《使用机器视觉从照片中确定西瓜质量》论文笔记
《使用机器视觉从照片中确定西瓜质量》论文笔记
链接:Watermelon Quality Determining from a Photo Using Machine Vision | IEEE Conference Publication | IEEE Xplore
本文讨论了使用机器视觉确定西瓜质量的方法,以及这些方法以应用程序的形式实现。本文描述了在各种情况下将这些方法用于真实西瓜照片的实验。为了编写算法,研究了确定西瓜成熟度的现有方法。在实验过程中,解决了使用机器视觉算法实现这些方法的问题。获得了一种现成的解决方案,可以从照片中正确确定西瓜的质量。
西瓜遍布世界各地。因此,选择一个好的西瓜,无论是对于普通人还是对于农学家或农民来说,都是一个紧迫的问题。这项研究的目的是创建一个方便高效的软件,使用机器视觉从照片中确定西瓜的质量。这项研究既可用于个人目的,也可用于生产。这将有助于任何人通过一张照片确定他面前西瓜的质量。研究中讨论的方法也可用于其他产品。这项研究将有助于提高种植和供应的西瓜的质量,并且还将允许任何人评估提供给他的西瓜,并得出关于这种西瓜的质量的结论,甚至可能是整个批次。
本文讨论了以下特征和识别它们的方法:西瓜条纹的对比,西瓜茎水分,茎形状,西瓜大小,黄色斑点大小(如果存在),外部缺陷,如裂缝,划痕或霉菌,以及皮肤暗沉[1]。
为了研究上述迹象,使用了Python语言的OpenCV库[2],因为它的可用性,实用性以及用于任务的各种算法和方法的广泛性。要分析西瓜的质量,只需从任何角度拍摄一张照片就足够了(图1)。为了使用要素,决定使用颜色分割。在标准RGB色彩空间中,很难定义颜色范围。例如,第二个值负责 RGB 中的绿色,这意味着它将是最高的。例如,如果我们有一个浅绿色,那么它的值将是(140,230,110)和深绿色(45,115,20)。如果我们考虑这两种颜色之间的所有阴影,那么,例如,(115,115,115)将落入此范围,这是灰色阴影,不包括在我们的绿色渐变中。为了解决这个问题,决定将RGB转换为HSV(图2)。使用HSV,您可以获得任何颜色[3]的全光谱,即用于研究目的:浅绿色,深绿色和黄色的阴影。
为了设置渐变,实验确定了绿色和黄色阴影边界的值。如果西瓜的绿色条纹在饱和度和价值上没有太大差异,那么西瓜很有可能是不成熟的,不好吃[4]。西瓜上的条纹具有不同的色调,因此使用两个面具来确定颜色:深绿色(图3)和浅绿色。我们使用颜色分割[5]使绿色蔬菜从其他所有东西中脱颖而出。对西瓜图像应用蒙版会在黑色背景上生成深色/浅色条纹的图像。
由于仅突出显示深绿色和浅绿色的阴影,因此有必要突出显示特定值以进行后续比较。K-means色聚类方法[6]搜索主色。在对比度和亮度方面相互比较这些值,分析结果。
此外,成熟西瓜的标志可以是土点或黄色斑点(图1)。如果西瓜上有污渍,并且从8到10厘米不等,那么很可能这个西瓜是成熟而美味的。为了确定黄色斑点的边界,使用了2个黄色面具(图4),因为斑点的颜色不均匀,并且在西瓜的浅色和深色条纹上,斑点分别具有不同的阴影。
这些范围被取出并变成不同的颜色,而不是在西瓜上以统一它。接下来,将图像转换为灰度,然后使用«阈值»函数选择阈值图像(图5)。
接下来,您需要确定等值线的面积,因此,使用两种算法:findContours查找所有等值线和«findGreatesContours“以查找其中最大轮廓的面积。他们的工作结果如下所示。findContours算法在阈值图像中找到了所有轮廓(标记为红色),而“findGreatesContours”算法计算了它们的区域并推导出了其中最大的轮廓(图6)。大多数情况下,最大的轮廓是黄色斑点。由于该区域是以像素为单位获得的,因此有必要将此区域与某些内容进行比较。必须从初始图像中减去上述所有蒙版,以获得带有黑点而不是西瓜的图像。黑色空间的面积是西瓜的面积。黄斑和西瓜的面积可以相互比较,因为西瓜的大小约为20-25厘米,这意味着西瓜与黄斑的面积之比约为2-3.125。
茎水分不是一个可靠的指标,因为水分取决于许多特征,如天气,室内湿度等。茎的形状还取决于不仅与西瓜质量相关的因素。西瓜的大小取决于相机的位置和角度,因此如果确定了西瓜的面积,则只能与黄点的面积进行比较(如果有的话)。外部缺陷、裂缝也很难确定,因为西瓜上的灰尘、污垢或轻微划痕都可以被识别为西瓜质量差的标志。
皮肤的暗沉可以通过反射来检测。如果光线落在西瓜上,如果光线有光泽,反射将非常轻,如果是哑光,则反射会更少。因此,如果西瓜上有非常浅的斑点,那么这将意味着果皮有光泽,这意味着它可能不新鲜。为了解决这个问题,计算了图像中的白色面积。如果获得的值很高,则西瓜反射光线,其外皮有光泽。这种方法仅在一定角度和白光下确定果皮的暗沉度,即在阴影或任何其他光线下,此方法将不起作用。因此,如果找到空白点,则此方法的结果将为负数,如果未找到任何内容,则结果将为零。
存在错误,因为在红色,蓝色或任何其他光线下,果皮上的绿色条纹将具有相应的色调,因此建议在白天拍摄西瓜的照片或使用色温约为4300 - 5100 K的光源。
这项研究允许您从一张照片中确定西瓜的质量。西瓜上的条纹从任何角度都可见,但由于彩色照明,相机可能会错误地转移其颜色。黄色斑点从任何角度都看不见,但如果是,那么这将是这种西瓜质量的良好标志。该程序还使用落在西瓜皮上的光来确定果皮的不透明度。该程序允许您相当可靠地评估西瓜,但仍然存在错误。例如,如果一个人没有机会拍摄黄色斑点或光线太暗,那么程序结果的准确性将不是最好的。建议在白天使用闪光灯或拍摄西瓜。由于从任何角度都看不到黄色斑点,因此建议从不同角度拍摄2-3张照片。以下是算法接收的值(图 6)。1-2 - 分别是西瓜和黄斑的面积。3-4 - 浅绿色和深绿色的值。5-6 饱和度和光照度差异。接下来是突出显示点的区域。接下来是黄斑面积与西瓜面积的比值。最后一个是这个西瓜的质量,以百分比为单位。
可以修改该软件以评估具有外部新鲜度迹象的其他产品的质量。这项研究也将有助于确定一批西瓜的质量,以便将来改善它们的种植。该程序的完整工作如下所示(图8)。
因此,我们获得了可以安装在手机,计算机或其他设备上的简单软件。该研究将允许将一些方法转移到其他产品上。该程序本身属于公共领域,这将允许任何人对其进行修改,例如,从相机添加图像捕获。也可以基于这项研究开发一个应用程序,因为Python及其库目前在Android和MacOS上运行。如果我们做一个清晰易懂的界面,你口袋里就会得到一个西瓜质量指标 无论如何,我认为这项研究将帮助大量寻找优质丰富的维生素和营养素来源的普通人,以及想要提高西瓜质量以增加利润或优化种植的企业家。
《使用机器视觉从照片中确定西瓜质量》论文笔记相关推荐
- 论文笔记之Understanding and Diagnosing Visual Tracking Systems
Understanding and Diagnosing Visual Tracking Systems 论文链接:http://dwz.cn/6qPeIb 本文的主要思想是为了剖析出一个跟踪算法中到 ...
- 《Understanding and Diagnosing Visual Tracking Systems》论文笔记
本人为目标追踪初入小白,在博客下第一次记录一下自己的论文笔记,如有差错,恳请批评指正!! 论文相关信息:<Understanding and Diagnosing Visual Tracking ...
- 论文笔记Understanding and Diagnosing Visual Tracking Systems
最近在看目标跟踪方面的论文,看到王乃岩博士发的一篇分析跟踪系统的文章,将目标跟踪系统拆分为多个独立的部分进行分析,比较各个部分的效果.本文主要对该论文的重点的一个大致翻译,刚入门,水平有限,如有理解错 ...
- 目标跟踪笔记Understanding and Diagnosing Visual Tracking Systems
Understanding and Diagnosing Visual Tracking Systems 原文链接:https://blog.csdn.net/u010515206/article/d ...
- 追踪系统分模块解析(Understanding and Diagnosing Visual Tracking Systems)
追踪系统分模块解析(Understanding and Diagnosing Visual Tracking Systems) PROJECT http://winsty.net/tracker_di ...
- ICCV 2015 《Understanding and Diagnosing Visual Tracking Systems》论文笔记
目录 写在前面 文章大意 一些benchmark 实验 实验设置 基本模型 数据集 实验1 Featrue Extractor 实验2 Observation Model 实验3 Motion Mod ...
- Understanding and Diagnosing Visual Tracking Systems
文章把一个跟踪器分为几个模块,分别为motion model, feature extractor, observation model, model updater, and ensemble po ...
- CVPR 2017 SANet:《SANet: Structure-Aware Network for Visual Tracking》论文笔记
理解出错之处望不吝指正. 本文模型叫做SANet.作者在论文中提到,CNN模型主要适用于类间判别,对于相似物体的判别能力不强.作者提出使用RNN对目标物体的self-structure进行建模,用于提 ...
- ICCV 2017 UCT:《UCT: Learning Unified Convolutional Networks forReal-time Visual Tracking》论文笔记
理解出错之处望不吝指正. 本文模型叫做UCT.就像论文题目一样,作者提出了一个基于卷积神经网络的end2end的tracking模型.模型的整体结构如下图所示(图中实线代表online trackin ...
- CVPR 2018 STRCF:《Learning Spatial-Temporal Regularized Correlation Filters for Visual Tracking》论文笔记
理解出错之处望不吝指正. 本文提出的模型叫做STRCF. 在DCF中存在边界效应,SRDCF在DCF的基础上中通过加入spatial惩罚项解决了边界效应,但是SRDCF在tracking的过程中要使用 ...
最新文章
- python数据分析第七章实训3_《利用python进行数据分析》读书笔记--第七章 数据规整化:清理、转换、合并、重塑(二)...
- noip2016 蚯蚓
- Python编程技巧合集
- paip.dom4j中 selectSingleNode 或selectNodes获取不到节点的原因总结
- 比Spark更适合工业互联网的数据库——热门时序数据库介绍与核心文档汇总【施工中,欢迎留言加入】
- 阿里云GIS曾志明:空间数据中台是什么,怎么用
- 面试字节跳动计算机视觉算法实习岗位
- Visual Studio2019出现“ 激活远程语言服务器 c#/Visual Basic 语言服务器客户端出错”请运行devenv/log...…“的解决办法
- SOUI实例之扫雷一
- Git遇到的问题:This is not a valid source path/URL
- SmartUpload用法
- 多边形的凹凸性判断及python实现
- 免费隐私保护国外域名注册商namecheap教程
- NLP之分词技术理论
- java BMI体重测量代码
- docker: Error response from daemon: driver failed programming external connectivity on endpoint mys
- 五行灵根 鸿蒙珠,异世鸿蒙武神
- PS简单打造照片非主流黑白色头像
- 天猫用户重复购买预测之特征工程
- 安全测试-短信验证码
热门文章
- NS3_Tutorial 中文版: 第一章 简介
- Briarcliff Entertainment 购买了关于开创性的非裔美国 NBA 球员的电视剧“Sweetwater”(独家)
- matlab中二维散点图,MATLAB实例:二维散点图
- R实现K-means
- 我胡汉三又回来了之拼多多笔试复盘
- INA240三相无刷电机电流采样实例(arduino)
- python适合什么发型-下面不属于python特性的是( )。
- Ovftool安装导出vsphere虚拟机
- android7.x Launcher3源码解析(2)---框架结构
- Kernel panic - not syncing: Attempted to kill init