在模式識(shí)別領(lǐng)域得到廣泛應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)診斷作物病害的基本步驟是：構(gòu)建神經(jīng)網(wǎng)絡(luò)識(shí)別模型，將已提取并優(yōu)化好的病害圖像特征數(shù)據(jù)作為分類器的輸入特征矢量對(duì)模型訓(xùn)練，經(jīng)過訓(xùn)練后的模型可實(shí)現(xiàn)作物病害的分類識(shí)別。目前應(yīng)用于作物病害識(shí)別的人工神經(jīng)網(wǎng)絡(luò)主要有：BP神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、自組織特征映射網(wǎng)絡(luò)，并衍生出模糊神經(jīng)網(wǎng)絡(luò)、量子神經(jīng)網(wǎng)絡(luò)等。BP神經(jīng)網(wǎng)絡(luò)具有較好的自學(xué)習(xí)性、自適應(yīng)性、魯棒性和泛化性。概率神經(jīng)網(wǎng)絡(luò)是徑向基網(wǎng)絡(luò)的一個(gè)重要分支，其分類器是一種有監(jiān)督的網(wǎng)絡(luò)分類器，在識(shí)別過程中隨著訓(xùn)練病害種類的增加[41]，其運(yùn)算速度會(huì)減慢。自組織特征映射網(wǎng)絡(luò)分類器是于1981年提出的一種由全連接的神經(jīng)元陣列組成的自組織自學(xué)習(xí)網(wǎng)絡(luò)[42]，可以直接或間接地完成數(shù)據(jù)壓縮、概念表示和分類的任務(wù)，多項(xiàng)實(shí)驗(yàn)表明它的病害圖像識(shí)別率都在90%以上。模糊神經(jīng)網(wǎng)絡(luò)是模糊理論同神經(jīng)網(wǎng)絡(luò)相結(jié)合的產(chǎn)物，它匯集了神經(jīng)網(wǎng)絡(luò)與模糊理論的優(yōu)點(diǎn)，集學(xué)習(xí)、聯(lián)想、識(shí)別、信息處理于一體。量子神經(jīng)網(wǎng)絡(luò)是量子計(jì)算理論和人工神經(jīng)網(wǎng)絡(luò)結(jié)合的產(chǎn)物，并集成了兩者的優(yōu)點(diǎn)。王軍英[43]以葡萄發(fā)病部位、病斑形狀、病斑顏色和主要癥狀為特征，用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)識(shí)別病害，識(shí)別率達(dá)95.36%。譚克竹等人[44]用BP神經(jīng)網(wǎng)絡(luò)識(shí)別大豆的灰斑病、霜霉病和斑點(diǎn)病的特征與病害的關(guān)系，其輕度病害的識(shí)別精度為87.19%，中度病害的識(shí)別精度為90.31%，重度病害的識(shí)別精度為93.13%。魏清鳳等人[45]利用模糊神經(jīng)網(wǎng)絡(luò)診斷模型以診斷蔬菜病害，其病害識(shí)別率達(dá)85.5%。張飛云[19]提取了玉米灰斑病、銹病和小斑病病害圖像的顏色、紋理、形狀特征，用量子神經(jīng)網(wǎng)絡(luò)進(jìn)行病害識(shí)別，其平均識(shí)別率達(dá)94.5%。陳麗等人[31]對(duì)田間采集的玉米葉部病害圖像，對(duì)圖像分割、特征提取，利用概率神經(jīng)網(wǎng)絡(luò)識(shí)別病害，其識(shí)別率為90.4%，同樣條件下高于BP神經(jīng)網(wǎng)絡(luò)。

1.3.3 支持向量機(jī)識(shí)別法

支持向量機(jī)[46]（Support Vector Machine，簡(jiǎn)稱SVM）是Vapnik等人提出的一款新型的機(jī)器學(xué)習(xí)方法。SVM有線性可分和線性不可分兩種情況，采用不同的核函數(shù)會(huì)有不同的SVM 算法。常用的核函數(shù)有：線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)、Sigmoid核函數(shù)等。SVM在基于數(shù)據(jù)的機(jī)器學(xué)習(xí)領(lǐng)域，它兼顧訓(xùn)練誤差和泛化能力，在解決小樣本、非線性、高維數(shù)、局部極小值等模式識(shí)別問題中表現(xiàn)出許多特有的優(yōu)勢(shì)[47-48]，在基于圖像診斷作物病害領(lǐng)域應(yīng)用越來越多。宋凱等人[49]提取了玉米葉部病害圖像特征，選擇基于SVM的不同的核函數(shù)識(shí)別病害，其中徑向基核函數(shù)的正確識(shí)別率為89.6%，多項(xiàng)式核函數(shù)為79.2%，Sigmoid核函數(shù)的識(shí)別性能最差。劉鵬[50]提取甜柿病害圖像的紋理特征和顏色特征采用SVM識(shí)別病害，結(jié)果表明，當(dāng)SVM類型為nu-SVR，核函數(shù)為Sigmoid，參數(shù)C=26、ξ=24時(shí)識(shí)別效果最好。田有文等人[51]用支持向量機(jī)識(shí)別黃瓜病害，實(shí)驗(yàn)表明，SVM方法在處理小樣本問題中具有良好的分類效果，線性核函數(shù)和徑向基核函數(shù)的SVM分類方法在黃瓜病害的識(shí)別方面優(yōu)于其他類型核函數(shù)的SVM。越鮮梅[52]提取了向日葵葉部的葉斑病、黑斑病、霜霉病3種病害圖像的顏色矩、紋理特征共9個(gè)特征，采用一對(duì)一投票決策的SVM多分類模型識(shí)別病害，取得了較好的效果。劉立波[22]提取了水稻常見葉部病害圖像的顏色、紋理、形狀等特征，對(duì)特征優(yōu)化后，分別用最近鄰域、BP神經(jīng)網(wǎng)絡(luò)和SVM方法識(shí)別病害，其中識(shí)別率最高的是SVM，BP神經(jīng)網(wǎng)絡(luò)居中，最近鄰域法最差，BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度最慢。

2機(jī)器視覺識(shí)別作物病害存在的問題與進(jìn)一步研究重點(diǎn)

將計(jì)算機(jī)視覺用于作物病害診斷，以改變傳統(tǒng)的診斷方式，為種植戶準(zhǔn)確診斷病害，以及變量施藥提供了決策支持。目前，計(jì)算機(jī)視覺診斷作物病害雖然取得了一定的進(jìn)展，但從研究的深度、應(yīng)用的范圍和實(shí)用化角度看，還存在許多不足，還需進(jìn)一步深入研究。

2.1機(jī)器視覺診斷作物病害存在的問題

筆者查閱了大量文獻(xiàn)，對(duì)目前常用的機(jī)器視覺識(shí)別作物病害的技術(shù)進(jìn)行了研讀，目前機(jī)器視覺識(shí)別作物病害的技術(shù)還不夠成熟，存在以下問題：

（1）在實(shí)驗(yàn)室條件下計(jì)算機(jī)視覺診斷作物病害正確率高，但應(yīng)用到田間，難度較大，主要原因是大多研究是在簡(jiǎn)單背景下、對(duì)少數(shù)幾種病害圖像診斷，而對(duì)大田復(fù)雜背景下診斷多種病害的研究還比較少。

（2）病害圖像分割背景簡(jiǎn)單，對(duì)于自然狀態(tài)和復(fù)雜背景下的病害圖像分割有待進(jìn)一步的研究。

（3）因作物病斑的大小、顏色等圖像特征在不同時(shí)期有差異，對(duì)于某一發(fā)病時(shí)期建立的作物病害診斷系統(tǒng)，用于不同發(fā)病時(shí)期診斷識(shí)別率會(huì)有所不同。

（4）許多分類算法和分類器都存在各自的優(yōu)缺點(diǎn)，不能適合所有作物病害識(shí)別，沒有統(tǒng)一的評(píng)價(jià)標(biāo)準(zhǔn)，難以實(shí)現(xiàn)各診斷系統(tǒng)之間的客觀比較。

（5）不同研究者使用的病害圖像各不相同，難以比較不同。

（6）機(jī)器視覺診斷作物病還是少數(shù)專家對(duì)某類作物在局部范圍內(nèi)的研究，很難滿足現(xiàn)實(shí)生產(chǎn)的多種作物、不同區(qū)域同時(shí)診斷的要求。

2.2進(jìn)一步研究重點(diǎn)

根據(jù)以上存在的問題，今后的研究方向和重點(diǎn)為：

（1）機(jī)器視覺識(shí)別作物病害技術(shù)從實(shí)驗(yàn)室向大田擴(kuò)展時(shí)，需綜合考慮所提取的病害圖像特征在復(fù)雜背景下的可獲取性、穩(wěn)定性、可操作性等。

（2）機(jī)器視覺診斷作物病害系統(tǒng)應(yīng)充分考慮不同發(fā)病時(shí)期，識(shí)別特征的變化規(guī)律。

（3）研究適合多種作物在復(fù)雜背景下實(shí)現(xiàn)病斑分割、特征提取等高效的圖像處理算法，在模式識(shí)別方面要側(cè)重于模糊數(shù)學(xué)、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、遺傳算法、組合優(yōu)化等理論與技術(shù)的研究。

（4）建立規(guī)范統(tǒng)一的作物病害圖像數(shù)據(jù)庫(kù)，圖像可普遍獲取，建立合理完善的病害分割、特征提取、病害種類識(shí)別等系統(tǒng)，以及病害評(píng)價(jià)標(biāo)準(zhǔn)。

（5）模式識(shí)別病害中的算法需進(jìn)一步發(fā)展和優(yōu)化，建立統(tǒng)一的評(píng)判標(biāo)準(zhǔn)，評(píng)價(jià)方法適合所有的識(shí)別算法和各應(yīng)用領(lǐng)域，采用定量和客觀評(píng)價(jià)準(zhǔn)則，可精確描述算法性能，評(píng)判應(yīng)擺脫人為因素。

參考文獻(xiàn)：

[1]GEORGIEVA K， GEORGIEVA Y， DASKALOV D.Theoretical substantiation of model of system for evaluation a state of vine plants and taking a decision for plant protection activities[J]. Trakia Journal of Sciences （Series Social Sciences），2003，1：30-32.

[2]穗波信雄.圖像處理在植物生長(zhǎng)信息提取中的應(yīng)用[R].日本：農(nóng)業(yè)機(jī)械學(xué)會(huì)關(guān)西支部研究會(huì)資，1992：63-46.

[3]SASAKI Y ， OKAMOTO T. Automatic diagnosis of plantdisease-recognition between healthy and diseased leaf[J]. Journal of the Japanese Society of Agricultural Machinery，1999，61（2）：119-126.

[4]陳佳娟，紀(jì)壽文，李娟，等.采用計(jì)算機(jī)視覺進(jìn)行棉花蟲害程度的自動(dòng)測(cè)定[J].農(nóng)業(yè)工程學(xué)報(bào)，2001，17（2）：157-160.

[5]賈浩.基于計(jì)算機(jī)視覺的玉米葉部病害識(shí)別技術(shù)研究[D]. 泰安：山東農(nóng)業(yè)大學(xué)，2013.

[6]徐貴力，毛罕平，李萍萍，等.差分百分率直方圖法提取缺素葉片紋理特征[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2003，34（2）：76-79.

[7]李宗儒.基于圖像分析的蘋果病害識(shí)別技術(shù)研究[D].楊凌：西北農(nóng)林科技大學(xué)，2010.

[8]姜武.模式識(shí)別技術(shù)在山茶屬植物數(shù)值分類學(xué)和葉綠素含量預(yù)測(cè)中的應(yīng)用研究[D]. 金華：浙江師范大學(xué)，2013.

[9]王靜.基于圖像處理技術(shù)的煙葉病害自動(dòng)識(shí)別研究[D]. 昆明：昆明理工大學(xué)，2009.

[10]劉芝京.基于圖像處理的黃瓜細(xì)菌性角斑病的識(shí)別研究[D]. 成都：西華大學(xué).2012.

[11]趙進(jìn)輝，羅錫文，周志艷.基于顏色與形狀特征的甘蔗病害圖像分割方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39（9）.

[12]管澤鑫，唐健，楊保軍，等.基于圖像的水稻病害識(shí)別方法研究[J].中國(guó)水稻科學(xué)，2010，24（5）：497～502.

[13]OTSU N A. Threshold selection method from gray-level histo-gram[J]. IEEE Trans Syst Man Cybenet， 1979， 15： 652-655.

[14]邵慶，張楠，路陽(yáng).小麥病害圖像識(shí)別處理及形狀特征提取研究[J].農(nóng)機(jī)化研究，2013，35（8）：35-37.

[15]溫長(zhǎng)吉，王生生，于合龍，等.基于改進(jìn)蜂群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的玉米病害圖像分割[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29（13）：142-147.

[16]祁廣云，馬曉丹，關(guān)海鷗.采用改進(jìn)的遺傳算法提取大豆葉片病斑圖像[J].農(nóng)業(yè)工程學(xué)報(bào).2009，25（5）.

[17]毛罕平，張艷誠(chéng)，胡波.基于模糊C均值聚類的作物病害葉片圖像分割方法研究[J].農(nóng)業(yè)工程學(xué)報(bào).2008，24.

[18]張柏毅，朱景福，劉勇.基于模糊C-均值聚類的作物葉部病斑圖像分割[J].智能計(jì)算機(jī)與應(yīng)用.2011，3（10）.

[19]張?jiān)骑w.基于量子神經(jīng)網(wǎng)絡(luò)和組合特征參數(shù)的玉米葉部病害識(shí)別[J].南方農(nóng)業(yè)學(xué)報(bào)，2013，44（8）：1286-1290.

[20]張芳.復(fù)雜背景下黃瓜葉部病害識(shí)別方法研究[D]. 沈陽(yáng)：沈陽(yáng)農(nóng)業(yè)大學(xué)，2014.

[21]任玉剛，張建，李淼，等.基于分水嶺算法的作物病害葉片圖像分割方法[J].計(jì)算機(jī)應(yīng)用，2012，32（3）：752-755.

[22]劉立波.基于圖像的水稻葉部病害診斷技術(shù)研究[D]. 北京：中國(guó)農(nóng)業(yè)科學(xué)院，2010.

[23]濮永仙.基于支持向量機(jī)與多特征選擇的作物彩色病斑邊緣檢測(cè)[J].計(jì)算機(jī)應(yīng)用系統(tǒng)，2014，9（23）：118-123.

[24]石鳳梅，趙開才，孟慶林，等.基于支持向量機(jī)的水稻稻瘟病圖像分割研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào)，44（2）：128-135.

[25]王美麗，牛曉靜，張宏鳴，等.小麥葉部常見病害特征提取及識(shí)別技術(shù)研究[J].計(jì)算機(jī)工程與應(yīng)用， 2014，50（7）：154-157.

[26]蔡清，何東健.基于圖像分析的蔬菜食葉害蟲識(shí)別技術(shù)[J].計(jì)算機(jī)應(yīng)用， 2010，7（30）：1870-1872.

[27]王克如.基于圖像識(shí)別的作物病蟲草害診斷研究[D]. 北京：中國(guó)農(nóng)業(yè)科學(xué)院，2005.

[28]田有文，李天來，李成華，等.基于支持向量機(jī)的葡萄病害圖像識(shí)別方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2007，23（6）：175-179.

[29]李旺.基于圖像處理的黃瓜葉部病害識(shí)別研究[D]. 長(zhǎng)沙：湖南農(nóng)業(yè)大學(xué)，2013.

[30]柴洋，王向東.基于圖像處理的溫室大棚中番茄的病害識(shí)別[J].模式識(shí)別與仿真，2013，32（9）：83-88.

[31]陳麗，王蘭英.概率神經(jīng)網(wǎng)絡(luò)在玉米葉部病害識(shí)別中的應(yīng)用[J].農(nóng)機(jī)化研究，2011，（6）：145-148.

[32]彭占武.基于圖像處理和模式識(shí)別技術(shù)的黃瓜病害識(shí)別研究[D].長(zhǎng)春：吉林農(nóng)業(yè)大學(xué)，2007.

[33]濮永仙，余翠蘭.基于雙編碼遺傳算法的支持向量機(jī)作物病害圖像識(shí)別方法[J].貴州農(nóng)業(yè)科學(xué)，2013，7（41）187-191.

[34]韓瑞珍.基于機(jī)器視覺的農(nóng)田害蟲快速槍測(cè)與識(shí)別研究[D].杭州：浙江大學(xué)，2014.

[35]邊肇祺，張學(xué)工.模式識(shí)別[M].北京：清華大學(xué)出版社，2002：284-304.

[36]奉國(guó)和.基于聚類的大樣本支持向量研究[J].計(jì)算機(jī)科學(xué)，2006，33（4）：145-147.

[37]楊昕薇，譚峰.基于貝葉斯分類器的水稻病害識(shí)別處理的研究[J].黑龍江八一農(nóng)墾大學(xué)學(xué)報(bào)，2012，24（3）：64-67.

[38]趙玉霞，王克如，白中英等.基于圖像識(shí)別的玉米葉部病害診斷研究[J].中國(guó)農(nóng)業(yè)科學(xué) 2007，40（4）：698-703

[39]柴阿麗，李寶聚等.基于計(jì)算機(jī)視覺技術(shù)的番茄葉部病害識(shí)別[J].園藝學(xué)報(bào)，2010，37（9）：1423-1430.

[40]Han Jiawei，Kamber M.數(shù)據(jù)挖掘概念與技術(shù)[M].第二版. 范明，孟小峰，譯.北京：機(jī)械工業(yè)出社，2007：251-306.

[41]賀鵬，黃林.植物葉片特征提取及識(shí)別[J].農(nóng)機(jī)化研究，2008（6）：168-170.

[42]楊占華，楊燕.SOM神經(jīng)網(wǎng)絡(luò)算法的研究與進(jìn)展[J].計(jì)算機(jī)工程，2006，32（16）：201-228.

[43]王軍英.基于BP神經(jīng)網(wǎng)絡(luò)的葡萄病害診斷系統(tǒng)研究[J].農(nóng)業(yè)信息網(wǎng)，2013，8：30-33.

[44]譚克竹，沈維政.基于BP神經(jīng)網(wǎng)絡(luò)的大豆葉片病害診斷模型的研究[J].控制理論與應(yīng)用，2013，32（12）：5-7.

[45]魏清鳳，羅長(zhǎng)壽，曹承忠，等.基于模糊神經(jīng)網(wǎng)絡(luò)的蔬菜病害診斷模型研究[J].河南農(nóng)業(yè)科學(xué)，2013，（9）：4224-4227.

[46]BURGOS-ARTIST X P， RIBERA A， TELLAECHE A， et al. Improving weed pressure assessment using digital images from an experience-based reasoning approach [J]. Computers and Electronics in Agriculture， 2009， 65（2）： 176-185.

[47] BURGES C J C. A tutorial on support vector machines for pattern recognition [J].Data Mining and Knowledge Discovery， 1998， 2（2）：121-169.

[48]Steve R Gunn. Support vector machines for classification and regression [R].Southampton： University of Southampton， 1998：1-28.

[49]宋凱，孫曉艷，紀(jì)建偉.基于支持向量機(jī)的玉米葉部病害識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2007，23（1）：155-157.

[50]劉鵬，屠康，徐洪蕊，等.基于支持向量機(jī)的甜柿表面病害識(shí)別[J].現(xiàn)代食品科技，2011，27（3）：349-353.

[51]田有文，牛妍.支持向量機(jī)在黃瓜病害識(shí)別中的應(yīng)用研究[J].農(nóng)機(jī)化研究，2009，（3）：36-38.

[52]越鮮梅.基于圖像識(shí)別的向日葵葉部病害診斷技術(shù)研究[D].呼和浩特：內(nèi)蒙古工業(yè)大學(xué)，2013.

1 項(xiàng)目基金：云南省科學(xué)研究基金子課題（2013Y571）。

作者簡(jiǎn)介：濮永仙（ 1976-），女，云南騰沖人，碩士，副教授，主要研究方向：機(jī)器視覺診斷作物病害，智能農(nóng)業(yè)方面的研究。

？？

？？

第4篇：機(jī)器視覺概念范文

美國(guó)研究機(jī)構(gòu)Gartner日前《2015新興技術(shù)炒作周期報(bào)告》（Hype Cycle for Emerging Technologies， 2015）。報(bào)告評(píng)估了112個(gè)領(lǐng)域超過2000項(xiàng)新興技術(shù)的市場(chǎng)類型、成熟度和商業(yè)價(jià)值。跟去年一樣，今年的報(bào)告依然以通往數(shù)字化企業(yè)之路作為報(bào)告的主題，不過今年新引入了一個(gè)概念：數(shù)字化人本主義（Digital Humanism），即人是數(shù)字化商業(yè)與工作場(chǎng)所的關(guān)注焦點(diǎn)。

無(wú)人駕駛車和物聯(lián)網(wǎng)最熱門

炒作周期又名技術(shù)成熟度曲線，是Gartner發(fā)明用來對(duì)眾多行業(yè)發(fā)展周期進(jìn)行預(yù)測(cè)和判斷的一種手段，它描述了一項(xiàng)技術(shù)從誕生到成熟的過程，并將現(xiàn)有各種技術(shù)所處的發(fā)展階段標(biāo)注在圖上，為一些行業(yè)的發(fā)展做出很好的預(yù)測(cè)。Gartner認(rèn)為，任何一項(xiàng)技術(shù)的發(fā)展通常都會(huì)經(jīng)歷上升期、快速發(fā)展期、下降期、爬坡期、穩(wěn)定應(yīng)用期等幾個(gè)階段，技術(shù)的成熟度會(huì)逐步增加，而受關(guān)注程度則會(huì)經(jīng)歷迅速走上巔峰，然后又迅速被遺忘，再到隨著應(yīng)用推廣而逐步再受關(guān)注的變化。

今年最受期望的技術(shù)是無(wú)人駕駛汽車和物聯(lián)網(wǎng)。隨著Google、蘋果等技術(shù)巨頭相繼推進(jìn)自己的無(wú)人駕駛汽車計(jì)劃，以及眾多汽車廠商將之納入自己的近期路線圖，去年處在巔峰前期的無(wú)人駕駛汽車今年被炒作到了頂峰。類似的，在層出不窮的智能家居解決方案的推動(dòng)下，物聯(lián)網(wǎng)技術(shù)也進(jìn)入到了炒作的高峰。

企業(yè)數(shù)字化之路

Gartner認(rèn)為，企業(yè)走向數(shù)字化之路一般要經(jīng)歷6個(gè)階段：模擬、Web、電子商務(wù)、數(shù)字化營(yíng)銷、數(shù)字化企業(yè)以及自治。其中新興技術(shù)主要集中在后三個(gè)階段。

數(shù)字化營(yíng)銷（Digital Marketing）階段強(qiáng)調(diào)力量的連結(jié)（移動(dòng)、社交、云、信息），聚焦于以新的更復(fù)雜的方式抵達(dá)消費(fèi)者。今年值得關(guān)注的技術(shù)包括手勢(shì)控制、混合云計(jì)算、物聯(lián)網(wǎng)、機(jī)器學(xué)習(xí)、理解人（People-Literate）的技術(shù)、語(yǔ)音翻譯。

數(shù)字化企業(yè)（Digital Business）階段的焦點(diǎn)將轉(zhuǎn)移到人、企業(yè)與事物的融合，物聯(lián)網(wǎng)以及顯示與虛擬邊界的模糊是該階段的強(qiáng)烈特征。物理資產(chǎn)實(shí)現(xiàn)數(shù)字化，成為企業(yè)價(jià)值鏈中與既有數(shù)字化內(nèi)容如系統(tǒng)、應(yīng)用等并列的內(nèi)容。值得關(guān)注的技術(shù)包括3D生物打印、人類技能增強(qiáng)、情感計(jì)算、增強(qiáng)現(xiàn)實(shí)、生物聲學(xué)感應(yīng)、生物芯片、腦機(jī)接口、居民數(shù)據(jù)科學(xué)、數(shù)字家庭一體化、加密貨幣與交換、數(shù)字安全、智能機(jī)器人、智能顧問、手勢(shì)控制、物聯(lián)網(wǎng)、機(jī)器學(xué)習(xí)、微數(shù)據(jù)中心、自然語(yǔ)言問答、量子計(jì)算、軟件定義安全、虛擬現(xiàn)實(shí)、可穿戴技術(shù)等。

自治（Autonomous）階段是后關(guān)系時(shí)代的最高級(jí)階段。該階段的企業(yè)將利用技術(shù)提供類人或替代人類的能力。使用無(wú)人駕駛汽車運(yùn)送人或物品，使用認(rèn)知系統(tǒng)答復(fù)郵件、顧客問題，都是這一階段的典型案例。值得關(guān)注的技術(shù)包括自動(dòng)汽車、生物聲學(xué)感應(yīng)、腦機(jī)接口、人類技能增強(qiáng)、機(jī)器學(xué)習(xí)、理解人技術(shù)、量子計(jì)算、智能顧問、智能微塵、智能機(jī)器人、虛擬個(gè)人助理、虛擬現(xiàn)實(shí)、全息顯示等。

資本市場(chǎng)的關(guān)注方向

Gartner炒作周期展示了各創(chuàng)新技術(shù)的行業(yè)認(rèn)知和發(fā)展趨勢(shì)，也為一級(jí)和二級(jí)市場(chǎng)的投資方向和階段指出道路。

技術(shù)周期逐漸在縮短，相對(duì)于2014年，2015年炒作周期幻滅期和爬坡期的技術(shù)數(shù)量大幅減少。在過去的一年，不僅是A股市場(chǎng)對(duì)于TMT產(chǎn)業(yè)尤其是電子產(chǎn)業(yè)的迷茫期，也是全球?qū)τ赥MT行業(yè)走向的重新思考，如機(jī)器間通訊、移動(dòng)健康監(jiān)測(cè)、NFC已經(jīng)快速實(shí)現(xiàn)，從幻滅期中消除。3D掃描技術(shù)也不再屬于爬坡期。技術(shù)研究進(jìn)步速度越來越快，導(dǎo)致技術(shù)周期也逐漸在縮短，證實(shí)證偽也可能在一年內(nèi)發(fā)生。

第5篇：機(jī)器視覺概念范文

關(guān)鍵詞:視覺概念 圖像集 檢測(cè)技術(shù)

中圖分類號(hào):TP391.41 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1672-3791(2012)07(b)-0027-01

近年來,隨著圖像檢索技術(shù)的快速發(fā)展,圖像視覺內(nèi)容信息作為一種直觀形象、完整復(fù)現(xiàn)場(chǎng)景的信息表達(dá)形式產(chǎn)生著越來越重要的影響,可以說機(jī)器視覺的應(yīng)用范圍幾乎涵蓋了國(guó)民經(jīng)濟(jì)的各個(gè)行業(yè),主要包括:工業(yè)、農(nóng)業(yè)、醫(yī)藥、軍事、航天、氣象、天文、公安等。

面對(duì)如此大規(guī)模的圖像視覺內(nèi)容信息量,如何實(shí)現(xiàn)合理有效地組織、表達(dá)及搜索,已成為現(xiàn)階段信息檢索領(lǐng)域研究的熱點(diǎn)問題。視覺概念檢測(cè)技術(shù)是一種對(duì)大量圖像進(jìn)行自動(dòng)檢測(cè)、管理及分類的有效方法,它通過合理的算法對(duì)獲取的圖像進(jìn)行檢測(cè)、識(shí)別、分類,從而達(dá)到用機(jī)器代替人來做圖像測(cè)量和判斷的目的。若要使圖像檢測(cè)及分類準(zhǔn)確性高,就需要使用高質(zhì)量的圖像集作為訓(xùn)練集,來驗(yàn)證算法的可行性及精確性。

1 理想的圖像測(cè)試集應(yīng)具備的特性[1]

1.1 圖像集應(yīng)在圖像檢索領(lǐng)域具有代表性及整體性

過去,研究人員使用的圖像集常常是分散的,甚至可能自己的私人圖像收藏,這樣的測(cè)試集難免會(huì)具有片面性,理想情況是測(cè)試集包含許多不同的樣本點(diǎn),能夠涵蓋圖像源的整個(gè)頻譜,圖像足夠多到能夠代表整個(gè)領(lǐng)域。

1.2 圖像集應(yīng)具備標(biāo)準(zhǔn)化的測(cè)試基準(zhǔn),以便執(zhí)行客觀的評(píng)價(jià)

在目前的文獻(xiàn)中,經(jīng)常發(fā)生不同的研究人員在同一個(gè)圖像集下執(zhí)行不同的性能測(cè)試,這就使得無(wú)法執(zhí)行比較基準(zhǔn)。標(biāo)準(zhǔn)化的測(cè)試基準(zhǔn)應(yīng)該至少包括典型的搜索概念、統(tǒng)一的圖像信息,以及統(tǒng)一的績(jī)效測(cè)量和報(bào)告的詳細(xì)指引。

1.3 圖像集應(yīng)該便于用戶訪問及使用,而不必?fù)?dān)心版權(quán)等問題

有些圖像集,如MPEG7測(cè)試集,被科學(xué)界使用已經(jīng)有一些年了,但是現(xiàn)在卻基本找不到,并且也不能隨意的了。對(duì)使用者來說,能夠容易的訪問并且在需要的時(shí)候可以再發(fā)表是必不可少的。

2 MIR FLICKR圖像集[2]

在基于內(nèi)容的圖像檢索里,MIR Flickr提供的圖像集是一個(gè)被廣泛應(yīng)用,且評(píng)價(jià)較高的測(cè)試集。2008年,圖像集包含25000個(gè)圖像,到2010年,圖像集已經(jīng)擴(kuò)展到了1百萬(wàn)個(gè)圖像,這些圖像具有很高的品質(zhì),且在相應(yīng)領(lǐng)域上具有代表性和較高的關(guān)注度。如果僅是用于研究目的的話,用戶可以自由使用這些圖片而無(wú)需顧慮版權(quán)的問題。

Flickr還為用戶提供基于圖像標(biāo)記的搜索和共享照片,以及兩種形式的圖像標(biāo)簽:圖像的原始形式和由FLICKR清理了原始數(shù)據(jù)的處理形式,這個(gè)過程包括例如消除大寫,空間,和各種各樣的特殊字符等,每幅圖像的標(biāo)簽的平均數(shù)為8.94。這些標(biāo)簽有的是明確描述圖像的,能直接關(guān)系到圖像的視覺內(nèi)容,例如雪地、日落、建筑物、聚會(huì)等,有的標(biāo)簽表述的是一些抽象的概念,例如愛情、旅行、陳舊、可愛等。

此外,圖像集還提供了圖像的EXIF(可交換圖像文件格式)元數(shù)據(jù),并將其轉(zhuǎn)換成易于訪問的文本文件。EXIF元數(shù)據(jù)代表的數(shù)碼相機(jī)在拍照時(shí)的屬性和設(shè)置,包括相機(jī)的品牌、相機(jī)的設(shè)置參數(shù)(曝光,光圈,焦距,ISO感光度等)和圖像的設(shè)置(方向,分辨率,日期等),Flickr從圖像中分離出來EXIF元數(shù)據(jù),而不再是嵌入在圖像文件的信息。最近的一些文獻(xiàn)已經(jīng)研究了這些用于圖像分類和檢索的元數(shù)據(jù)的有用性,如文獻(xiàn)[3],[4]中所示,通過考慮一個(gè)圖片中所帶有的元數(shù)據(jù)信息,可以使圖像檢測(cè)性能有明顯的改善。

利用圖像集對(duì)檢測(cè)算法進(jìn)行訓(xùn)練之后,使用者可以得出算法的準(zhǔn)確性及可行性,達(dá)到對(duì)圖像進(jìn)行分類及檢測(cè)的目的。

3 結(jié)語(yǔ)

從目前的調(diào)查來看,在世界范圍內(nèi),雖然許多機(jī)構(gòu)提供了相對(duì)成熟的圖像集,但還沒有發(fā)現(xiàn)哪個(gè)是完全滿足理想圖像集的特性的,希望通過圖像提供者的無(wú)私幫助及組織機(jī)構(gòu)的不懈努力,能夠克服以前測(cè)試集的局限性,在圖像質(zhì)量、代表性、主題、標(biāo)簽信息等方面有進(jìn)一步的發(fā)展。

參考文獻(xiàn)

[1] The MIR Flickr Retrieval Evaluation.The MIRFLICKR Image Collection[EB/OL].press.liacs.nl/mirflickr,2011.

[2] M.J.Huiskes,M.S.Lew(2008).The MIR Flickr Retrieval Evaluation.ACM International Conference on Multimedia Information Retrieval(MIR''08),Vancouver,Canada.

[3] P.SINHA AND R.JAIN(2008).Classification and annotation of digital photos using optical context data.ACM International Conference on Content-Based Image and Video Retrieval(CIVR 08),Niagara Falls,Canada.309-318.

第6篇：機(jī)器視覺概念范文

關(guān)鍵詞:四元數(shù)小波變換;多分形;紋理分類;機(jī)器視覺;紋理圖像

中圖分類號(hào): TP391.4 文獻(xiàn)標(biāo)志碼:A

Texture classification based on

quaternion wavelet transform and multifractal characteristics

GAO Zhi1*, ZHU Zhihao2, XU Yonghong1, HONG Wenxue1

(

1.Institute of Electrical Engineering, Yanshan University, Qinhuangdao Hebei 066004, China;

2.Qinhuangdao Tianye Tolian Heavy Industry Company Limited, Qinhuangdao Hebei 066004, China

)

Abstract:

The paper incorporated the multifractal analysis method into the idea of Quaternion Wavelet Transform (QWT), which took advantage of the rotationinvariant properties and multifractal properties of texture image, and could make up for the lacks of ability to decompose input image into multiple orientation in texture classification when using wavelet transform. The experiment of texture classification using the images from UIUC shows the method has higher classification accuracy and the average correct classification rate is 96.69%. It proves this texture classification method is reasonable and effective.

Key words:

Quaternion Wavelet Transform (QWT); multifractal; texture classification; machine vision;texture image

0 引言

紋理是多數(shù)圖像的基本特性,在機(jī)器視覺和模式識(shí)別中起著關(guān)鍵性的作用[1]。紋理分類包含兩個(gè)重要的基本問題：一是如何描述紋理的特征;二是如何在紋理之間定義合適的距離或相似度測(cè)量[2]?；谝陨蟽蓚€(gè)問題,紋理圖像的特征必須具有旋轉(zhuǎn)不變性,同時(shí)還要在有效的內(nèi)部空間定義紋理。目前針對(duì)紋理分析的特征提取及分類方法有很多。然而,這些方法都僅限于在小鄰域的單一范圍內(nèi)的空間相互作用分析。因此,這些方法往往只適用于顯微紋理的分析,此外這些方法的單分辨率技術(shù)也導(dǎo)致了紋理分析結(jié)果并不理想。

近年來,小波變換作為一種多尺度分析工具，被應(yīng)用于紋理分析[3]、基于小波框架的紋理分類[4]等。 雖然小波變換在紋理分類中已經(jīng)取得了顯著成果,但小波變換僅僅是把給定圖像分解成0°,45°,135°方向上的水平、對(duì)角線和垂直方向上的3個(gè)定向平滑子帶。這就限制了小波變換對(duì)于旋轉(zhuǎn)不變紋理圖像的分析[5]。

由于2D實(shí)值信號(hào)可以用四元數(shù)表示,因此相對(duì)應(yīng)的四元數(shù)小波尺度函數(shù)和小波函數(shù)的構(gòu)造就成為分析2D信號(hào)的關(guān)鍵。四元數(shù)小波變換(Quaternion Wavelet Transform, QWT)理論是四元數(shù)理論和小波分析理論相結(jié)合產(chǎn)生的,可以為2D圖像提供具體的相位信息。相對(duì)于傳統(tǒng)小波變換,QWT具有旋轉(zhuǎn)不變的特性,并且能對(duì)圖像進(jìn)行局部幅值相位分析。這些都可以彌補(bǔ)小波變換在圖像處理中的一些不足。目前國(guó)內(nèi)外已有將QWT應(yīng)用到圖像處理上的研究。文獻(xiàn)[6]提出了基于QWT理論的圖像多分辨率視差估計(jì)方法。文獻(xiàn)[7]充分利用了QWT的平移不變性、旋轉(zhuǎn)不變性進(jìn)行圖像分析及處理。而文獻(xiàn)[8]首次將QWT應(yīng)用于紋理分類,并證明了其方法的可行性。

分形概念是數(shù)學(xué)家Mandelbort[9]于20世紀(jì)70年代為了表征復(fù)雜圖形和復(fù)雜過程率先引入自然科學(xué)領(lǐng)域的,之后得到了迅速的發(fā)展。分形又分為單分形和多分形,對(duì)于簡(jiǎn)單分形,用一個(gè)分形維數(shù)就可以描述它的特征。但是對(duì)于許多復(fù)雜的現(xiàn)象,它們包含了多個(gè)尺度與多個(gè)層次,每個(gè)層次之間具有不同的統(tǒng)計(jì)特征。因此,多分形理論就成為研究復(fù)雜結(jié)構(gòu)和系統(tǒng)的有力工具。多分形理論研究的對(duì)象是局部不規(guī)則而整體自相似的結(jié)構(gòu),這與紋理結(jié)構(gòu)的復(fù)雜性和規(guī)律性有共同之處。目前已有將多分形理論應(yīng)用到紋理圖像的分析和分類上的研究,文獻(xiàn)[10]通過實(shí)驗(yàn)表明分形維數(shù)可以用來描述紋理模型,并可以作為紋理特征；文獻(xiàn)[11]提出了一種基于分形的自然紋理描述方法；文獻(xiàn)[12]應(yīng)用多分形特征進(jìn)行圖像分割。然而應(yīng)用分形理論進(jìn)行紋理分析時(shí)也有不足,比如盡管有些紋理圖像直觀上存在很大的差異但是它們的分形維數(shù)卻是基本相同的。如圖1所示的兩幅紋理圖片,這兩幅圖片顯然存在很大的差異,但是通過計(jì)算它們的分形維數(shù)(Fractal Dimension， FD)卻很接近。

第7篇：機(jī)器視覺概念范文

摘要：介紹了數(shù)據(jù)融合技術(shù)的基本概念和內(nèi)容，分析了該技術(shù)在森林防火、森林蓄積特征的估計(jì)和更新、森林資源調(diào)查等方面的應(yīng)用，提出該技術(shù)可應(yīng)用于木材無(wú)損檢測(cè)及精確林業(yè)。融合機(jī)器視覺、X射線等單一傳感器技術(shù)檢測(cè)木材及木制品，可以更準(zhǔn)確地實(shí)時(shí)檢測(cè)出木材的各種缺陷；集成GPS、GIS、RS及各種實(shí)時(shí)傳感器信息，利用智能決策支持系統(tǒng)以及可變量技術(shù)，能夠?qū)崿F(xiàn)基于自然界生物及其賴以生存的環(huán)境資源的時(shí)空變異性的客觀現(xiàn)實(shí)，建立基于信息流融合的精確林業(yè)系統(tǒng)。

多傳感器融合系統(tǒng)由于具有較高的可靠性和魯棒性，較寬的時(shí)間和空間的觀測(cè)范圍，較強(qiáng)的數(shù)據(jù)可信度和分辨能力，已廣泛應(yīng)用于軍事、工業(yè)、農(nóng)業(yè)、航天、交通管制、機(jī)器人、海洋監(jiān)視和管理、目標(biāo)跟蹤和慣性導(dǎo)航等領(lǐng)域。筆者在分析數(shù)據(jù)融合技術(shù)概念和內(nèi)容的基礎(chǔ)上，對(duì)該技術(shù)在林業(yè)工程中的應(yīng)用及前景進(jìn)行了綜述。

一、數(shù)據(jù)融合

1.1概念的提出

1973年，數(shù)據(jù)融合技術(shù)在美國(guó)國(guó)防部資助開發(fā)的聲納信號(hào)理解系統(tǒng)中得到了最早的體現(xiàn)。70年代末，在公開的技術(shù)文獻(xiàn)中開始出現(xiàn)基于多系統(tǒng)的信息整合意義的融合技術(shù)。1984年美國(guó)國(guó)防部數(shù)據(jù)融合小組(DFS)定義數(shù)據(jù)融合為：“對(duì)多源的數(shù)據(jù)和信息進(jìn)行多方的關(guān)聯(lián)、相關(guān)和綜合處理，以更好地進(jìn)行定位與估計(jì)，并完全能對(duì)態(tài)勢(shì)及帶來的威脅進(jìn)行實(shí)時(shí)評(píng)估”。

1998年1月，Buchroithner和Wald重新定義了數(shù)據(jù)融合：“數(shù)據(jù)融合是一種規(guī)范框架，這個(gè)框架里人們闡明如何使用特定的手段和工具來整合來自不同渠道的數(shù)據(jù)，以獲得實(shí)際需要的信息”。

Wald定義的數(shù)據(jù)融合的概念原理中，強(qiáng)調(diào)以質(zhì)量作為數(shù)據(jù)融合的明確目標(biāo)，這正是很多關(guān)于數(shù)據(jù)融合的文獻(xiàn)中忽略但又是非常重要的方面。這里的“質(zhì)量”指經(jīng)過數(shù)據(jù)融合后獲得的信息對(duì)用戶而言較融合前具有更高的滿意度，如可改善分類精度，獲得更有效、更相關(guān)的信息，甚至可更好地用于開發(fā)項(xiàng)目的資金、人力資源等。

1.2基本內(nèi)容

信息融合是生物系統(tǒng)所具備的一個(gè)基本功能，人類本能地將各感官獲得的信息與先驗(yàn)知識(shí)進(jìn)行綜合，對(duì)周圍環(huán)境和發(fā)生的事件做出估計(jì)和判斷。當(dāng)運(yùn)用各種現(xiàn)代信息處理方法，通過計(jì)算機(jī)實(shí)現(xiàn)這一功能時(shí)，就形成了數(shù)據(jù)融合技術(shù)。

數(shù)據(jù)融合就是充分利用多傳感器資源，通過對(duì)這些多傳感器及觀測(cè)信息的合理支配和使用，把多傳感器在空間或時(shí)間上的冗余或互補(bǔ)信息依據(jù)某些準(zhǔn)則進(jìn)行組合，以獲得被測(cè)對(duì)象的一致性解釋或描述。數(shù)據(jù)融合的內(nèi)容主要包括：

(1)數(shù)據(jù)關(guān)聯(lián)。確定來自多傳感器的數(shù)據(jù)反映的是否是同源目標(biāo)。

(2)多傳感器ID/軌跡估計(jì)。假設(shè)多傳感器的報(bào)告反映的是同源目標(biāo)，對(duì)這些數(shù)據(jù)進(jìn)行綜合，改進(jìn)對(duì)該目標(biāo)的估計(jì)，或?qū)φ麄€(gè)當(dāng)前或未來情況的估計(jì)。

(3)采集管理。給定傳感器環(huán)境的一種認(rèn)識(shí)狀態(tài)，通過分配多個(gè)信息捕獲和處理源，最大限度地發(fā)揮其性能，從而使其操作成本降到最低。傳感器的數(shù)據(jù)融合功能主要包括多傳感器的目標(biāo)探測(cè)、數(shù)據(jù)關(guān)聯(lián)、跟蹤與識(shí)別、情況評(píng)估和預(yù)測(cè)。

根據(jù)融合系統(tǒng)所處理的信息層次，目前常將信息融合系統(tǒng)劃分為3個(gè)層次：

(l)數(shù)據(jù)層融合。直接將各傳感器的原始數(shù)據(jù)進(jìn)行關(guān)聯(lián)后，送入融合中心，完成對(duì)被測(cè)對(duì)象的綜合評(píng)價(jià)。其優(yōu)點(diǎn)是保持了盡可能多的原始信號(hào)信息，但是該種融合處理的信息量大、速度慢、實(shí)時(shí)性差，通常只用于數(shù)據(jù)之間配準(zhǔn)精度較高的圖像處理。

(2)特征層融合。從原始數(shù)據(jù)中提取特征，進(jìn)行數(shù)據(jù)關(guān)聯(lián)和歸一化等處理后，送入融合中心進(jìn)行分析與綜合，完成對(duì)被測(cè)對(duì)象的綜合評(píng)價(jià)。這種融合既保留了足夠數(shù)量的原始信息，又實(shí)現(xiàn)了一定的數(shù)據(jù)壓縮，有利于實(shí)時(shí)處理，而且由于在特征提取方面有許多成果可以借鑒，所以特征層融合是目前應(yīng)用較多的一種技術(shù)。但是該技術(shù)在復(fù)雜環(huán)境中的穩(wěn)健性和系統(tǒng)的容錯(cuò)性與可靠性有待進(jìn)一步改善。

(3)決策層融合。首先每一傳感器分別獨(dú)立地完成特征提取和決策等任務(wù)，然后進(jìn)行關(guān)聯(lián)，再送入融合中心處理。這種方法的實(shí)質(zhì)是根據(jù)一定的準(zhǔn)則和每個(gè)決策的可信度做出最優(yōu)的決策。其優(yōu)點(diǎn)是數(shù)據(jù)通訊量小、實(shí)時(shí)性好，可以處理非同步信息，能有效地融合不同類型的信息。而且在一個(gè)或幾個(gè)傳感器失效時(shí)，系統(tǒng)仍能繼續(xù)工作，具有良好的容錯(cuò)性，系統(tǒng)可靠性高，因此是目前信息融合研究的一個(gè)熱點(diǎn)。但是這種技術(shù)也有不足，如原始信息的損失、被測(cè)對(duì)象的時(shí)變特征、先驗(yàn)知識(shí)的獲取困難，以及知識(shí)庫(kù)的巨量特性等。

1.3處理模型

美國(guó)數(shù)據(jù)融合工作小組提出的數(shù)據(jù)融合處理模型，當(dāng)時(shí)僅應(yīng)用于軍事方面，但該模型對(duì)人們理解數(shù)據(jù)融合的基本概念有重要意義。模型每個(gè)模塊的基本功能如下：

數(shù)據(jù)源。包括傳感器及其相關(guān)數(shù)據(jù)(數(shù)據(jù)庫(kù)和人的先驗(yàn)知識(shí)等)。

源數(shù)據(jù)預(yù)處理。進(jìn)行數(shù)據(jù)的預(yù)篩選和數(shù)據(jù)分配，以減輕融合中心的計(jì)算負(fù)擔(dān)，有時(shí)需要為融合中心提供最重要的數(shù)據(jù)。目標(biāo)評(píng)估。融合目標(biāo)的位置、速度、身份等參數(shù)，以達(dá)到對(duì)這些參數(shù)的精確表達(dá)。主要包括數(shù)據(jù)配準(zhǔn)、跟蹤和數(shù)據(jù)關(guān)聯(lián)、辨識(shí)。

態(tài)勢(shì)評(píng)估。根據(jù)當(dāng)前的環(huán)境推斷出檢測(cè)目標(biāo)與事件之間的關(guān)系，以判斷檢測(cè)目標(biāo)的意圖。威脅評(píng)估。結(jié)合當(dāng)前的態(tài)勢(shì)判斷對(duì)方的威脅程度和敵我雙方的攻擊能力等，這一過程應(yīng)同時(shí)考慮當(dāng)前的政治環(huán)境和對(duì)敵策略等因素，所以較為困難。

處理過程評(píng)估。監(jiān)視系統(tǒng)的性能，辨識(shí)改善性能所需的數(shù)據(jù)，進(jìn)行傳感器資源的合理配置。人機(jī)接口。提供人與計(jì)算機(jī)間的交互功能，如人工操作員的指導(dǎo)和評(píng)價(jià)、多媒體功能等。

二、多傳感器在林業(yè)中的應(yīng)用

2.1在森林防火中的應(yīng)用

在用MODIS(ModerateResolutionImagingSpectroradiometer)數(shù)據(jù)測(cè)定森林火點(diǎn)時(shí)的20、22、23波段的傳感器輻射值已達(dá)飽和狀態(tài)，用一般圖像增強(qiáng)處理方法探測(cè)燃燒區(qū)火點(diǎn)的結(jié)果不理想。余啟剛運(yùn)用數(shù)據(jù)融合技術(shù)，在空間分辨率為1000m的熱輻射通道的數(shù)據(jù)外加入空間分辨率為250m的可見光通道的數(shù)據(jù)，較好地進(jìn)行了不同空間分辨率信息的數(shù)據(jù)融合，大大提高了對(duì)火點(diǎn)位置的判斷準(zhǔn)確度。為進(jìn)一步提高衛(wèi)星光譜圖像數(shù)據(jù)分析的準(zhǔn)確性與可靠性，利用原有森林防火用的林區(qū)紅外探測(cè)器網(wǎng)，將其與衛(wèi)星光譜圖像數(shù)據(jù)融合，可以使計(jì)算機(jī)獲得GPS接收機(jī)輸出的有關(guān)信息通過與RS實(shí)現(xiàn)高效互補(bǔ)性融合，從而彌補(bǔ)衛(wèi)星圖譜不理想的缺失區(qū)數(shù)據(jù)信息，大大提高燃燒區(qū)火點(diǎn)信息準(zhǔn)確度和敏感性。

2.2森林蓄積特征的估計(jì)

HampusHolmstrom等在瑞典南部的試驗(yàn)區(qū)將SPOT-4×S衛(wèi)星數(shù)據(jù)和CARABAS-IIVHFSAR傳感器的雷達(dá)數(shù)據(jù)進(jìn)行了融合，采用KNN(knearestneighbor)方法對(duì)森林的蓄積特征(林分蓄積、樹種組成與年齡)進(jìn)行了估計(jì)。

KNN方法就是采用目標(biāo)樣地鄰近k個(gè)(k=10)最近樣地的加權(quán)來估計(jì)目標(biāo)樣地的森林特征。研究者應(yīng)用衛(wèi)星光譜數(shù)據(jù)、雷達(dá)數(shù)據(jù)融合技術(shù)對(duì)試驗(yàn)區(qū)的不同林分的蓄積特征進(jìn)行估計(jì)，并對(duì)三種不同的數(shù)據(jù)方法進(jìn)行誤差分析。試驗(yàn)表明，融合后的數(shù)據(jù)作出的估計(jì)比單一的衛(wèi)星數(shù)據(jù)或雷達(dá)數(shù)據(jù)的精度高且穩(wěn)定性好。

2.3用非垂直航空攝像數(shù)據(jù)融合GIS信息更新調(diào)查數(shù)據(jù)

森林資源調(diào)查是掌握森林資源現(xiàn)狀與變化的調(diào)查方法，一般以地面調(diào)查的方法為主，我國(guó)5年復(fù)查一次。由于森林資源調(diào)查的工作量巨大，且要花費(fèi)大量的人力、物力和資金。國(guó)內(nèi)外許多學(xué)者都在探索航空、航天的遙感調(diào)查與估計(jì)方法。

TrevorJDavis等2002年提出采用非垂直的航空攝影數(shù)據(jù)融合對(duì)應(yīng)的GIS數(shù)據(jù)信息實(shí)現(xiàn)森林調(diào)查數(shù)據(jù)的快速更新，認(rèn)為對(duì)森林資源整體而言，僅某些特殊地區(qū)的資源數(shù)據(jù)需要更新。在直升飛機(jī)側(cè)面裝上可視的數(shù)字?jǐn)z像裝置，利用GPS對(duì)測(cè)點(diǎn)進(jìn)行定位，對(duì)特殊地區(qū)的攝像進(jìn)行拍攝，同時(shí)與對(duì)應(yīng)的GIS數(shù)據(jù)進(jìn)行融合，做出資源變化的估計(jì)或影像的修正。

試驗(yàn)表明，融合后的數(shù)據(jù)可以同高分辨率矯正圖像相比，該方法花費(fèi)少，精度高，能充分利用影像的可視性，應(yīng)用于偏遠(yuǎn)、地形復(fù)雜、不易操作、成本高的區(qū)域，同時(shí)可避免遙感圖像受云層遮蓋。

三、數(shù)據(jù)融合在林業(yè)中的應(yīng)用展望

3.1在木材檢測(cè)中的應(yīng)用

3.1.1木材缺陷及其影響

木材是天然生長(zhǎng)的有機(jī)體，生長(zhǎng)過程中不可避免地有尖削度、彎曲度、節(jié)子等生長(zhǎng)缺陷，這些缺陷極大地影響了木材及其制品的優(yōu)良特性，以及木材的使用率、強(qiáng)度、外觀質(zhì)量，并限制了其應(yīng)用領(lǐng)域。在傳統(tǒng)木制品生產(chǎn)過程中，主要依靠人的肉眼來識(shí)別木材缺陷，而木材板材表面缺陷在大小、形狀和色澤上都有較大的差異，且受木材紋理的影響，識(shí)別起來非常困難，勞動(dòng)強(qiáng)度大，效率低，同時(shí)由于熟練程度、標(biāo)準(zhǔn)掌握等人為因素，可能造成較大的誤差。另外在集成材加工中，板材缺陷的非雙面識(shí)別嚴(yán)重影響了生產(chǎn)線的生產(chǎn)節(jié)拍。因此必須開發(fā)一種能夠?qū)Π宀碾p面缺陷進(jìn)行在線識(shí)別和自動(dòng)剔除技術(shù)，以解決集成材加工中節(jié)子人工識(shí)別誤差大、難以實(shí)現(xiàn)雙面識(shí)別、剔除機(jī)械調(diào)整時(shí)間長(zhǎng)等問題。

3.1.2單一傳感器在木材檢測(cè)中的應(yīng)用

對(duì)木材及人造板進(jìn)行無(wú)損檢測(cè)的方法很多，如超聲波、微波、射線、機(jī)械應(yīng)力、震動(dòng)、沖擊應(yīng)力波、快速傅立葉變換分析等檢測(cè)方法。超聲技術(shù)在木材工業(yè)中的應(yīng)用研究主要集中在研究聲波與木材種類、木材結(jié)構(gòu)和性能之間的關(guān)系、木材結(jié)構(gòu)及缺陷分析、膠的固化過程分析等。

隨著計(jì)算機(jī)視覺技術(shù)的發(fā)展，人們也將視覺傳感器應(yīng)用于木材檢測(cè)中。新西蘭科學(xué)家用視頻傳感器研究和測(cè)量了紙漿中的纖維橫切面的寬度、厚度、壁面積、壁厚度、腔比率、壁比率等，同時(shí)準(zhǔn)確地測(cè)量單個(gè)纖維和全部纖維的幾何尺寸及其變化趨勢(shì)，能夠區(qū)分不同紙漿類型，測(cè)定木材纖維材料加固結(jié)合力，并動(dòng)態(tài)地觀察木材纖維在材料中的結(jié)合機(jī)理。

新西蘭的基于視覺傳感器的板材缺陷識(shí)別的軟件已經(jīng)產(chǎn)業(yè)化，該軟件利用數(shù)碼相機(jī)或激光掃描儀采集板材的圖像，自動(dòng)識(shí)別板材節(jié)子和缺陷的位置，控制板材的加工。該軟件還具有進(jìn)行原木三維模型真實(shí)再現(xiàn)的計(jì)算機(jī)視覺識(shí)別功能，利用激光掃描儀自動(dòng)采集原木的三維幾何數(shù)據(jù)。

美國(guó)林產(chǎn)品實(shí)驗(yàn)室利用計(jì)算機(jī)視覺技術(shù)對(duì)木材刨花的尺寸大小進(jìn)行分級(jí)，確定各種刨花在板中的比例和刨花的排列方向；日本京都大學(xué)基于視覺傳感器進(jìn)行了定向刨花板內(nèi)刨花定向程度的檢測(cè)，從而可以通過調(diào)整定向鋪裝設(shè)備優(yōu)化刨花的排列方向來提高定向刨花板的強(qiáng)度。在制材加工過程中，利用計(jì)算機(jī)視覺技術(shù)在線實(shí)時(shí)檢測(cè)原木的形狀及尺寸，選擇最佳下鋸方法，提高原木的出材率。同時(shí)可對(duì)鋸材的質(zhì)量進(jìn)行分級(jí)，實(shí)現(xiàn)木材的優(yōu)化使用；在膠合板的生產(chǎn)過程中，利用計(jì)算機(jī)視覺技術(shù)在線實(shí)時(shí)檢測(cè)單板上的各種缺陷，實(shí)現(xiàn)單板的智能和自動(dòng)剪切，并可測(cè)量在剪切過程中的單板破損率，對(duì)單板進(jìn)行分等分級(jí)，實(shí)現(xiàn)自動(dòng)化生產(chǎn)過程。Wengert等在綜合了大量的板材分類經(jīng)驗(yàn)的基礎(chǔ)上，建立了板材分級(jí)分類的計(jì)算機(jī)視覺專家系統(tǒng)。在國(guó)內(nèi)這方面的研究較少，王金滿等用計(jì)算機(jī)視覺技術(shù)對(duì)刨花板施膠效果進(jìn)行了定量分析。

X射線對(duì)木材及木質(zhì)復(fù)合材料的性能檢測(cè)已得到了廣泛的應(yīng)用，目前該技術(shù)主要應(yīng)用于對(duì)木材密度、含水率、纖維素相對(duì)結(jié)晶度和結(jié)晶區(qū)大小、纖維的化學(xué)結(jié)構(gòu)和性質(zhì)等進(jìn)行檢測(cè)，并對(duì)木材內(nèi)部的各種缺陷進(jìn)行檢測(cè)。

3.1.3數(shù)據(jù)融合在木材檢測(cè)中的應(yīng)用展望

單一傳感器在木材工業(yè)中已得到了一定程度的應(yīng)用，但各種單項(xiàng)技術(shù)在應(yīng)用上存在一定的局限性。如視覺傳感器不能檢測(cè)到有些與木材具有相同顏色的節(jié)子，有時(shí)會(huì)把木板上的臟物或油脂當(dāng)成節(jié)子，造成誤判，有時(shí)也會(huì)受到木材的種類或粗糙度和濕度的影響，此外，這種技術(shù)只能檢測(cè)部分表面缺陷，而無(wú)法檢測(cè)到內(nèi)部缺陷；超聲、微波、核磁共振和X射線技術(shù)均能測(cè)量密度及內(nèi)部特征，但是它們不能測(cè)定木材的顏色和瑕疵，因?yàn)檫@些缺陷的密度往往同木板相同。因此，一個(gè)理想的檢測(cè)系統(tǒng)應(yīng)該集成各種傳感技術(shù)，才能準(zhǔn)確、可靠地檢測(cè)到木材的缺陷。

基于多傳感器(機(jī)器視覺及X射線等)數(shù)據(jù)融合技術(shù)的木材及木制品表面缺陷檢測(cè)，可以集成多個(gè)傳統(tǒng)單項(xiàng)技術(shù)，更可靠、準(zhǔn)確地實(shí)時(shí)檢測(cè)出木材表面的各種缺陷，為實(shí)現(xiàn)木材分級(jí)自動(dòng)化、智能化奠定基礎(chǔ)，同時(shí)為集裁除鋸、自動(dòng)調(diào)整、自動(dòng)裁除節(jié)子等為一身的新型視頻識(shí)別集成材雙面節(jié)子數(shù)控自動(dòng)剔除成套設(shè)備提供技術(shù)支持。

3.2在精確林業(yè)中的應(yīng)用

美國(guó)華盛頓大學(xué)研究人員開展了樹形自動(dòng)分析、林業(yè)作業(yè)規(guī)劃等研究工作；Auburn大學(xué)的生物系統(tǒng)工程系和USDA南方林業(yè)實(shí)驗(yàn)站與有關(guān)公司合作開展用GPS和其他傳感器研究林業(yè)機(jī)器系統(tǒng)的性能和生產(chǎn)效率。

目前單項(xiàng)的GPS、RS、GIS正從“自動(dòng)化孤島”形式應(yīng)用于林業(yè)生產(chǎn)向集成技術(shù)轉(zhuǎn)變。林業(yè)生產(chǎn)系統(tǒng)作為一個(gè)多組分的復(fù)雜系統(tǒng)，是由能量流動(dòng)、物質(zhì)循環(huán)、信息流動(dòng)所推動(dòng)的具有一定的結(jié)構(gòu)和功能的復(fù)合體，各組分間的關(guān)系和結(jié)合方式影響系統(tǒng)整體的結(jié)構(gòu)和功能。因此應(yīng)該在計(jì)算機(jī)集成系統(tǒng)框架下，有效地融合GPS、GIS、RS等數(shù)據(jù)，解決這些信息在空間和時(shí)間上的質(zhì)的差異及空間數(shù)據(jù)類型的多樣性，如地理統(tǒng)計(jì)數(shù)據(jù)、柵格數(shù)據(jù)、點(diǎn)數(shù)據(jù)等。利用智能DSS(決策支持系統(tǒng))以及VRT(可變量技術(shù))等，使林業(yè)生產(chǎn)成為一個(gè)高效、柔性和開放的體系，從而實(shí)現(xiàn)林業(yè)生產(chǎn)的標(biāo)準(zhǔn)化、規(guī)范化、開放性，建立基于信息流融合的精確林業(yè)系統(tǒng)。

南京林業(yè)大學(xué)提出了“精確林業(yè)工程系統(tǒng)”。研究包括精確林業(yè)工程系統(tǒng)的領(lǐng)域體系結(jié)構(gòu)、隨時(shí)空變化的數(shù)據(jù)采集處理與融合技術(shù)、精確控制林業(yè)生產(chǎn)的智能決策支持系統(tǒng)、可變量控制技術(shù)等，實(shí)現(xiàn)基于自然界生物及其所賴以生存的環(huán)境資源的時(shí)空變異性的客觀現(xiàn)實(shí)，以最小資源投入、最小環(huán)境危害和最大產(chǎn)出效益為目標(biāo)，建立關(guān)于林業(yè)管理系統(tǒng)戰(zhàn)略思想的精確林業(yè)微觀管理系統(tǒng)。

[參考文獻(xiàn)]

[1]高翔，王勇.數(shù)據(jù)融合技術(shù)綜述[J].計(jì)算機(jī)控制與測(cè)量，2002，10(11)：706-709.

[2]龔元明，蕭德云，王俊杰.多傳感器數(shù)據(jù)融合技術(shù)(上)[J].冶金自動(dòng)化，2002(4)：4-7.

[3]錢永蘭，楊邦杰，雷廷武.數(shù)據(jù)融合及其在農(nóng)情遙感監(jiān)測(cè)中的應(yīng)用與展望[J].農(nóng)業(yè)工程學(xué)報(bào)，2004，20(4)：286-290.

[4]高德平，黃雪梅.多傳感器和數(shù)據(jù)融合(一)[J].紅外與激光工程，1999，28(1)：1-4.

第8篇：機(jī)器視覺概念范文

點(diǎn)評(píng)：阿里巴巴集團(tuán)CEO張勇表示，數(shù)字商業(yè)和實(shí)體商業(yè)充分融合，新零售正在重構(gòu)一切商業(yè)要素，也重構(gòu)了網(wǎng)商概念。在供應(yīng)鏈、全渠道、線上線下融合、物流、金融支付等各個(gè)領(lǐng)域，今天的網(wǎng)商已經(jīng)無(wú)處不在，成為全球最大的商業(yè)群體，也是商業(yè)社會(huì)進(jìn)步的積極力量。近期包括華泰證券、東興證券、安信證券、信達(dá)證券、國(guó)金證券等在內(nèi)的12家券商累計(jì)20份研報(bào)看好無(wú)人零售主題性投資機(jī)會(huì)，后市表現(xiàn)值得期待。其中，華泰證券表示，無(wú)人零售市場(chǎng)空間巨大，互聯(lián)網(wǎng)巨頭加入提升行業(yè)趨勢(shì)確定性，亞馬遜和阿里將持續(xù)推進(jìn)線上線下融合，其他互聯(lián)網(wǎng)巨頭也有望跟進(jìn)。無(wú)人零售作為線上線下融合的場(chǎng)景之一，主題性投資機(jī)會(huì)凸顯。無(wú)人零售實(shí)體店相關(guān)的機(jī)器視覺、傳感器、自動(dòng)售貨機(jī)等硬件供貨商將受益于無(wú)人零售未來推廣帶來的增量市場(chǎng)，建議關(guān)注大冷股份、遠(yuǎn)望谷、匯納科技等。

上－上漲概率

軌道線來看，目前中軌為3196.19，指數(shù)未能形成向上的有效突破，但中軌支撐仍在，結(jié)論：中軌線未破則行情仍為震蕩性質(zhì)。

量能上來看，成交量稍有下降，但仍保持在二千億水平。結(jié)論：進(jìn)攻量的標(biāo)準(zhǔn)得到保持，市場(chǎng)活躍度總體尚可。

第9篇：機(jī)器視覺概念范文

關(guān)鍵詞:雙語(yǔ)教學(xué);智能控制課程;教材選用;教學(xué)效率;學(xué)習(xí)興趣

由于我國(guó)高等教育,特別是工科教學(xué)過分偏重理論、脫離工程實(shí)際、內(nèi)容比較陳舊;英語(yǔ)語(yǔ)言教學(xué)也采用低效的應(yīng)試教育方式,因而教育部和科技專家都提出了在高校開設(shè)雙語(yǔ)專業(yè)課程[1],選用英語(yǔ)原版教材,甚至引進(jìn)外國(guó)專家授課的建議。從2008年起,教育部連續(xù)3年推出了雙語(yǔ)教學(xué)示范課程。

我國(guó)現(xiàn)階段開展大學(xué)雙語(yǔ)教學(xué)非常有意義,有助于學(xué)習(xí)國(guó)外先進(jìn)的高等教育理念和人才培養(yǎng)理念,使教學(xué)內(nèi)容務(wù)實(shí)、結(jié)合工程實(shí)際,適應(yīng)科學(xué)技術(shù)的發(fā)展[2];也出現(xiàn)一些問題,如效率低,學(xué)生掌握慢、興趣降低等[3],教學(xué)管理難,教學(xué)難度大,很多學(xué)校主動(dòng)愿望不強(qiáng),一些非頂尖的應(yīng)用型、教學(xué)型高校,一般每專業(yè)只選擇1～3門簡(jiǎn)單的基礎(chǔ)課程進(jìn)行雙語(yǔ)教學(xué)。

現(xiàn)在,各層次科研、技術(shù)人員的工作與國(guó)際科學(xué)技術(shù)的交流、合作越來越密不可分[4]。因此,教師應(yīng)逐漸加強(qiáng)雙語(yǔ)課程的比例。首先是專業(yè)導(dǎo)論課,其次是發(fā)展快的新技術(shù)課程,太過寬泛的基礎(chǔ)課程反而不是首選,因?yàn)閷I(yè)詞匯少、新概念少。比如對(duì)自動(dòng)化專業(yè),我們的開設(shè)選擇順序是:自動(dòng)化導(dǎo)論、計(jì)算機(jī)控制、智能控制技術(shù)。相反,電路分析、信號(hào)與系統(tǒng)并不適宜作為首選。

1雙語(yǔ)教學(xué)的問題

目前,智能控制課雙語(yǔ)教學(xué)中的問題表現(xiàn)在教與學(xué)兩方面:

1) 教師教學(xué)難度大、教學(xué)效率低。目前的雙語(yǔ)教學(xué)主體基本都是國(guó)內(nèi)老師,英語(yǔ)水平有限,交流能力不強(qiáng)。智能控制課需要理解理論,更需要掌握應(yīng)用技術(shù),內(nèi)容本身就有一定難度。同時(shí),英語(yǔ)講解慢,課堂傳授的信息量減少,按原來的教學(xué)課時(shí)無(wú)法完成教學(xué)任務(wù)。表1是雙語(yǔ)教改前采用全雙語(yǔ)教學(xué)與未使用雙語(yǔ)教學(xué)的普通班教學(xué)效果對(duì)比。

2) 學(xué)生學(xué)習(xí)興趣低。學(xué)生開始學(xué)習(xí)的興趣還是很高的,但由于英語(yǔ)水平不夠、學(xué)習(xí)效率低、理解差,會(huì)導(dǎo)致很快失去興趣。作為專業(yè)選修課,開始選課學(xué)生人數(shù)還很多,最后堅(jiān)持下來的人數(shù)少。表2是教改前學(xué)生選課人數(shù)變化對(duì)比。

從表中的數(shù)據(jù)也可以看到,采用雙語(yǔ)教學(xué)后,雖然學(xué)生的英語(yǔ)水平有提高,但專業(yè)學(xué)習(xí)反而受到影響,教學(xué)效果不好,學(xué)生意見也很大。

2教學(xué)內(nèi)容和教材選擇

結(jié)合學(xué)生情況和意見進(jìn)行分析,我們學(xué)校是地方高校,以培養(yǎng)應(yīng)用型人才為主,學(xué)生英語(yǔ)水平比較差。為此,我們?cè)诮虒W(xué)內(nèi)容和雙語(yǔ)比例上進(jìn)行了改革。

目前,國(guó)內(nèi)還找不到很滿意的雙語(yǔ)教學(xué)教材,而直接選用國(guó)外教材,難度太大,學(xué)習(xí)效率低。值得借鑒的是,清華大學(xué)出版社的《機(jī)器視覺算法與應(yīng)用》教材[5]直接譯自德語(yǔ)原著,同時(shí)雙語(yǔ)對(duì)照,雖然占用版面,但學(xué)生的學(xué)習(xí)效果好。

在尚未有好教材的情況下,采用教師自編講義是一個(gè)比較好的選擇。自編講義基本采用雙語(yǔ)對(duì)照方式,核心概念、新技術(shù)內(nèi)容完全采用國(guó)外原版教材內(nèi)容,同時(shí)介紹一些最新技術(shù)文獻(xiàn),供學(xué)生自學(xué)閱讀,介紹相關(guān)計(jì)算機(jī)軟件英語(yǔ)版的使用。

由于智能控制學(xué)科起源于西方,很多基本概念、理論都翻譯自國(guó)外文獻(xiàn),直接使用原文的概念定義、理論解釋、應(yīng)用舉例,對(duì)于更準(zhǔn)確地理解概念、掌握基礎(chǔ)理論是很有幫助的。

3英語(yǔ)講授比例掌握

在雙語(yǔ)教學(xué)中,英語(yǔ)講授比例一直是困擾雙語(yǔ)教師的問題。過去只強(qiáng)調(diào)英語(yǔ)教學(xué),口語(yǔ)、課本幾乎全是英語(yǔ),教學(xué)效率低、學(xué)生興趣差,教學(xué)效果很不好。結(jié)合雙語(yǔ)教學(xué)的目的、學(xué)生和課程的實(shí)際情況,我們提出了“漢語(yǔ)入門、英語(yǔ)加深、雙語(yǔ)互助、師洋根本”的教學(xué)思想。不把英語(yǔ)在教學(xué)中所占的比例數(shù)據(jù)作為開設(shè)雙語(yǔ)課程教學(xué)的一個(gè)指標(biāo),而是根據(jù)需要采用英語(yǔ)教學(xué)。具體措施如下:

1) 新概念、新課程入門時(shí)先使用中文介紹,使學(xué)生有基本概念,能先入門。

2) 再學(xué)習(xí)英語(yǔ)材料,對(duì)關(guān)鍵概念、知識(shí)進(jìn)行加深理解和正確理解。

3) 對(duì)最新技術(shù)和發(fā)展快的技術(shù)知識(shí),較多地使用英語(yǔ)材料,并側(cè)重于閱讀,使學(xué)生掌握智能控制技術(shù)的核心根本,并能靈活應(yīng)用。

4) 淡化口語(yǔ)、聽力教學(xué)。絕大多數(shù)學(xué)生以后主要是閱讀英語(yǔ)文字資料,所以雙語(yǔ)教學(xué)應(yīng)以專業(yè)教學(xué)為核心,英語(yǔ)是教學(xué)輔助,學(xué)習(xí)國(guó)際最新的先進(jìn)技術(shù)知識(shí)是根本。

4教學(xué)方法改革

智能控制課教學(xué)內(nèi)容的專業(yè)性很強(qiáng);相關(guān)技術(shù)發(fā)展很快,不斷有新的研究突破和技術(shù)進(jìn)步;而且該課程的工程應(yīng)用性很強(qiáng),是一門技術(shù)應(yīng)用型課程。在雙語(yǔ)教學(xué)實(shí)踐中,結(jié)合課程特點(diǎn),我們?cè)诮虒W(xué)方法上進(jìn)行了改革。

4.1結(jié)合英文原著閱讀

智能控制的基本概念和基本理論是比較復(fù)雜的,照本宣科的講解不僅使學(xué)生沒有興趣,而且也難以準(zhǔn)確理解。在教學(xué)中,我通過中文介紹,使學(xué)生對(duì)基本理論先有一個(gè)簡(jiǎn)單了解,然后直接選用著名學(xué)者的經(jīng)典原著、代表性的研究論文作為學(xué)習(xí)材料。西方學(xué)者的研究原著、科技論文是深入淺出的,而且結(jié)合理論的圖解、實(shí)例非常豐富。通過教師講授,專業(yè)詞匯學(xué)習(xí),學(xué)生可以很快看懂、理解這些英語(yǔ)材料,而且對(duì)專業(yè)基礎(chǔ)知識(shí)的理解更準(zhǔn)確。

例如,學(xué)生對(duì)模糊集合、模糊推理等概念的理解不好,我在教學(xué)中講授了模糊邏輯創(chuàng)始人扎德教授標(biāo)志性的研究論文《Fuzzy Sets》[6]。論文中對(duì)模糊邏輯的研究背景、思想起源、概念定義、結(jié)論推導(dǎo)的翔實(shí)介紹,使學(xué)生對(duì)整個(gè)技術(shù)的起源、發(fā)展都有了了解,對(duì)概念理解和知識(shí)掌握很有幫助。

為了使教學(xué)內(nèi)容與最新技術(shù)成果聯(lián)系得更緊密,我們還從IEEE數(shù)據(jù)庫(kù)下載了很多最新研究論文,布置給學(xué)生課后閱讀,并進(jìn)行討論。

4.2知識(shí)講授結(jié)合工程設(shè)計(jì)應(yīng)用

智能控制課是技術(shù)應(yīng)用型課程,要培養(yǎng)學(xué)生應(yīng)用開發(fā)智能控制系統(tǒng)的能力。美國(guó)Matrix公司的MATLAB軟件有專門的智能控制技術(shù)相關(guān)軟件工具箱,如模糊邏輯、神經(jīng)網(wǎng)絡(luò)、遺傳算法等,而且有很好的仿真平臺(tái),用戶可以利用該軟件開展設(shè)計(jì)和仿真實(shí)驗(yàn)。在教學(xué)中,我們就是結(jié)合MATLAB專業(yè)工具箱的智能控制系統(tǒng)開展設(shè)計(jì)開發(fā)和仿真實(shí)驗(yàn)。MATLAB軟件目前還是英文版,對(duì)英語(yǔ)專業(yè)詞匯的學(xué)習(xí)有助于學(xué)生使用該軟件。

在學(xué)習(xí)了模糊控制技術(shù)后,學(xué)生可以使用MATLAB的模糊邏輯工具箱設(shè)計(jì)水箱液位模糊控制器、倒立擺模糊控制器,而且進(jìn)行仿真實(shí)驗(yàn)。動(dòng)態(tài)仿真顯示實(shí)驗(yàn)效果、曲線顯示控制數(shù)據(jù),使教學(xué)形象生動(dòng),既提高了學(xué)生的學(xué)習(xí)興趣,又培養(yǎng)了他們的實(shí)際工程設(shè)計(jì)應(yīng)用能力。

在學(xué)習(xí)遺傳算法工具箱時(shí),如果不學(xué)習(xí)專業(yè)詞匯,學(xué)生根本無(wú)法看懂大量的參數(shù)設(shè)置,更無(wú)法使用該工具進(jìn)行應(yīng)用開發(fā)[7]。圖1是MATLAB的遺傳算法圖形用戶界面,可見參數(shù)設(shè)置要看懂大量的專業(yè)詞匯。

5教學(xué)效果

雙語(yǔ)教學(xué)改革后,我們?cè)?006級(jí)自動(dòng)化專業(yè)同樣開設(shè)了雙語(yǔ)班和傳統(tǒng)全中文教學(xué)普通班,對(duì)表1和2的統(tǒng)計(jì)項(xiàng)目重新進(jìn)行了統(tǒng)計(jì)對(duì)比,如表3和表4所示。

從表中數(shù)據(jù)可以看到,經(jīng)過雙語(yǔ)教學(xué)改革后,學(xué)生不僅英語(yǔ)能力提高了,而且專業(yè)成績(jī)大大提高,學(xué)習(xí)興趣也提高了,教學(xué)效果大大改善。

6結(jié)語(yǔ)

由于我國(guó)在科學(xué)技術(shù)和高等教育領(lǐng)域與西方國(guó)家存在一定差距,因此雙語(yǔ)教學(xué)是教育改革的一項(xiàng)很有意義的措施。對(duì)雙語(yǔ)教學(xué)中的具體問題,還必須結(jié)合實(shí)際進(jìn)行教學(xué)改革,適當(dāng)掌握雙語(yǔ)講授比例,注意雙語(yǔ)教學(xué)的根本。隨著高等教育的發(fā)展,雙語(yǔ)教學(xué)水平會(huì)不斷提高,教學(xué)效果會(huì)更好。

參考文獻(xiàn):

[1] 教育部. 教育部財(cái)政部關(guān)于實(shí)施高等學(xué)校本科教學(xué)質(zhì)量與教學(xué)改革工程的意見[EB/OL]. [2007-01-22]. edu. cn/gao_deng_781/20070205/t20070205_217843.shtml.

[2] 韓秋. 高校專業(yè)課雙語(yǔ)教學(xué)的思考[J]. 中國(guó)高等教育,2009(19):37-38.

[3] 吳平. 五年來的雙語(yǔ)教學(xué)研究綜述[J]. 中國(guó)大學(xué)教學(xué),2007(1):37-45.

[4] 黃明. 我國(guó)高校雙語(yǔ)教學(xué)與國(guó)外雙語(yǔ)教育之比較[J]. 西南交通大學(xué)學(xué)報(bào):社會(huì)科學(xué)版,2006,7(3):49-54.

[5]C. Steger, M. Ulrich, C. Wiedemann. 機(jī)器視覺算法與應(yīng)用[M]. 楊少榮,吳迪靖,段德山,譯. 北京:清華大學(xué)出版社,2008:1-21.

[6]L. A. Zadeh. Fuzzy Sets[J]. Information Control,1965,8(3):338-353.

[7] 雷英杰,善文,李續(xù)武,等. Matlab遺傳算法工具箱及應(yīng)用[M]. 西安:西安電子科技大學(xué)出版社,2006:160-172.

Reform on Bilingual Teaching of Intelligent Control

LUO Bing, GAN Jun-ying, ZHANG Jian-min

(School of Information Engineering, Wuyi University, Jiangmen 529020, China)