時間：2023-09-21 17:34:23
開篇：寫作不僅是一種記錄，更是一種創造，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篇計算機視覺技術及應用，希望這些內容能成為您創作過程中的良師益友，陪伴您不斷探索和進步。
中圖分類號： TS207 文獻標識碼：A
隨著微型個人計算機應用的越來越廣泛，以及計算機在綜合學科中應用的深入研究，現如今在工農業、軍事國防、醫學衛生等眾多領域的使用和研究方面計算機視覺技術都起到了至關重要的作用，為了節省人力、降低成本、減少誤差，該項技術在食品企業、科研院所、檢測機構中的應用更加普遍。如今，在農產品藥物殘留檢測、水果重量分級、等級篩選、質量監管等方面計算機視覺技術有眾多應用。
1 計算機視覺技術概述
計算機視覺技術是利用計算機、攝像機、圖像卡以及相關處理技術來模擬人的視覺，用以識別、感知和認識我們生活的世界[1]。該技術是模擬識別人工智能、心理物理學、圖像處理、計算機科學及神經生物學等多領域的綜合學科。計算機視覺技術用攝像機模擬人眼，用計算機模擬大腦，用計算機程序和算法來模擬人對事物的認識和思考，替代人類完成程序為其設定的工作。該技術由多個相關的圖像處理系統組成，主要包括光源提供系統、圖像提取系統、計算機數據運算系統等。原理是：首先通過攝像機獲得所需要的圖像信息，然后利用信號轉換將獲得的圖像信息轉變為數字圖像以便計算機正確識別[2]。隨著科學技術的發展，計算機技術在各個領域得到廣泛應用，計算機視覺技術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。計算機視覺計算有如此快速的發展，是因為與人類的視覺相比該技術具有以下顯著優勢[3]。
1.1 自動化程度高
計算機視覺可以實現對農產品的多個外形和內在品質指標進行同時檢測分析，可以進行整體識別、增強對目標識別的準確性。
1.2 實現無損檢測
由于計算機視覺技術對農產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 穩定的檢測精度
設計的運行程序確定后，計算機視覺技術的識別功能就會具有統一的識別標準，具有穩定的檢測精度，避免了人工識別和檢測時主觀因素所造成的差異。
2 計算機視覺技術在食品檢測中的應用
20世紀70年代初，學者開始研究計算機視覺技術在食品工業中的應用，近幾十年電子技術得到快速發展，計算機視覺技術也越來越成熟。國內外學者在研究計算機視覺技術在食品工業中的應用方面主要集中在該技術對果蔬的外部形態（如形狀、重量、外觀損傷、色澤等）的識別、內部無損檢測等方面。國內有關計算機視覺技術在食品業中的應用研究起始于90年代，比國外發達國家晚多達20a，但是發展很快。
2.1 計算機視覺技術在果蔬分級中的應用研究
計算機視覺技術在食品檢測中的應用研究相當廣泛，從外部直徑、成熟度的檢測到內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算機算法計算水果的半徑，進而得出果蔬的最大直徑。研究表明，該算法不僅降低了計算量而且提高了計算精度，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準所規定的5mm分類標準差，可在工業生產中很好應用。李慶中[5]也利用圖像的缺陷分割算法研究了計算機視覺技術在蘋果檢測與分級中的應用，結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律為理論基礎，結合模糊聚類知識利用計算機視覺技術來檢測蘋果缺陷域，檢測不僅快速而且結果精確。劉禾等[7]通過研究認為蘋果的表面缺陷可以利用計算機視覺技術進行檢測，計算機視覺技術還可以將蘋果按照檢測結果進行分級，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，應義斌等[8]通過計算機視覺技術、圖像處理技術、傅立葉描述子的方法來描述和識別果形以及有無果柄，其識別率達到90%。楊秀坤等[9]綜合運用計算機視覺技術、遺傳算法、多層前饋神經網絡系統，實現了具有精確度高、靈活性強和速度快等優點的蘋果成熟度自動判別。陳育彥等[10]采用半導體激光技術、計算機視覺技術和圖像分析技術相結合的方法檢測蘋果表面的機械損傷和果實內部的腐爛情況，初步驗證了計算機視覺技術檢測蘋果表面的損傷和內部腐爛是可行的。馮斌等[11]通過計算機視覺技術對水果圖像的邊緣進行檢測，然后確定水果的大小用以水果分級。試驗表明，該方法比傳統的檢測方法速度快、準確率高，適用于計算機視覺的實時檢測。朱偉[12]在模糊顏色的基礎上，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行分割，結果顯示準確率高達96%。曹樂平等[13]人研究了溫州蜜柑的果皮顏色與果實可滴定酸含量以及糖分含量之間的相關性，然而根據相關性，樣品檢測的正確識別率分別只有約74%和67%。劉剛等[14]從垂直和水平兩個方向獲取蘋果的圖像，并通過計算機自動分析圖像數據，對蘋果的外徑、體積、以及圓形度等參數進行處理，與人工檢測相比，計算機視覺技術具有檢測效率高，檢測標準統一性好等優點。Blasco. J [15]通過計算機視覺技術分析柑橘果皮的缺陷，進而對其在線分級，正確率約為95%。趙廣華等[16]人綜合計算機視覺識別系統、輸送轉換系統、輸送翻轉系統、差速勻果系統和分選系統，研制出一款適于實時監測、品質動態的智能分級系統，能夠很好地實現蘋果分級。王江楓等[17]建立了芒果重量與攝影圖像的相互關系，應用計算機視覺技術檢測桂香芒果和紫花芒果的重量和果面損傷，按重量分級其準確率均為92%，按果面損傷分級的準確率分別為76%和80%。
2.2 計算機視覺技術在禽蛋檢測中的應用研究
禽蛋企業在生產過程中，產品的分級、品質檢測主要采用人工方法，不僅需要大量的物力人力，而且存在勞動強度大、人為誤差大、工作效率低等缺點，計算機視覺技術可以很好的解決這類產品工業生產中存在的困擾。歐陽靜怡等[18]利用計算機視覺技術來檢測雞蛋蛋殼裂紋，利用攝像機獲取雞蛋圖像后，采用fisher、同態濾波和BET算法等優化后的圖像處理技術，獲得裂紋形狀并判斷，試驗結果表明，計算機視覺技術對雞蛋蛋殼裂紋的檢測準確率高達98%。汪俊德等[19]以計算機視覺技術為基礎，設計出一套雙黃雞蛋檢測系統。該系統獲取蛋黃指數、蛋黃特征和蛋形尺寸等特征，和設計的數學模型對比來實現雙黃雞蛋的檢測和識別，檢測準確率高達95%。鄭麗敏等[20]人通過高分辨率的數字攝像頭獲取雞蛋圖像，根據圖像特征建立數學模型來預測雞蛋的新鮮度和貯藏期，結果表明，計算機視覺技術對雞蛋的新鮮度、貯藏期進行預測的結果準確率為94%。潘磊慶等[21]通過計算機視覺技術和聲學響應信息技術相結合的方法檢測裂紋雞蛋，其檢測準確率達到98%。Mertens K等[22]人基于計算機視覺技術研發了雞蛋的分級檢測系統，該系統識別帶污漬雞蛋的正確率高達99%。
2.3 計算機視覺技術在檢測食品中微生物含量中的應用研究
計算機技術和圖像處理技術在綜合學科中的應用得到快速發展，在微生物快速檢測中的應用也越來越多，主要是針對微生物微菌落的處理。食品工業中計算機視覺技術在微生物檢測方面的研究和應用以研究單個細胞為主，并在個體細胞的研究上取得了一定的進展。殷涌光等[23]以顏色特征分辨技術為基礎，設計了一套應用計算機視覺技術快速定量檢測食品中大腸桿菌的系統，該系統檢測結果與傳統方法的檢測結果具有很好的相關性，但與傳統方法相比，可以節省5d時間，檢測時間在18h以內，并且能夠有效提高產品品質。Lawless等[24]人等時間段測定培養基上的細胞密度，然后通過計算機技術建立時間和細胞密度之間的動態關聯，利用該關聯可以預測和自動檢測微生物的生長情況，如通過計算機控制自動定量采集檢測對象，然后分析菌落的邊緣形態，根據菌落的邊緣形態計算機可以顯示被檢測菌落的具置，并且根據動態關聯計算機視覺系統可以同時處理多個不同的樣品。郭培源等[25]人對計算機視覺技術用于豬肉的分級進行了研究，結果顯示計算機視覺技術在識別豬肉表面微生物數量上與國標方法檢測的結果顯著相關，該技術可以有效地計算微生物的數量。Bayraktar. B等[26]人采用計算機視覺技術、光散射技術（BARDOT）和模式識別技術相結合的方法來快速檢測李斯特菌，在獲取該菌菌落中的形態特征有對圖像進行分析處理達到對該菌的分類識別。殷涌光等[27]人綜合利用計算機視覺、活體染色、人工神經網絡、圖像處理等技術，用分辨率為520萬像素的數字攝像機拍攝細菌內部的染色效果，并結合新的圖像處理算法，對細菌形態學的8個特征參數進行檢測，檢測結果與傳統檢測結果顯著相關（相關系數R=0.9987），和傳統檢測方法相比該方法具有操作簡單、快速、結果準確、適合現場快速檢測等特點。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，識別出微生物數量，并以此作為衡量乳制品質量是否達標的依據，并對產品進行分級。
2.4計算機視覺技術在其他食品產業中的應用研究
里紅杰等[30]通過提取貝類和蝦類等海產品的形狀、尺寸、紋理、顏色等外形特征，對照數學模型，采用數字圖像處理技術、計算機識別技術實現了對貝類和蝦類等海產品的無損檢測和自動化分類、分級和質量評估，并通過實例詳細闡述了該技術的實現方法，證實了此項技術的有效性。計算機視覺技術還可以檢驗玉米粒形和玉米種子質量、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，運用計算機視覺技術對圖像進行分析評估，毛葉棗可食率的評估結果與運用物理方法測得的結果平均誤差僅為1.47%，因此得出結論：計算機視覺技術可以應用于毛葉棗的自動分級。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，通過分析特色參數來研究薯片中丙烯酰胺的含量和褐變率也關系，結果顯示兩項參數相關性為0.989，從而可以應用計算機視覺技術來預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中得到廣泛應用。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，利用計算機視覺技術對花生內部和外部采集圖像，并通過圖像對其外在品質和內在品質進行分析，并建立相應的數學模型，該技術在對待檢樣品進行分級檢測時的正確率高達92%。另外，郭培源等人以國家標準為依據，通過數字攝像技術獲取豬肉的細菌菌斑面積、脂肪細胞數、顏色特征值以及氨氣等品質指標來實現豬肉新鮮程度的分級辨認。
3 展望
新技術的研究與應用必然伴隨著坎坷，從70年代初計算機視覺技術在食品工業中進行應用開始，就遇到了很多問題。計算機視覺技術在食品工業中的研究及應用主要存在以下幾方面的問題。
3.1 檢測指標有限
計算機視覺技術在檢測食品單一指標或者以一個指標作為分級標準進行分級時具有理想效果，但以同一食品的多個指標共同作為分級標準進行檢測分級，則分級結果誤差較大。例如，Davenel等通過計算機視覺對蘋果的大小、重量、外觀損傷進行分析，但研究結果顯示，系統會把花粵和果梗標記為缺陷，還由于蘋果表面碰壓傷等缺陷情況復雜，造成分級誤差很大，分級正確率只有69%。Nozer等以計算機視覺為主要技術手段，獲取水果的圖像，進而通過分析圖像來確定水果的形狀、大小、顏色和重量，并進行分級，其正確率僅為85.1%。
3.2 兼容性差
計算機視覺技術針對單一種類的果蔬分級檢測效果顯著，但是同一套系統和設備很難用于其他種類的果蔬，甚至同一種類不同品種的農產品也很難公用一套計算機視覺設備。Reyerzwiggelaar等利用計算機視覺檢查杏和桃的損傷程度，發現其檢測桃子的準確率顯著高于杏的。Majumdar.S等利用計算機視覺技術區分不同種類的麥粒，小麥、燕麥、大麥的識別正確率有明顯差異。
3.3 檢測性能受環境制約
現階段的計算機視覺技術和配套的數學模型適用于簡單的環境，在復雜環境下工作時會產生較大的誤差。Plebe等利用計算機視覺技術對果樹上的水果進行識別定位，但研究發現由于光照條件以及周邊環境的影響，水果的識別和定位精度不高，不能滿足實際生產的需要。
綜上所述，可看出國內外學者對計算機視覺技術在食品工業中的應用進行了大量的研究，有些研究從單一方面入手，有些研究綜合了多個學科，在研究和應用的過程中，取得了較大的經濟效益，也遇到了很多問題，在新的形勢下，計算機視覺技術和數碼拍攝、圖像處理、人工神經網絡，數學模型建設、微生物快速計量等高新技術相融合的綜合技術逐漸成為了各個領域學者的研究熱點，以計算機視覺為基礎的綜合技術也將在食品工業中發揮更加重要的作用。
參考文獻
[1] 寧紀鋒，龍滿生，何東健.農業領域中的計算機視覺研究[J].計算機與農業，2001（01）：1-3.
[2] 李崢.基于計算機視覺的蔬菜顏色檢測系統研究[D].吉林：吉林大學，2004.
[3] 曾愛群.基于計算機視覺與神經網絡的芒果等級分類研究[D].桂林：桂林工學院，2008.
[4] 韓偉，曾慶山.基于計算機視覺的水果直徑檢測方法的研究[J].中國農機化，2011（05）：25-29.
[5] 李慶中.蘋果自動分級中計算機視覺信息快速獲取與處理技術的研究[D].北京：中國農業大學，2000.
[6] 孫洪勝，李宇鵬，王成，等.基于計算機視覺的蘋果在線高效檢測與分級系統[J].儀表技術與傳感器，2011（06）：62-65.
[7] 劉禾，汀慰華.水果果形判別人工神經網絡專家系統的研究[J].農業工程學報，1996，12（0l）：171-176.
[8] 應義斌，景寒松，馬俊福.用計算機視覺進行黃花梨果梗識別的新方法[J].農業工程學報，1998，14（02）：221-225.
[9] 楊秀坤，陳曉光，馬成林，等.用遺傳神經網絡方法進行蘋果顏色白動檢測的研究[J].農業工程學報，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部腐爛檢測[J].農業機械學報，2009，40（07）：133-137.
[11] 馮斌，汪憋華.基于計算機視覺的水果大小檢測方法[J].農業機械學報，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].農業工程學報，2003，19（03）：133-136.
[13] 曹樂平，溫芝元，沈陸明.基于色調分形維數的柑橘糖度和有效酸度檢測[J].農業機械學報，2009，41（03）：143-148.
[14] 劉剛，王立香，柳兆君.基于計算機視覺的蘋果質量檢測[J].安徽農業科學，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.智能化蘋果品質實時分選系統[J].中國科技信息.
[17] 王江楓，羅錫文，洪添勝，等.計算機視覺技術在芒果重量及果面壞損檢測中的應用[J].農業工程學報，1998（12）：186-189.
[18] 歐陽靜怡，劉木華.基于計算機視覺的雞蛋裂紋檢測方法研究[J].農機化研究，2012（03）：91-93.
[19] 汪俊德，鄭麗敏，徐桂云，等.基于計算機視覺技術的雙黃雞蛋檢測系統研究[J].農機化研究，2012（09）：195-199.
[20] 鄭麗敏，楊旭，徐桂云，等.基于計算機視覺的雞蛋新鮮度無損檢測[J].農業工程學報，2009，25（03）：335-339.
[21] 潘磊慶，屠康，詹歌，等.基于計算機視覺和聲學響應信息融合的雞蛋裂紋檢測[J].農業工程學報，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.基于計算機視覺的食品中大腸桿菌快速定量檢測[J].吉林大學學報（工學版），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研究[J].食品科學，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.基于計算機視覺的蔬菜中活菌總數的快速檢測[J].農業工程學報，2009，25（07）：249-254.
[28] 魯靜.乳品微生物自動檢測系統的設計[J].湖北第二師范學院學報，2010，27（08）：115-117.
[29] 劉侃.鮮奶含菌量快速檢測系統[D].華中科技大學，2008.
[30] 里紅杰，陶學恒，于曉強.計算機視覺技術在海產品質量評估中的應用[J].食品與機械，2012，28（04）：154-156.
【關鍵詞】農產品 計算機視覺技術 品質檢測
農產品品質檢測工作中除了采取人工檢測法以外，還可以采取半自動或自動檢測法，如在水果分級檢測工作中的質量分級檢測法、光電分選法以及大小分級法等。然而農產品品質會受到自然生長環境或人為因素等方面的影響，農產品的色澤、大小及形狀等并不相同，無法采取單一指標進行檢測。因此充分應用計算機視覺技術，對農產品的品質進行檢測，極為重要。
1 計算機視覺技術
計算機視覺技術又被稱為機器視覺技術，指的是通過人類設計，在計算機環境下，達到再現或模擬人類視覺相關的職能行為的一種技術，包括了印刷和手寫文字的識別技術，圖像模式識別技術，物體三維表面形狀識別技術、距離識別以及速度感知等技術。該技術是諸多學科的結合與交叉，涉及到數學、生理學、信息處理、物理學、光學以及計算機等多種學科。探究計算機視覺技術的目的在于實驗人類視覺的再現及延伸，即再現高等動物的視覺系統，并對物體形狀以及類別進行識別。
此外，計算機視覺技術處理的原始資料多是圖像，所以該技術和圖像處理以及模擬識別等有著緊密的聯系。現階段，計算機視覺技術在諸多領域有著較為廣泛的運用，包括了醫學輔助診斷、資源調查、衛星圖像解釋、軍事指導、災害監測、氣象以及工業產品的外觀篩選及檢測等。同時研究該技術在農業工程領域中的應用，也成為了熱門話題。
2 在農產品品質檢測中，計算機視覺技術的具體應用
筆者在查閱相關文獻資料的基礎上，探究在農產品品質檢測工作中，計算機視覺技術在產品表面缺陷以及損傷識別工作中的具體應用；果形識別工作中的具體應用；農產品尺寸以及面積檢測工作中的具體應用。
2.1 在產品表面缺陷以及損傷識別工作中的具體應用
在對農產品進行分級的過程中，依然存在著一大問題，即農產品表面缺損以及損傷識別。而早在1984年就已經出現了采取線掃描和模擬攝像機針對蘋果表面損傷進行檢測的實驗報道，實驗結果顯示，采取數據技術能夠檢測出蘋果表面損傷，其檢測結果完全能夠達到人工分級的精度。與此同時，還出現了一種機器視覺系統，該系統將不規則的圖像信息與正常的圖像信息區分開來，在去除蔬菜內的雜物以及檢測農產品的污點等方面能夠取得較好的應用效果。此外，在1989年，國外出現了一種全新的計算方法，即運用紅外線掃描攝像機，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，還能夠區分不同損傷區。然而還技術是以機械裝置的設定為基礎，需要消耗2s的時間，對一個蘋果進行檢測，蘋果表面缺陷分級精度以及損傷分級進度并不高。
我國在1997年，出現了運用計算機圖像處理技術對蘋果損壞自動化檢測的試驗研究，該試驗結果顯示，該技術的損壞檢出率較高，能夠規避果梗區以及花萼區對于壞損區域識別的具體影響，且該檢測技術的魯棒性較強。
2.2 在果形識別工作中的具體應用
果形識別是影響水果質量的重要因素之一，對于水果品質檢測有著重大意義。當水果成熟后，水果的外形將會發生巨大的改變，且無法采取數學方法進行鑒別，采取其他方式進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行了探討，提倡采取結構分析法以及外形輪廓曲線檢測法，針對水果外形進行識別。并在1985年，以數字圖像分析技術以及模式識別技術為依據，針對番茄定向、番茄形狀、表面缺陷以及尺寸進行分類的特殊算法，運用灰度梯度曲線，明確番茄表面缺陷以及花萼位置等。而我國則在2000年，按照果實形狀分析，通過連續性指標、半徑指標、連續指標對稱性、半徑指標對稱性等特征參數，表示果形，并首次采取參數形狀分析法。
2.3 在農產品尺寸以及面積檢測工作中的具體應用
農產品分級中，以農產品外形尺寸為依據。在1987年，國外就已經開始研究機械視覺技術在牡蠣肉分級以及尺寸檢測工作中的具體應用。并在1992年，針對人工檢測以及機器視覺檢測進行進行了對比分析，試驗結果顯示，和人工檢測技術相比，采取視覺檢測技術，能夠提高檢測的精確度，減少檢測消耗時間；同時在評價以及推廣種質資源中，準確的測量以及詳細的記錄種質形態的指標，有著極為重要的意義。為了能夠精確、快速地計算出玉米種質尺度，在1995年，有研究人員就提出了自動化選擇技術，該技術在處理玉米種質圖像中，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進行動態、實時監測的智能化分級生產線進行了研究，該生產線，首先通過水果輸送翻轉系統，利用滾筒式輸送翻轉裝置，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檢測到，以此獲得圖像信息。然后利用計算機視覺識別系統，對水果等級進行判斷，明確圖像信息。該系統具備了視覺識別功能。最終通過分級系統，完成水果分級工作。
3 結語
在二十世紀七十年代以后，計算機視覺技術就已經得到了較為迅速的發展，在我國，該技術在農產品品質檢測中的具體應用也得到了人們的高度關注，同時也取得了一定的成效。計算機視覺技術作為人眼的延伸技術之一，其具備了人腦功能，運用該技術代替以往的人工操作技術，已經成為了農產品品質檢測工作的必然發展趨勢。
參考文獻
[1]朱從容.計算機視覺技術在水產養殖中的應用[J].浙江海洋學院學報（自然科學版），2008，10（04）：191-192.
[2]王勃，徐靜.計算機視覺技術在蘋果葉片營養診斷上的應用[J].農機化研究，2008，（03）：887-888.
[3]李朝東，崔國賢，盛暢，等.計算機視覺技術在農業領域的應用[J].農機化研究，2009，10（12）：667-668.
作者簡介
陳超（1995-），男，福建省福州市人?，F為北京交通大學在校學生。研究方向為電子科學與技術。
關鍵詞：計算機視覺圖像 精密測量 構造幾何模型 信號源的接收
中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2013）05-1211-02
新型計算機視覺圖像精密測量是一種基于計算機程序設計以及圖像顯示的高精度的關鍵技術，它廣泛用于測量的領域，對于測量的準確性有很好的保證。這種關鍵技術是幾何了光學的特性，發揮了圖像學的顯影性，把普通的測量技術瞬間提升到了一個新的高度。在這項關鍵技術中包含了物理學中光的效應，圖像中的傳感器以及計算機中的編程軟件，這還不完全，還有一些其他科學領域知識的輔助，可以說這項關鍵技術是一個非常有技術含量的技術，很值得學者進行研究。
1 計算機視覺圖像精密測量的關鍵技術的具體形式
在以往的測量中，選擇的測量方式還是完全采用機械的形式，但是在使用了計算機視覺圖像精密測量后，完成了許多以往技術所不能達到的任務。在我們的研究中，計算機視覺圖像測量的原理是通過攝像機將被處理的對象采集進行影像采集，在多個控制點的數據采集完成后，系統會自動將這些圖像進行整合，得出相關的幾何多變參數，再在計算機上以具體的數據顯示出來，以供技術人員使用參照。
在上面所說的攝像機并不是我們通常意義上生活中使用的攝像機。它是一種可視化較強，表針比較敏感的測試儀?？梢詫⒁曈X中的二維形態通過顯影，記錄在機械的光譜儀上，再將這種的二維圖像做數學處理，有二階矩陣轉換為三階矩陣，通過播放儀呈現出三維的影像。這時的圖像變為立體化，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。同樣是采集控制點的數據，將數據整合在系統之內，然后對于原始的圖像進行預處理，不再經過有曝光這個程序，將圖像中關鍵點的坐標在整個內部軸面上體現出來，提取數據幀數，再運用機器的智能識別系統，對控制點的坐標進行數據分析，自動生成圖形，這也可以用于精密測量。它的優點就是使用上極其的方面，基本只要架立儀器和打開開關，其他的工作機械系統都會自動的完成。使用的困難就是造價極其的高，不適合一般企業使用。在基于計算機視覺圖像測量中使用上的原理如下：
1） 計算出觀察控制點到計算機視覺圖像測量儀器的有效距離；
2） 得出觀察點到目標控制點之間的三維的運動幾何參數；
3） 推斷出目標控制點在整個平面上的表面特征（ 大多時候要求形成立體視覺）；
4） 還通過觀察可以判斷出目標物體的幾何坐標方位。
在整個計算機視覺圖像精密測量的關鍵技術中最關鍵的元件就是壓力應變電阻儀，這也是傳感器的一部分。壓力應變電阻儀的使用方式是將應力片粘貼在控制點位上，事先在物體表面打磨平整，清理干凈后，涂抹丙酮試劑，在液體完全風干后就可以黏貼應力片，通過導線的聯接，形成了一小段閉合的電路，時刻讓計算機視覺圖像系統可以感應到并作跟蹤觀察。因受到來自不同方面諧波的影響后，應力片會產生一定數值的電阻，在電路中，這些電阻會轉化為電流，視覺圖像系統接收到了電流后就會顯示在儀表盤上相應的數據，我們就可以根據儀表盤中的數據記錄測量中的數據，很好的解決了原始機械在使用過程中大量的做無用功所消耗資源的現象。傳感器對每個應點都進行動態的測量，將數據模轉換成現實中的圖像，精確的成像可以測算出控制點的位置，用計算機視覺圖像精密測量結合數據方面的相關的分析，得出施工中的可行性報告分析，減低了施工中的成本，將施工的預算控制在一個合理的范圍之內。
當無法觀察到控制點是，計算機視覺圖像精密測量可以通過接收信號或是相關的頻率波段來收集數據，不會因為以往測量的環境不好，距離太遠，誤差太大的影響。
2 計算機視覺圖像精密測量的關鍵技術分析
在計算機視覺圖像精密測量的關鍵技術中解決了很多以往很難完成的任務，但是在使用過程中還是發生了很多的問題。尤其在視覺圖像的選擇中，無法使用高幀數的圖片顯示，無法將計算機視覺圖像精密測量的關鍵技術的優點發揮出來。我們就計算機視覺圖像精密測量的關鍵技術中常見的問題進行討論。
2.1 降低失誤的概率
在很多的數據誤差中，有一部分是出現在人為的因素上面。對于機器的不熟悉和操作中的疏忽都會在一定程度上對圖像的視覺感模擬帶來麻煩。對于網絡設備的配置上，要經常性的學習，將配置在可能的情況下設置的更加合理和使用，保證網絡連接系統的安全性。為防止更多因操作帶來的誤差，選用系統登入的制度，用戶在通過識別后進入系統，在采集數據后，確定最終數據上又相關的再次確定的標識，系統對本身有的登錄服務器和路由器有相關的資料解釋，記錄好實用操作的時間，及時備份。
2.2 對于權限的控制
權限控制是針對測量關鍵所提出的一種安全保護措施，它是在使用計算機視覺圖像精密測量的關鍵技術中對用戶和用戶組賦予一定的權限，可以限制用戶和用戶組對目錄、子目錄、文件、打印機和其他共享資源的瀏覽和更改。圖像中的運行服務器在停止的情況下可以做出不應答的操作指令，立刻關閉當前不適用的界面，加快系統的運行速度，對于每天的日志文件實時監控，一旦發現問題及時解決。對于數據終端的數據可采用可三維加密的方法，定時進行安全檢測等手段來進一步加強系統的安全性。如果通過了加密通道，系統可以將數據自動的保存和轉換為視圖模式，對于數據的審計和運行可以同時進行，這樣就可以很好的保證大地測量中的圖像數據安全，利用防護墻將采集中廢棄的數據革除在外，避免數值之間發生紊亂的現象，進一步改善計算機視覺圖像精密測量的關鍵技術。
2.3 開啟自動建立備份系統
計算機視覺圖像精密測量的關鍵技術的完善中會常遇到系統突然崩潰或是圖像受到嚴重干擾導致無法轉換的一系列情況，發生這種情況最大的可能性就是系統在處理多組數據后無法重新還原成進入界面。這時為保證圖片轉換成數字的系統數據不丟失，我們對系統進行備份。選定固定的磁盤保存數據，定期將產生的數據（轉換前的圖像和轉換后的數值）導出，保證程序的正常運行。當系統一旦發生錯誤，可以盡快的恢復數據的初始狀態，為測量任務的完成爭取更多的時間。我們還要減少信號源周圍的干擾，定期的更新系統數據庫，保持數據采集的穩定性，把攝像機記錄出的數據節點保存在相應的技術圖紙上，用這樣的方式來知道測量工作。系統備份的數據還可以用于數據的對比，重復測量后得出的數據，系統會自動也備份的數據進行比對，發現誤差值在規定以外，就會做出相應的預警，這樣也能在工作中降低出現誤差的概率。
3 計算機視覺圖像精密測量的關鍵技術遇到的困難和使用前景
計算機視覺圖像精密測量的關鍵技術作為一種新興技術在使用時間上不過十幾年，其使用的程度已經無法估算。正是因為它的簡單、使用、精度高以及自動化能力卓越的特點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定性也是有目共睹的。在土木和機械測量的行業計算機視覺圖像精密測量的關鍵技術都會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也有一些弊端。這項關鍵技術中涵蓋的學科非常的多，涉及到的知識也很全面，一旦出現了機器的故障，在維修上還是一個很大的問題，如何很好的解決計算機視覺圖像技術的相關核心問題就是當下亟待解決的。
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，但是在計算機視覺圖像技術中，畢竟是采取攝像機取景的模式，在取得的點位有的時候不是特別的有代表性，很難將這些問題具體化、形象化。達不到我們設計時的初衷。所以在這些模型的構建中和數據的轉換上必須有嚴格的規定和要求，切不可盲目的實施測量，每項技術操作都要按規程來實施。
上文中也談到了，計算機視覺圖像精密測量的關鍵技術中最主要的構建是傳感器，一個合理的傳感器是體統的“心臟”，我們在儀器的操作中，不能時時刻刻對傳感器進行檢查，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行一定的創新也是一項科研任務。
4 結束語
在測量工程發展的今天，很多的測量技術已經離不了計算機視覺圖像技術的輔助，該文中詳細的談到了基于計算機視覺圖像精密測量的關鍵技術方面的研究，對于之中可能出現的一些問題也提出了相應的解決方案。測量工程中計算機視覺圖像精密測量的關鍵技術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。
將基于計算機視覺圖像精密測量的關鍵技術引入到測量工程中來，也是加強了工程建設的信息化水平?？梢灶A見的是，在未來使用計算機視覺圖像技術建立的測量模型會得到更多、更好的應用。但作為一個長期復雜的技術工程，在這個建設過程中定會有一些困難的出現。希望通過不斷的發現問題、總結經驗，讓計算機視覺圖像精密測量的關鍵技術在測量中作用發揮的更好。
參考文獻：
[1] 湯劍，周芳芹，楊繼隆.計算機視覺圖像系統的技術改造[J].機電產品開發與創新周刊，2005，14（18）：33-36.
[2] 段發階，等. 拔絲模孔形計算機視覺檢測技術[J]. 光電工程時報， 1996，23（13）：189-190.
關鍵詞：計算機工程；視覺領域；深度學習技術
引言
計算機視覺簡言之即是依靠電子設備成像來代替生物視覺系統，隨后依靠提前寫好的程序對獲取的圖像信息實施處理。該技術的短期應用目的在于完成相對簡單的智能視覺工作，而深度學習技術在計算機視覺領域的應用，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發揮出自身價值。
1計算機視覺領域的深度學習技術
1.1圖像分類中的深度學習技術
基于深度學習技術，卷積神經網絡得到了進一步的發展，其應用范圍也更為寬泛，例如說在圖像分類中的運用。圖像分析需要對圖像實施掃描分析，隨后對其具體類別予以劃分，更加注重其整體語義。目前相對普遍進行圖像分類的數據集為ImageNet，其中囊括了非常豐富的內容，存儲了近1500萬個圖像的URL并將圖像劃分為數萬余個類型。ImageNet每年組織開展的大規模視覺識別挑戰賽（ILSVRC）中，圖像分類算法與技術也不斷創新，圖像分類的準確性也持續提升。ImageNet數據集表現出規模大、類型多的突出特點，所以更加適用于遷移學習，即是把部分核心技術或結構拓展應用到各個領域，對于視覺領域的深度模型來說，能夠把模型內的網絡結構和參數直接共享到其他數據集，從而對數據實施微調。圖像分類屬于計算機視覺領域最為基礎的環節，對于圖像分類模型創建和數據分析處理經驗也能夠遷移應用到其他領域中。
1.2目標檢測中的深度學習技術
目標檢測相對于圖像分類而言表現出更多的復雜性，主要任務是在囊括多種不同類型物體的圖像內精確定位和識別某一物體，恰恰是出于這一目的，深度學習技術在目標檢測中的應用更為復雜，要實現更加精準的效果也相對更難。近年來針對目標檢測的算法日益更新，如優化后的R-CNN算法，是借助于卷積神經網絡思想，對物體進行分類，提取物體特征。而SelectiveSearch算法的出現有了進一步的創新和突破，有效促進了檢測準確性的提高，這也給通過卷積神經網絡進行目標檢測帶來了更多可能性，隨后的FastR-CNN算法極大地促進了目標檢測效率的提升，該算法對提取候選區的問題予以優化，大大減少了候選區提取和目標檢測過程的時間。目標檢測網絡以FastR-CNN算法作為支撐，于輸出位置設置滑動窗同時和候選區域網絡實施連接，目標檢測的關鍵在于卷積神經網絡，依靠它把各個點的特征進行提取，再借助回歸算法獲得對應范圍出現目標的概率[1]。
1.3人臉識別中的深度學習技術
人臉識別主要是借助相應算法對人臉特征實施提取，因為其建立的人臉模型表現出一定的不穩定性，因此模型建立往往也表現出一定的難度，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方面，人臉檢測定位是基于背景圖像中將人臉目標分割出來，實施歸一化處理，而人臉特征提取算法不變。前者存在的技術難點是人臉目標具有多樣性以及背景圖像具有復雜性，所以對背景情境實施合理假設并予以簡化是十分關鍵的。與此同時，高維空間人臉模型的建立較為復雜，精確度估算難度較大，人臉特征提取的技術難度是因為人臉屬于彈性模型，其難度超過剛體模型。一般來說，較為常見對人臉特征實施提取與識別的方法有幾何特征法、特征臉算法以及彈性模型法，CNN算法和過去的特征提取算法比起來表現出更高的穩定性和適用性，同時能夠有效抵抗外部干擾，促進人臉識別技術的推廣應用。
2應用實例
2.1安防領域的應用
深度學習技術在計算機視覺領域中的應用可以為安防行業提供更佳的解決方案，比如說人臉識別技術的應用，很多大型企業如Facebook、騰訊、阿里巴巴等都將非常關注和重視。作為深度學習技術在計算機視覺領域應用的重要內容，人臉識別在安檢以及反恐等領域中也能夠發揮出很好的效果。與此同時，對行人角度的REID技術實施研究，依托于深度學習強化目標檢測，對目標特征實施提取和刻畫，能夠為異常行為監控和跟蹤帶來支持[2]。
2.2無人駕駛領域的應用
對于無人駕駛領域來說，選擇激光或雷達這類傳感器的成本更高，基于深度學習的計算機視覺技術也能夠提供新的解決方案。依靠攝像機對視頻畫面進行采集，對獲取到的圖像實施分析，提供類似于前車碰撞預警等功能。在這一過程中，計算機視覺技術可以實現對目標的檢測識別、對目標車輛的跟蹤分析、對車道線是否偏離進行檢測等?；谏疃葘W習技術的檢測識別表現出更加強大的優勢，現階段深度學習芯片日益增多，對于無人駕駛技術的發展也帶來了更加有力的支持。
2.3智能家居領域的應用
過去的很多智能家居產品一般都是依靠智能手機藍牙或者WiFi等途徑來實現對家居產品的控制，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習技術，能夠有效促進智能家居行業的更新發展，除開語言、語音識別之外，還能夠利用計算機視覺技術實現人際交流與互動，比如說手勢識別控制。2.4教育領域和圖片搜索領域的應用基于深度學習的計算機視覺技術也能夠在智慧教育中得以普及應用，如近年來很多新的拍照解題App，使用者只需要利用手機相機拍照上傳即可獲得相關題目的分析解答，促進學習者學習效率的提升。此時視覺技術包括了對文字的檢測與識別，另外針對個人簡歷識別、文檔識別等方面也能夠進行拓展應用。同時計算機視覺技術還可以在圖片搜索領域中得以應用，使用者通過拍攝上傳相應的圖片，即可從數據庫中找出與原圖相似的圖片，深度學習屬于一種非常高效的技術手段，能夠提供更加快速高效的圖像檢測功能，結合圖像搜索引擎，為用戶帶來更加便捷的服務[3-5]。
2.5醫療影像數據中的應用
醫學影像直接關系到對患者疾病診斷的準確性，對于放射科的醫務人員來說，依靠醫學影像能夠促進診斷效率的提升?，F階段國內外諸多醫學專家隊伍，在心血管、腫瘤、神經內科以及五官科等都建立了精準深度學習模型，極大地推動醫療水平的提升，為廣大患者帶來了更加便捷和高效的醫療服務?；谏疃葘W習技術的計算機視覺在醫療影像數據中的應用主要集中在如下幾個方面：（1）能夠提供臨床診斷輔助等醫療服務；（2）依靠數據分析技術，能夠在很大程度上促進醫療機構經營管理水平的提升；（3）在醫學影像中的應用，能夠讓醫務工作者更加直觀便捷地獲取患者影像；（4）深度學習技術能夠為醫療大數據的可視化帶來便利；（5）在藥企研發工作中的應用，可以處理好過去一直以來藥物研發周期長和成本居高不下的問題；（6）在健康管理領域中的應用，借助于可穿戴設備來對個人健康數據實施監測，進而對疾病風險予以提前預測。
電力系統是我國國名經濟的基石。電力系統是由發電、變電、輸電、配電和用電等環節組成的電能生產與消費系統?，F代社會需要的是安全可靠經濟的電能。電力系統主要由發電輸電變電配電及用電等5部分組成。電力系統是一個具有復雜的大系統由于用戶的不斷增加的需求,電網對于技術的要求水平也提出了越來越高的要求。
1 電力系統自動化的發展趨勢總的發展趨勢的特點研究
1.1 電力系統自動化的圖形化特點
因為電力系統聯網工程的正式啟動,電力系統的調度管理、數據計算分析呈現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。在計算機技術和通信技術的快速發展下,電力系統技術整合也在蓬勃發展著。電力系統信息數據處理上已經不再使用傳統的處理方式,而是使用圖形化處理這樣的新技術,這樣看到圖形,電力系統管理者就能了解電力系統的變化發展趨勢,也就能對未來電力系統軟件開發帶來絲絲先機。
1.2 電力系統自動化的遠程化特點
過去電力系統的硬件平臺大部分是計算機,外加使用擴展測控法對接口電路工作開展監測。此類的設計有很多的優勢,這種類型的設計的周期很長,擴展性也很好。但是這樣的設計方式也具有著高成本、大體積、大功耗以及靈動性差的多種缺點。現在,正是有著網絡技術的不斷更新和電子技術的不斷進步,遠動終端設備已經變為越來越接近最優化、智能化和小型化、協調化。因此,建立在此基礎之上的電力系統也具備了遠程化的特點,使電力系統自動化在控制系統方面的發展更加貼近智能化。
1.3 電力系統自動化的分布化特點
發電率范圍在幾十兆瓦至幾千瓦之間并且模型較小的發電單元,它的地點處于用戶周圍還有有高效和可靠特點的稱為電力系統自動化技術分布化。分布式發電主要包括以液體或氣體為燃料的內燃機、太陽能發電、微型燃氣輪機和風力發電等等的其他一些發電方式。這種發電技術具有很好的靈活性,能夠給與用戶各不相同的感受。還能為邊遠商業區域提供可靠的電力資源,讓他們使用具有再生特點的資源進行多次發電,這樣的電能還具有穩定度高的特點,是具有分度化的特色。極端及技術、新材料技術和電力電子技術都要作為支柱技術被在其中使用。
2 電力系統與新技術的結合
2.1 與智能計算機的結合
計算機視覺技術就是與智能計算機的結合之一。使用計算機視覺技術能夠方便的獲得多種圖像信息。在電力系統中應用計算機視覺技術。目前,計算/！/機視覺技術使用在電力系統中的作用是修改遙控系統在此同時提高它的性能。這主要表現在使用在線監測和開展無人操作或者環境監視,紅外圖像監測是電力設備在線監測常用方法中效果最好的。它既有這使用方便,又有著精準度較高的特點。紅外圖像識別方面主要就是使用計算機視覺技術,這樣能取得較好的效果。計算機視覺技術的工作原理是在科學獲取電力設備實時紅外圖像和電力設備正常工作時圖像后,將兩者開展對比。如果出現不正常。也就因此能夠證明電力設備出現問題。第開展無人操作或者環境監視是使用微波雙鑒探測器進行協助,將差分圖像以及流光法一起使用對移動物體開展監測。如果出現不正?，F象,那么系統就可以識別出來,并且警告我們。因為計算機視覺技術還處于起步階段,其存在一定的不足之處。雖然計算機視覺技術發展迅速,但計算機視覺技術發展的并不完善,因為圖像識別自身的復雜性的原因,所以現階段還不能實現完全的無人操作。正是因為有著這些原因,在大多數情況下,計算機視覺技術只能夠作為一種輔助技術。
2.2 與微機保護系統的結合
在電力系統自動化技術發展速度過快并且伴隨著相關微機設備應用范圍越來越普遍的情況下。人們越來越嚴格的要求微機保護系統。更簡單的說,也就是原有的電力系統自動化技術當中的微機保護系統已經無法滿足社會發展的需要。人們需要的微機保護系統應該具備更加牢靠與穩定的可以對通信進行保護的能力。這樣才能夠達到人們希望人機互動的效果。這樣的系統在對硬件提高出高要求的同時也對軟件業產生了更加具體的要求。例如,我國在上世紀末將第一套微機線路保護設備投入使用,并且該設備因為性能占據極大的優勢從而獲得世界各國用戶的普遍認可。
在繼電保護設備中,我們更加需要完善的問題就是設備的實時性。設備的實時性直接關乎電網的安全穩定,它直接受到其影響。假如設備實時性出現缺陷,會給電力系統帶來難以補救損失的可能性。現階段在我國電力系統中應用的嵌入式系統通常來說主要為C/C++語言。這是因為該系統不僅靈活性高并且可移植性也很強。同時該系統還使用了能夠隨時改變的模塊化,目的在于處理好各種存在可能性會產生的問題但是卻又不能夠進行更換的難題。在提供便利的同時也能夠盡最大的努力滿足用戶各種要求。
關鍵詞：計算機視覺系統 工業機器人 探究
中圖分類號：TP242 文獻標識碼：A 文章編號：1007-9416（2015）05-0000-00
計算機視覺系統主要是為了工業機器人更好的工作而研發出來的，是一套裝有攝像機視場的自動跟蹤與定位的計算機視覺系統。近年來，機器人已經廣泛使用于工業生產，但是多數機器人都是通過“示教-再現”的模式工作，在工業機器人工作是都是由操作員進行操作示范再由機器人跟著示范進行工作。由于機器人缺乏對外界事物的識別能力，工作中經常發生偏差或者位移等情況。由于工作環境的惡劣以及各種阻礙，為了提高工業機器人的工作效率、靈活性、適應性等，讓機器人更好的識別外部環境并及時調整運作方向，能更好的發揮其作用，在原有的機器人系統中添加了一套計算機視覺系統，利用計算機視覺圖像裝置的信息，通過圖像使機器人進行外部環境的識別處理，采用三維的重建，通過作業中利用三維圖像的信息進行計算，采用Motocom32軟件和機器人控制柜通訊等設備，對工業機器人進行控制，更好的實現機器人對空間特點的跟蹤與定位。
1系統的結構與原理
本文主要針對Motoman UP6工業機器人系統的二次研究，在原有的工業機器人的系統中，增加了一套計算機視覺系統， 使工業機器人更好的識別外界環境的系統。計算機視覺系統主要包括：Panasonic CCD攝像機、Motoman UP6工業機器人系統、工控機、OK C-50圖像采集卡等外部設備。工業機器人的整個系統由原有系統與計算機視覺系統組成，在原有的系統中包含了YASNAC-XRC- UP6機器人控制柜、Motoman UP6工業機器人本體、示教編程器、Motocom32系統以及相關的外部設備等[1]。計算機視覺系統的設備主要有Panasonic CCTV攝像機、AVENIR TV鏡頭、OK系列C-50圖像采集卡、工控機、AVENIR TV鏡頭、Panasonic CCD攝像機、OK系列C-50圖像采集卡形成的視頻采集系統主要是捕獲物體的圖像，該功能主要是分三個層次進行圖像處理、計算、變換以及通信等功能來實施工控機。利用遠程控制來對工業機器人進行Motocom32系統進行通信。
2計算機視覺系統的構建
2.1硬件的組成
CCD攝像頭：選用的CCD攝像機采用PAP-VIVC810AOZ型彩色攝像頭，如圖1。攝像機的像素為P：500（H）x582（V），N：510（H）x 492（V），攝像機的分辨率為420。攝像機的成像器使用1/33"CCD，信噪>48 dB，同時攝像機具有自動背景光補償、自動增益控制等功能。
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定性，其真彩色實施工業圖像采集卡，該圖像采集卡的硬件構造、地層函數都具有穩定性，同時在惡例的環境中都可以穩定運行[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：其分辨率為768 x 576，具有獨特的視頻過濾技術，使圖像質量的采集、顯示更加清晰流暢。主要支持的系統為Win98 /2K/XP，主要用于人工智能、事物識別、監控等多種領域。
工控機：工控機以奔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。
定標和定位算法軟件，功能分布如圖3所示。
3視覺系統的原理及流程圖
工業機器人的主要系統包括是由工業機器人本體、相關的外部設備、控制器（供電系統、執行器等）計算機視覺系統主要由三部分組成：圖像處理和獲取、圖像匹配、攝像機的定位等組成。通過借助OpenCV的視覺庫進行VC++.NET實行，流程如下圖表4所示。
在本視覺系統運行中，需要對攝像機實行定標，建立實際空間點和攝像機的對應點。在定標的過程中，就需要標記基準點，使攝像機在采集圖像時可以準確的把這些基準點投放到攝像機的坐標上[3]。同時在采集卡的圖像中，對圖像進行處理并計算出該基準點圖像的坐標，通過定標計算法，從而得出攝像機的參數。
在機器人系統中的反饋，計算機通過C語言的調節圖像采集卡進行動態鏈接來控制函數[4]。同時，對攝像機中的數據、視頻信號進行采集，構成數字化的圖像資料，采用BMP格式存儲進行計算，在計算機上顯示活動視頻，然后系統對獲取的圖像進行分析處理，以及對噪聲的去除、圖像的平滑等進行處理，利用二值化處理對那些灰度閥值的圖像進行處理，同時檢測計算機獲取圖像的特征量并計算[5]。在完成圖像的處理后，就需要確立圖像的匹配特征，對圖像進行匹配[6]。如果兩個圖像不重疊，就需要建立3D數據庫進行模型重新選擇，再把模型進行計算、投影計算、坐標更換等指令，直到找到與圖像相匹配的數據模型，才能真正得到真實有效的圖像。重疊時，要獲得有效的圖像，以工業機器人識別物體為目的，才能建立機器人系統之間的通信。同時，通過三維圖像重建，進行機器人空間定位[7]。如下圖表5所示。
4結語
綜上所述，計算機視覺系統主要是為了工業機器人更好的工作而研發出來的，是一套裝有攝像機視場的自動跟蹤與定位的計算機視覺系統。通過3D數據模型指定目標，機器人系統利用計算機視覺圖像的采集裝置來識別外界環境的數據，經過圖像的姿態預算、影像的投影計算產生圖像，通過圖片的合成比較，以此來實現機器人在工作中對物體的識別。利用計算機系統對機器人進行有效的控制，在工業機器人工作中對事物目標的搬運、跟蹤、夾持等指令。計算機視覺系統具備清晰的視覺功能，有利于提高工業機器人的靈活性以及適應性。
參考文獻
[1]夏群峰，彭勇剛.基于視覺的機器人抓取系統應用研究綜述[J].機電工程，2014（06）：221-223.
[2]華永明，楊春玉.機器人視覺系統在立體編織自動鋪紗過程中的應用研究[J].玻璃纖維，2011（01）：189-191.
[3]王培屹.基于多傳感器多目標實時跟蹤視覺系統在全自主機器人上的應用[J].軟件導刊，2011（01）：263-264.
[4]譚民，王碩.機器人技術研究進展[J].自動化學報，2013（07）：123-125.
[5]鮑官軍，荀一，戚利勇，楊慶華，高峰.機器視覺在黃瓜采摘機器人中的應用研究[J].浙江工業大學學報，201（01）：93-95.
關鍵詞：OpenCV；人臉檢測；實時
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。人臉檢測是人臉識別的重要環節，運用攝像機或攝像頭采集含有人臉的視頻流，并進行實時的人臉檢測是目前主流的應用。
OpenCV（Open Source Computer Vision Library）是開源的計算機視覺代碼庫，它輕量級而且高效，由一系列C函數和少量C++類構成，實現了圖像處理和計算機視覺的接口，實現了圖像處理和計算機視覺方面的很多通用算法[1]。
1 系統設計
本系統采用了OpenCV的基于boost篩選式級聯Haar分類器，該分類器是通過成千上萬的物體各個角度的訓練圖像訓練出來的，它先對圖像進行直方圖均衡化處理，并將圖像歸一化到同樣大小，然后標記是否包含要檢測的物體，在人臉檢測方面比較擅長。系統加載分類器后，利用OpenCV的視頻捕獲函數實時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換為圖像，然后對圖像進行人臉檢測和標定，具體流程圖如圖1所示：
圖1 系統流程圖
2 系統實現
本系統在WindowsXP操作系統下使用VC++6.0基于OpenCV1.0進行開發。系統具體實現如下：
（1）初始化聲明。通過CvMemStorage*captureFaceStorage=cvCreateMemStorage（0）；語句創建一個內存存儲器，來統一管理各種動態對象的內存，參數為0時創建的內存塊默認大小為64k。然后分別聲明分類器對象、圖像對象級聯名稱及識別函數等成員：
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，加載調用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函數捕獲攝像頭，捕獲視頻后循環執行抓取幀操作cvGrabFrame（cap）和獲取圖像操作cvRetrieveFrame（cap）操作，從而將幀轉換成圖像，以便于處理。
（4）圖像格式轉換。一般從硬盤讀入的圖片或者通過cvCreateImage方法創建的IplImage圖片默認的origin屬性為0，即顯示的時候都是正的。而由攝像頭或者視頻文件獲取的幀圖像origin屬性為1，此時顯示的圖像掃描順序是從下到上，它會將幀圖像的第i行賦值給圖像的第height-i行，因此采集的圖像會出現倒立現象，為此，應將復制的圖像的origin屬性調整為與幀圖像的origin屬性一致。此時需要使用cvFlip（frame，frame_copy，0）函數，實現對幀圖像沿X軸的翻轉。
（5）識別與檢測人臉。本部分主要實現人臉檢測功能，首先將從實時視頻中提取的圖像進行灰度化處理：
然后調整新圖像gray，使它精確匹配目標small_img的大小，并利用cvEqualizeHist函數進行灰度圖像直方圖均衡化處理，最終通過cvHaarDetectObjects函數檢測出人臉：
（6）標定檢出的的人臉。繪制目標圓形區域，標定出檢測出的人臉：
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 結束語
基于的攝像頭實時人臉檢測系統的實現充分說明了OpenCV技術在實現人臉檢測方面的效率高、功能強的特點，OpenCV必將在計算機視覺、圖形圖像處理領域有著廣泛地應用前景。
參考文獻：
[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].計算機學報，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：計算機應用、計算機圖形圖像處理和計算機視覺。
摘要：研究基于計算機視覺的實時動態手勢識別技術，并利用OpenCV計算機視覺庫在VS2010平臺上設計一個基于該技術在多媒體教學中PPT演示控制方面的應用。首先，利用背景差分法進行手勢檢測，在背景更新的基礎上，通過背景差分圖和顏色直方圖的反投影圖來檢測運動手勢區域，可以達到較為滿意的實時運動手勢檢測效果；其次，采用基于顏色直方圖的粒子跟蹤算法進行手勢跟蹤，基本能滿足跟蹤的實時性；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，來實現演示文稿中的控制應用。
關鍵詞：計算機視覺；背景差分；粒子跟蹤；手勢識別；Hu矩
中圖分類號：TP391.41文獻標識碼：A
1引言
隨著計算機軟硬件技術的發展，人機交互已經由過去的鼠標、鍵盤方式逐漸向更加靈活生動的語音、姿勢等新穎交互方式發展。由于基于視覺方式具有便捷和開銷低等優點，因此，利用計算機視覺技術來使計算機理解用戶的命令，從而做出控制動作，這一領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，國內外許多研究機構開始對手勢識別技術進行研究，并已經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；國內的高文教授等人于1994年提出了一種靜態復雜背景手勢目標的捕獲與識別。經過二三十年的發展，
人們對運動目標檢測及跟蹤進行了大量深入的研究：美國MIT實驗室通過提取左右手質心的運動軌跡以及手勢形狀特征參數，結合語法規則識別40個美國手語，準確率達到97%；另外，Microsoft Korea的HyeonKyu Lee，采用HMM的閾值模型，識別9種動態手勢命令，平均識別率高達98.19%；國內的任海兵提出了基于DTW的手勢識別算法，該算法能準確識別12種手勢。
現在，基于視覺的手勢識別技術更多的是應用在娛樂、游戲方面，比如微軟前段時間推出的Xbox360游戲機體的體感外設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行操作和互動，使得人機互動娛樂進入了一個新紀元。與此同時，還沒有比較成熟的手勢識別技術應用在現代教學系統中。因此，本文的研究重點是基于視覺的實時手勢識別技術在多媒體教學演示控制中的應用。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：一是實時檢測運動手勢的信息，二是識別運動手勢的信息并做出響應。對運動手勢檢測，本文采用背景差分結合改進顏色直方圖特征的運動檢測方法[1]；對運動手勢跟蹤，本文采用粒子濾波算法[2]結合改進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]；本文研究基于計算機視覺的手勢識別系統，實現了在播放控制中運用手勢進行開始、翻頁、退出等功能，極大的提高了課堂教學的靈活性。
2手勢檢測
實時視頻圖像中的運動手勢檢測所需要完成的任務是：能夠快且準的檢測出手勢在實時圖像中的主要位置，并且能將位置所在的特定區域作為后續跟蹤、識別的感興趣區域。手勢檢測算法的好壞，直接影響整個系統的跟蹤以及識別的效果。
目前，運動目標檢測[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。本文考慮實現環境為固定攝像頭采集實時視頻圖像，背景基本不動，因此采用背景差分結合改進顏色直方圖信息的運動檢測方法。
2.1背景差分法
本文研究中，選取攝像頭啟動后的前10幀圖像的平均作為最初的背景圖像，把以后的實時序列圖像當前幀和背景圖像相減，進行背景消去?？梢缘玫剑\動手勢區域的像素點的差分值比較大，背景區域的像素點的差分值比較小。另外，由于真實場景中的背景會因光線等外部條件產生微小的變化，長期的誤差積累會造成最后得不到理想的手勢區域，因此背景需要進行實時更新，從而能及時反映當前幀的背景圖像，背景更新[6]的公式如下：
背景更新操作以后，對當前幀進行背景差分，大于閾值th1的圖像點即為運動手勢區域的點，并將得到的運動手勢區域圖像進行二值化操作，公式如下：
3手勢跟蹤
現在常用的一些跟蹤算法主要有：卡爾曼預測算法、粒子濾波算法、均值偏移算法以及Camshift跟蹤算法等。考慮到卡爾曼預測算法和均值偏移算法等都是線性跟蹤算法，不能很好的應對目標運動的隨機性，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值的隨機樣本，以及基于這些樣本的估算來表示動態系統的后驗概率密度。當樣本很大的時候，這種估計就等同于后驗概率密度。這些樣本就稱為“粒子”。假設在t=0時刻每個粒子都有一個解，每個解與真實解都有一定的相似度，這個相似度可以表示為權重，隨著時間的增加，相似度越大的粒子權重越大，而相似度越小的粒子權重就越小，最后趨于0，從而找到真實解（如圖2）。
3.2基于改進顏色直方圖信息的粒子跟蹤
視頻圖像跟蹤方面，目標的運動模型主要表現為目標位置、速度隨時間改變的狀態轉移過程，目標的觀測模型主要表現為每幀圖像中運動目標的特征（如顏色、輪廓等）與真實目標的相似度的似然過程。在粒子濾波算法中，運動模型可以稱為粒子傳播或者粒子采樣，它是一種隨機過程[11]。粒子在經過傳播以后，狀態會發生改變，但權值沒有跟著改變，這就需要系統的觀測模型對當前粒子的狀態進行計算從而更新粒子的權值。本文的研究中，觀測值由目標區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概率，利用巴氏距離（Bhattacharyya）來計算相似度，得到粒子的權重。巴氏系數[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，然后通過實時提取手勢幀，經過前面第2部分的結合改進顏色直方圖信息的手勢檢測，然后再經過形態學處理之后，得到效果良好手勢區域的二值圖，再用輪廓提取及跟蹤來得到手勢的輪廓圖，然后計算其7Hu矩特征，最后運用歐氏距離將其與模板庫中定義的手勢進行特征匹配，完成手勢識別。
輪廓提取就是要掏空內部的點：如果其八個相鄰的點都是黑色，則可以判定為內部點，然后刪除改點。
輪廓跟蹤方法：首先找出輪廓中最左下方的點作為搜索的起點，然后按照一定規則來搜索手勢輪廓上的其他像素點。由于輪廓是連續的，因此每個輪廓上的點的位置都可以用其前一個點的所張的角度來表示。研究中采用如下跟蹤準則，第一個點開始定義搜索方向為左上，如果左上方的點是黑點，則它也是輪廓上的點；如果不是，那么順時針旋轉，直到找到第一個黑點，即輪廓上的下一個點。繼續同樣的方法搜索，直到返回最初的起點，搜索結束。
下圖是輪廓跟蹤算法[15]的示意圖，搜索方向用箭頭表示。
5系統實現
本文的系統是在微軟的VS2010平臺上，使用C++語言進行軟件開發，在圖像處理相關方面是基于計算機視覺庫（OpenCV）進行研究的。程序界面如下圖：
左邊底層區的按鈕可以觀察實時手勢跟蹤和識別效果的功能（如圖4和圖7）。
手勢識別的結果可以定義成一個變量，不同
的識別結果對應的變量值不同，然后根據變量值調用不同的API接口函數，這樣就可以實現實時手勢識別技術在演示控制中的應用。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控制跳轉首頁；手勢2為跳轉尾頁；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進行實際的播放控制（列舉其中4個手勢的控制狀態），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，跳轉到首頁：
4）識別手勢3，退出：
系統通過筆記本自帶30W像素的攝像頭，采用DirectShow技術進行實時視頻的獲取，圖像尺寸是320*240，fps可以達到30-60幀/秒，可以很好的滿足實時性的要求。
6結語
本文通過研究設計了一個基于視覺的手勢識別技術在演示控制中的應用系統，可以看出背景差分結合顏色直方圖的運動檢測可以得到較好的手勢區域效果；采用的基于顏色直方圖的粒子跟蹤也能基本實現實時跟蹤的任務；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；在應用階段，使用手勢來完成控制命令，基本實現了在播放控制中的應用。
同時，仍存在一些問題：對于光照和人臉微小晃動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，在應用時會產生一定的誤操作。這些問題仍需繼續研究，才能使得基于視覺的手勢識別技術得到更成熟的應用。
參考文獻
[1]吳曉陽.基于OpenCV的運動目標檢測與跟蹤[D].杭州：浙江大學，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矩和支持向量機的靜態手勢識別及應用[D].青島：青島科技大學，2008.
[4]華斌，夏利娜.基于中值濾波和Hu矩向量的手語識別[J].計算機工程與設計，2011，32（2）： 615- 618.
[5]伏思華，張小虎.基于序列圖像的運動目標實時檢測方法[J].光學術，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，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，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用[M].北京：北京科學出版社，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.運動背景下基于粒子濾波的目標跟蹤[J].計算機工程與應用，2007，43（8）： 62- 64.
【關鍵詞】自動控制技術；農業自動化
由于歷史、觀念和技術等方面的原因， 我國傳統農業機械與發達國家相比有很大差距，已遠遠不能適應農業的科技進步。近些年來， 自動化的研究逐漸被人們所認識， 自動控制在農業上的應用越來越受到重視。例如，把計算機技術、微處理技術、傳感與檢測技術、信息處理技術結合起來， 應用于傳統農業機械， 極大地促進了產品性能的提高。我國農業部門總結了一些地區的農業自動化先進經驗（如臺灣地區的農業生產自動化、漁業生產自動化、畜牧業生產自動化及農產品貿易自動化）的開發與應用情況， 同時也汲取了國外一些國家的先進經驗、技術，如日本的四行半喂人聯合收割機是計算機控制的自動化裝置在半喂人聯合收割機中的應用，英國通過對施肥機散播肥料的動力測量來控制肥料的精確使用量。這些技術和方法是我國農業機械的自動化裝置得到了補充和新的發展，從而形成了一系列適合我國農業特點的自動化控制技術。
1.已有的農業機械及裝置的部分自動化控制
自動化技術提高了已有農業機械及裝置的作業性能和操作性能。浙江省把自動化技術應用于茶葉機械上，成功研制出6CRK-55型可編程控制加壓茶葉揉捻機，它利用計算機控制電功加壓機構，能根據茶葉的具體情況編制最佳揉捻程序實現揉捻過程的自動控制，是機電一體化技術在茶葉機械上的首次成功應用。
1.1應用于拖拉機
在農用拖拉機上已廣泛使用了機械油壓式三點聯結的位調節和力調節系統裝置， 現又在開發和采用性能更完善的電子油壓式三點聯結裝置。
1.2應用于施肥播種機
根據行駛速度和檢測種子粒數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應用于谷物干燥機
不受外界條件干擾， 能自動維持熱風溫度的裝置停電或干燥機過熱引起火災時，自動掐斷燃料供給的裝置。
2.微灌自動控制技術
我國從20世紀年50代就開始進行節水灌溉的研究與推廣據統計。到1992年，全國共有節水灌溉工程面積0.133億m2，其中噴灌面積80萬m2， 農業節水工程取得了巨大的進展。灌溉管理自動化是發展高效農業的重要手段，高效農業和精細農業要求必須實現水資源的高效利用。采用遙感遙測等新技術監測土壤墑性和作物生長情況，對灌溉用水進行動態監測預報，實現灌溉用水管理的自動化和動態管理。在微灌技術領域，我國先后研制和改進了等流量滴灌設備、微噴灌設備、微灌帶、孔口滴頭、壓力補償式滴頭、折射式和旋轉式微噴頭、過濾器和進排氣閥等設備，總結出了一套基本適合我國國情的微灌設計參數和計算方法，建立了一批新的試驗示范基地。在一些地區實現了自動化灌溉系統，可以長時間地自動啟閉水泵和自動按一定的輪灌順序進行灌溉。這種系統中應用了灌水器、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.自動控制技術在精準農業中的應用
關鍵詞： 計算機視覺； 手指特征識別； 動態閾值算法； 矩形模版
中圖分類號： TN911?34； TP37 文獻標識碼： 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著科學技術的飛速發展，人與計算機之間的交互活動越來越密切，并逐漸成為人們日常生活的重要組成部分。傳統觸摸屏是現階段一種最常見，也是最重要的人機交互方式，其是通過一種附加在顯示器表面的透明介質，依賴使用者的手指觸摸該介質來實現對計算機的輸入控制[1?2]。目前，這種觸摸屏技術已經相當成熟，但是，技術上不容易做到大尺寸，且成本相對較高，也易于破損。為了突破傳統觸摸屏這種人機交互方式的局限，把任何成像平面變成可用手指進行交互的系統，本文提出了一種基于計算機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算機視覺的手指特征識別硬件系統。這種基于計算機視覺的手指特征識別方法可為基于視覺的人機互動提供一種新的技術解決途徑。其與傳統觸摸屏的區別在于，不需要在成像屏幕上安裝任何特殊介質，使用壽命得到大幅延長，應用范圍有了很大擴展。
1 圖像采集平臺
本文所采用的圖像采集平臺如圖1所示，在任何與計算機連接的顯示設備（如投影屏幕、等離子電視等）的左上角、右上角安裝兩個攝像頭，通過這兩個攝像頭便可確定手指在屏幕上的二維坐標信息（x1，x2）。然后，將此坐標點傳至計算機，并與Windows系統的鼠標程序關聯即可實現人機交互功能。圖2是圖像采集平臺的側視圖。其中虛線框表示攝像頭視野中系統需要處理的區域，即手指出現的區域。
2 手指特征識別算法及仿真
在系統實現過程中，如何從攝像頭所拍攝的畫面中準確地識別并提取出手指信息是其難點之一。在目前的圖像處理技術中，用于識別背景圖案中目標物體的算法很多，本文在分析基于色彩聚類的膚色識別算法的基礎上，結合課題特殊需求，提出一種基于矩形模板的動態閾值算法，并在Matlab中對上述算法的處理效果進行了仿真。
從圖像采集平臺可以看出，本系統只關心距屏幕很近的小視野內是否出現區別于背景的目標物體。因此，只需從攝像頭拍攝的圖像當中截取一部分，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
膚色是人體區別于其他物體的一個重要特征，人體膚色特征不受位置、角度、大小等因素影響，具有較強的穩定性。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，能從比較友好的環境中迅速準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。可見，該算法在普通環境下對手指的識別效果良好。但當屏幕上的顏色影響手指膚色時，該算法的識別能力就會有所降低?？梢?，該算法對皮膚顏色的純度要求較高，適用范圍受限。圖7為屏幕出現大面積藍色時對手指識別造成的影響效果。
2.2 基于正方形模板的動態閾值算法
基于正方形模板的動態閾值算法，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模板動態閾值算法平滑圖像的過程。
應用基于3×3模板的動態閾值算法對原圖4進行邊緣提取的仿真效果如圖9（a）所示?？梢姡瑧?×3模板可以提取出目標物體的邊緣，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模板的動態閾值算法的處理效果），但會使計算量劇增，同時也縮小了模板所能完全覆蓋的范圍，使圖像邊緣產生無效的白色區域。
2.3 基于矩形模板的動態閾值算法
根據課題實際需要，即所要處理的目標區域為長方形窄條區域（如圖3所示），本文提出一種基于矩形模板的動態閾值算法。該算法與基于正方形模板算法的區別在于，平滑圖像時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模板動態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模板動態閾值算法對原圖4進行手部邊緣提取的仿真效果。由仿真效果可知，基于矩形模板的動態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物體的邊緣。而且，隨著模板取值的增加，目標物體邊緣的提取效果更加清晰準確。與基于正方形模板的動態閾值算法相比，基于矩形模板的動態閾值算法計算量較小，節約了系統的計算資源。
3 基于FPGA的手指特征識別算法的系統測試
為了驗證本文所提出的基于矩形模板的動態閾值算法能否滿足屏幕交互系統的整體要求，本文通過編寫軟件程序在FPGA開發板上對這種算法進行了硬件實現和系統測試。
3.1 硬件實現
本文所采用的硬件實現系統主要是基于美國Altera公司生產的型號為EFA?CY1C12的“紅色颶風”（Red Cyclone）系列FPGA開發板，并另外集成了用Ommvison公司的型號為OV9655的CMOS數字攝像頭，以及ISSI公司的型號為IS61LV25616AL的SRAM存儲器[7?10]。最終搭建的硬件系統如圖11所示。
3.2 系統測試
本文主要對系統的實時性、手指提取精度、資源占用情況等影響系統運行的重要技術指標進行了測試。
（1） 實時性
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，課題所設計的軟件程序可以在一幀圖像的處理時間內完成了數據的采集、手指邊緣的識別等運算，實現了系統執行速度與攝像頭拍攝速度的同步，達到了系統對實時性要求。
（2） 手指識別精度
由于課題在軟件設計過程中編入了圖像采集防抖動處理程序，提高了圖像采集的穩定性，也提高了手指識別的精度。經過測試，本系統得到的手指位置信息的坐標偏差為3個像素，基本滿足大屏幕交互系統對識別精度的需求。
（3） 資源占用情況
從Quartus Ⅱ的編譯報告中可以看出，本系統的軟件運行已占用FPGA的9 702個邏輯單元，占邏輯單元總數的80%?？梢?，該硬件系統的FPGA運算資源基本能滿足系統的實際需要。
4 結 語
本文通過對基于矩形模板的動態閾值算法的研究和基于FPGA的手指特征識別硬件系統的實現，建立了一套基于計算機視覺的手指特征識別系統。該算法受環境噪聲影響較小，能清晰準確地分割出手指邊緣，且隨著矩形模版取值的增大，算法的識別效果會更加良好。該系統的實時性、手指識別精度及資源占用情況均可滿足系統要求。這種基于計算機視覺的手指識別方法成本低、靈活性好，為基于視覺的人機交互提供了一種新的技術途徑。
參考文獻
[1] 呂明，呂延.觸摸屏的技術現狀、發展趨勢及市場前景[J].機床電器，2012，39（3）：4?7.
[2] 陳康才，李春茂.電阻式觸摸屏兩點觸摸原理[J].科學技術與工程，2012，12（18）：4525?4529.
[3] MAITRE H.現代數字圖像處理[M].北京：電子工業出版社，2006：79.
[4] 帕科爾，景麗.圖像處理與計算機視覺算法及應用[M].2版.北京：清華大學出版社，2014：104.
[5] GONZALEZ R C，WOODS R E，EDDINS S L.數字圖像處理的Matlab實現[M].2版.北京：清華大學出版社，2013：301.
[6] RUSS J C.數字圖像處理[M].6版.北京：清華大學出版社，2014：216.
[7] 于楓.Altera可編程輯器件應用技術[M].北京：科學出版社，2014：68.
[8] 姚智剛，付強.基于低成本CMOS攝像頭智能監控系統的設計[J].現代電子技術，2006，29（3）：126?128.
關鍵詞：ARM OPENCV AdaBoost
近年來,功能各異的視頻監控設備越來越多,但是,大多只能簡單記錄視頻畫面,將監控到的視頻信息存儲起來,而不能對所監控到的視頻做一定的處理分析和預測?；贏RM的人臉檢測系統,為我們的視頻監控設備提供了一個視頻處理的參考解決方案,在一定基礎上加以擴充,可以完成人物識別,危險行為檢測與報警等,使視頻監控設備更加智能化。
1、視頻監控的幾項關鍵技術及發展方向
視頻監控的關鍵技術主要有視頻采集壓縮算法、視頻信號可靠地傳輸、信息存儲調用的智能化與系統的集中管理等。視頻監控技術發展方向為分布采集集中管理、高品質圖象壓縮處理、開放標準統一接口、統一認證以確保安全、操作人性化以及功能集成化、結構模塊化和傳輸多樣化。隨著不斷發展的網絡技術,基于嵌入式技術的網絡數字監控系統不再是處理模擬視頻信號,而是把攝像機輸出的模擬視頻信號通過視頻編碼器直接轉換為IP數字信號。
2、平臺的搭建
ARM之所以應用廣泛,是因為有較快得運算速度,較低的價格,開發人員也比較容易接觸,程序較易移植過來等特點。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的優點——開源、免費,同時也有廣泛的應用軟件支持,能夠比較方便的移植操作系統與應用軟件。
3、OPENCV簡介
OpenCV是一個開源的計算機視覺庫,采用C/C++語言進行編寫,可以運行在Linux/Windows/Mac等操作系統上,同時還提供了Python、Ruby以及其他語言的接口。其設計目標就是執行速度盡量快,它采用優化的C語言編寫,能夠充分利用多核處理器的優勢。除此之外,另外一個目標就是構建一個簡單易用的計算機視覺框架,開發人員可以利用它更便捷地設計復雜的計算機視覺相關應用程序。其中包含的函數有500多個,覆蓋了計算機視覺的許多應用領域,如工廠產品檢測、醫學成像、信息安全、攝像機標定、立體視覺和機器人等。
4、人臉檢測的原理
人臉檢測技術的研究要追溯到20世紀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,集中研究基于數據驅動的學習方法,如統計模型方法,神經網絡學習方法,統計知識理論和支持向量計算方法,基于馬爾可夫[1]隨機域的方法,以及基于膚色的人臉檢測等。目前在實際中應用的人臉檢測方法多為基于Adaboost[2]學習算法的方法。
Viola是AdaBoost算法的一種,主要基于積分圖和級聯檢測器,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”實現特征數值的快速計算;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投票的方式,構造為一個強分類器;第三部分,為有效的提高檢測速度,將訓練得到的若干強分類器串聯組成一個級聯結構的層疊分類器。
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行區分。第一步,在一個20*20的圖片中提取出一些簡單的特征（Harr特征）,將白色區域內的像素減去黑色區域,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值,這些特征就是區分人臉和非人臉的依據。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練樣本。訓練圖片一般都調到到20*20的大小。在這樣大小的圖片中,可供haar使用的特征數大概有1萬個左右,然后通過機器學習算法也就是Adaboost算法挑選數千個有效的haar特征,用來組成人臉檢測器。第三步,學習算法訓練出一個人臉檢測器后,便可以在各種各樣的場合使用了。使用時,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。
人臉檢測技術在門禁系統、智能監控系統中已經得到了很好的應用。另外,目前的筆記本電腦登錄時,也陸續使用人臉識別技術作為憑證。同時,人臉檢測算法也在數碼相機和手機中起作用,作為一個新新的功能提供用戶使用。
5、結語
ARM上進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是一個方案合理、技術成熟、成本低廉、應用廣泛的人臉檢測與圖像處理的解決方案。
參考文獻
關鍵詞：肉類食品；品質檢測；研究
隨著經濟的快速增長，國民生活的日益提高，我國肉類消費量也在快速增長，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.傳統的檢測技術費時費力,檢測效率低,已經達不到現代檢測所需的快速、準確、實時、無損等要求。 現代的肉品檢測技術，注重實用性和精確性。儀器微型化、低耗能化、功能專用化、多維化、一體化、成像化；生物技術被大量應用；與計算機技術結合得越來越緊密；不斷采用其它領域的新技術；生理學中的感覺器官生理變動規律和電生理學研究學方法等。
1 物理方法
1.1 計算機視覺技術
計算機視覺技術通過計算機模擬人的判別準則去理解和識別圖像，用圖像分析作出相應結論的實用技術，其中圖像處理和圖像分析是計算機視覺技術的核心。
計算機視覺技術可對其新鮮度作出判定；基于神經網絡分類器的立體顏色直立圖可用于分析雞胴體全身缺陷。李剛等構建了由氣體傳感器陣列、數據采集單元、神經網絡組成的智能檢測辨識系統，通過豬肉樣本的測試與分析表明，該方法可實時準確地識別肉類新鮮度，辨識準確率可達9 0 % 以上。Malone 等以圖像處理方法和專家系統控制為基礎，研發了一個分析系統，該系統可以根據圖像分析的結果并參照數據庫作出正確的判斷，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。機器視覺系統也用于研究豬腰肉的品質波動和分級，如用400 ～700nm 的光纖反射測量系統可以檢測出明顯的PSE 豬腰肉，同時根據豬肉品質優劣進行分級。
1.2 超聲波技術
超聲波檢測技術是利用肉品在超聲波作用下的吸收特性、衰減系數、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等應用超聲波傳播速度的變化檢測發酵香腸的化學成分，發現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，該系統包括1 6 個超聲波傳感器，可以確定膘厚、肥瘦、產肉率(與胴體重量有關)、 主要切割點等指標，其在線檢測速度可達1150 頭/h ，能達到較高的準確率。目前較好的產品有丹麥S F KTechnology A/S 公司研制的在線檢測產品。
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、被測物體的不規則性和肥瘦組織分布的不均勻性等因素的影響，而且實時超聲波圖像一般只能檢測某部位的化學成分而不是全身成分。所以，超聲波檢測技術更多地應用在線自動快速無損檢測，它具有適應性強、對人體無害、檢測靈敏、使用靈活等特點。該技術在國外已逐漸進入肉品實際檢測中，但我國在這方面的研究與應用尚未見報道。
1.3 電磁學檢測技術
肉品的組織、成分、結構、狀態等和其電磁特性有密切關系。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律。
電磁掃描的原理是骨頭和肌肉這些含水的物質比脂肪有更高的導電率，它和豬、羊的無脂肪瘦肉有較好的相關性。Higbie 等采用測量胴體全身電導率的方法來估計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，發現可以用三或四變量公式預測無脂瘦肉重量，而且可以根據公式推算肉類各組分的含量，復相關系數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，因為系水力、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。而電磁學檢測的變化曲線與計算機視覺技術和超聲波檢驗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、不能氣化或熱穩定性差的有機物的分離分析，在食品行業中常用于食品添加劑、農藥殘留和生物毒素的分析檢測，具有靈敏度高、操作簡便、結果準確可靠、重現性好且成本較低的優勢。
檢測抗生素的傳統方法是微生物法，靈敏度較、低耗時較長，一次只能檢測一種抗生素。反相HPLC 測定抗生素，簡便快速，能同時監測多種抗生素，已成為肉品檢測中的常用方法。湯麗芬等用反相HPLC 同時測定廣州地區肉類4 種抗生素的殘留量，結果表明；各抗生素的線性范圍均為0.01～ 1.0 µg/ml，相關系數均為0.99 以上(n=5)；回收率均為95.6% ～ 106.0%； 日內日間變異系數均在允許范圍內(小于15%)。
2.2 毛細管電泳安培法
1991 年Jorgenson 和Monnig 首次提出了高速毛細管電泳技術(HSCE 或fast-CE)，使分析時間縮短至幾分鐘內。毛細管電泳安培法具有靈敏度高、樣品體積小的特點。但電泳時間多為5～30min，因此近年來芯片毛細管電泳技術是電泳的一大熱點，芯片毛細管電泳技術實質上是將HSCE 的儀器微型化，采用窄內徑且短的毛細管和提高分離場強的方式來提高分析速度，因此保持電泳高效的同時提高其分析速度是電泳技術的發展趨勢。
楊冰儀等采用高速毛細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) 進行了測定，結果表明：參數優化后，DES 在60s 內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系；遷移時間和峰面積的相對標準偏差分別為0.65%、2.2%。
2.3 近紅外光譜分析技術
近紅外技術NIR(nearinfrared)具有測量測信號數字化及分析過程綠色化的特點。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、脂肪等指標；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含量。
Ben-Gera 等采用紅外透射技術，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、脂肪和卡路里含量，發現在波長為1100～ 2500nm 時，反射光譜與水分、脂肪和卡路里有較高的相關性(R0.987)，與蛋白質的相關系數(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(R=0.798～0.826)，與水分、蛋白質、脂肪等指標也有較好的相關性。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，發現其與測得的熟肉嫩度存在復相關系數R2=0.692，從而可以建立預測牛肉嫩度(口感)的分析模型。
但該方法成本較高且分析較復雜。目前丹麥、德國已開發出在線檢測設備，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
核磁共振波譜法是根據具有磁性質的原子核對射頻磁場的吸收原理，以測定各種有機或無機成分的檢測技術。它是一種無損檢測技術，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行觀察；另外它還具有結構和動力學信息敏感性，可以觀察樣品的化學結構特征和分子遷移。31P 因其天然豐度高(100%)，在細胞中的含量高(DNA、磷脂及ATP等)；化學位移范圍寬(約30)，共振譜線簡單容易識別；在生物體內普遍存在，且與生命過程息息相關，而使31PNMR 技術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，經檢測發現TSPP 和TKPP 的水解最快，大約1.25h 就可以完全水解為Pi。采用31PNMR 技術可以快速無損地區別和量化肌肉組織中的有機和無機磷酸鹽，為進一步解釋磷酸鹽的作用機理提供了方法。
3 現代分子生物學技術
3.1 核酸探針檢測技術
核酸分子雜交可以用于待測核酸樣品中的特定基因序列。該技術不僅具有特異性、靈敏度高的優點，而且兼備組織化學染色的可見性和定位性。在肉品檢測中，核酸探針技術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普遍采用傳統的細菌學檢驗方法和血清學方法，方法繁瑣，靈敏度和準確性都不高。核酸探針技術可檢測出10-12～10-9 的核酸，可廣泛應用于進出口動物性食品的檢驗，包括沙門氏菌、彎桿菌、輪狀病毒、狂犬病毒等多種病原體。
核酸探針技術在實際應用中仍存在一些問題，如放射性同位素標記的核酸探針半衰期短、對人體有危害等（生物素標記的核酸探針雖然對人體無害，但受紫外線照射易分解），所以作為常規診斷特別是食品實驗室較不適用。
3.2 生物芯片檢測技術
生物芯片使研究中不連續的分析過程都集成在芯片上完成，實現檢測的連續化、集成化、微型化、信息化，單位面積內可以高密度排列大量的生物探針，每平方厘米可達5 10 萬個， 一次實驗就可檢測多種疾病或分析多種生物樣品，已經廣泛用于食品安全檢測、食品微生物檢測、動物疫病檢測、轉基因動植物檢測等方面。
張慶峰等以卵清白蛋白為載體蛋白合成了雌二醇的結合物，并采用Cy3 新型熒光染料標記結合物，作為雌二醇的競爭物，建立了以競爭法為基礎的檢測肉品中雌二醇的免疫芯片新方法。該技術用生物芯片點樣儀在醛基化玻片表面點樣制備免疫微陣列，對雌二醇進行了定性定量檢測。結果表明熒光信號隨待測物濃度的降低而增強，待測物濃度在0.001～0.4µg/ml 的范圍內有較好的線性趨勢，檢測范圍為1 0.001 g/ml。
4 微生物檢測技術
當前，微生物電子學、微機技術濾光技術、生物傳感器等多項領域的突破，使得微生物快速檢測技術得到了改進，正朝著快速、準確、簡便及自動化的方向發展。利用傳統微生物檢測原理，結合先進技術，設計了形式各異的微生物檢測儀器設備，正逐步廣泛應用于肉品微生物檢測。如ATBExpression細菌鑒定智能系統、全自動微生物快速鑒定儀器VITEK、微生物總數快速測定儀、自動菌落計數系統、應用電阻抗技術的全自動微生物監測系統。
參考文獻
[1] 陳福生高志賢王建華. 食品安全檢測與現代生物技術[M].北京化學工業出版社2004.
[2] 趙杰文孫永海.現代食品檢測技術[M].北京中國輕工業出版社2005.
[3] 陳純.計算機圖像處理技術與算法[M].北京清華大學出版社2003.
[4] 孫永海鮮于建川石晶.基于計算機視覺的冷卻牛肉嫩度分析方法[J].農業機械學報2003 34(5) 102 105.
[5] 李剛曲世海郭培源張慧.基于神經網絡的肉類新鮮度辨識技術[J].傳感器技術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2002 21 (7) 1 2.
