時(shí)間：2023-09-21 17:34:23
開篇：寫作不僅是一種記錄，更是一種創(chuàng)造，它讓我們能夠捕捉那些稍縱即逝的靈感，將它們永久地定格在紙上。下面是小編精心整理的12篇計(jì)算機(jī)視覺技術(shù)及應(yīng)用，希望這些內(nèi)容能成為您創(chuàng)作過程中的良師益友，陪伴您不斷探索和進(jìn)步。
關(guān)鍵詞：計(jì)算機(jī)視覺技術(shù)；食品工業(yè)；分級；圖像處理
中圖分類號： TS207 文獻(xiàn)標(biāo)識碼：A
隨著微型個(gè)人計(jì)算機(jī)應(yīng)用的越來越廣泛，以及計(jì)算機(jī)在綜合學(xué)科中應(yīng)用的深入研究，現(xiàn)如今在工農(nóng)業(yè)、軍事國防、醫(yī)學(xué)衛(wèi)生等眾多領(lǐng)域的使用和研究方面計(jì)算機(jī)視覺技術(shù)都起到了至關(guān)重要的作用，為了節(jié)省人力、降低成本、減少誤差，該項(xiàng)技術(shù)在食品企業(yè)、科研院所、檢測機(jī)構(gòu)中的應(yīng)用更加普遍。如今，在農(nóng)產(chǎn)品藥物殘留檢測、水果重量分級、等級篩選、質(zhì)量監(jiān)管等方面計(jì)算機(jī)視覺技術(shù)有眾多應(yīng)用。
1 計(jì)算機(jī)視覺技術(shù)概述
計(jì)算機(jī)視覺技術(shù)是利用計(jì)算機(jī)、攝像機(jī)、圖像卡以及相關(guān)處理技術(shù)來模擬人的視覺，用以識別、感知和認(rèn)識我們生活的世界[1]。該技術(shù)是模擬識別人工智能、心理物理學(xué)、圖像處理、計(jì)算機(jī)科學(xué)及神經(jīng)生物學(xué)等多領(lǐng)域的綜合學(xué)科。計(jì)算機(jī)視覺技術(shù)用攝像機(jī)模擬人眼，用計(jì)算機(jī)模擬大腦，用計(jì)算機(jī)程序和算法來模擬人對事物的認(rèn)識和思考，替代人類完成程序?yàn)槠湓O(shè)定的工作。該技術(shù)由多個(gè)相關(guān)的圖像處理系統(tǒng)組成，主要包括光源提供系統(tǒng)、圖像提取系統(tǒng)、計(jì)算機(jī)數(shù)據(jù)運(yùn)算系統(tǒng)等。原理是：首先通過攝像機(jī)獲得所需要的圖像信息，然后利用信號轉(zhuǎn)換將獲得的圖像信息轉(zhuǎn)變?yōu)閿?shù)字圖像以便計(jì)算機(jī)正確識別[2]。隨著科學(xué)技術(shù)的發(fā)展，計(jì)算機(jī)技術(shù)在各個(gè)領(lǐng)域得到廣泛應(yīng)用，計(jì)算機(jī)視覺技術(shù)不僅在代替人類視覺上取得了重大成就，而且在很多具體工作方便超越了人的視覺功能。計(jì)算機(jī)視覺計(jì)算有如此快速的發(fā)展，是因?yàn)榕c人類的視覺相比該技術(shù)具有以下顯著優(yōu)勢[3]。
1.1 自動(dòng)化程度高
計(jì)算機(jī)視覺可以實(shí)現(xiàn)對農(nóng)產(chǎn)品的多個(gè)外形和內(nèi)在品質(zhì)指標(biāo)進(jìn)行同時(shí)檢測分析，可以進(jìn)行整體識別、增強(qiáng)對目標(biāo)識別的準(zhǔn)確性。
1.2 實(shí)現(xiàn)無損檢測
由于計(jì)算機(jī)視覺技術(shù)對農(nóng)產(chǎn)品的識別是通過掃描、攝像，而不需要直接接觸，可以減少對所檢測食品的傷害。
1.3 穩(wěn)定的檢測精度
設(shè)計(jì)的運(yùn)行程序確定后，計(jì)算機(jī)視覺技術(shù)的識別功能就會(huì)具有統(tǒng)一的識別標(biāo)準(zhǔn)，具有穩(wěn)定的檢測精度，避免了人工識別和檢測時(shí)主觀因素所造成的差異。
2 計(jì)算機(jī)視覺技術(shù)在食品檢測中的應(yīng)用
20世紀(jì)70年代初，學(xué)者開始研究計(jì)算機(jī)視覺技術(shù)在食品工業(yè)中的應(yīng)用，近幾十年電子技術(shù)得到快速發(fā)展，計(jì)算機(jī)視覺技術(shù)也越來越成熟。國內(nèi)外學(xué)者在研究計(jì)算機(jī)視覺技術(shù)在食品工業(yè)中的應(yīng)用方面主要集中在該技術(shù)對果蔬的外部形態(tài)（如形狀、重量、外觀損傷、色澤等）的識別、內(nèi)部無損檢測等方面。國內(nèi)有關(guān)計(jì)算機(jī)視覺技術(shù)在食品業(yè)中的應(yīng)用研究起始于90年代，比國外發(fā)達(dá)國家晚多達(dá)20a，但是發(fā)展很快。
2.1 計(jì)算機(jī)視覺技術(shù)在果蔬分級中的應(yīng)用研究
計(jì)算機(jī)視覺技術(shù)在食品檢測中的應(yīng)用研究相當(dāng)廣泛，從外部直徑、成熟度的檢測到內(nèi)部腐爛程度的檢測都有研究。韓偉等[4]采用分割水果的拍攝圖像和新的計(jì)算機(jī)算法計(jì)算水果的半徑，進(jìn)而得出果蔬的最大直徑。研究表明，該算法不僅降低了計(jì)算量而且提高了計(jì)算精度，此方法用于水果分級的誤差不超過2mm，高于國際水果分級標(biāo)準(zhǔn)所規(guī)定的5mm分類標(biāo)準(zhǔn)差，可在工業(yè)生產(chǎn)中很好應(yīng)用。李慶中[5]也利用圖像的缺陷分割算法研究了計(jì)算機(jī)視覺技術(shù)在蘋果檢測與分級中的應(yīng)用，結(jié)果表明此算法能快速、有效地分割出蘋果的表面缺陷。孫洪勝等[6]以蘋果色澤特征比率的變化規(guī)律為理論基礎(chǔ)，結(jié)合模糊聚類知識利用計(jì)算機(jī)視覺技術(shù)來檢測蘋果缺陷域，檢測不僅快速而且結(jié)果精確。劉禾等[7]通過研究認(rèn)為蘋果的表面缺陷可以利用計(jì)算機(jī)視覺技術(shù)進(jìn)行檢測，計(jì)算機(jī)視覺技術(shù)還可以將蘋果按照檢測結(jié)果進(jìn)行分級，把檢測過的蘋果分成裂果、刺傷果、碰傷果和蟲傷果等類別。梨的果梗是否存在是梨類分級的重要特征之一，應(yīng)義斌等[8]通過計(jì)算機(jī)視覺技術(shù)、圖像處理技術(shù)、傅立葉描述子的方法來描述和識別果形以及有無果柄，其識別率達(dá)到90%。楊秀坤等[9]綜合運(yùn)用計(jì)算機(jī)視覺技術(shù)、遺傳算法、多層前饋神經(jīng)網(wǎng)絡(luò)系統(tǒng)，實(shí)現(xiàn)了具有精確度高、靈活性強(qiáng)和速度快等優(yōu)點(diǎn)的蘋果成熟度自動(dòng)判別。陳育彥等[10]采用半導(dǎo)體激光技術(shù)、計(jì)算機(jī)視覺技術(shù)和圖像分析技術(shù)相結(jié)合的方法檢測蘋果表面的機(jī)械損傷和果實(shí)內(nèi)部的腐爛情況，初步驗(yàn)證了計(jì)算機(jī)視覺技術(shù)檢測蘋果表面的損傷和內(nèi)部腐爛是可行的。馮斌等[11]通過計(jì)算機(jī)視覺技術(shù)對水果圖像的邊緣進(jìn)行檢測，然后確定水果的大小用以水果分級。試驗(yàn)表明，該方法比傳統(tǒng)的檢測方法速度快、準(zhǔn)確率高，適用于計(jì)算機(jī)視覺的實(shí)時(shí)檢測。朱偉[12]在模糊顏色的基礎(chǔ)上，分析西紅柿損傷部分和完好部分模糊顏色的差別，用分割方法對西紅柿的缺陷進(jìn)行分割，結(jié)果顯示準(zhǔn)確率高達(dá)96%。曹樂平等[13]人研究了溫州蜜柑的果皮顏色與果實(shí)可滴定酸含量以及糖分含量之間的相關(guān)性，然而根據(jù)相關(guān)性，樣品檢測的正確識別率分別只有約74%和67%。劉剛等[14]從垂直和水平兩個(gè)方向獲取蘋果的圖像，并通過計(jì)算機(jī)自動(dòng)分析圖像數(shù)據(jù)，對蘋果的外徑、體積、以及圓形度等參數(shù)進(jìn)行處理，與人工檢測相比，計(jì)算機(jī)視覺技術(shù)具有檢測效率高，檢測標(biāo)準(zhǔn)統(tǒng)一性好等優(yōu)點(diǎn)。Blasco. J [15]通過計(jì)算機(jī)視覺技術(shù)分析柑橘果皮的缺陷，進(jìn)而對其在線分級，正確率約為95%。趙廣華等[16]人綜合計(jì)算機(jī)視覺識別系統(tǒng)、輸送轉(zhuǎn)換系統(tǒng)、輸送翻轉(zhuǎn)系統(tǒng)、差速勻果系統(tǒng)和分選系統(tǒng)，研制出一款適于實(shí)時(shí)監(jiān)測、品質(zhì)動(dòng)態(tài)的智能分級系統(tǒng)，能夠很好地實(shí)現(xiàn)蘋果分級。王江楓等[17]建立了芒果重量與攝影圖像的相互關(guān)系，應(yīng)用計(jì)算機(jī)視覺技術(shù)檢測桂香芒果和紫花芒果的重量和果面損傷，按重量分級其準(zhǔn)確率均為92%，按果面損傷分級的準(zhǔn)確率分別為76%和80%。
2.2 計(jì)算機(jī)視覺技術(shù)在禽蛋檢測中的應(yīng)用研究
禽蛋企業(yè)在生產(chǎn)過程中，產(chǎn)品的分級、品質(zhì)檢測主要采用人工方法，不僅需要大量的物力人力，而且存在勞動(dòng)強(qiáng)度大、人為誤差大、工作效率低等缺點(diǎn)，計(jì)算機(jī)視覺技術(shù)可以很好的解決這類產(chǎn)品工業(yè)生產(chǎn)中存在的困擾。歐陽靜怡等[18]利用計(jì)算機(jī)視覺技術(shù)來檢測雞蛋蛋殼裂紋，利用攝像機(jī)獲取雞蛋圖像后，采用fisher、同態(tài)濾波和BET算法等優(yōu)化后的圖像處理技術(shù)，獲得裂紋形狀并判斷，試驗(yàn)結(jié)果表明，計(jì)算機(jī)視覺技術(shù)對雞蛋蛋殼裂紋的檢測準(zhǔn)確率高達(dá)98%。汪俊德等[19]以計(jì)算機(jī)視覺技術(shù)為基礎(chǔ)，設(shè)計(jì)出一套雙黃雞蛋檢測系統(tǒng)。該系統(tǒng)獲取蛋黃指數(shù)、蛋黃特征和蛋形尺寸等特征，和設(shè)計(jì)的數(shù)學(xué)模型對比來實(shí)現(xiàn)雙黃雞蛋的檢測和識別，檢測準(zhǔn)確率高達(dá)95%。鄭麗敏等[20]人通過高分辨率的數(shù)字?jǐn)z像頭獲取雞蛋圖像，根據(jù)圖像特征建立數(shù)學(xué)模型來預(yù)測雞蛋的新鮮度和貯藏期，結(jié)果表明，計(jì)算機(jī)視覺技術(shù)對雞蛋的新鮮度、貯藏期進(jìn)行預(yù)測的結(jié)果準(zhǔn)確率為94%。潘磊慶等[21]通過計(jì)算機(jī)視覺技術(shù)和聲學(xué)響應(yīng)信息技術(shù)相結(jié)合的方法檢測裂紋雞蛋，其檢測準(zhǔn)確率達(dá)到98%。Mertens K等[22]人基于計(jì)算機(jī)視覺技術(shù)研發(fā)了雞蛋的分級檢測系統(tǒng)，該系統(tǒng)識別帶污漬雞蛋的正確率高達(dá)99%。
2.3 計(jì)算機(jī)視覺技術(shù)在檢測食品中微生物含量中的應(yīng)用研究
計(jì)算機(jī)技術(shù)和圖像處理技術(shù)在綜合學(xué)科中的應(yīng)用得到快速發(fā)展，在微生物快速檢測中的應(yīng)用也越來越多，主要是針對微生物微菌落的處理。食品工業(yè)中計(jì)算機(jī)視覺技術(shù)在微生物檢測方面的研究和應(yīng)用以研究單個(gè)細(xì)胞為主，并在個(gè)體細(xì)胞的研究上取得了一定的進(jìn)展。殷涌光等[23]以顏色特征分辨技術(shù)為基礎(chǔ)，設(shè)計(jì)了一套應(yīng)用計(jì)算機(jī)視覺技術(shù)快速定量檢測食品中大腸桿菌的系統(tǒng)，該系統(tǒng)檢測結(jié)果與傳統(tǒng)方法的檢測結(jié)果具有很好的相關(guān)性，但與傳統(tǒng)方法相比，可以節(jié)省5d時(shí)間，檢測時(shí)間在18h以內(nèi)，并且能夠有效提高產(chǎn)品品質(zhì)。Lawless等[24]人等時(shí)間段測定培養(yǎng)基上的細(xì)胞密度，然后通過計(jì)算機(jī)技術(shù)建立時(shí)間和細(xì)胞密度之間的動(dòng)態(tài)關(guān)聯(lián)，利用該關(guān)聯(lián)可以預(yù)測和自動(dòng)檢測微生物的生長情況，如通過計(jì)算機(jī)控制自動(dòng)定量采集檢測對象，然后分析菌落的邊緣形態(tài)，根據(jù)菌落的邊緣形態(tài)計(jì)算機(jī)可以顯示被檢測菌落的具置，并且根據(jù)動(dòng)態(tài)關(guān)聯(lián)計(jì)算機(jī)視覺系統(tǒng)可以同時(shí)處理多個(gè)不同的樣品。郭培源等[25]人對計(jì)算機(jī)視覺技術(shù)用于豬肉的分級進(jìn)行了研究，結(jié)果顯示計(jì)算機(jī)視覺技術(shù)在識別豬肉表面微生物數(shù)量上與國標(biāo)方法檢測的結(jié)果顯著相關(guān)，該技術(shù)可以有效地計(jì)算微生物的數(shù)量。Bayraktar. B等[26]人采用計(jì)算機(jī)視覺技術(shù)、光散射技術(shù)（BARDOT）和模式識別技術(shù)相結(jié)合的方法來快速檢測李斯特菌，在獲取該菌菌落中的形態(tài)特征有對圖像進(jìn)行分析處理達(dá)到對該菌的分類識別。殷涌光等[27]人綜合利用計(jì)算機(jī)視覺、活體染色、人工神經(jīng)網(wǎng)絡(luò)、圖像處理等技術(shù)，用分辨率為520萬像素的數(shù)字?jǐn)z像機(jī)拍攝細(xì)菌內(nèi)部的染色效果，并結(jié)合新的圖像處理算法，對細(xì)菌形態(tài)學(xué)的8個(gè)特征參數(shù)進(jìn)行檢測，檢測結(jié)果與傳統(tǒng)檢測結(jié)果顯著相關(guān)（相關(guān)系數(shù)R=0.9987），和傳統(tǒng)檢測方法相比該方法具有操作簡單、快速、結(jié)果準(zhǔn)確、適合現(xiàn)場快速檢測等特點(diǎn)。魯靜[28]和劉侃[29]利用顯微鏡和圖像采集儀器，獲取乳制品的掃描圖像，然后微生物的圖像特征，識別出微生物數(shù)量，并以此作為衡量乳制品質(zhì)量是否達(dá)標(biāo)的依據(jù)，并對產(chǎn)品進(jìn)行分級。
2.4計(jì)算機(jī)視覺技術(shù)在其他食品產(chǎn)業(yè)中的應(yīng)用研究
里紅杰等[30]通過提取貝類和蝦類等海產(chǎn)品的形狀、尺寸、紋理、顏色等外形特征，對照數(shù)學(xué)模型，采用數(shù)字圖像處理技術(shù)、計(jì)算機(jī)識別技術(shù)實(shí)現(xiàn)了對貝類和蝦類等海產(chǎn)品的無損檢測和自動(dòng)化分類、分級和質(zhì)量評估，并通過實(shí)例詳細(xì)闡述了該技術(shù)的實(shí)現(xiàn)方法，證實(shí)了此項(xiàng)技術(shù)的有效性。計(jì)算機(jī)視覺技術(shù)還可以檢驗(yàn)玉米粒形和玉米種子質(zhì)量、識別玉米品種和玉米田間雜草[31]。晁德起等[32]通過x射線照射獲取毛葉棗的透視圖像后，運(yùn)用計(jì)算機(jī)視覺技術(shù)對圖像進(jìn)行分析評估，毛葉棗可食率的評估結(jié)果與運(yùn)用物理方法測得的結(jié)果平均誤差僅為1.47%，因此得出結(jié)論：計(jì)算機(jī)視覺技術(shù)可以應(yīng)用于毛葉棗的自動(dòng)分級。Gokmen，V等通用對薯片制作過程中圖像像素的變化來研究薯片的褐變率，通過分析特色參數(shù)來研究薯片中丙烯酰胺的含量和褐變率也關(guān)系，結(jié)果顯示兩項(xiàng)參數(shù)相關(guān)性為0.989，從而可以應(yīng)用計(jì)算機(jī)視覺技術(shù)來預(yù)測加熱食品中丙烯酰胺的含量，該方法可以在加熱食品行業(yè)中得到廣泛應(yīng)用。韓仲志等人拍攝和掃描11類花生籽粒，每類100顆不同等級的花生籽粒的正反面圖像，利用計(jì)算機(jī)視覺技術(shù)對花生內(nèi)部和外部采集圖像，并通過圖像對其外在品質(zhì)和內(nèi)在品質(zhì)進(jìn)行分析，并建立相應(yīng)的數(shù)學(xué)模型，該技術(shù)在對待檢樣品進(jìn)行分級檢測時(shí)的正確率高達(dá)92%。另外，郭培源等人以國家標(biāo)準(zhǔn)為依據(jù)，通過數(shù)字?jǐn)z像技術(shù)獲取豬肉的細(xì)菌菌斑面積、脂肪細(xì)胞數(shù)、顏色特征值以及氨氣等品質(zhì)指標(biāo)來實(shí)現(xiàn)豬肉新鮮程度的分級辨認(rèn)。
3 展望
新技術(shù)的研究與應(yīng)用必然伴隨著坎坷，從70年代初計(jì)算機(jī)視覺技術(shù)在食品工業(yè)中進(jìn)行應(yīng)用開始，就遇到了很多問題。計(jì)算機(jī)視覺技術(shù)在食品工業(yè)中的研究及應(yīng)用主要存在以下幾方面的問題。
3.1 檢測指標(biāo)有限
計(jì)算機(jī)視覺技術(shù)在檢測食品單一指標(biāo)或者以一個(gè)指標(biāo)作為分級標(biāo)準(zhǔn)進(jìn)行分級時(shí)具有理想效果，但以同一食品的多個(gè)指標(biāo)共同作為分級標(biāo)準(zhǔn)進(jìn)行檢測分級，則分級結(jié)果誤差較大。例如，Davenel等通過計(jì)算機(jī)視覺對蘋果的大小、重量、外觀損傷進(jìn)行分析，但研究結(jié)果顯示，系統(tǒng)會(huì)把花粵和果梗標(biāo)記為缺陷，還由于蘋果表面碰壓傷等缺陷情況復(fù)雜，造成分級誤差很大，分級正確率只有69%。Nozer等以計(jì)算機(jī)視覺為主要技術(shù)手段，獲取水果的圖像，進(jìn)而通過分析圖像來確定水果的形狀、大小、顏色和重量，并進(jìn)行分級，其正確率僅為85.1%。
3.2 兼容性差
計(jì)算機(jī)視覺技術(shù)針對單一種類的果蔬分級檢測效果顯著，但是同一套系統(tǒng)和設(shè)備很難用于其他種類的果蔬，甚至同一種類不同品種的農(nóng)產(chǎn)品也很難公用一套計(jì)算機(jī)視覺設(shè)備。Reyerzwiggelaar等利用計(jì)算機(jī)視覺檢查杏和桃的損傷程度，發(fā)現(xiàn)其檢測桃子的準(zhǔn)確率顯著高于杏的。Majumdar.S等利用計(jì)算機(jī)視覺技術(shù)區(qū)分不同種類的麥粒，小麥、燕麥、大麥的識別正確率有明顯差異。
3.3 檢測性能受環(huán)境制約
現(xiàn)階段的計(jì)算機(jī)視覺技術(shù)和配套的數(shù)學(xué)模型適用于簡單的環(huán)境，在復(fù)雜環(huán)境下工作時(shí)會(huì)產(chǎn)生較大的誤差。Plebe等利用計(jì)算機(jī)視覺技術(shù)對果樹上的水果進(jìn)行識別定位，但研究發(fā)現(xiàn)由于光照條件以及周邊環(huán)境的影響，水果的識別和定位精度不高，不能滿足實(shí)際生產(chǎn)的需要。
綜上所述，可看出國內(nèi)外學(xué)者對計(jì)算機(jī)視覺技術(shù)在食品工業(yè)中的應(yīng)用進(jìn)行了大量的研究，有些研究從單一方面入手，有些研究綜合了多個(gè)學(xué)科，在研究和應(yīng)用的過程中，取得了較大的經(jīng)濟(jì)效益，也遇到了很多問題，在新的形勢下，計(jì)算機(jī)視覺技術(shù)和數(shù)碼拍攝、圖像處理、人工神經(jīng)網(wǎng)絡(luò)，數(shù)學(xué)模型建設(shè)、微生物快速計(jì)量等高新技術(shù)相融合的綜合技術(shù)逐漸成為了各個(gè)領(lǐng)域?qū)W者的研究熱點(diǎn)，以計(jì)算機(jī)視覺為基礎(chǔ)的綜合技術(shù)也將在食品工業(yè)中發(fā)揮更加重要的作用。
參考文獻(xiàn)
[1] 寧紀(jì)鋒，龍滿生，何東健.農(nóng)業(yè)領(lǐng)域中的計(jì)算機(jī)視覺研究[J].計(jì)算機(jī)與農(nóng)業(yè)，2001（01）：1-3.
[2] 李崢.基于計(jì)算機(jī)視覺的蔬菜顏色檢測系統(tǒng)研究[D].吉林：吉林大學(xué)，2004.
[3] 曾愛群.基于計(jì)算機(jī)視覺與神經(jīng)網(wǎng)絡(luò)的芒果等級分類研究[D].桂林：桂林工學(xué)院，2008.
[4] 韓偉，曾慶山.基于計(jì)算機(jī)視覺的水果直徑檢測方法的研究[J].中國農(nóng)機(jī)化，2011（05）：25-29.
[5] 李慶中.蘋果自動(dòng)分級中計(jì)算機(jī)視覺信息快速獲取與處理技術(shù)的研究[D].北京：中國農(nóng)業(yè)大學(xué)，2000.
[6] 孫洪勝，李宇鵬，王成，等.基于計(jì)算機(jī)視覺的蘋果在線高效檢測與分級系統(tǒng)[J].儀表技術(shù)與傳感器，2011（06）：62-65.
[7] 劉禾，汀慰華.水果果形判別人工神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的研究[J].農(nóng)業(yè)工程學(xué)報(bào)，1996，12（0l）：171-176.
[8] 應(yīng)義斌，景寒松，馬俊福.用計(jì)算機(jī)視覺進(jìn)行黃花梨果梗識別的新方法[J].農(nóng)業(yè)工程學(xué)報(bào)，1998，14（02）：221-225.
[9] 楊秀坤，陳曉光，馬成林，等.用遺傳神經(jīng)網(wǎng)絡(luò)方法進(jìn)行蘋果顏色白動(dòng)檢測的研究[J].農(nóng)業(yè)工程學(xué)報(bào)，1997，13（02）：193-176.
[10] 陳育彥，屠康，柴麗月，等.基于激光圖像分析的蘋果表面損傷和內(nèi)部腐爛檢測[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40（07）：133-137.
[11] 馮斌，汪憋華.基于計(jì)算機(jī)視覺的水果大小檢測方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2003，34（01）：73-75.
[12] 朱偉，曹其新.基于模糊彩色聚類方法的西紅柿缺陷分割[J].農(nóng)業(yè)工程學(xué)報(bào)，2003，19（03）：133-136.
[13] 曹樂平，溫芝元，沈陸明.基于色調(diào)分形維數(shù)的柑橘糖度和有效酸度檢測[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，41（03）：143-148.
[14] 劉剛，王立香，柳兆君.基于計(jì)算機(jī)視覺的蘋果質(zhì)量檢測[J].安徽農(nóng)業(yè)科學(xué)，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] 趙廣華，飛，陸奎榮，等.智能化蘋果品質(zhì)實(shí)時(shí)分選系統(tǒng)[J].中國科技信息.
[17] 王江楓，羅錫文，洪添勝，等.計(jì)算機(jī)視覺技術(shù)在芒果重量及果面壞損檢測中的應(yīng)用[J].農(nóng)業(yè)工程學(xué)報(bào)，1998（12）：186-189.
[18] 歐陽靜怡，劉木華.基于計(jì)算機(jī)視覺的雞蛋裂紋檢測方法研究[J].農(nóng)機(jī)化研究，2012（03）：91-93.
[19] 汪俊德，鄭麗敏，徐桂云，等.基于計(jì)算機(jī)視覺技術(shù)的雙黃雞蛋檢測系統(tǒng)研究[J].農(nóng)機(jī)化研究，2012（09）：195-199.
[20] 鄭麗敏，楊旭，徐桂云，等.基于計(jì)算機(jī)視覺的雞蛋新鮮度無損檢測[J].農(nóng)業(yè)工程學(xué)報(bào)，2009，25（03）：335-339.
[21] 潘磊慶，屠康，詹歌，等.基于計(jì)算機(jī)視覺和聲學(xué)響應(yīng)信息融合的雞蛋裂紋檢測[J].農(nóng)業(yè)工程學(xué)報(bào)，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.基于計(jì)算機(jī)視覺的食品中大腸桿菌快速定量檢測[J].吉林大學(xué)學(xué)報(bào)（工學(xué)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，畢松，袁芳.豬肉新鮮度智能檢測分級系統(tǒng)研究[J].食品科學(xué)，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.基于計(jì)算機(jī)視覺的蔬菜中活菌總數(shù)的快速檢測[J].農(nóng)業(yè)工程學(xué)報(bào)，2009，25（07）：249-254.
[28] 魯靜.乳品微生物自動(dòng)檢測系統(tǒng)的設(shè)計(jì)[J].湖北第二師范學(xué)院學(xué)報(bào)，2010，27（08）：115-117.
[29] 劉侃.鮮奶含菌量快速檢測系統(tǒng)[D].華中科技大學(xué)，2008.
[30] 里紅杰，陶學(xué)恒，于曉強(qiáng).計(jì)算機(jī)視覺技術(shù)在海產(chǎn)品質(zhì)量評估中的應(yīng)用[J].食品與機(jī)械，2012，28（04）：154-156.
【關(guān)鍵詞】農(nóng)產(chǎn)品 計(jì)算機(jī)視覺技術(shù) 品質(zhì)檢測
農(nóng)產(chǎn)品品質(zhì)檢測工作中除了采取人工檢測法以外，還可以采取半自動(dòng)或自動(dòng)檢測法，如在水果分級檢測工作中的質(zhì)量分級檢測法、光電分選法以及大小分級法等。然而農(nóng)產(chǎn)品品質(zhì)會(huì)受到自然生長環(huán)境或人為因素等方面的影響，農(nóng)產(chǎn)品的色澤、大小及形狀等并不相同，無法采取單一指標(biāo)進(jìn)行檢測。因此充分應(yīng)用計(jì)算機(jī)視覺技術(shù)，對農(nóng)產(chǎn)品的品質(zhì)進(jìn)行檢測，極為重要。
1 計(jì)算機(jī)視覺技術(shù)
計(jì)算機(jī)視覺技術(shù)又被稱為機(jī)器視覺技術(shù)，指的是通過人類設(shè)計(jì)，在計(jì)算機(jī)環(huán)境下，達(dá)到再現(xiàn)或模擬人類視覺相關(guān)的職能行為的一種技術(shù)，包括了印刷和手寫文字的識別技術(shù)，圖像模式識別技術(shù)，物體三維表面形狀識別技術(shù)、距離識別以及速度感知等技術(shù)。該技術(shù)是諸多學(xué)科的結(jié)合與交叉，涉及到數(shù)學(xué)、生理學(xué)、信息處理、物理學(xué)、光學(xué)以及計(jì)算機(jī)等多種學(xué)科。探究計(jì)算機(jī)視覺技術(shù)的目的在于實(shí)驗(yàn)人類視覺的再現(xiàn)及延伸，即再現(xiàn)高等動(dòng)物的視覺系統(tǒng)，并對物體形狀以及類別進(jìn)行識別。
此外，計(jì)算機(jī)視覺技術(shù)處理的原始資料多是圖像，所以該技術(shù)和圖像處理以及模擬識別等有著緊密的聯(lián)系。現(xiàn)階段，計(jì)算機(jī)視覺技術(shù)在諸多領(lǐng)域有著較為廣泛的運(yùn)用，包括了醫(yī)學(xué)輔助診斷、資源調(diào)查、衛(wèi)星圖像解釋、軍事指導(dǎo)、災(zāi)害監(jiān)測、氣象以及工業(yè)產(chǎn)品的外觀篩選及檢測等。同時(shí)研究該技術(shù)在農(nóng)業(yè)工程領(lǐng)域中的應(yīng)用，也成為了熱門話題。
2 在農(nóng)產(chǎn)品品質(zhì)檢測中，計(jì)算機(jī)視覺技術(shù)的具體應(yīng)用
筆者在查閱相關(guān)文獻(xiàn)資料的基礎(chǔ)上，探究在農(nóng)產(chǎn)品品質(zhì)檢測工作中，計(jì)算機(jī)視覺技術(shù)在產(chǎn)品表面缺陷以及損傷識別工作中的具體應(yīng)用；果形識別工作中的具體應(yīng)用；農(nóng)產(chǎn)品尺寸以及面積檢測工作中的具體應(yīng)用。
2.1 在產(chǎn)品表面缺陷以及損傷識別工作中的具體應(yīng)用
在對農(nóng)產(chǎn)品進(jìn)行分級的過程中，依然存在著一大問題，即農(nóng)產(chǎn)品表面缺損以及損傷識別。而早在1984年就已經(jīng)出現(xiàn)了采取線掃描和模擬攝像機(jī)針對蘋果表面損傷進(jìn)行檢測的實(shí)驗(yàn)報(bào)道，實(shí)驗(yàn)結(jié)果顯示，采取數(shù)據(jù)技術(shù)能夠檢測出蘋果表面損傷，其檢測結(jié)果完全能夠達(dá)到人工分級的精度。與此同時(shí)，還出現(xiàn)了一種機(jī)器視覺系統(tǒng)，該系統(tǒng)將不規(guī)則的圖像信息與正常的圖像信息區(qū)分開來，在去除蔬菜內(nèi)的雜物以及檢測農(nóng)產(chǎn)品的污點(diǎn)等方面能夠取得較好的應(yīng)用效果。此外，在1989年，國外出現(xiàn)了一種全新的計(jì)算方法，即運(yùn)用紅外線掃描攝像機(jī)，處理蘋果表面的灰度圖像，既能夠確定蘋果表面的損傷面積，還能夠區(qū)分不同損傷區(qū)。然而還技術(shù)是以機(jī)械裝置的設(shè)定為基礎(chǔ)，需要消耗2s的時(shí)間，對一個(gè)蘋果進(jìn)行檢測，蘋果表面缺陷分級精度以及損傷分級進(jìn)度并不高。
我國在1997年，出現(xiàn)了運(yùn)用計(jì)算機(jī)圖像處理技術(shù)對蘋果損壞自動(dòng)化檢測的試驗(yàn)研究，該試驗(yàn)結(jié)果顯示，該技術(shù)的損壞檢出率較高，能夠規(guī)避果梗區(qū)以及花萼區(qū)對于壞損區(qū)域識別的具體影響，且該檢測技術(shù)的魯棒性較強(qiáng)。
2.2 在果形識別工作中的具體應(yīng)用
果形識別是影響水果質(zhì)量的重要因素之一，對于水果品質(zhì)檢測有著重大意義。當(dāng)水果成熟后，水果的外形將會(huì)發(fā)生巨大的改變，且無法采取數(shù)學(xué)方法進(jìn)行鑒別，采取其他方式進(jìn)行果形識別極為重要。
在1981年，有研究人員就針對形狀識別中的圖像特征進(jìn)行了探討，提倡采取結(jié)構(gòu)分析法以及外形輪廓曲線檢測法，針對水果外形進(jìn)行識別。并在1985年，以數(shù)字圖像分析技術(shù)以及模式識別技術(shù)為依據(jù)，針對番茄定向、番茄形狀、表面缺陷以及尺寸進(jìn)行分類的特殊算法，運(yùn)用灰度梯度曲線，明確番茄表面缺陷以及花萼位置等。而我國則在2000年，按照果實(shí)形狀分析，通過連續(xù)性指標(biāo)、半徑指標(biāo)、連續(xù)指標(biāo)對稱性、半徑指標(biāo)對稱性等特征參數(shù)，表示果形，并首次采取參數(shù)形狀分析法。
2.3 在農(nóng)產(chǎn)品尺寸以及面積檢測工作中的具體應(yīng)用
農(nóng)產(chǎn)品分級中，以農(nóng)產(chǎn)品外形尺寸為依據(jù)。在1987年，國外就已經(jīng)開始研究機(jī)械視覺技術(shù)在牡蠣肉分級以及尺寸檢測工作中的具體應(yīng)用。并在1992年，針對人工檢測以及機(jī)器視覺檢測進(jìn)行進(jìn)行了對比分析，試驗(yàn)結(jié)果顯示，和人工檢測技術(shù)相比，采取視覺檢測技術(shù)，能夠提高檢測的精確度，減少檢測消耗時(shí)間；同時(shí)在評價(jià)以及推廣種質(zhì)資源中，準(zhǔn)確的測量以及詳細(xì)的記錄種質(zhì)形態(tài)的指標(biāo)，有著極為重要的意義。為了能夠精確、快速地計(jì)算出玉米種質(zhì)尺度，在1995年，有研究人員就提出了自動(dòng)化選擇技術(shù)，該技術(shù)在處理玉米種質(zhì)圖像中，其辨別精度極高。
而我國在2002年，有研究人員就針對水果品質(zhì)進(jìn)行動(dòng)態(tài)、實(shí)時(shí)監(jiān)測的智能化分級生產(chǎn)線進(jìn)行了研究，該生產(chǎn)線，首先通過水果輸送翻轉(zhuǎn)系統(tǒng)，利用滾筒式輸送翻轉(zhuǎn)裝置，將水果往前輸送，在輸送過程中，以水平軸為中心，保證水果表面能夠被系統(tǒng)檢測到，以此獲得圖像信息。然后利用計(jì)算機(jī)視覺識別系統(tǒng)，對水果等級進(jìn)行判斷，明確圖像信息。該系統(tǒng)具備了視覺識別功能。最終通過分級系統(tǒng)，完成水果分級工作。
3 結(jié)語
在二十世紀(jì)七十年代以后，計(jì)算機(jī)視覺技術(shù)就已經(jīng)得到了較為迅速的發(fā)展，在我國，該技術(shù)在農(nóng)產(chǎn)品品質(zhì)檢測中的具體應(yīng)用也得到了人們的高度關(guān)注，同時(shí)也取得了一定的成效。計(jì)算機(jī)視覺技術(shù)作為人眼的延伸技術(shù)之一，其具備了人腦功能，運(yùn)用該技術(shù)代替以往的人工操作技術(shù)，已經(jīng)成為了農(nóng)產(chǎn)品品質(zhì)檢測工作的必然發(fā)展趨勢。
參考文獻(xiàn)
[1]朱從容.計(jì)算機(jī)視覺技術(shù)在水產(chǎn)養(yǎng)殖中的應(yīng)用[J].浙江海洋學(xué)院學(xué)報(bào)（自然科學(xué)版），2008，10（04）：191-192.
[2]王勃，徐靜.計(jì)算機(jī)視覺技術(shù)在蘋果葉片營養(yǎng)診斷上的應(yīng)用[J].農(nóng)機(jī)化研究，2008，（03）：887-888.
[3]李朝東，崔國賢，盛暢，等.計(jì)算機(jī)視覺技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用[J].農(nóng)機(jī)化研究，2009，10（12）：667-668.
作者簡介
陳超（1995-），男，福建省福州市人?，F(xiàn)為北京交通大學(xué)在校學(xué)生。研究方向?yàn)殡娮涌茖W(xué)與技術(shù)。
關(guān)鍵詞：計(jì)算機(jī)視覺圖像 精密測量 構(gòu)造幾何模型 信號源的接收
中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2013）05-1211-02
新型計(jì)算機(jī)視覺圖像精密測量是一種基于計(jì)算機(jī)程序設(shè)計(jì)以及圖像顯示的高精度的關(guān)鍵技術(shù)，它廣泛用于測量的領(lǐng)域，對于測量的準(zhǔn)確性有很好的保證。這種關(guān)鍵技術(shù)是幾何了光學(xué)的特性，發(fā)揮了圖像學(xué)的顯影性，把普通的測量技術(shù)瞬間提升到了一個(gè)新的高度。在這項(xiàng)關(guān)鍵技術(shù)中包含了物理學(xué)中光的效應(yīng)，圖像中的傳感器以及計(jì)算機(jī)中的編程軟件，這還不完全，還有一些其他科學(xué)領(lǐng)域知識的輔助，可以說這項(xiàng)關(guān)鍵技術(shù)是一個(gè)非常有技術(shù)含量的技術(shù)，很值得學(xué)者進(jìn)行研究。
1 計(jì)算機(jī)視覺圖像精密測量的關(guān)鍵技術(shù)的具體形式
在以往的測量中，選擇的測量方式還是完全采用機(jī)械的形式，但是在使用了計(jì)算機(jī)視覺圖像精密測量后，完成了許多以往技術(shù)所不能達(dá)到的任務(wù)。在我們的研究中，計(jì)算機(jī)視覺圖像測量的原理是通過攝像機(jī)將被處理的對象采集進(jìn)行影像采集，在多個(gè)控制點(diǎn)的數(shù)據(jù)采集完成后，系統(tǒng)會(huì)自動(dòng)將這些圖像進(jìn)行整合，得出相關(guān)的幾何多變參數(shù)，再在計(jì)算機(jī)上以具體的數(shù)據(jù)顯示出來，以供技術(shù)人員使用參照。
在上面所說的攝像機(jī)并不是我們通常意義上生活中使用的攝像機(jī)。它是一種可視化較強(qiáng)，表針比較敏感的測試儀?？梢詫⒁曈X中的二維形態(tài)通過顯影，記錄在機(jī)械的光譜儀上，再將這種的二維圖像做數(shù)學(xué)處理，有二階矩陣轉(zhuǎn)換為三階矩陣，通過播放儀呈現(xiàn)出三維的影像。這時(shí)的圖像變?yōu)榱Ⅲw化，更有層次感，效果上也有了明顯的變化，這是一種顯示方法。此外還有一種造價(jià)較高的儀器，我們不常使用，就是圖像提取器。同樣是采集控制點(diǎn)的數(shù)據(jù)，將數(shù)據(jù)整合在系統(tǒng)之內(nèi)，然后對于原始的圖像進(jìn)行預(yù)處理，不再經(jīng)過有曝光這個(gè)程序，將圖像中關(guān)鍵點(diǎn)的坐標(biāo)在整個(gè)內(nèi)部軸面上體現(xiàn)出來，提取數(shù)據(jù)幀數(shù)，再運(yùn)用機(jī)器的智能識別系統(tǒng)，對控制點(diǎn)的坐標(biāo)進(jìn)行數(shù)據(jù)分析，自動(dòng)生成圖形，這也可以用于精密測量。它的優(yōu)點(diǎn)就是使用上極其的方面，基本只要架立儀器和打開開關(guān)，其他的工作機(jī)械系統(tǒng)都會(huì)自動(dòng)的完成。使用的困難就是造價(jià)極其的高，不適合一般企業(yè)使用。在基于計(jì)算機(jī)視覺圖像測量中使用上的原理如下：
1） 計(jì)算出觀察控制點(diǎn)到計(jì)算機(jī)視覺圖像測量儀器的有效距離；
2） 得出觀察點(diǎn)到目標(biāo)控制點(diǎn)之間的三維的運(yùn)動(dòng)幾何參數(shù)；
3） 推斷出目標(biāo)控制點(diǎn)在整個(gè)平面上的表面特征（ 大多時(shí)候要求形成立體視覺）；
4） 還通過觀察可以判斷出目標(biāo)物體的幾何坐標(biāo)方位。
在整個(gè)計(jì)算機(jī)視覺圖像精密測量的關(guān)鍵技術(shù)中最關(guān)鍵的元件就是壓力應(yīng)變電阻儀，這也是傳感器的一部分。壓力應(yīng)變電阻儀的使用方式是將應(yīng)力片粘貼在控制點(diǎn)位上，事先在物體表面打磨平整，清理干凈后，涂抹丙酮試劑，在液體完全風(fēng)干后就可以黏貼應(yīng)力片，通過導(dǎo)線的聯(lián)接，形成了一小段閉合的電路，時(shí)刻讓計(jì)算機(jī)視覺圖像系統(tǒng)可以感應(yīng)到并作跟蹤觀察。因受到來自不同方面諧波的影響后，應(yīng)力片會(huì)產(chǎn)生一定數(shù)值的電阻，在電路中，這些電阻會(huì)轉(zhuǎn)化為電流，視覺圖像系統(tǒng)接收到了電流后就會(huì)顯示在儀表盤上相應(yīng)的數(shù)據(jù)，我們就可以根據(jù)儀表盤中的數(shù)據(jù)記錄測量中的數(shù)據(jù)，很好的解決了原始機(jī)械在使用過程中大量的做無用功所消耗資源的現(xiàn)象。傳感器對每個(gè)應(yīng)點(diǎn)都進(jìn)行動(dòng)態(tài)的測量，將數(shù)據(jù)模轉(zhuǎn)換成現(xiàn)實(shí)中的圖像，精確的成像可以測算出控制點(diǎn)的位置，用計(jì)算機(jī)視覺圖像精密測量結(jié)合數(shù)據(jù)方面的相關(guān)的分析，得出施工中的可行性報(bào)告分析，減低了施工中的成本，將施工的預(yù)算控制在一個(gè)合理的范圍之內(nèi)。
當(dāng)無法觀察到控制點(diǎn)是，計(jì)算機(jī)視覺圖像精密測量可以通過接收信號或是相關(guān)的頻率波段來收集數(shù)據(jù)，不會(huì)因?yàn)橐酝鶞y量的環(huán)境不好，距離太遠(yuǎn)，誤差太大的影響。
2 計(jì)算機(jī)視覺圖像精密測量的關(guān)鍵技術(shù)分析
在計(jì)算機(jī)視覺圖像精密測量的關(guān)鍵技術(shù)中解決了很多以往很難完成的任務(wù)，但是在使用過程中還是發(fā)生了很多的問題。尤其在視覺圖像的選擇中，無法使用高幀數(shù)的圖片顯示，無法將計(jì)算機(jī)視覺圖像精密測量的關(guān)鍵技術(shù)的優(yōu)點(diǎn)發(fā)揮出來。我們就計(jì)算機(jī)視覺圖像精密測量的關(guān)鍵技術(shù)中常見的問題進(jìn)行討論。
2.1 降低失誤的概率
在很多的數(shù)據(jù)誤差中，有一部分是出現(xiàn)在人為的因素上面。對于機(jī)器的不熟悉和操作中的疏忽都會(huì)在一定程度上對圖像的視覺感模擬帶來麻煩。對于網(wǎng)絡(luò)設(shè)備的配置上，要經(jīng)常性的學(xué)習(xí)，將配置在可能的情況下設(shè)置的更加合理和使用，保證網(wǎng)絡(luò)連接系統(tǒng)的安全性。為防止更多因操作帶來的誤差，選用系統(tǒng)登入的制度，用戶在通過識別后進(jìn)入系統(tǒng)，在采集數(shù)據(jù)后，確定最終數(shù)據(jù)上又相關(guān)的再次確定的標(biāo)識，系統(tǒng)對本身有的登錄服務(wù)器和路由器有相關(guān)的資料解釋，記錄好實(shí)用操作的時(shí)間，及時(shí)備份。
2.2 對于權(quán)限的控制
權(quán)限控制是針對測量關(guān)鍵所提出的一種安全保護(hù)措施，它是在使用計(jì)算機(jī)視覺圖像精密測量的關(guān)鍵技術(shù)中對用戶和用戶組賦予一定的權(quán)限，可以限制用戶和用戶組對目錄、子目錄、文件、打印機(jī)和其他共享資源的瀏覽和更改。圖像中的運(yùn)行服務(wù)器在停止的情況下可以做出不應(yīng)答的操作指令，立刻關(guān)閉當(dāng)前不適用的界面，加快系統(tǒng)的運(yùn)行速度，對于每天的日志文件實(shí)時(shí)監(jiān)控，一旦發(fā)現(xiàn)問題及時(shí)解決。對于數(shù)據(jù)終端的數(shù)據(jù)可采用可三維加密的方法，定時(shí)進(jìn)行安全檢測等手段來進(jìn)一步加強(qiáng)系統(tǒng)的安全性。如果通過了加密通道，系統(tǒng)可以將數(shù)據(jù)自動(dòng)的保存和轉(zhuǎn)換為視圖模式，對于數(shù)據(jù)的審計(jì)和運(yùn)行可以同時(shí)進(jìn)行，這樣就可以很好的保證大地測量中的圖像數(shù)據(jù)安全，利用防護(hù)墻將采集中廢棄的數(shù)據(jù)革除在外，避免數(shù)值之間發(fā)生紊亂的現(xiàn)象，進(jìn)一步改善計(jì)算機(jī)視覺圖像精密測量的關(guān)鍵技術(shù)。
2.3 開啟自動(dòng)建立備份系統(tǒng)
計(jì)算機(jī)視覺圖像精密測量的關(guān)鍵技術(shù)的完善中會(huì)常遇到系統(tǒng)突然崩潰或是圖像受到嚴(yán)重干擾導(dǎo)致無法轉(zhuǎn)換的一系列情況，發(fā)生這種情況最大的可能性就是系統(tǒng)在處理多組數(shù)據(jù)后無法重新還原成進(jìn)入界面。這時(shí)為保證圖片轉(zhuǎn)換成數(shù)字的系統(tǒng)數(shù)據(jù)不丟失，我們對系統(tǒng)進(jìn)行備份。選定固定的磁盤保存數(shù)據(jù)，定期將產(chǎn)生的數(shù)據(jù)（轉(zhuǎn)換前的圖像和轉(zhuǎn)換后的數(shù)值）導(dǎo)出，保證程序的正常運(yùn)行。當(dāng)系統(tǒng)一旦發(fā)生錯(cuò)誤，可以盡快的恢復(fù)數(shù)據(jù)的初始狀態(tài)，為測量任務(wù)的完成爭取更多的時(shí)間。我們還要減少信號源周圍的干擾，定期的更新系統(tǒng)數(shù)據(jù)庫，保持?jǐn)?shù)據(jù)采集的穩(wěn)定性，把攝像機(jī)記錄出的數(shù)據(jù)節(jié)點(diǎn)保存在相應(yīng)的技術(shù)圖紙上，用這樣的方式來知道測量工作。系統(tǒng)備份的數(shù)據(jù)還可以用于數(shù)據(jù)的對比，重復(fù)測量后得出的數(shù)據(jù)，系統(tǒng)會(huì)自動(dòng)也備份的數(shù)據(jù)進(jìn)行比對，發(fā)現(xiàn)誤差值在規(guī)定以外，就會(huì)做出相應(yīng)的預(yù)警，這樣也能在工作中降低出現(xiàn)誤差的概率。
3 計(jì)算機(jī)視覺圖像精密測量的關(guān)鍵技術(shù)遇到的困難和使用前景
計(jì)算機(jī)視覺圖像精密測量的關(guān)鍵技術(shù)作為一種新興技術(shù)在使用時(shí)間上不過十幾年，其使用的程度已經(jīng)無法估算。正是因?yàn)樗暮唵巍⑹褂?、精度高以及自?dòng)化能力卓越的特點(diǎn)受到了測量單位的廣泛青睞。在測量方面的這些可靠性和穩(wěn)定性也是有目共睹的。在土木和機(jī)械測量的行業(yè)計(jì)算機(jī)視覺圖像精密測量的關(guān)鍵技術(shù)都會(huì)有廣泛和良好的使用，前景也是十分的廣闊。但是不容忽視該技術(shù)也有一些弊端。這項(xiàng)關(guān)鍵技術(shù)中涵蓋的學(xué)科非常的多，涉及到的知識也很全面，一旦出現(xiàn)了機(jī)器的故障，在維修上還是一個(gè)很大的問題，如何很好的解決計(jì)算機(jī)視覺圖像技術(shù)的相關(guān)核心問題就是當(dāng)下亟待解決的。
我們都知道，人的眼睛是可以受到吱聲的控制，想要完成觀測是十分簡單的，但是在計(jì)算機(jī)視覺圖像技術(shù)中，畢竟是采取攝像機(jī)取景的模式，在取得的點(diǎn)位有的時(shí)候不是特別的有代表性，很難將這些問題具體化、形象化。達(dá)不到我們設(shè)計(jì)時(shí)的初衷。所以在這些模型的構(gòu)建中和數(shù)據(jù)的轉(zhuǎn)換上必須有嚴(yán)格的規(guī)定和要求，切不可盲目的實(shí)施測量，每項(xiàng)技術(shù)操作都要按規(guī)程來實(shí)施。
上文中也談到了，計(jì)算機(jī)視覺圖像精密測量的關(guān)鍵技術(shù)中最主要的構(gòu)建是傳感器，一個(gè)合理的傳感器是體統(tǒng)的“心臟”，我們在儀器的操作中，不能時(shí)時(shí)刻刻對傳感器進(jìn)行檢查，甚至這種高精度的元件在檢查上也并不是一件簡單的事情，通過不斷的研究，將傳感器的等級和使用方法上進(jìn)行一定的創(chuàng)新也是一項(xiàng)科研任務(wù)。
4 結(jié)束語
在測量工程發(fā)展的今天，很多的測量技術(shù)已經(jīng)離不了計(jì)算機(jī)視覺圖像技術(shù)的輔助，該文中詳細(xì)的談到了基于計(jì)算機(jī)視覺圖像精密測量的關(guān)鍵技術(shù)方面的研究，對于之中可能出現(xiàn)的一些問題也提出了相應(yīng)的解決方案。測量工程中計(jì)算機(jī)視覺圖像精密測量的關(guān)鍵技術(shù)可以很好的解決和完善測量中遇到的一些問題，但是也暴露出了很多的問題。
將基于計(jì)算機(jī)視覺圖像精密測量的關(guān)鍵技術(shù)引入到測量工程中來，也是加強(qiáng)了工程建設(shè)的信息化水平。可以預(yù)見的是，在未來使用計(jì)算機(jī)視覺圖像技術(shù)建立的測量模型會(huì)得到更多、更好的應(yīng)用。但作為一個(gè)長期復(fù)雜的技術(shù)工程，在這個(gè)建設(shè)過程中定會(huì)有一些困難的出現(xiàn)。希望通過不斷的發(fā)現(xiàn)問題、總結(jié)經(jīng)驗(yàn)，讓計(jì)算機(jī)視覺圖像精密測量的關(guān)鍵技術(shù)在測量中作用發(fā)揮的更好。
參考文獻(xiàn)：
[1] 湯劍，周芳芹，楊繼隆.計(jì)算機(jī)視覺圖像系統(tǒng)的技術(shù)改造[J].機(jī)電產(chǎn)品開發(fā)與創(chuàng)新周刊，2005，14（18）：33-36.
[2] 段發(fā)階，等. 拔絲?？仔斡?jì)算機(jī)視覺檢測技術(shù)[J]. 光電工程時(shí)報(bào)， 1996，23（13）：189-190.
關(guān)鍵詞：計(jì)算機(jī)工程；視覺領(lǐng)域；深度學(xué)習(xí)技術(shù)
引言
計(jì)算機(jī)視覺簡言之即是依靠電子設(shè)備成像來代替生物視覺系統(tǒng)，隨后依靠提前寫好的程序?qū)Λ@取的圖像信息實(shí)施處理。該技術(shù)的短期應(yīng)用目的在于完成相對簡單的智能視覺工作，而深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺領(lǐng)域的應(yīng)用，在很大程度上豐富了其功能，提高了識別效率，讓其能夠在更多行業(yè)發(fā)揮出自身價(jià)值。
1計(jì)算機(jī)視覺領(lǐng)域的深度學(xué)習(xí)技術(shù)
1.1圖像分類中的深度學(xué)習(xí)技術(shù)
基于深度學(xué)習(xí)技術(shù)，卷積神經(jīng)網(wǎng)絡(luò)得到了進(jìn)一步的發(fā)展，其應(yīng)用范圍也更為寬泛，例如說在圖像分類中的運(yùn)用。圖像分析需要對圖像實(shí)施掃描分析，隨后對其具體類別予以劃分，更加注重其整體語義。目前相對普遍進(jìn)行圖像分類的數(shù)據(jù)集為ImageNet，其中囊括了非常豐富的內(nèi)容，存儲(chǔ)了近1500萬個(gè)圖像的URL并將圖像劃分為數(shù)萬余個(gè)類型。ImageNet每年組織開展的大規(guī)模視覺識別挑戰(zhàn)賽（ILSVRC）中，圖像分類算法與技術(shù)也不斷創(chuàng)新，圖像分類的準(zhǔn)確性也持續(xù)提升。ImageNet數(shù)據(jù)集表現(xiàn)出規(guī)模大、類型多的突出特點(diǎn)，所以更加適用于遷移學(xué)習(xí)，即是把部分核心技術(shù)或結(jié)構(gòu)拓展應(yīng)用到各個(gè)領(lǐng)域，對于視覺領(lǐng)域的深度模型來說，能夠把模型內(nèi)的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)直接共享到其他數(shù)據(jù)集，從而對數(shù)據(jù)實(shí)施微調(diào)。圖像分類屬于計(jì)算機(jī)視覺領(lǐng)域最為基礎(chǔ)的環(huán)節(jié)，對于圖像分類模型創(chuàng)建和數(shù)據(jù)分析處理經(jīng)驗(yàn)也能夠遷移應(yīng)用到其他領(lǐng)域中。
1.2目標(biāo)檢測中的深度學(xué)習(xí)技術(shù)
目標(biāo)檢測相對于圖像分類而言表現(xiàn)出更多的復(fù)雜性，主要任務(wù)是在囊括多種不同類型物體的圖像內(nèi)精確定位和識別某一物體，恰恰是出于這一目的，深度學(xué)習(xí)技術(shù)在目標(biāo)檢測中的應(yīng)用更為復(fù)雜，要實(shí)現(xiàn)更加精準(zhǔn)的效果也相對更難。近年來針對目標(biāo)檢測的算法日益更新，如優(yōu)化后的R-CNN算法，是借助于卷積神經(jīng)網(wǎng)絡(luò)思想，對物體進(jìn)行分類，提取物體特征。而SelectiveSearch算法的出現(xiàn)有了進(jìn)一步的創(chuàng)新和突破，有效促進(jìn)了檢測準(zhǔn)確性的提高，這也給通過卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)檢測帶來了更多可能性，隨后的FastR-CNN算法極大地促進(jìn)了目標(biāo)檢測效率的提升，該算法對提取候選區(qū)的問題予以優(yōu)化，大大減少了候選區(qū)提取和目標(biāo)檢測過程的時(shí)間。目標(biāo)檢測網(wǎng)絡(luò)以FastR-CNN算法作為支撐，于輸出位置設(shè)置滑動(dòng)窗同時(shí)和候選區(qū)域網(wǎng)絡(luò)實(shí)施連接，目標(biāo)檢測的關(guān)鍵在于卷積神經(jīng)網(wǎng)絡(luò)，依靠它把各個(gè)點(diǎn)的特征進(jìn)行提取，再借助回歸算法獲得對應(yīng)范圍出現(xiàn)目標(biāo)的概率[1]。
1.3人臉識別中的深度學(xué)習(xí)技術(shù)
人臉識別主要是借助相應(yīng)算法對人臉特征實(shí)施提取，因?yàn)槠浣⒌娜四樐Ｐ捅憩F(xiàn)出一定的不穩(wěn)定性，因此模型建立往往也表現(xiàn)出一定的難度，相對于建立剛體模型而言更為困難。人臉識別通常來說涉及人臉檢測定位以及特征提取兩個(gè)方面，人臉檢測定位是基于背景圖像中將人臉目標(biāo)分割出來，實(shí)施歸一化處理，而人臉特征提取算法不變。前者存在的技術(shù)難點(diǎn)是人臉目標(biāo)具有多樣性以及背景圖像具有復(fù)雜性，所以對背景情境實(shí)施合理假設(shè)并予以簡化是十分關(guān)鍵的。與此同時(shí)，高維空間人臉模型的建立較為復(fù)雜，精確度估算難度較大，人臉特征提取的技術(shù)難度是因?yàn)槿四槍儆趶椥阅Ｐ停潆y度超過剛體模型。一般來說，較為常見對人臉特征實(shí)施提取與識別的方法有幾何特征法、特征臉?biāo)惴ㄒ约皬椥阅Ｐ头?，CNN算法和過去的特征提取算法比起來表現(xiàn)出更高的穩(wěn)定性和適用性，同時(shí)能夠有效抵抗外部干擾，促進(jìn)人臉識別技術(shù)的推廣應(yīng)用。
2應(yīng)用實(shí)例
2.1安防領(lǐng)域的應(yīng)用
深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺領(lǐng)域中的應(yīng)用可以為安防行業(yè)提供更佳的解決方案，比如說人臉識別技術(shù)的應(yīng)用，很多大型企業(yè)如Facebook、騰訊、阿里巴巴等都將非常關(guān)注和重視。作為深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺領(lǐng)域應(yīng)用的重要內(nèi)容，人臉識別在安檢以及反恐等領(lǐng)域中也能夠發(fā)揮出很好的效果。與此同時(shí)，對行人角度的REID技術(shù)實(shí)施研究，依托于深度學(xué)習(xí)強(qiáng)化目標(biāo)檢測，對目標(biāo)特征實(shí)施提取和刻畫，能夠?yàn)楫惓Ｐ袨楸O(jiān)控和跟蹤帶來支持[2]。
2.2無人駕駛領(lǐng)域的應(yīng)用
對于無人駕駛領(lǐng)域來說，選擇激光或雷達(dá)這類傳感器的成本更高，基于深度學(xué)習(xí)的計(jì)算機(jī)視覺技術(shù)也能夠提供新的解決方案。依靠攝像機(jī)對視頻畫面進(jìn)行采集，對獲取到的圖像實(shí)施分析，提供類似于前車碰撞預(yù)警等功能。在這一過程中，計(jì)算機(jī)視覺技術(shù)可以實(shí)現(xiàn)對目標(biāo)的檢測識別、對目標(biāo)車輛的跟蹤分析、對車道線是否偏離進(jìn)行檢測等?；谏疃葘W(xué)習(xí)技術(shù)的檢測識別表現(xiàn)出更加強(qiáng)大的優(yōu)勢，現(xiàn)階段深度學(xué)習(xí)芯片日益增多，對于無人駕駛技術(shù)的發(fā)展也帶來了更加有力的支持。
2.3智能家居領(lǐng)域的應(yīng)用
過去的很多智能家居產(chǎn)品一般都是依靠智能手機(jī)藍(lán)牙或者WiFi等途徑來實(shí)現(xiàn)對家居產(chǎn)品的控制，這一方案即便能夠做到家居智能化，但其水平依舊有待提高?；谏疃葘W(xué)習(xí)技術(shù)，能夠有效促進(jìn)智能家居行業(yè)的更新發(fā)展，除開語言、語音識別之外，還能夠利用計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)人際交流與互動(dòng)，比如說手勢識別控制。2.4教育領(lǐng)域和圖片搜索領(lǐng)域的應(yīng)用基于深度學(xué)習(xí)的計(jì)算機(jī)視覺技術(shù)也能夠在智慧教育中得以普及應(yīng)用，如近年來很多新的拍照解題App，使用者只需要利用手機(jī)相機(jī)拍照上傳即可獲得相關(guān)題目的分析解答，促進(jìn)學(xué)習(xí)者學(xué)習(xí)效率的提升。此時(shí)視覺技術(shù)包括了對文字的檢測與識別，另外針對個(gè)人簡歷識別、文檔識別等方面也能夠進(jìn)行拓展應(yīng)用。同時(shí)計(jì)算機(jī)視覺技術(shù)還可以在圖片搜索領(lǐng)域中得以應(yīng)用，使用者通過拍攝上傳相應(yīng)的圖片，即可從數(shù)據(jù)庫中找出與原圖相似的圖片，深度學(xué)習(xí)屬于一種非常高效的技術(shù)手段，能夠提供更加快速高效的圖像檢測功能，結(jié)合圖像搜索引擎，為用戶帶來更加便捷的服務(wù)[3-5]。
2.5醫(yī)療影像數(shù)據(jù)中的應(yīng)用
醫(yī)學(xué)影像直接關(guān)系到對患者疾病診斷的準(zhǔn)確性，對于放射科的醫(yī)務(wù)人員來說，依靠醫(yī)學(xué)影像能夠促進(jìn)診斷效率的提升?，F(xiàn)階段國內(nèi)外諸多醫(yī)學(xué)專家隊(duì)伍，在心血管、腫瘤、神經(jīng)內(nèi)科以及五官科等都建立了精準(zhǔn)深度學(xué)習(xí)模型，極大地推動(dòng)醫(yī)療水平的提升，為廣大患者帶來了更加便捷和高效的醫(yī)療服務(wù)。基于深度學(xué)習(xí)技術(shù)的計(jì)算機(jī)視覺在醫(yī)療影像數(shù)據(jù)中的應(yīng)用主要集中在如下幾個(gè)方面：（1）能夠提供臨床診斷輔助等醫(yī)療服務(wù)；（2）依靠數(shù)據(jù)分析技術(shù)，能夠在很大程度上促進(jìn)醫(yī)療機(jī)構(gòu)經(jīng)營管理水平的提升；（3）在醫(yī)學(xué)影像中的應(yīng)用，能夠讓醫(yī)務(wù)工作者更加直觀便捷地獲取患者影像；（4）深度學(xué)習(xí)技術(shù)能夠?yàn)獒t(yī)療大數(shù)據(jù)的可視化帶來便利；（5）在藥企研發(fā)工作中的應(yīng)用，可以處理好過去一直以來藥物研發(fā)周期長和成本居高不下的問題；（6）在健康管理領(lǐng)域中的應(yīng)用，借助于可穿戴設(shè)備來對個(gè)人健康數(shù)據(jù)實(shí)施監(jiān)測，進(jìn)而對疾病風(fēng)險(xiǎn)予以提前預(yù)測。
電力系統(tǒng)是我國國名經(jīng)濟(jì)的基石。電力系統(tǒng)是由發(fā)電、變電、輸電、配電和用電等環(huán)節(jié)組成的電能生產(chǎn)與消費(fèi)系統(tǒng)。現(xiàn)代社會(huì)需要的是安全可靠經(jīng)濟(jì)的電能。電力系統(tǒng)主要由發(fā)電輸電變電配電及用電等5部分組成。電力系統(tǒng)是一個(gè)具有復(fù)雜的大系統(tǒng)由于用戶的不斷增加的需求,電網(wǎng)對于技術(shù)的要求水平也提出了越來越高的要求。
1 電力系統(tǒng)自動(dòng)化的發(fā)展趨勢總的發(fā)展趨勢的特點(diǎn)研究
1.1 電力系統(tǒng)自動(dòng)化的圖形化特點(diǎn)
因?yàn)殡娏ο到y(tǒng)聯(lián)網(wǎng)工程的正式啟動(dòng),電力系統(tǒng)的調(diào)度管理、數(shù)據(jù)計(jì)算分析呈現(xiàn)出傳輸路徑的交叉性,信息更新越來越高速這樣的幾種特點(diǎn)。在計(jì)算機(jī)技術(shù)和通信技術(shù)的快速發(fā)展下,電力系統(tǒng)技術(shù)整合也在蓬勃發(fā)展著。電力系統(tǒng)信息數(shù)據(jù)處理上已經(jīng)不再使用傳統(tǒng)的處理方式,而是使用圖形化處理這樣的新技術(shù),這樣看到圖形,電力系統(tǒng)管理者就能了解電力系統(tǒng)的變化發(fā)展趨勢,也就能對未來電力系統(tǒng)軟件開發(fā)帶來絲絲先機(jī)。
1.2 電力系統(tǒng)自動(dòng)化的遠(yuǎn)程化特點(diǎn)
過去電力系統(tǒng)的硬件平臺大部分是計(jì)算機(jī),外加使用擴(kuò)展測控法對接口電路工作開展監(jiān)測。此類的設(shè)計(jì)有很多的優(yōu)勢,這種類型的設(shè)計(jì)的周期很長,擴(kuò)展性也很好。但是這樣的設(shè)計(jì)方式也具有著高成本、大體積、大功耗以及靈動(dòng)性差的多種缺點(diǎn)。現(xiàn)在,正是有著網(wǎng)絡(luò)技術(shù)的不斷更新和電子技術(shù)的不斷進(jìn)步,遠(yuǎn)動(dòng)終端設(shè)備已經(jīng)變?yōu)樵絹碓浇咏顑?yōu)化、智能化和小型化、協(xié)調(diào)化。因此,建立在此基礎(chǔ)之上的電力系統(tǒng)也具備了遠(yuǎn)程化的特點(diǎn),使電力系統(tǒng)自動(dòng)化在控制系統(tǒng)方面的發(fā)展更加貼近智能化。
1.3 電力系統(tǒng)自動(dòng)化的分布化特點(diǎn)
發(fā)電率范圍在幾十兆瓦至幾千瓦之間并且模型較小的發(fā)電單元,它的地點(diǎn)處于用戶周圍還有有高效和可靠特點(diǎn)的稱為電力系統(tǒng)自動(dòng)化技術(shù)分布化。分布式發(fā)電主要包括以液體或氣體為燃料的內(nèi)燃機(jī)、太陽能發(fā)電、微型燃?xì)廨啓C(jī)和風(fēng)力發(fā)電等等的其他一些發(fā)電方式。這種發(fā)電技術(shù)具有很好的靈活性,能夠給與用戶各不相同的感受。還能為邊遠(yuǎn)商業(yè)區(qū)域提供可靠的電力資源,讓他們使用具有再生特點(diǎn)的資源進(jìn)行多次發(fā)電,這樣的電能還具有穩(wěn)定度高的特點(diǎn),是具有分度化的特色。極端及技術(shù)、新材料技術(shù)和電力電子技術(shù)都要作為支柱技術(shù)被在其中使用。
2 電力系統(tǒng)與新技術(shù)的結(jié)合
2.1 與智能計(jì)算機(jī)的結(jié)合
計(jì)算機(jī)視覺技術(shù)就是與智能計(jì)算機(jī)的結(jié)合之一。使用計(jì)算機(jī)視覺技術(shù)能夠方便的獲得多種圖像信息。在電力系統(tǒng)中應(yīng)用計(jì)算機(jī)視覺技術(shù)。目前,計(jì)算/！/機(jī)視覺技術(shù)使用在電力系統(tǒng)中的作用是修改遙控系統(tǒng)在此同時(shí)提高它的性能。這主要表現(xiàn)在使用在線監(jiān)測和開展無人操作或者環(huán)境監(jiān)視,紅外圖像監(jiān)測是電力設(shè)備在線監(jiān)測常用方法中效果最好的。它既有這使用方便,又有著精準(zhǔn)度較高的特點(diǎn)。紅外圖像識別方面主要就是使用計(jì)算機(jī)視覺技術(shù),這樣能取得較好的效果。計(jì)算機(jī)視覺技術(shù)的工作原理是在科學(xué)獲取電力設(shè)備實(shí)時(shí)紅外圖像和電力設(shè)備正常工作時(shí)圖像后,將兩者開展對比。如果出現(xiàn)不正常。也就因此能夠證明電力設(shè)備出現(xiàn)問題。第開展無人操作或者環(huán)境監(jiān)視是使用微波雙鑒探測器進(jìn)行協(xié)助,將差分圖像以及流光法一起使用對移動(dòng)物體開展監(jiān)測。如果出現(xiàn)不正?，F(xiàn)象,那么系統(tǒng)就可以識別出來,并且警告我們。因?yàn)橛?jì)算機(jī)視覺技術(shù)還處于起步階段,其存在一定的不足之處。雖然計(jì)算機(jī)視覺技術(shù)發(fā)展迅速,但計(jì)算機(jī)視覺技術(shù)發(fā)展的并不完善,因?yàn)閳D像識別自身的復(fù)雜性的原因,所以現(xiàn)階段還不能實(shí)現(xiàn)完全的無人操作。正是因?yàn)橛兄@些原因,在大多數(shù)情況下,計(jì)算機(jī)視覺技術(shù)只能夠作為一種輔助技術(shù)。
2.2 與微機(jī)保護(hù)系統(tǒng)的結(jié)合
在電力系統(tǒng)自動(dòng)化技術(shù)發(fā)展速度過快并且伴隨著相關(guān)微機(jī)設(shè)備應(yīng)用范圍越來越普遍的情況下。人們越來越嚴(yán)格的要求微機(jī)保護(hù)系統(tǒng)。更簡單的說,也就是原有的電力系統(tǒng)自動(dòng)化技術(shù)當(dāng)中的微機(jī)保護(hù)系統(tǒng)已經(jīng)無法滿足社會(huì)發(fā)展的需要。人們需要的微機(jī)保護(hù)系統(tǒng)應(yīng)該具備更加牢靠與穩(wěn)定的可以對通信進(jìn)行保護(hù)的能力。這樣才能夠達(dá)到人們希望人機(jī)互動(dòng)的效果。這樣的系統(tǒng)在對硬件提高出高要求的同時(shí)也對軟件業(yè)產(chǎn)生了更加具體的要求。例如,我國在上世紀(jì)末將第一套微機(jī)線路保護(hù)設(shè)備投入使用,并且該設(shè)備因?yàn)樾阅苷紦?jù)極大的優(yōu)勢從而獲得世界各國用戶的普遍認(rèn)可。
在繼電保護(hù)設(shè)備中,我們更加需要完善的問題就是設(shè)備的實(shí)時(shí)性。設(shè)備的實(shí)時(shí)性直接關(guān)乎電網(wǎng)的安全穩(wěn)定,它直接受到其影響。假如設(shè)備實(shí)時(shí)性出現(xiàn)缺陷,會(huì)給電力系統(tǒng)帶來難以補(bǔ)救損失的可能性?，F(xiàn)階段在我國電力系統(tǒng)中應(yīng)用的嵌入式系統(tǒng)通常來說主要為C/C++語言。這是因?yàn)樵撓到y(tǒng)不僅靈活性高并且可移植性也很強(qiáng)。同時(shí)該系統(tǒng)還使用了能夠隨時(shí)改變的模塊化,目的在于處理好各種存在可能性會(huì)產(chǎn)生的問題但是卻又不能夠進(jìn)行更換的難題。在提供便利的同時(shí)也能夠盡最大的努力滿足用戶各種要求。
關(guān)鍵詞：計(jì)算機(jī)視覺系統(tǒng) 工業(yè)機(jī)器人 探究
中圖分類號：TP242 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2015）05-0000-00
計(jì)算機(jī)視覺系統(tǒng)主要是為了工業(yè)機(jī)器人更好的工作而研發(fā)出來的，是一套裝有攝像機(jī)視場的自動(dòng)跟蹤與定位的計(jì)算機(jī)視覺系統(tǒng)。近年來，機(jī)器人已經(jīng)廣泛使用于工業(yè)生產(chǎn)，但是多數(shù)機(jī)器人都是通過“示教-再現(xiàn)”的模式工作，在工業(yè)機(jī)器人工作是都是由操作員進(jìn)行操作示范再由機(jī)器人跟著示范進(jìn)行工作。由于機(jī)器人缺乏對外界事物的識別能力，工作中經(jīng)常發(fā)生偏差或者位移等情況。由于工作環(huán)境的惡劣以及各種阻礙，為了提高工業(yè)機(jī)器人的工作效率、靈活性、適應(yīng)性等，讓機(jī)器人更好的識別外部環(huán)境并及時(shí)調(diào)整運(yùn)作方向，能更好的發(fā)揮其作用，在原有的機(jī)器人系統(tǒng)中添加了一套計(jì)算機(jī)視覺系統(tǒng)，利用計(jì)算機(jī)視覺圖像裝置的信息，通過圖像使機(jī)器人進(jìn)行外部環(huán)境的識別處理，采用三維的重建，通過作業(yè)中利用三維圖像的信息進(jìn)行計(jì)算，采用Motocom32軟件和機(jī)器人控制柜通訊等設(shè)備，對工業(yè)機(jī)器人進(jìn)行控制，更好的實(shí)現(xiàn)機(jī)器人對空間特點(diǎn)的跟蹤與定位。
1系統(tǒng)的結(jié)構(gòu)與原理
本文主要針對Motoman UP6工業(yè)機(jī)器人系統(tǒng)的二次研究，在原有的工業(yè)機(jī)器人的系統(tǒng)中，增加了一套計(jì)算機(jī)視覺系統(tǒng)， 使工業(yè)機(jī)器人更好的識別外界環(huán)境的系統(tǒng)。計(jì)算機(jī)視覺系統(tǒng)主要包括：Panasonic CCD攝像機(jī)、Motoman UP6工業(yè)機(jī)器人系統(tǒng)、工控機(jī)、OK C-50圖像采集卡等外部設(shè)備。工業(yè)機(jī)器人的整個(gè)系統(tǒng)由原有系統(tǒng)與計(jì)算機(jī)視覺系統(tǒng)組成，在原有的系統(tǒng)中包含了YASNAC-XRC- UP6機(jī)器人控制柜、Motoman UP6工業(yè)機(jī)器人本體、示教編程器、Motocom32系統(tǒng)以及相關(guān)的外部設(shè)備等[1]。計(jì)算機(jī)視覺系統(tǒng)的設(shè)備主要有Panasonic CCTV攝像機(jī)、AVENIR TV鏡頭、OK系列C-50圖像采集卡、工控機(jī)、AVENIR TV鏡頭、Panasonic CCD攝像機(jī)、OK系列C-50圖像采集卡形成的視頻采集系統(tǒng)主要是捕獲物體的圖像，該功能主要是分三個(gè)層次進(jìn)行圖像處理、計(jì)算、變換以及通信等功能來實(shí)施工控機(jī)。利用遠(yuǎn)程控制來對工業(yè)機(jī)器人進(jìn)行Motocom32系統(tǒng)進(jìn)行通信。
2計(jì)算機(jī)視覺系統(tǒng)的構(gòu)建
2.1硬件的組成
CCD攝像頭：選用的CCD攝像機(jī)采用PAP-VIVC810AOZ型彩色攝像頭，如圖1。攝像機(jī)的像素為P：500（H）x582（V），N：510（H）x 492（V），攝像機(jī)的分辨率為420。攝像機(jī)的成像器使用1/33"CCD，信噪>48 dB，同時(shí)攝像機(jī)具有自動(dòng)背景光補(bǔ)償、自動(dòng)增益控制等功能。
圖像采集卡：圖像采集卡主要采用CCD攝像頭配套的MV-200工業(yè)圖像處理。如圖2所示。MV-200圖像采集卡的分辨率、圖像清晰度具有較高的穩(wěn)定性，其真彩色實(shí)施工業(yè)圖像采集卡，該圖像采集卡的硬件構(gòu)造、地層函數(shù)都具有穩(wěn)定性，同時(shí)在惡例的環(huán)境中都可以穩(wěn)定運(yùn)行[2]。圖像采集卡的圖像采集效果非常好，畫面效果非常流暢。
MV-200圖像采集卡性能特點(diǎn)：其分辨率為768 x 576，具有獨(dú)特的視頻過濾技術(shù)，使圖像質(zhì)量的采集、顯示更加清晰流暢。主要支持的系統(tǒng)為Win98 /2K/XP，主要用于人工智能、事物識別、監(jiān)控等多種領(lǐng)域。
工控機(jī)：工控機(jī)以奔4系列為主。
2.2軟件組成
圖像匹配軟件。
圖像處理與獲取軟件。
定標(biāo)和定位算法軟件，功能分布如圖3所示。
3視覺系統(tǒng)的原理及流程圖
工業(yè)機(jī)器人的主要系統(tǒng)包括是由工業(yè)機(jī)器人本體、相關(guān)的外部設(shè)備、控制器（供電系統(tǒng)、執(zhí)行器等）計(jì)算機(jī)視覺系統(tǒng)主要由三部分組成：圖像處理和獲取、圖像匹配、攝像機(jī)的定位等組成。通過借助OpenCV的視覺庫進(jìn)行VC++.NET實(shí)行，流程如下圖表4所示。
在本視覺系統(tǒng)運(yùn)行中，需要對攝像機(jī)實(shí)行定標(biāo)，建立實(shí)際空間點(diǎn)和攝像機(jī)的對應(yīng)點(diǎn)。在定標(biāo)的過程中，就需要標(biāo)記基準(zhǔn)點(diǎn)，使攝像機(jī)在采集圖像時(shí)可以準(zhǔn)確的把這些基準(zhǔn)點(diǎn)投放到攝像機(jī)的坐標(biāo)上[3]。同時(shí)在采集卡的圖像中，對圖像進(jìn)行處理并計(jì)算出該基準(zhǔn)點(diǎn)圖像的坐標(biāo)，通過定標(biāo)計(jì)算法，從而得出攝像機(jī)的參數(shù)。
在機(jī)器人系統(tǒng)中的反饋，計(jì)算機(jī)通過C語言的調(diào)節(jié)圖像采集卡進(jìn)行動(dòng)態(tài)鏈接來控制函數(shù)[4]。同時(shí)，對攝像機(jī)中的數(shù)據(jù)、視頻信號進(jìn)行采集，構(gòu)成數(shù)字化的圖像資料，采用BMP格式存儲(chǔ)進(jìn)行計(jì)算，在計(jì)算機(jī)上顯示活動(dòng)視頻，然后系統(tǒng)對獲取的圖像進(jìn)行分析處理，以及對噪聲的去除、圖像的平滑等進(jìn)行處理，利用二值化處理對那些灰度閥值的圖像進(jìn)行處理，同時(shí)檢測計(jì)算機(jī)獲取圖像的特征量并計(jì)算[5]。在完成圖像的處理后，就需要確立圖像的匹配特征，對圖像進(jìn)行匹配[6]。如果兩個(gè)圖像不重疊，就需要建立3D數(shù)據(jù)庫進(jìn)行模型重新選擇，再把模型進(jìn)行計(jì)算、投影計(jì)算、坐標(biāo)更換等指令，直到找到與圖像相匹配的數(shù)據(jù)模型，才能真正得到真實(shí)有效的圖像。重疊時(shí)，要獲得有效的圖像，以工業(yè)機(jī)器人識別物體為目的，才能建立機(jī)器人系統(tǒng)之間的通信。同時(shí)，通過三維圖像重建，進(jìn)行機(jī)器人空間定位[7]。如下圖表5所示。
4結(jié)語
綜上所述，計(jì)算機(jī)視覺系統(tǒng)主要是為了工業(yè)機(jī)器人更好的工作而研發(fā)出來的，是一套裝有攝像機(jī)視場的自動(dòng)跟蹤與定位的計(jì)算機(jī)視覺系統(tǒng)。通過3D數(shù)據(jù)模型指定目標(biāo)，機(jī)器人系統(tǒng)利用計(jì)算機(jī)視覺圖像的采集裝置來識別外界環(huán)境的數(shù)據(jù)，經(jīng)過圖像的姿態(tài)預(yù)算、影像的投影計(jì)算產(chǎn)生圖像，通過圖片的合成比較，以此來實(shí)現(xiàn)機(jī)器人在工作中對物體的識別。利用計(jì)算機(jī)系統(tǒng)對機(jī)器人進(jìn)行有效的控制，在工業(yè)機(jī)器人工作中對事物目標(biāo)的搬運(yùn)、跟蹤、夾持等指令。計(jì)算機(jī)視覺系統(tǒng)具備清晰的視覺功能，有利于提高工業(yè)機(jī)器人的靈活性以及適應(yīng)性。
參考文獻(xiàn)
[1]夏群峰，彭勇剛.基于視覺的機(jī)器人抓取系統(tǒng)應(yīng)用研究綜述[J].機(jī)電工程，2014（06）：221-223.
[2]華永明，楊春玉.機(jī)器人視覺系統(tǒng)在立體編織自動(dòng)鋪紗過程中的應(yīng)用研究[J].玻璃纖維，2011（01）：189-191.
[3]王培屹.基于多傳感器多目標(biāo)實(shí)時(shí)跟蹤視覺系統(tǒng)在全自主機(jī)器人上的應(yīng)用[J].軟件導(dǎo)刊，2011（01）：263-264.
[4]譚民，王碩.機(jī)器人技術(shù)研究進(jìn)展[J].自動(dòng)化學(xué)報(bào)，2013（07）：123-125.
[5]鮑官軍，荀一，戚利勇，楊慶華，高峰.機(jī)器視覺在黃瓜采摘機(jī)器人中的應(yīng)用研究[J].浙江工業(yè)大學(xué)學(xué)報(bào)，201（01）：93-95.
關(guān)鍵詞：OpenCV；人臉檢測；實(shí)時(shí)
中圖分類號：TP391.41
人臉檢測（Face Detection）是指對于給定的圖像或視頻，采用一定的策略對其進(jìn)行搜索以確定其中是否含有人臉，如果是則返回一臉的位置、大小和姿態(tài)。人臉檢測是人臉識別的重要環(huán)節(jié)，運(yùn)用攝像機(jī)或攝像頭采集含有人臉的視頻流，并進(jìn)行實(shí)時(shí)的人臉檢測是目前主流的應(yīng)用。
OpenCV（Open Source Computer Vision Library）是開源的計(jì)算機(jī)視覺代碼庫，它輕量級而且高效，由一系列C函數(shù)和少量C++類構(gòu)成，實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺的接口，實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺方面的很多通用算法[1]。
1 系統(tǒng)設(shè)計(jì)
本系統(tǒng)采用了OpenCV的基于boost篩選式級聯(lián)Haar分類器，該分類器是通過成千上萬的物體各個(gè)角度的訓(xùn)練圖像訓(xùn)練出來的，它先對圖像進(jìn)行直方圖均衡化處理，并將圖像歸一化到同樣大小，然后標(biāo)記是否包含要檢測的物體，在人臉檢測方面比較擅長。系統(tǒng)加載分類器后，利用OpenCV的視頻捕獲函數(shù)實(shí)時(shí)捕獲連接在電腦上的攝像頭讀入的視頻流，并將抓取的視頻幀轉(zhuǎn)換為圖像，然后對圖像進(jìn)行人臉檢測和標(biāo)定，具體流程圖如圖1所示：
圖1 系統(tǒng)流程圖
2 系統(tǒng)實(shí)現(xiàn)
本系統(tǒng)在WindowsXP操作系統(tǒng)下使用VC++6.0基于OpenCV1.0進(jìn)行開發(fā)。系統(tǒng)具體實(shí)現(xiàn)如下：
（1）初始化聲明。通過CvMemStorage*captureFaceStorage=cvCreateMemStorage（0）；語句創(chuàng)建一個(gè)內(nèi)存存儲(chǔ)器，來統(tǒng)一管理各種動(dòng)態(tài)對象的內(nèi)存，參數(shù)為0時(shí)創(chuàng)建的內(nèi)存塊默認(rèn)大小為64k。然后分別聲明分類器對象、圖像對象級聯(lián)名稱及識別函數(shù)等成員：
Static CvHaar Classifier Cascade* cascade=0；
Ipl Image *frame，*frame_copy=0；
Char* capture Face Cascade_name=haarcascade_frontalface_alt2.xml；
（2）加載分類器。通過cvLoad函數(shù)，加載調(diào)用CvHaarClassifierCascade類的分類器文件“haarcascade_frontalface_alt2.xml”：
cascade=（CvHaarClassifierCascade*）cvLoad（captureFaceCascade_name，0，0，0）；
（3）捕獲視頻。通過cvCreateCameraCapture函數(shù)捕獲攝像頭，捕獲視頻后循環(huán)執(zhí)行抓取幀操作cvGrabFrame（cap）和獲取圖像操作cvRetrieveFrame（cap）操作，從而將幀轉(zhuǎn)換成圖像，以便于處理。
（4）圖像格式轉(zhuǎn)換。一般從硬盤讀入的圖片或者通過cvCreateImage方法創(chuàng)建的IplImage圖片默認(rèn)的origin屬性為0，即顯示的時(shí)候都是正的。而由攝像頭或者視頻文件獲取的幀圖像origin屬性為1，此時(shí)顯示的圖像掃描順序是從下到上，它會(huì)將幀圖像的第i行賦值給圖像的第height-i行，因此采集的圖像會(huì)出現(xiàn)倒立現(xiàn)象，為此，應(yīng)將復(fù)制的圖像的origin屬性調(diào)整為與幀圖像的origin屬性一致。此時(shí)需要使用cvFlip（frame，frame_copy，0）函數(shù)，實(shí)現(xiàn)對幀圖像沿X軸的翻轉(zhuǎn)。
（5）識別與檢測人臉。本部分主要實(shí)現(xiàn)人臉檢測功能，首先將從實(shí)時(shí)視頻中提取的圖像進(jìn)行灰度化處理：
然后調(diào)整新圖像gray，使它精確匹配目標(biāo)small_img的大小，并利用cvEqualizeHist函數(shù)進(jìn)行灰度圖像直方圖均衡化處理，最終通過cvHaarDetectObjects函數(shù)檢測出人臉：
（6）標(biāo)定檢出的的人臉。繪制目標(biāo)圓形區(qū)域，標(biāo)定出檢測出的人臉：
最后通過cvShowImage（"result"，img）顯示出檢測后的圖像，如果檢測到人臉，顯示效果圖。
3 結(jié)束語
基于的攝像頭實(shí)時(shí)人臉檢測系統(tǒng)的實(shí)現(xiàn)充分說明了OpenCV技術(shù)在實(shí)現(xiàn)人臉檢測方面的效率高、功能強(qiáng)的特點(diǎn)，OpenCV必將在計(jì)算機(jī)視覺、圖形圖像處理領(lǐng)域有著廣泛地應(yīng)用前景。
參考文獻(xiàn)：
[1]Gray Bradski，Adrian Kaebler.Learning OpenCV：Computer Vision with the OpenCV Library[M].USA：O Reilly media，2008.
[2]梁路宏.人臉檢測研究綜述[J].計(jì)算機(jī)學(xué)報(bào)，2002（05）：449-458.
作者簡介：徐占鵬（1979.01-），男，山東棲霞人，講師，碩士，研究方向：計(jì)算機(jī)應(yīng)用、計(jì)算機(jī)圖形圖像處理和計(jì)算機(jī)視覺。
摘要：研究基于計(jì)算機(jī)視覺的實(shí)時(shí)動(dòng)態(tài)手勢識別技術(shù)，并利用OpenCV計(jì)算機(jī)視覺庫在VS2010平臺上設(shè)計(jì)一個(gè)基于該技術(shù)在多媒體教學(xué)中PPT演示控制方面的應(yīng)用。首先，利用背景差分法進(jìn)行手勢檢測，在背景更新的基礎(chǔ)上，通過背景差分圖和顏色直方圖的反投影圖來檢測運(yùn)動(dòng)手勢區(qū)域，可以達(dá)到較為滿意的實(shí)時(shí)運(yùn)動(dòng)手勢檢測效果；其次，采用基于顏色直方圖的粒子跟蹤算法進(jìn)行手勢跟蹤，基本能滿足跟蹤的實(shí)時(shí)性；最后，在手勢識別階段，采用基于Hu不變矩的輪廓匹配算法，得到較好的手勢識別效果；使用六種手勢，來實(shí)現(xiàn)演示文稿中的控制應(yīng)用。
關(guān)鍵詞：計(jì)算機(jī)視覺；背景差分；粒子跟蹤；手勢識別；Hu矩
中圖分類號：TP391.41文獻(xiàn)標(biāo)識碼：A
1引言
隨著計(jì)算機(jī)軟硬件技術(shù)的發(fā)展，人機(jī)交互已經(jīng)由過去的鼠標(biāo)、鍵盤方式逐漸向更加靈活生動(dòng)的語音、姿勢等新穎交互方式發(fā)展。由于基于視覺方式具有便捷和開銷低等優(yōu)點(diǎn)，因此，利用計(jì)算機(jī)視覺技術(shù)來使計(jì)算機(jī)理解用戶的命令，從而做出控制動(dòng)作，這一領(lǐng)域的研究得到越來越多的重視。其中，人的手勢作為日常生活中最為廣泛使用的一種交流方式；因此，國內(nèi)外許多研究機(jī)構(gòu)開始對手勢識別技術(shù)進(jìn)行研究，并已經(jīng)取得了一些階段性的成果。較早的有：Freeman和Roth等人提出的基于方向直方圖的手勢識別系統(tǒng)；國內(nèi)的高文教授等人于1994年提出了一種靜態(tài)復(fù)雜背景手勢目標(biāo)的捕獲與識別。經(jīng)過二三十年的發(fā)展，
人們對運(yùn)動(dòng)目標(biāo)檢測及跟蹤進(jìn)行了大量深入的研究：美國MIT實(shí)驗(yàn)室通過提取左右手質(zhì)心的運(yùn)動(dòng)軌跡以及手勢形狀特征參數(shù)，結(jié)合語法規(guī)則識別40個(gè)美國手語，準(zhǔn)確率達(dá)到97%；另外，Microsoft Korea的HyeonKyu Lee，采用HMM的閾值模型，識別9種動(dòng)態(tài)手勢命令，平均識別率高達(dá)98.19%；國內(nèi)的任海兵提出了基于DTW的手勢識別算法，該算法能準(zhǔn)確識別12種手勢。
現(xiàn)在，基于視覺的手勢識別技術(shù)更多的是應(yīng)用在娛樂、游戲方面，比如微軟前段時(shí)間推出的Xbox360游戲機(jī)體的體感外設(shè)Kinect及多款相配套的體感游戲，玩家可以通過手勢在游戲中進(jìn)行操作和互動(dòng)，使得人機(jī)互動(dòng)娛樂進(jìn)入了一個(gè)新紀(jì)元。與此同時(shí)，還沒有比較成熟的手勢識別技術(shù)應(yīng)用在現(xiàn)代教學(xué)系統(tǒng)中。因此，本文的研究重點(diǎn)是基于視覺的實(shí)時(shí)手勢識別技術(shù)在多媒體教學(xué)演示控制中的應(yīng)用。在基于視覺的手勢識別研究中，需要解決的問題主要有兩個(gè)：一是實(shí)時(shí)檢測運(yùn)動(dòng)手勢的信息，二是識別運(yùn)動(dòng)手勢的信息并做出響應(yīng)。對運(yùn)動(dòng)手勢檢測，本文采用背景差分結(jié)合改進(jìn)顏色直方圖特征的運(yùn)動(dòng)檢測方法[1]；對運(yùn)動(dòng)手勢跟蹤，本文采用粒子濾波算法[2]結(jié)合改進(jìn)顏色直方圖信息的方法；手勢識別階段，本文采用了基于Hu不變矩特征[3]的輪廓匹配算法[4]；本文研究基于計(jì)算機(jī)視覺的手勢識別系統(tǒng)，實(shí)現(xiàn)了在播放控制中運(yùn)用手勢進(jìn)行開始、翻頁、退出等功能，極大的提高了課堂教學(xué)的靈活性。
2手勢檢測
實(shí)時(shí)視頻圖像中的運(yùn)動(dòng)手勢檢測所需要完成的任務(wù)是：能夠快且準(zhǔn)的檢測出手勢在實(shí)時(shí)圖像中的主要位置，并且能將位置所在的特定區(qū)域作為后續(xù)跟蹤、識別的感興趣區(qū)域。手勢檢測算法的好壞，直接影響整個(gè)系統(tǒng)的跟蹤以及識別的效果。
目前，運(yùn)動(dòng)目標(biāo)檢測[5]的算法比較常用的有三種方法：光流法、幀間差分法和背景差分法。本文考慮實(shí)現(xiàn)環(huán)境為固定攝像頭采集實(shí)時(shí)視頻圖像，背景基本不動(dòng)，因此采用背景差分結(jié)合改進(jìn)顏色直方圖信息的運(yùn)動(dòng)檢測方法。
2.1背景差分法
本文研究中，選取攝像頭啟動(dòng)后的前10幀圖像的平均作為最初的背景圖像，把以后的實(shí)時(shí)序列圖像當(dāng)前幀和背景圖像相減，進(jìn)行背景消去。可以得到，運(yùn)動(dòng)手勢區(qū)域的像素點(diǎn)的差分值比較大，背景區(qū)域的像素點(diǎn)的差分值比較小。另外，由于真實(shí)場景中的背景會(huì)因光線等外部條件產(chǎn)生微小的變化，長期的誤差積累會(huì)造成最后得不到理想的手勢區(qū)域，因此背景需要進(jìn)行實(shí)時(shí)更新，從而能及時(shí)反映當(dāng)前幀的背景圖像，背景更新[6]的公式如下：
背景更新操作以后，對當(dāng)前幀進(jìn)行背景差分，大于閾值th1的圖像點(diǎn)即為運(yùn)動(dòng)手勢區(qū)域的點(diǎn)，并將得到的運(yùn)動(dòng)手勢區(qū)域圖像進(jìn)行二值化操作，公式如下：
3手勢跟蹤
現(xiàn)在常用的一些跟蹤算法主要有：卡爾曼預(yù)測算法、粒子濾波算法、均值偏移算法以及Camshift跟蹤算法等?？紤]到卡爾曼預(yù)測算法和均值偏移算法等都是線性跟蹤算法，不能很好的應(yīng)對目標(biāo)運(yùn)動(dòng)的隨機(jī)性，本文采用了粒子濾波算法。
3.1粒子濾波算法原理
粒子濾波法是指通過用一組帶有權(quán)值的隨機(jī)樣本，以及基于這些樣本的估算來表示動(dòng)態(tài)系統(tǒng)的后驗(yàn)概率密度。當(dāng)樣本很大的時(shí)候，這種估計(jì)就等同于后驗(yàn)概率密度。這些樣本就稱為“粒子”。假設(shè)在t=0時(shí)刻每個(gè)粒子都有一個(gè)解，每個(gè)解與真實(shí)解都有一定的相似度，這個(gè)相似度可以表示為權(quán)重，隨著時(shí)間的增加，相似度越大的粒子權(quán)重越大，而相似度越小的粒子權(quán)重就越小，最后趨于0，從而找到真實(shí)解（如圖2）。
3.2基于改進(jìn)顏色直方圖信息的粒子跟蹤
視頻圖像跟蹤方面，目標(biāo)的運(yùn)動(dòng)模型主要表現(xiàn)為目標(biāo)位置、速度隨時(shí)間改變的狀態(tài)轉(zhuǎn)移過程，目標(biāo)的觀測模型主要表現(xiàn)為每幀圖像中運(yùn)動(dòng)目標(biāo)的特征（如顏色、輪廓等）與真實(shí)目標(biāo)的相似度的似然過程。在粒子濾波算法中，運(yùn)動(dòng)模型可以稱為粒子傳播或者粒子采樣，它是一種隨機(jī)過程[11]。粒子在經(jīng)過傳播以后，狀態(tài)會(huì)發(fā)生改變，但權(quán)值沒有跟著改變，這就需要系統(tǒng)的觀測模型對當(dāng)前粒子的狀態(tài)進(jìn)行計(jì)算從而更新粒子的權(quán)值。本文的研究中，觀測值由目標(biāo)區(qū)域的顏色直方圖決定。
基于顏色直方圖信息的粒子濾波就是將圖像顏色特征的相似度作為粒子濾波算法要求解的后驗(yàn)概率，利用巴氏距離（Bhattacharyya）來計(jì)算相似度，得到粒子的權(quán)重。巴氏系數(shù)[12]如公式（9）：
4.2識別算法過程
本文研究中，首先建立手勢模板庫，然后通過實(shí)時(shí)提取手勢幀，經(jīng)過前面第2部分的結(jié)合改進(jìn)顏色直方圖信息的手勢檢測，然后再經(jīng)過形態(tài)學(xué)處理之后，得到效果良好手勢區(qū)域的二值圖，再用輪廓提取及跟蹤來得到手勢的輪廓圖，然后計(jì)算其7Hu矩特征，最后運(yùn)用歐氏距離將其與模板庫中定義的手勢進(jìn)行特征匹配，完成手勢識別。
輪廓提取就是要掏空內(nèi)部的點(diǎn)：如果其八個(gè)相鄰的點(diǎn)都是黑色，則可以判定為內(nèi)部點(diǎn)，然后刪除改點(diǎn)。
輪廓跟蹤方法：首先找出輪廓中最左下方的點(diǎn)作為搜索的起點(diǎn)，然后按照一定規(guī)則來搜索手勢輪廓上的其他像素點(diǎn)。由于輪廓是連續(xù)的，因此每個(gè)輪廓上的點(diǎn)的位置都可以用其前一個(gè)點(diǎn)的所張的角度來表示。研究中采用如下跟蹤準(zhǔn)則，第一個(gè)點(diǎn)開始定義搜索方向?yàn)樽笊?，如果左上方的點(diǎn)是黑點(diǎn)，則它也是輪廓上的點(diǎn)；如果不是，那么順時(shí)針旋轉(zhuǎn)，直到找到第一個(gè)黑點(diǎn)，即輪廓上的下一個(gè)點(diǎn)。繼續(xù)同樣的方法搜索，直到返回最初的起點(diǎn)，搜索結(jié)束。
下圖是輪廓跟蹤算法[15]的示意圖，搜索方向用箭頭表示。
5系統(tǒng)實(shí)現(xiàn)
本文的系統(tǒng)是在微軟的VS2010平臺上，使用C++語言進(jìn)行軟件開發(fā)，在圖像處理相關(guān)方面是基于計(jì)算機(jī)視覺庫（OpenCV）進(jìn)行研究的。程序界面如下圖：
左邊底層區(qū)的按鈕可以觀察實(shí)時(shí)手勢跟蹤和識別效果的功能（如圖4和圖7）。
手勢識別的結(jié)果可以定義成一個(gè)變量，不同
的識別結(jié)果對應(yīng)的變量值不同，然后根據(jù)變量值調(diào)用不同的API接口函數(shù)，這樣就可以實(shí)現(xiàn)實(shí)時(shí)手勢識別技術(shù)在演示控制中的應(yīng)用。本文研究在控制部分挑選了六種手勢，分別控制PPT播放中的開始、退出、上下翻頁、跳轉(zhuǎn)首末頁等功能。手勢命令定義如下：手勢4控制開始播放；手勢3控制退出播放；手勢1控制跳轉(zhuǎn)首頁；手勢2為跳轉(zhuǎn)尾頁；手勢10為向下翻頁頁；手勢5控制向前翻頁。對電腦中某一PPT進(jìn)行實(shí)際的播放控制（列舉其中4個(gè)手勢的控制狀態(tài)），效果如下：
1）識別手勢4，開始播放：
2）識別手勢10，向下翻頁：
3）識別手勢1，跳轉(zhuǎn)到首頁：
4）識別手勢3，退出：
系統(tǒng)通過筆記本自帶30W像素的攝像頭，采用DirectShow技術(shù)進(jìn)行實(shí)時(shí)視頻的獲取，圖像尺寸是320*240，fps可以達(dá)到30-60幀/秒，可以很好的滿足實(shí)時(shí)性的要求。
6結(jié)語
本文通過研究設(shè)計(jì)了一個(gè)基于視覺的手勢識別技術(shù)在演示控制中的應(yīng)用系統(tǒng)，可以看出背景差分結(jié)合顏色直方圖的運(yùn)動(dòng)檢測可以得到較好的手勢區(qū)域效果；采用的基于顏色直方圖的粒子跟蹤也能基本實(shí)現(xiàn)實(shí)時(shí)跟蹤的任務(wù)；在識別過程中，基于Hu不變矩的輪廓匹配算法具有很好的魯棒性，可以得到較好手勢識別效果；在應(yīng)用階段，使用手勢來完成控制命令，基本實(shí)現(xiàn)了在播放控制中的應(yīng)用。
同時(shí)，仍存在一些問題：對于光照和人臉微小晃動(dòng)等外部因素引起的噪聲，只能降低而無法消除，這對于手勢跟蹤與識別的效果還是有一定的影響，在應(yīng)用時(shí)會(huì)產(chǎn)生一定的誤操作。這些問題仍需繼續(xù)研究，才能使得基于視覺的手勢識別技術(shù)得到更成熟的應(yīng)用。
參考文獻(xiàn)
[1]吳曉陽.基于OpenCV的運(yùn)動(dòng)目標(biāo)檢測與跟蹤[D].杭州：浙江大學(xué)，2008.
[2]CHO J U， JIN S H， PHAM X D. Object tracking circuit using particle filter with multiple features [C] / / SICE-ICASE： International Joint Conference. Las Vegas： IEEE， 2006： 1431-1436.
[3]甘志杰.基于Hu矩和支持向量機(jī)的靜態(tài)手勢識別及應(yīng)用[D].青島：青島科技大學(xué)，2008.
[4]華斌，夏利娜.基于中值濾波和Hu矩向量的手語識別[J].計(jì)算機(jī)工程與設(shè)計(jì)，2011，32（2）： 615- 618.
[5]伏思華，張小虎.基于序列圖像的運(yùn)動(dòng)目標(biāo)實(shí)時(shí)檢測方法[J].光學(xué)術(shù)，2004，30（2）： 215- 217.
[6]LINDEBERC T. Scale-space theory： a basic tool for analyzing structures at different scales [J]. Joumal of Applied Statistics. 1994， 21（2）：224-270.
[7]于華平.視頻序列中的手勢檢測與跟蹤[D].南寧：廣西大學(xué)，2010.
[8]QIN WEN， PENG QICONG. An improved particle filter algorithm based on neural network for visual tracking [C] / / International Conference on Communications， Circuits and Systems. Las Vegas： IEEE， 2007：765-768.
[9]龔翔. 基于粒子濾波的視覺跟蹤算法研究[D]. 南京：南京理工大學(xué)，2009.
[10]YU JIAXIA， LIU WENJING， YANG Y. Improved particle filter algorithms based on partial systematic resambling [C]/ /IEEE International Conference on Intelligent Computing and Intelligent Systems. Las Vegas： IEEE， 2010： 483-487.
[11]朱志宇.粒子濾波算法及其應(yīng)用[M].北京：北京科學(xué)出版社，2010.
[12]FAZLI S， POUR H M， BOUZARI H. Particle filter based object tracking with sift and color feature [C] / / Second International Conference on Machine Vision. Las Vegas： IEEE， 2009：89-93.
[13]侯一明，郭雷，倫向敏，等.運(yùn)動(dòng)背景下基于粒子濾波的目標(biāo)跟蹤[J].計(jì)算機(jī)工程與應(yīng)用，2007，43（8）： 62- 64.
【關(guān)鍵詞】自動(dòng)控制技術(shù)；農(nóng)業(yè)自動(dòng)化
由于歷史、觀念和技術(shù)等方面的原因， 我國傳統(tǒng)農(nóng)業(yè)機(jī)械與發(fā)達(dá)國家相比有很大差距，已遠(yuǎn)遠(yuǎn)不能適應(yīng)農(nóng)業(yè)的科技進(jìn)步。近些年來， 自動(dòng)化的研究逐漸被人們所認(rèn)識， 自動(dòng)控制在農(nóng)業(yè)上的應(yīng)用越來越受到重視。例如，把計(jì)算機(jī)技術(shù)、微處理技術(shù)、傳感與檢測技術(shù)、信息處理技術(shù)結(jié)合起來， 應(yīng)用于傳統(tǒng)農(nóng)業(yè)機(jī)械， 極大地促進(jìn)了產(chǎn)品性能的提高。我國農(nóng)業(yè)部門總結(jié)了一些地區(qū)的農(nóng)業(yè)自動(dòng)化先進(jìn)經(jīng)驗(yàn)（如臺灣地區(qū)的農(nóng)業(yè)生產(chǎn)自動(dòng)化、漁業(yè)生產(chǎn)自動(dòng)化、畜牧業(yè)生產(chǎn)自動(dòng)化及農(nóng)產(chǎn)品貿(mào)易自動(dòng)化）的開發(fā)與應(yīng)用情況， 同時(shí)也汲取了國外一些國家的先進(jìn)經(jīng)驗(yàn)、技術(shù)，如日本的四行半喂人聯(lián)合收割機(jī)是計(jì)算機(jī)控制的自動(dòng)化裝置在半喂人聯(lián)合收割機(jī)中的應(yīng)用，英國通過對施肥機(jī)散播肥料的動(dòng)力測量來控制肥料的精確使用量。這些技術(shù)和方法是我國農(nóng)業(yè)機(jī)械的自動(dòng)化裝置得到了補(bǔ)充和新的發(fā)展，從而形成了一系列適合我國農(nóng)業(yè)特點(diǎn)的自動(dòng)化控制技術(shù)。
1.已有的農(nóng)業(yè)機(jī)械及裝置的部分自動(dòng)化控制
自動(dòng)化技術(shù)提高了已有農(nóng)業(yè)機(jī)械及裝置的作業(yè)性能和操作性能。浙江省把自動(dòng)化技術(shù)應(yīng)用于茶葉機(jī)械上，成功研制出6CRK-55型可編程控制加壓茶葉揉捻機(jī)，它利用計(jì)算機(jī)控制電功加壓機(jī)構(gòu)，能根據(jù)茶葉的具體情況編制最佳揉捻程序?qū)崿F(xiàn)揉捻過程的自動(dòng)控制，是機(jī)電一體化技術(shù)在茶葉機(jī)械上的首次成功應(yīng)用。
1.1應(yīng)用于拖拉機(jī)
在農(nóng)用拖拉機(jī)上已廣泛使用了機(jī)械油壓式三點(diǎn)聯(lián)結(jié)的位調(diào)節(jié)和力調(diào)節(jié)系統(tǒng)裝置， 現(xiàn)又在開發(fā)和采用性能更完善的電子油壓式三點(diǎn)聯(lián)結(jié)裝置。
1.2應(yīng)用于施肥播種機(jī)
根據(jù)行駛速度和檢測種子粒數(shù)來確定播種量是否符合要求的裝置， 以及將馬鈴薯種子割成瓣后播種的裝置等。
1.3應(yīng)用于谷物干燥機(jī)
不受外界條件干擾， 能自動(dòng)維持熱風(fēng)溫度的裝置停電或干燥機(jī)過熱引起火災(zāi)時(shí)，自動(dòng)掐斷燃料供給的裝置。
2.微灌自動(dòng)控制技術(shù)
我國從20世紀(jì)年50代就開始進(jìn)行節(jié)水灌溉的研究與推廣據(jù)統(tǒng)計(jì)。到1992年，全國共有節(jié)水灌溉工程面積0.133億m2，其中噴灌面積80萬m2， 農(nóng)業(yè)節(jié)水工程取得了巨大的進(jìn)展。灌溉管理自動(dòng)化是發(fā)展高效農(nóng)業(yè)的重要手段，高效農(nóng)業(yè)和精細(xì)農(nóng)業(yè)要求必須實(shí)現(xiàn)水資源的高效利用。采用遙感遙測等新技術(shù)監(jiān)測土壤墑性和作物生長情況，對灌溉用水進(jìn)行動(dòng)態(tài)監(jiān)測預(yù)報(bào)，實(shí)現(xiàn)灌溉用水管理的自動(dòng)化和動(dòng)態(tài)管理。在微灌技術(shù)領(lǐng)域，我國先后研制和改進(jìn)了等流量滴灌設(shè)備、微噴灌設(shè)備、微灌帶、孔口滴頭、壓力補(bǔ)償式滴頭、折射式和旋轉(zhuǎn)式微噴頭、過濾器和進(jìn)排氣閥等設(shè)備，總結(jié)出了一套基本適合我國國情的微灌設(shè)計(jì)參數(shù)和計(jì)算方法，建立了一批新的試驗(yàn)示范基地。在一些地區(qū)實(shí)現(xiàn)了自動(dòng)化灌溉系統(tǒng)，可以長時(shí)間地自動(dòng)啟閉水泵和自動(dòng)按一定的輪灌順序進(jìn)行灌溉。這種系統(tǒng)中應(yīng)用了灌水器、土壤水分傳感器、溫度傳感器、壓力傳感器、水位傳感器和雨量傳感器、電線等。
3.自動(dòng)控制技術(shù)在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用
關(guān)鍵詞： 計(jì)算機(jī)視覺； 手指特征識別； 動(dòng)態(tài)閾值算法； 矩形模版
中圖分類號： TN911?34； TP37 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2017）12?0113?04
Abstract： In order to improve the accuracy and speed of the finger feature recognition in video image， a dynamic threshold algorithm based on rectangle template is proposed. The rectangle template is used in the algorithm to smooth the image， and the gray threshold method is used to extract the edge of the target to recognize the finger feature accurately. The Matlab simulation results show that the algorithm is lightly influenced by environmental noise， and can segment the edge of the finger clearly and accurately. A finger feature recognition system based on computer vision was designed on FPGA platform. Its real?time performance， finger recognition accuracy and other performances were tested. The test results show that the running speed of the system is synchronous with the speed of capturing the image by camera， which can meet the real?time requirement of the system. The coordinates deviation of the finger position recognized by the system is about 3 pixels， which can basically meets the accuracy requirement of the system.
Keywords： computer vision； finger feature recognition； dynamic threshold algorithm； rectangle template
S著科學(xué)技術(shù)的飛速發(fā)展，人與計(jì)算機(jī)之間的交互活動(dòng)越來越密切，并逐漸成為人們?nèi)粘Ｉ畹闹匾M成部分。傳統(tǒng)觸摸屏是現(xiàn)階段一種最常見，也是最重要的人機(jī)交互方式，其是通過一種附加在顯示器表面的透明介質(zhì)，依賴使用者的手指觸摸該介質(zhì)來實(shí)現(xiàn)對計(jì)算機(jī)的輸入控制[1?2]。目前，這種觸摸屏技術(shù)已經(jīng)相當(dāng)成熟，但是，技術(shù)上不容易做到大尺寸，且成本相對較高，也易于破損。為了突破傳統(tǒng)觸摸屏這種人機(jī)交互方式的局限，把任何成像平面變成可用手指進(jìn)行交互的系統(tǒng)，本文提出了一種基于計(jì)算機(jī)視覺的手指特征識別算法，并在FPGA平臺上建立了一套基于計(jì)算機(jī)視覺的手指特征識別硬件系統(tǒng)。這種基于計(jì)算機(jī)視覺的手指特征識別方法可為基于視覺的人機(jī)互動(dòng)提供一種新的技術(shù)解決途徑。其與傳統(tǒng)觸摸屏的區(qū)別在于，不需要在成像屏幕上安裝任何特殊介質(zhì)，使用壽命得到大幅延長，應(yīng)用范圍有了很大擴(kuò)展。
1 圖像采集平臺
本文所采用的圖像采集平臺如圖1所示，在任何與計(jì)算機(jī)連接的顯示設(shè)備（如投影屏幕、等離子電視等）的左上角、右上角安裝兩個(gè)攝像頭，通過這兩個(gè)攝像頭便可確定手指在屏幕上的二維坐標(biāo)信息（x1，x2）。然后，將此坐標(biāo)點(diǎn)傳至計(jì)算機(jī)，并與Windows系統(tǒng)的鼠標(biāo)程序關(guān)聯(lián)即可實(shí)現(xiàn)人機(jī)交互功能。圖2是圖像采集平臺的側(cè)視圖。其中虛線框表示攝像頭視野中系統(tǒng)需要處理的區(qū)域，即手指出現(xiàn)的區(qū)域。
2 手指特征識別算法及仿真
在系統(tǒng)實(shí)現(xiàn)過程中，如何從攝像頭所拍攝的畫面中準(zhǔn)確地識別并提取出手指信息是其難點(diǎn)之一。在目前的圖像處理技術(shù)中，用于識別背景圖案中目標(biāo)物體的算法很多，本文在分析基于色彩聚類的膚色識別算法的基礎(chǔ)上，結(jié)合課題特殊需求，提出一種基于矩形模板的動(dòng)態(tài)閾值算法，并在Matlab中對上述算法的處理效果進(jìn)行了仿真。
從圖像采集平臺可以看出，本系統(tǒng)只關(guān)心距屏幕很近的小視野內(nèi)是否出現(xiàn)區(qū)別于背景的目標(biāo)物體。因此，只需從攝像頭拍攝的圖像當(dāng)中截取一部分，如圖3中的小矩形框所示。
2.1 基于色彩聚類的膚色識別算法
膚色是人體區(qū)別于其他物體的一個(gè)重要特征，人體膚色特征不受位置、角度、大小等因素影響，具有較強(qiáng)的穩(wěn)定性。因此，本文首先選定基于色彩聚類的膚色提取識別算法進(jìn)行研究。在色彩聚類方法中，Anil K.Jain的Cb，Cr橢圓聚類方法最為典型[3?4]。采用非線性分段膚色分割得到的膚色區(qū)域在Cb，Cr空間中近似于橢圓，如下：
由圖5可知，利用該算法分割手指信息的效果尚可，能從比較友好的環(huán)境中迅速準(zhǔn)確地識別出手指信息。圖6為利用橢圓聚類膚色分割算法對從圖像采集平臺讀取圖像的手指識別效果?？梢姡撍惴ㄔ谄胀ōh(huán)境下對手指的識別效果良好。但當(dāng)屏幕上的顏色影響手指膚色時(shí)，該算法的識別能力就會(huì)有所降低。可見，該算法對皮膚顏色的純度要求較高，適用范圍受限。圖7為屏幕出現(xiàn)大面積藍(lán)色時(shí)對手指識別造成的影響效果。
2.2 基于正方形模板的動(dòng)態(tài)閾值算法
基于正方形模板的動(dòng)態(tài)閾值算法，即采用灰度閾值法，用正方形模板平滑圖像[5?6]。圖8（a）是3×3模板動(dòng)態(tài)閾值算法平滑圖像的過程。
應(yīng)用基于3×3模板的動(dòng)態(tài)閾值算法對原圖4進(jìn)行邊緣提取的仿真效果如圖9（a）所示。可見，應(yīng)用3×3模板可以提取出目標(biāo)物體的邊緣，但不夠清晰。雖然可以通過增大模板取得比較理想的效果（圖9（b）為采用基于101×101模板的動(dòng)態(tài)閾值算法的處理效果），但會(huì)使計(jì)算量劇增，同時(shí)也縮小了模板所能完全覆蓋的范圍，使圖像邊緣產(chǎn)生無效的白色區(qū)域。
2.3 基于矩形模板的動(dòng)態(tài)閾值算法
根據(jù)課題實(shí)際需要，即所要處理的目標(biāo)區(qū)域?yàn)殚L方形窄條區(qū)域（如圖3所示），本文提出一種基于矩形模板的動(dòng)態(tài)閾值算法。該算法與基于正方形模板算法的區(qū)別在于，平滑圖像時(shí)所用的模板為窄條形，如3×5模板，3×15模板，3×41模板等。圖8（b）是3×9模板動(dòng)態(tài)閾值算法平滑圖像的過程。
圖10給出了采用基于3×9模板、3×14模板、3×81模板、3×101模板動(dòng)態(tài)閾值算法對原圖4進(jìn)行手部邊緣提取的仿真效果。由仿真效果可知，基于矩形模板的動(dòng)態(tài)閾值算法在模板取值為3×9的情況下，便能夠清晰提取出目標(biāo)物體的邊緣。而且，隨著模板取值的增加，目標(biāo)物體邊緣的提取效果更加清晰準(zhǔn)確。與基于正方形模板的動(dòng)態(tài)閾值算法相比，基于矩形模板的動(dòng)態(tài)閾值算法計(jì)算量較小，節(jié)約了系統(tǒng)的計(jì)算資源。
3 基于FPGA的手指特征識別算法的系統(tǒng)測試
為了驗(yàn)證本文所提出的基于矩形模板的動(dòng)態(tài)閾值算法能否滿足屏幕交互系統(tǒng)的整體要求，本文通過編寫軟件程序在FPGA開發(fā)板上對這種算法進(jìn)行了硬件實(shí)現(xiàn)和系統(tǒng)測試。
3.1 硬件實(shí)現(xiàn)
本文所采用的硬件實(shí)現(xiàn)系統(tǒng)主要是基于美國Altera公司生產(chǎn)的型號為EFA?CY1C12的“紅色颶風(fēng)”（Red Cyclone）系列FPGA開發(fā)板，并另外集成了用Ommvison公司的型號為OV9655的CMOS數(shù)字?jǐn)z像頭，以及ISSI公司的型號為IS61LV25616AL的SRAM存儲(chǔ)器[7?10]。最終搭建的硬件系統(tǒng)如圖11所示。
3.2 系統(tǒng)測試
本文主要對系統(tǒng)的實(shí)時(shí)性、手指提取精度、資源占用情況等影響系統(tǒng)運(yùn)行的重要技術(shù)指標(biāo)進(jìn)行了測試。
（1） 實(shí)時(shí)性
OV9655攝像頭在1 280×1 024分辨率下，能提供15 f/s的圖像采集速率，課題所設(shè)計(jì)的軟件程序可以在一幀圖像的處理時(shí)間內(nèi)完成了數(shù)據(jù)的采集、手指邊緣的識別等運(yùn)算，實(shí)現(xiàn)了系統(tǒng)執(zhí)行速度與攝像頭拍攝速度的同步，達(dá)到了系統(tǒng)對實(shí)時(shí)性要求。
（2） 手指識別精度
由于課題在軟件設(shè)計(jì)過程中編入了圖像采集防抖動(dòng)處理程序，提高了圖像采集的穩(wěn)定性，也提高了手指識別的精度。經(jīng)過測試，本系統(tǒng)得到的手指位置信息的坐標(biāo)偏差為3個(gè)像素，基本滿足大屏幕交互系統(tǒng)對識別精度的需求。
（3） 資源占用情況
從Quartus Ⅱ的編譯報(bào)告中可以看出，本系統(tǒng)的軟件運(yùn)行已占用FPGA的9 702個(gè)邏輯單元，占邏輯單元總數(shù)的80%。可見，該硬件系統(tǒng)的FPGA運(yùn)算資源基本能滿足系統(tǒng)的實(shí)際需要。
4 結(jié) 語
本文通過對基于矩形模板的動(dòng)態(tài)閾值算法的研究和基于FPGA的手指特征識別硬件系統(tǒng)的實(shí)現(xiàn)，建立了一套基于計(jì)算機(jī)視覺的手指特征識別系統(tǒng)。該算法受環(huán)境噪聲影響較小，能清晰準(zhǔn)確地分割出手指邊緣，且隨著矩形模版取值的增大，算法的識別效果會(huì)更加良好。該系統(tǒng)的實(shí)時(shí)性、手指識別精度及資源占用情況均可滿足系統(tǒng)要求。這種基于計(jì)算機(jī)視覺的手指識別方法成本低、靈活性好，為基于視覺的人機(jī)交互提供了一種新的技術(shù)途徑。
參考文獻(xiàn)
[1] 呂明，呂延.觸摸屏的技術(shù)現(xiàn)狀、發(fā)展趨勢及市場前景[J].機(jī)床電器，2012，39（3）：4?7.
[2] 陳康才，李春茂.電阻式觸摸屏兩點(diǎn)觸摸原理[J].科學(xué)技術(shù)與工程，2012，12（18）：4525?4529.
[3] MAITRE H.現(xiàn)代數(shù)字圖像處理[M].北京：電子工業(yè)出版社，2006：79.
[4] 帕科爾，景麗.圖像處理與計(jì)算機(jī)視覺算法及應(yīng)用[M].2版.北京：清華大學(xué)出版社，2014：104.
[5] GONZALEZ R C，WOODS R E，EDDINS S L.數(shù)字圖像處理的Matlab實(shí)現(xiàn)[M].2版.北京：清華大學(xué)出版社，2013：301.
[6] RUSS J C.數(shù)字圖像處理[M].6版.北京：清華大學(xué)出版社，2014：216.
[7] 于楓.Altera可編程輯器件應(yīng)用技術(shù)[M].北京：科學(xué)出版社，2014：68.
[8] 姚智剛，付強(qiáng).基于低成本CMOS攝像頭智能監(jiān)控系統(tǒng)的設(shè)計(jì)[J].現(xiàn)代電子技術(shù)，2006，29（3）：126?128.
關(guān)鍵詞：ARM OPENCV AdaBoost
近年來,功能各異的視頻監(jiān)控設(shè)備越來越多,但是,大多只能簡單記錄視頻畫面,將監(jiān)控到的視頻信息存儲(chǔ)起來,而不能對所監(jiān)控到的視頻做一定的處理分析和預(yù)測。基于ARM的人臉檢測系統(tǒng),為我們的視頻監(jiān)控設(shè)備提供了一個(gè)視頻處理的參考解決方案,在一定基礎(chǔ)上加以擴(kuò)充,可以完成人物識別,危險(xiǎn)行為檢測與報(bào)警等,使視頻監(jiān)控設(shè)備更加智能化。
1、視頻監(jiān)控的幾項(xiàng)關(guān)鍵技術(shù)及發(fā)展方向
視頻監(jiān)控的關(guān)鍵技術(shù)主要有視頻采集壓縮算法、視頻信號可靠地傳輸、信息存儲(chǔ)調(diào)用的智能化與系統(tǒng)的集中管理等。視頻監(jiān)控技術(shù)發(fā)展方向?yàn)榉植疾杉泄芾怼⒏咂焚|(zhì)圖象壓縮處理、開放標(biāo)準(zhǔn)統(tǒng)一接口、統(tǒng)一認(rèn)證以確保安全、操作人性化以及功能集成化、結(jié)構(gòu)模塊化和傳輸多樣化。隨著不斷發(fā)展的網(wǎng)絡(luò)技術(shù),基于嵌入式技術(shù)的網(wǎng)絡(luò)數(shù)字監(jiān)控系統(tǒng)不再是處理模擬視頻信號,而是把攝像機(jī)輸出的模擬視頻信號通過視頻編碼器直接轉(zhuǎn)換為IP數(shù)字信號。
2、平臺的搭建
ARM之所以應(yīng)用廣泛,是因?yàn)橛休^快得運(yùn)算速度,較低的價(jià)格,開發(fā)人員也比較容易接觸,程序較易移植過來等特點(diǎn)。EmbeddedLinux也是Linux家族的成員,支持廣泛的硬件平臺,如PPC、ARM、MIPS等,也繼承了Linux的優(yōu)點(diǎn)——開源、免費(fèi),同時(shí)也有廣泛的應(yīng)用軟件支持,能夠比較方便的移植操作系統(tǒng)與應(yīng)用軟件。
3、OPENCV簡介
OpenCV是一個(gè)開源的計(jì)算機(jī)視覺庫,采用C/C++語言進(jìn)行編寫,可以運(yùn)行在Linux/Windows/Mac等操作系統(tǒng)上,同時(shí)還提供了Python、Ruby以及其他語言的接口。其設(shè)計(jì)目標(biāo)就是執(zhí)行速度盡量快,它采用優(yōu)化的C語言編寫,能夠充分利用多核處理器的優(yōu)勢。除此之外,另外一個(gè)目標(biāo)就是構(gòu)建一個(gè)簡單易用的計(jì)算機(jī)視覺框架,開發(fā)人員可以利用它更便捷地設(shè)計(jì)復(fù)雜的計(jì)算機(jī)視覺相關(guān)應(yīng)用程序。其中包含的函數(shù)有500多個(gè),覆蓋了計(jì)算機(jī)視覺的許多應(yīng)用領(lǐng)域,如工廠產(chǎn)品檢測、醫(yī)學(xué)成像、信息安全、攝像機(jī)標(biāo)定、立體視覺和機(jī)器人等。
4、人臉檢測的原理
人臉檢測技術(shù)的研究要追溯到20世紀(jì)70年代,早期的研究主要致力于模板匹配、子空間方法、變形模板匹配等,近幾年,集中研究基于數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)方法,如統(tǒng)計(jì)模型方法,神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法,統(tǒng)計(jì)知識理論和支持向量計(jì)算方法,基于馬爾可夫[1]隨機(jī)域的方法,以及基于膚色的人臉檢測等。目前在實(shí)際中應(yīng)用的人臉檢測方法多為基于Adaboost[2]學(xué)習(xí)算法的方法。
Viola是AdaBoost算法的一種,主要基于積分圖和級聯(lián)檢測器,其方法框架可大至分為以下三大部分:第一部分,使用Harr-like特征來表示人臉,并且使用“積分圖”實(shí)現(xiàn)特征數(shù)值的快速計(jì)算;第二部分,使用Adaboost算法挑選出一些最能代表人臉的矩形特征,用弱分類器按照加權(quán)投票的方式,構(gòu)造為一個(gè)強(qiáng)分類器;第三部分,為有效的提高檢測速度,將訓(xùn)練得到的若干強(qiáng)分類器串聯(lián)組成一個(gè)級聯(lián)結(jié)構(gòu)的層疊分類器。
人臉檢測的目的就是從圖片之中找出所有包含人臉的子窗口,對人臉的子窗口與非人臉的子窗口進(jìn)行區(qū)分。第一步,在一個(gè)20*20的圖片中提取出一些簡單的特征（Harr特征）,將白色區(qū)域內(nèi)的像素減去黑色區(qū)域,因此在人臉與非人臉圖片的相同位置上,有著大小不一樣的數(shù)值,這些特征就是區(qū)分人臉和非人臉的依據(jù)。第二步,使用上萬張切割好的人臉圖片和上萬張背景圖片作為訓(xùn)練樣本。訓(xùn)練圖片一般都調(diào)到到20*20的大小。在這樣大小的圖片中,可供haar使用的特征數(shù)大概有1萬個(gè)左右,然后通過機(jī)器學(xué)習(xí)算法也就是Adaboost算法挑選數(shù)千個(gè)有效的haar特征,用來組成人臉檢測器。第三步,學(xué)習(xí)算法訓(xùn)練出一個(gè)人臉檢測器后,便可以在各種各樣的場合使用了。使用時(shí),依次縮放圖像比例,最后在縮放后的圖片20*20的子窗口中依次判別是否是人臉。
人臉檢測技術(shù)在門禁系統(tǒng)、智能監(jiān)控系統(tǒng)中已經(jīng)得到了很好的應(yīng)用。另外,目前的筆記本電腦登錄時(shí),也陸續(xù)使用人臉識別技術(shù)作為憑證。同時(shí),人臉檢測算法也在數(shù)碼相機(jī)和手機(jī)中起作用,作為一個(gè)新新的功能提供用戶使用。
5、結(jié)語
ARM上進(jìn)行圖像處理以及人臉檢測與識別等是可行的方案,可以減少硬件成本。 采用Linux+Qt4+OpenCv+Arm是一個(gè)方案合理、技術(shù)成熟、成本低廉、應(yīng)用廣泛的人臉檢測與圖像處理的解決方案。
參考文獻(xiàn)
關(guān)鍵詞：肉類食品；品質(zhì)檢測；研究
隨著經(jīng)濟(jì)的快速增長，國民生活的日益提高，我國肉類消費(fèi)量也在快速增長，由肉類食品所引起的食物安全問題也不斷增多，如“禽流感”、 “豬鏈球菌中毒”等.傳統(tǒng)的檢測技術(shù)費(fèi)時(shí)費(fèi)力,檢測效率低,已經(jīng)達(dá)不到現(xiàn)代檢測所需的快速、準(zhǔn)確、實(shí)時(shí)、無損等要求。 現(xiàn)代的肉品檢測技術(shù)，注重實(shí)用性和精確性。儀器微型化、低耗能化、功能專用化、多維化、一體化、成像化；生物技術(shù)被大量應(yīng)用；與計(jì)算機(jī)技術(shù)結(jié)合得越來越緊密；不斷采用其它領(lǐng)域的新技術(shù)；生理學(xué)中的感覺器官生理變動(dòng)規(guī)律和電生理學(xué)研究學(xué)方法等。
1 物理方法
1.1 計(jì)算機(jī)視覺技術(shù)
計(jì)算機(jī)視覺技術(shù)通過計(jì)算機(jī)模擬人的判別準(zhǔn)則去理解和識別圖像，用圖像分析作出相應(yīng)結(jié)論的實(shí)用技術(shù)，其中圖像處理和圖像分析是計(jì)算機(jī)視覺技術(shù)的核心。
計(jì)算機(jī)視覺技術(shù)可對其新鮮度作出判定；基于神經(jīng)網(wǎng)絡(luò)分類器的立體顏色直立圖可用于分析雞胴體全身缺陷。李剛等構(gòu)建了由氣體傳感器陣列、數(shù)據(jù)采集單元、神經(jīng)網(wǎng)絡(luò)組成的智能檢測辨識系統(tǒng)，通過豬肉樣本的測試與分析表明，該方法可實(shí)時(shí)準(zhǔn)確地識別肉類新鮮度，辨識準(zhǔn)確率可達(dá)9 0 % 以上。Malone 等以圖像處理方法和專家系統(tǒng)控制為基礎(chǔ)，研發(fā)了一個(gè)分析系統(tǒng)，該系統(tǒng)可以根據(jù)圖像分析的結(jié)果并參照數(shù)據(jù)庫作出正確的判斷，確定魚片脊骨的位置，并操縱高壓水切割器剔除魚片中的脊骨。機(jī)器視覺系統(tǒng)也用于研究豬腰肉的品質(zhì)波動(dòng)和分級，如用400 ～700nm 的光纖反射測量系統(tǒng)可以檢測出明顯的PSE 豬腰肉，同時(shí)根據(jù)豬肉品質(zhì)優(yōu)劣進(jìn)行分級。
1.2 超聲波技術(shù)
超聲波檢測技術(shù)是利用肉品在超聲波作用下的吸收特性、衰減系數(shù)、傳播速度、本身的聲阻抗和固有頻率，測定肉品組成成分、肌肉厚度、脂肪厚度的快速無損在線檢測、分級方法。
利用超聲波可以測定肉品(活體或尸體) 的成分，如牛、羊、豬等的背膘厚度及脂肪含量。Benedito等應(yīng)用超聲波傳播速度的變化檢測發(fā)酵香腸的化學(xué)成分，發(fā)現(xiàn)在脂肪中溫度每升高1 ℃超聲波速減慢5.6m/s;在瘦肉中，超聲波速隨溫度上升而上升。
Brondum 等使用超聲波在線檢測豬胴體的系統(tǒng)，該系統(tǒng)包括1 6 個(gè)超聲波傳感器，可以確定膘厚、肥瘦、產(chǎn)肉率(與胴體重量有關(guān))、 主要切割點(diǎn)等指標(biāo)，其在線檢測速度可達(dá)1150 頭/h ，能達(dá)到較高的準(zhǔn)確率。目前較好的產(chǎn)品有丹麥S F KTechnology A/S 公司研制的在線檢測產(chǎn)品。
用超聲波圖像檢測脂肪厚度和腰部肌肉易受到操作人員、測量部位、超聲波頻率、被測物體的不規(guī)則性和肥瘦組織分布的不均勻性等因素的影響，而且實(shí)時(shí)超聲波圖像一般只能檢測某部位的化學(xué)成分而不是全身成分。所以，超聲波檢測技術(shù)更多地應(yīng)用在線自動(dòng)快速無損檢測，它具有適應(yīng)性強(qiáng)、對人體無害、檢測靈敏、使用靈活等特點(diǎn)。該技術(shù)在國外已逐漸進(jìn)入肉品實(shí)際檢測中，但我國在這方面的研究與應(yīng)用尚未見報(bào)道。
1.3 電磁學(xué)檢測技術(shù)
肉品的組織、成分、結(jié)構(gòu)、狀態(tài)等和其電磁特性有密切關(guān)系。如肉品從新鮮到腐敗的過程中。其阻抗值就有一定的變化規(guī)律。
電磁掃描的原理是骨頭和肌肉這些含水的物質(zhì)比脂肪有更高的導(dǎo)電率，它和豬、羊的無脂肪瘦肉有較好的相關(guān)性。Higbie 等采用測量胴體全身電導(dǎo)率的方法來估計(jì)無脂瘦肉和全脂肪含量，通過對不同部位和條件下的豬胴體檢測，發(fā)現(xiàn)可以用三或四變量公式預(yù)測無脂瘦肉重量，而且可以根據(jù)公式推算肉類各組分的含量，復(fù)相關(guān)系數(shù)R2>0.66。 測量豬酮體的電特性能有效確定豬肉不正常系水力及PSE 特性等早期衰變，因?yàn)橄邓?、pH 值、三磷酸腺苷(TP)的降低均與生物電阻抗以及相位變化有關(guān)。而電磁學(xué)檢測的變化曲線與計(jì)算機(jī)視覺技術(shù)和超聲波檢驗(yàn)所得的變化曲線具有相似性。
2 儀器分析方法
2.1 高效液相色譜法
高效液相色譜法( H P L C ) 特別適用于高沸點(diǎn)、不能氣化或熱穩(wěn)定性差的有機(jī)物的分離分析，在食品行業(yè)中常用于食品添加劑、農(nóng)藥殘留和生物毒素的分析檢測，具有靈敏度高、操作簡便、結(jié)果準(zhǔn)確可靠、重現(xiàn)性好且成本較低的優(yōu)勢。
檢測抗生素的傳統(tǒng)方法是微生物法，靈敏度較、低耗時(shí)較長，一次只能檢測一種抗生素。反相HPLC 測定抗生素，簡便快速，能同時(shí)監(jiān)測多種抗生素，已成為肉品檢測中的常用方法。湯麗芬等用反相HPLC 同時(shí)測定廣州地區(qū)肉類4 種抗生素的殘留量，結(jié)果表明；各抗生素的線性范圍均為0.01～ 1.0 µg/ml，相關(guān)系數(shù)均為0.99 以上(n=5)；回收率均為95.6% ～ 106.0%； 日內(nèi)日間變異系數(shù)均在允許范圍內(nèi)(小于15%)。
2.2 毛細(xì)管電泳安培法
1991 年Jorgenson 和Monnig 首次提出了高速毛細(xì)管電泳技術(shù)(HSCE 或fast-CE)，使分析時(shí)間縮短至幾分鐘內(nèi)。毛細(xì)管電泳安培法具有靈敏度高、樣品體積小的特點(diǎn)。但電泳時(shí)間多為5～30min，因此近年來芯片毛細(xì)管電泳技術(shù)是電泳的一大熱點(diǎn)，芯片毛細(xì)管電泳技術(shù)實(shí)質(zhì)上是將HSCE 的儀器微型化，采用窄內(nèi)徑且短的毛細(xì)管和提高分離場強(qiáng)的方式來提高分析速度，因此保持電泳高效的同時(shí)提高其分析速度是電泳技術(shù)的發(fā)展趨勢。
楊冰儀等采用高速毛細(xì)管電泳安培法對市售肉類中的人工合成雌激素己烯雌酚(DES) 進(jìn)行了測定，結(jié)果表明：參數(shù)優(yōu)化后，DES 在60s 內(nèi)可以得到較好的分離，檢出限為1.0×10-8mol/L，DEC 濃度在1.48× 10-4～3.69 ×10-5mol/L，1.25×10-6～1.85×10-7mol/L 與峰面積分段呈良好的線性關(guān)系；遷移時(shí)間和峰面積的相對標(biāo)準(zhǔn)偏差分別為0.65%、2.2%。
2.3 近紅外光譜分析技術(shù)
近紅外技術(shù)NIR(nearinfrared)具有測量測信號數(shù)字化及分析過程綠色化的特點(diǎn)。在肉品檢測中，它可以用來測定屠宰分割過程中和肉制品加工中原料肉和成品的水分、蛋白質(zhì)、脂肪等指標(biāo)；也能鑒別冷凍肉并測定其保水性、滲透性、肉汁損失率和干物質(zhì)含量。
Ben-Gera 等采用紅外透射技術(shù)，研究了肉制品乳濁液中脂肪和水分的含量。Lanza 利用近紅外光譜分析研究了生豬肉和牛肉的水分、蛋白質(zhì)、脂肪和卡路里含量，發(fā)現(xiàn)在波長為1100～ 2500nm 時(shí)，反射光譜與水分、脂肪和卡路里有較高的相關(guān)性(R0.987)，與蛋白質(zhì)的相關(guān)系數(shù)(R)為0.885。此外，有研究表明：近紅外光通過光纖反射的透射特性與牛肉剪切力相關(guān)(R=0.798～0.826)，與水分、蛋白質(zhì)、脂肪等指標(biāo)也有較好的相關(guān)性。Park 等通過分析近紅外反射光譜以確定牛肉嫩度，采用主成分分析法(PCR，principal componen tregression)分析波長在1100～2498nm 處生肉的吸收光譜，發(fā)現(xiàn)其與測得的熟肉嫩度存在復(fù)相關(guān)系數(shù)R2=0.692，從而可以建立預(yù)測牛肉嫩度(口感)的分析模型。
但該方法成本較高且分析較復(fù)雜。目前丹麥、德國已開發(fā)出在線檢測設(shè)備，而我國還沒有類似的檢測儀器。
2.4 核磁共振波譜分析技術(shù)
核磁共振波譜法是根據(jù)具有磁性質(zhì)的原子核對射頻磁場的吸收原理，以測定各種有機(jī)或無機(jī)成分的檢測技術(shù)。它是一種無損檢測技術(shù)，可以檢測同一樣品的不同原子核，以便從不同角度對樣品進(jìn)行觀察；另外它還具有結(jié)構(gòu)和動(dòng)力學(xué)信息敏感性，可以觀察樣品的化學(xué)結(jié)構(gòu)特征和分子遷移。31P 因其天然豐度高(100%)，在細(xì)胞中的含量高(DNA、磷脂及ATP等)；化學(xué)位移范圍寬(約30)，共振譜線簡單容易識別；在生物體內(nèi)普遍存在，且與生命過程息息相關(guān)，而使31PNMR 技術(shù)在生物樣品檢測中使用最多。
31PNMR可用于檢測肉品中添加磷酸鹽的水解過程。Rongrong Li 研究了雞肉中不同磷酸鹽的水解過程，經(jīng)檢測發(fā)現(xiàn)TSPP 和TKPP 的水解最快，大約1.25h 就可以完全水解為Pi。采用31PNMR 技術(shù)可以快速無損地區(qū)別和量化肌肉組織中的有機(jī)和無機(jī)磷酸鹽，為進(jìn)一步解釋磷酸鹽的作用機(jī)理提供了方法。
3 現(xiàn)代分子生物學(xué)技術(shù)
3.1 核酸探針檢測技術(shù)
核酸分子雜交可以用于待測核酸樣品中的特定基因序列。該技術(shù)不僅具有特異性、靈敏度高的優(yōu)點(diǎn)，而且兼?zhèn)浣M織化學(xué)染色的可見性和定位性。在肉品檢測中，核酸探針技術(shù)主要用于致病性病原菌的檢測。
目前我國肉品致病菌的檢驗(yàn)普遍采用傳統(tǒng)的細(xì)菌學(xué)檢驗(yàn)方法和血清學(xué)方法，方法繁瑣，靈敏度和準(zhǔn)確性都不高。核酸探針技術(shù)可檢測出10-12～10-9 的核酸，可廣泛應(yīng)用于進(jìn)出口動(dòng)物性食品的檢驗(yàn)，包括沙門氏菌、彎桿菌、輪狀病毒、狂犬病毒等多種病原體。
核酸探針技術(shù)在實(shí)際應(yīng)用中仍存在一些問題，如放射性同位素標(biāo)記的核酸探針半衰期短、對人體有危害等（生物素標(biāo)記的核酸探針雖然對人體無害，但受紫外線照射易分解），所以作為常規(guī)診斷特別是食品實(shí)驗(yàn)室較不適用。
3.2 生物芯片檢測技術(shù)
生物芯片使研究中不連續(xù)的分析過程都集成在芯片上完成，實(shí)現(xiàn)檢測的連續(xù)化、集成化、微型化、信息化，單位面積內(nèi)可以高密度排列大量的生物探針，每平方厘米可達(dá)5 10 萬個(gè)， 一次實(shí)驗(yàn)就可檢測多種疾病或分析多種生物樣品，已經(jīng)廣泛用于食品安全檢測、食品微生物檢測、動(dòng)物疫病檢測、轉(zhuǎn)基因動(dòng)植物檢測等方面。
張慶峰等以卵清白蛋白為載體蛋白合成了雌二醇的結(jié)合物，并采用Cy3 新型熒光染料標(biāo)記結(jié)合物，作為雌二醇的競爭物，建立了以競爭法為基礎(chǔ)的檢測肉品中雌二醇的免疫芯片新方法。該技術(shù)用生物芯片點(diǎn)樣儀在醛基化玻片表面點(diǎn)樣制備免疫微陣列，對雌二醇進(jìn)行了定性定量檢測。結(jié)果表明熒光信號隨待測物濃度的降低而增強(qiáng)，待測物濃度在0.001～0.4µg/ml 的范圍內(nèi)有較好的線性趨勢，檢測范圍為1 0.001 g/ml。
4 微生物檢測技術(shù)
當(dāng)前，微生物電子學(xué)、微機(jī)技術(shù)濾光技術(shù)、生物傳感器等多項(xiàng)領(lǐng)域的突破，使得微生物快速檢測技術(shù)得到了改進(jìn)，正朝著快速、準(zhǔn)確、簡便及自動(dòng)化的方向發(fā)展。利用傳統(tǒng)微生物檢測原理，結(jié)合先進(jìn)技術(shù)，設(shè)計(jì)了形式各異的微生物檢測儀器設(shè)備，正逐步廣泛應(yīng)用于肉品微生物檢測。如ATBExpression細(xì)菌鑒定智能系統(tǒng)、全自動(dòng)微生物快速鑒定儀器VITEK、微生物總數(shù)快速測定儀、自動(dòng)菌落計(jì)數(shù)系統(tǒng)、應(yīng)用電阻抗技術(shù)的全自動(dòng)微生物監(jiān)測系統(tǒng)。
參考文獻(xiàn)
[1] 陳福生高志賢王建華. 食品安全檢測與現(xiàn)代生物技術(shù)[M].北京化學(xué)工業(yè)出版社2004.
[2] 趙杰文孫永海.現(xiàn)代食品檢測技術(shù)[M].北京中國輕工業(yè)出版社2005.
[3] 陳純.計(jì)算機(jī)圖像處理技術(shù)與算法[M].北京清華大學(xué)出版社2003.
[4] 孫永海鮮于建川石晶.基于計(jì)算機(jī)視覺的冷卻牛肉嫩度分析方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)2003 34(5) 102 105.
[5] 李剛曲世海郭培源張慧.基于神經(jīng)網(wǎng)絡(luò)的肉類新鮮度辨識技術(shù)[J].傳感器技術(shù)2004 24(3) 15 17.
[6] 滕炯華袁朝輝王磊.基于氣體傳感器陣列的牛肉新鮮度識別方法研究[J].測控技術(shù)2002 21 (7) 1 2.
