江南大学轻工过程先进控制教育部重点实验室, 江苏 无锡 214122
将机器视觉技术引入到了茶小绿叶蝉的自动识别领域, 以实现茶园中茶小绿叶蝉的准确及时预报。采集了自然场景下黄色诱虫板的图像,利用超像素分割算法和多DBSCAN聚类图像融合的方法对采集的图像进行区域分割,保证了目标区域的准确性和完整性。在此基础上,提取了目标图像子区域的L、a、b均值和标准差特征,构建了最小二乘支持向量机(LSSVM)自动识别模型。为解决训练样本中茶小绿叶蝉和其他害虫数量不均衡带来的分类超平面偏移问题,采用改进SMOTE算法和KS算法来提高模型对茶小绿叶蝉小样本的识别精度。结果表明,该算法的整体识别精度可达到99.03%,茶小绿叶蝉的查准率可达91.76%,为茶小绿叶蝉的实时检测提供了有效途径。
机器视觉 茶小绿叶蝉 自动识别 超像素分割 激光与光电子学进展
2018, 55(1): 011502
1 江南大学 轻工过程先进控制教育部重点实验室, 信息与控制实验教学中心, 江苏 无锡 214122
2 无锡信捷电气股份有限公司, 江苏 无锡 214072
为了提高磁瓦表面缺陷在线检测准确率并降低检测时间, 提出一种基于机器视觉的检测方法。离线训练时, 对经过Gabor小波处理后的子图进行融合并提取纹理特征, 使用改进的Relief算法提取与类别相关性强的特征子集,并去除冗余特征。为降低缺陷磁瓦的漏检率, 先进行偏向性分类处理, 再采用最小二乘支持向量机进行分类预测。实验表明, 整体预测准确率96.89%, 缺陷磁瓦分类准确率达到99.09%, 且在线预测时间减少了近1/4, 只需67.4ms。
光学测量 缺陷检测 特征选择 虚拟少数类过采样 机器视觉 optical measurement defect detection feature selection SMOTE machine vision
