蚕茧图像滤波效果定量分析
蚕茧质量无损检测实验系统设计及实现
文献标识码 ：Ｂ
文章编号 ：１０ — ０ ３（ ０ ７ 卜０ ２ — ３ ０ １７ ０ ２ ０ ）０ ０ ２ ０
我 国大部分地区所采用 的评 茧方法是剖茧检测 ，由 于 整个 过程 的烘 壳 时间 较长 ，导 致评 茧速 度 慢 、效率 低 。茧站面对干 家万户售茧 ，来不及逐 个检测 ，于是很 多茧站采用手摸 、 目测 、 口喊价 。然而根据手 感湿度 和 蚕 茧表面疵病来判断蚕茧 的好 坏，只能评定蚕茧 的外观 质 量，且 测试 精度低 ，易受评 定者的主观因素和实 际经 验影 响，不能达 到 “ 优质优价 ”，农 民对之 信任度差 ， 容易损伤蚕农提 高蚕 茧质量的积极性 。而且 ，剖茧称重
听 内 印茧 ） 。剥 去茧 衣 ， 分 别 称 其 全 重 和 上 茧 重 量 并 输
评级标准》的要求 ，确立总体检测方案步骤如下 ： 第一步：抽取样茧，评定色 泽、匀净度 。 （ ）评 茧 员按照编 号次序 ，问清 户名 ，填写 检验 １
入到计算机 中，一次性摄取 表面图像和透射 图像 ，通过 软件 计算分别判断色泽和匀净度 ，输入好蛹粒数 ，软件 将计算 出好蛹率 。
一
摄取透射 图像 ，算 出干壳量 。
第三步 ：评级及计价 ， 由本软件根据 以上 数据 自动
完成。
以上方案 中，干 壳量是蚕茧评级项 目中的主要检测
２ — ２
维普资讯
项 目，是本方案 的核心 内容。可根据质量 一体积 ×密度 计算茧壳量 ，由于 同一个地方 、同一季节每一相 同品种
别抽样 。每倒１ 篓 ，随手在各个 部位 抽 １ 把 ，放入 ～２ ～２
培育技术中的蚕丝和蚕茧质量检测与评价方法探讨
培育技术中的蚕丝和蚕茧质量检测与评价方法探讨随着科技的发展和社会的进步，人们对纺织品的要求逐渐提高，这也促使了蚕丝和蚕茧质量的不断改进。
蚕丝作为一种高质量的纺织原材料，其质量的检测与评价成为了一个重要的研究方向。
本文将探讨培育技术中蚕丝和蚕茧质量的检测与评价方法。
首先，我们需要了解蚕丝和蚕茧的基本特性。
蚕丝的质量主要受到丝腺的分泌能力和纤维形态结构的影响。
而蚕茧的质量则与蚕丝的质量密切相关。
因此，我们可以通过评价蚕茧的质量来间接反映蚕丝的质量。
目前，常见的蚕茧质量检测与评价方法有以下几种。
首先是外观检测法，即通过观察蚕茧的表面特征来评价其质量。
蚕茧表面光滑、均匀的蚕茧一般质量较好，而存在缺损、不规则形状的蚕茧则质量较差。
此外，还可以通过观察蚕茧的颜色、网膜和纺锤状等特征来评估其质量。
其次，还可以采用物理性能检测法来评价蚕茧的质量。
这包括蚕茧的吸湿性、强度和柔韧性等指标的测试。
对于蚕丝生产来说，吸湿性是一个重要的指标，其与蚕丝的纤维结构和加工性能密切相关。
强度和柔韧性则直接关系到蚕丝产品的耐磨性和抗拉性能。
此外，一些化学检测方法也被用于蚕茧质量的评价中。
例如，可以通过对蚕茧的化学成分进行分析来评估其质量。
蚕茧的主要成分是纯净的蛋白质纤维，因此可以通过测定蚕茧中的蛋白质含量来反映其质量。
此外，还可以检测蚕茧中的杂质如灰分和残渣等来评估其纯度。
最后，随着科学技术的不断进步，一些新的方法也被应用于蚕茧质量检测与评价中。
例如，近年来光谱技术在纺织品领域的应用逐渐增多。
通过对蚕茧的光谱进行分析，可以获得更多关于蚕丝质量的信息，如纤维结构的变化、杂质的存在情况等。
此外，图像处理技术也可以应用于蚕茧质量的评价中，通过对蚕茧图像的处理和分析，可以获得更多的质量指标。
综上所述，培育技术中的蚕丝和蚕茧质量的检测与评价方法是一个重要的研究领域。
通过外观检测、物理性能检测、化学检测以及光谱和图像处理等方法，我们可以从不同角度来评价蚕茧的质量，反映出其中隐藏的蚕丝质量信息。
蚕茧质量无损检测方法的探讨
蚕茧质量无损检测方法的探讨作者：金君邢秋明来源：《中国纤检》2012年第09期摘要：对蚕茧质量无损检测方法进行了探讨，但要达到实用化程度还有待进一步研究。
关键词：蚕茧；质量；无损检测目前，蚕茧质量评级通常是取50g鲜样茧剥去茧衣、削剖、倒出蛹和蜕皮，清除死笼污物，称鲜壳重，烘干至无水恒重时称其干壳重量，以干壳重量进行分级[1]。
由于整个过程的烘壳时间较长，茧站面对千家万户售茧，来不及逐个检测，于是很多茧站采用手摸、目测、口喊价。
而根据手感湿度和蚕茧表面疵病来判断蚕茧的好坏，只能评定蚕茧的外观质量，测试精度低，易受评定者的主观因素和实际经验影响，不能达到“优质优价”，极大地损伤了蚕农提高蚕茧质量的积极性。
而且，剖茧称重破坏试样，造成极大的浪费。
据统计，我国每年为检测蚕茧质量而浪费鲜蚕茧930t，直接经济损失1300万元，既浪费生产丝140t，又减少创汇392万美元。
为了实现按质论价及不浪费收购蚕茧的原则，蚕业界内外人士一直在不懈地努力，寻求一种质量无损的检测方法，中国测试研究院、四川省农业科学院蚕业研究所、成都电子科技大学、浙江大学和浙江省农业科学院等单位先后对此进行过研究；研究的方法有荧光数模评茧法、动量分离原理的超声波检测、悬浮两次称重法、弹力测定法和分析扣减水分法等，但这些方法均由于精度不高，最终没能实用化。
近年来，湖北省农业科学院经济作物研究所和湖北工业大学设计了利用数字图像处理技术、光电技术及振动原理对桑蚕鲜（干）茧质量开展无损智能检测技术的研究并取得了一定进展。
1 基于数字图像处理和光电技术的桑蚕茧无损智能检测根据GB/T 19113—2003《桑蚕鲜茧分级(干壳量法)》，干壳量是蚕茧评级项目中的主要检测项目，可根据“质量＝体积×密度”计算茧壳量，由于同一个地方、同一季节相同品种的桑蚕丝密度相对比较稳定，因而求茧壳量主要是求其体积。
其基本原理是通过光照蚕茧，用CCD 摄像器对被检茧进行图像采集，利用其表面积图像的像素点和透射图像的灰度值分别表示蚕茧的表面积和厚度，进而求出茧壳体积。
基于图像处理技术的蚕蛹性别识别应用研究-
基于图像处理技术的蚕蛹性别识别应用研究*基于目前蚕蛹雌雄分类工作由人工进行，为了提高生产效率，减轻劳动强度，实现蚕蛹雌雄性别的自动识别，文章提出了一种应用图像处理的蚕蛹性别自动识别方法，利用CCD摄像机获取蚕蛹的样本图像，应用MATLAB软件编程实现了样本图像的灰度化、二值化、图像分割、图像滤波、图像形态学处理、边缘检测和特征量提取等处理，完成了蚕蛹自动识别。
通过对实验数据回归分析，实验表明采用图像处理方法得出蚕蛹的准确识别率为96%，为实现自动识别分拣处理提供重要依据，对实际应用具有重要意义。
标签：图像处理；蚕蛹性别；特征提取；MATLAB引言我国是蚕茧生产大国，据统计，我国蚕茧产量达到世界产量的八成左右，因此，蚕桑养殖业对我国的经济发展具有重要意义，在桑蚕养殖业中，蚕种的质量以及蚕丝的品质不仅与饲养桑叶的好坏、饲养环境以及饲养过程有很大的关系，蚕蛹的雌雄分选对蚕种质量同样有很直接的关系，因此，优良的蚕种是高质量蚕丝的第一步，为获得优良的蚕种，要对蚕蛹进行雌雄的识别。
目前的现状是雌雄蚕蛹的分选工作由人工完成，生产效率低，劳动强度大，受主观影响严重。
随着机器视觉技术的不断进步，它的应用范围也越来越广泛，包括工件的检测，机器人视觉等。
数字图像处理是指将图像信号转换成数字信号并利用计算机进行处理的过程。
图像的数字处理是将连续的模拟图像变成离散的数字图像后，用建立在特定的物理模型和数学模型基础上编制的程序（软件）控制，运行并实现种种要求的处理。
近年来，数字图像处理技术日趋成熟，它广泛应用于空间探测、遥感、生物医学、人工智能以及工业检测等许多领域。
文章依据雌雄蚕蛹不同的形体特征以及纹理特征的差异，提出以机器视觉的方式进行识别。
利用MATLAB软件平台，通过对图像处理可以准确地进行识别，结果证明识别正确率较高，有效可行。
1 设计路线雌雄蚕蛹具有不同的特征，同一蚕蛹品种以及相同的饲养条件下，体型上，雌蛹体型较大，腹部末端呈圆形状，雄蛹体型瘦小，腹部末端呈尖状。
X射线成像技术判别蚕茧性别
0
引
言
蚕有雌雄之分。同一蚕品种，雄蚕茧与雌蚕茧相比， 具有茧丝纤度细，净度优，抱合力好，生丝等级高等优点， 是缫制 5A、6A 级高品位生丝的理想原料。而现行蚕茧都 是雌雄蚕茧混合缫丝，很难批量生产 5A、6A 级高品位生 丝。将雌雄蚕茧分别利用，可在基本不增加生产投入的情 况下大幅度提高产品附加值，提高丝绸产品质量[1-2]。 目前获得雄蚕茧的方法主要有两类：雄蚕培育法，无 损检测法。雄蚕培育法通过改变家蚕生存条件或通过控制 家蚕生理机能获得，该类方法存在一定缺点，如性别限性 技术，须将雌、雄蚕分开上簇，会增大蚕农劳动强度；性 连锁平衡致死技术，制种成本高；控制环境条件会对雄蚕 的综合经济性状造成不良影响等[3-4]。无损检测法主要包括 近红外光谱技术、计算机视觉技术等。潘沈元[5]、金同铭[6]、 颜辉[7]、李玉品[8]等研究了基于近红外光谱法判别蚕茧雌雄 的方法，该法需对蚕茧预处理，且检测精度与检测环境、 检测器与样本间距离有关，实际应用难度较大；C.Liu 等[9] 利用核磁共振成像（MRI）技术成功判别出蚕茧雌雄，但试 验设备昂贵，难以实际应用。因此，探索一种新的蚕茧性 别判别技术具有重要的实际应用价值。 X 射线穿透被检物体时，因物体的吸收、散射等作用， 强度会逐渐减弱。其强度衰减程度与被检物体的组分、厚度 及入射射线能量有关。蚕茧密度、厚度远小于蚕蛹，对 X 射 线基本无吸收，且雌雄蚕茧形态差异小，很难依靠蚕茧形态
形态特征提取 外形差异是雌雄蚕蛹之间重要的区别之一，蚕蛹轮 廓近似椭圆形，采用椭圆相关特征参数能较好地区分雌 雄蚕蛹。蚕蛹图像预处理后，提取 7 个形态特征参数， 用以描述蚕蛹的形状特征[10-11]，参数说明如表 2。对 7 个 形状特征进行描述统计分析和多因变量方差分析，结果 表明，除偏心率和长轴短轴之比两个特征雄蛹均值高于 雌蛹外，其余特征雌蛹均值均高于雄蛹均值，雌雄蚕蛹 间的 7 个形状特征具有非常显著的差异。
基于改进K—Means算法的蚕茧自动计数方法的研究
硼
ｉ ｔ 。 ： 薯 薯 誊 ｌ ｌ ｉ
Ｄ Ｏ Ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ １ － ７ ０ ０ ３ ． ２ ０ １ ４ ． １ ． ０ ０ ８
基于 改进 Ｋ — Ｍ ｅ ａ ｎ ｓ 算法 的蚕茧 自动 计数方法的研究
Ａｂｓ ｔ ｒ ａ ｃ ｔ ：Ｉ ｎ ｒ ａ ｗ ｓ ｉ ｌ ｋ ｐ ｒ ｏ ｄ ｕ ｃ ｔ ｉ ｏ ｎ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｏ ｆ ａ ｕ ｔ ｏ ｍａ ｔ ｉ ｃ ｒ ｅ ｅ ｌ ｉ ｎ ｇ，ｔ ｈ ｅ ａ ｖ ｅ ｒ ａ ｇ ｅ ｉｎ ｆ ｅ ｎ ｅ ｓ ｓ ｏ ｆ ｒ ａ ｗ ｓ ｉ ｌ ｋ ｃ ｈ ａ ｎ ｇ ｅ ｓ ｄ ｕ ｅ ｔ ｏ ｔ ｈ ｅ ｉ ｎ ｌｕ ｆ ｅ ｎ ｃ ｅ ｏ ｆ ｖ ａ ｒ ｉ ｏ ｕ ｓ ｔ ｅ ｃ ｈｎ ｏ ｌ ｏ ｇ ｉ ｃ ａ ｌ ｃ ｏ ｎｄ ｉ ｔ ｉ ｏ ｎ ｓ ．Ｉ ｔ ｉ ｓ ｎ ｅ ｃ ｅ ｓ ｓ ａ ｒ ｙ ｔ ｏ ｄ ｅ ｔ ｅ ｃ ｔ ｃ ｏ ｃ ｏ ｏ ｎ ｎ ｕ ｍｂ ｅ ｒ ｕ ｎ ｄ ｅ ｒ ｔ ｈ ｒ ｅ ａ ｄ Ｓ Ｏ ａ ｓ ｔ ｏ ｋｎ ｏ ｗ ｔ ｈ ｅ ｔ ｈ ｅ ａ ｖ ｅ ｒ ａ ｇ ｅ ｆ ｉ ｎ ｅ ｎ ｅ ｓ ｓ ｏ ｆ ｒ ａ ｗ ｓ ｉ ｌ ｋ．Ｔ ｈ ｉ ｓ ｓ ｔ ｕ ｄ ｙ ｉ ｍｐ ｒ ｏ ｖ ｅ ｓ Ｋ— ｍｅ ａ ｎ ｓ ｃ ｌ ｕ ｓ ｔ ｅ ｒ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｂ ｙ ｃ ｏ ｍｂ ｉ ｎ ｉ ｎ ｇ ｃ ｏ ｒ ｒ ｏ ｓ ｉ ｏ ｎ ｅ ｘ ｐａ ｎ ｓ ｉ ｏ ｎ ｍｅ ｔ ｈ ｏ ｄ ａ ｎ ｄ Ｋ— ｍｅ ａ ｎ ｓ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｉ ｎ ｍｏ ｒ ｐ ｈ ｏ ｌ ｏ ｇ ｉ ｃ ａ ｌ ｍｅ ｔ ｈ ｏ ｄ，ｓ ｏ ｌ ｖ ｅ ｓ ｔ ｈ ｅ ｐ ｒ ｏ ｂ ｌ ｅ ｍ ｏ ｆ ａ ｄ ｈ ｅ ｓ ｉ ｏ ｎ ｏ ｆ ｍｕ ｌ ｔ ｉ ｐ ｌ ｅ ｓ ｉ ｌ ｋ ｗｏ ｒ ｍ ｃ ｏ ｃ ｏ ｏ ｎ ｓ ｉ ｎ ｓ ｉ ｌ ｋ ｗｏ ｒ ｍ ｃ ｏ ｃ ｏ ｏ ｎ ｉ ｍａ ｇ ｅ ａ ｎ ｄ ｒ ｅ ａ ｌ ｉ ｚ ｅ ｓ ｔ ｈ ｅ ｓ ｅ ｇ ｍｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ｏ ｆ ａ ｄｈ ｅ ｓ ｉ ｖ ｅ ｓ ｉ ｌ ｋ ｗｏ ｒ ｍ Ｃ Ｏ Ｃ Ｏ Ｏ ｎ ｉ ｍａ ｇ ｅ ｓ ａ ｎ ｄ ｃ ｏ ｃ ｏ ｏ ｎ ｃ ｏ ｕ ｎ ｔ ｉ ｎｇ ． Ｔ ｈｅ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｈ ｏ ｗｓ ｔ ｈ ａ ｔ ｔ ｈ ｉ ｓ ｍｅ ｔ ｈ ｏ ｄ ｃ ａ ｎ ｓ ｏ ｌ ｖ ｅ ｔ ｈｅ ｐ ｒ ｏ ｂ ｌ ｅ ｍ ｏ ｆ ｉ ｍａ ｇ ｅ ｒ ｅ ｌ ｆ ｅ ｃ ｔ ｉ ｏ ｎ ａ ｎ ｄ ａ ｄ ｈ ｅ ｓ ｉ ｏ ｎ ｏ ｆ ｓ ｉ ｌ ｋ ｗｏ ｒ ｍ ｃ ｏ ｃ ｏ ｏ ｎ ｉ ｍａ ｇ ｅ ｓ，
基于图像处理技术的纺织品检测算法研究
基于图像处理技术的纺织品检测算法研究纺织品是人们日常生活中必不可少的物品之一，它的质量直接关系到人们的舒适度和健康。
在生产过程中，一些质量问题经常会发生，如毛洞、污渍、扭曲等，这些问题如果不被及时发现和修复，就会直接影响到产品的质量和市场竞争力。
因此，对于纺织品检测技术的研究具有重要的意义。
自动化检测技术在纺织品生产中的应用日益广泛，其中基于图像处理技术的纺织品检测算法是一种高效、准确、可重复的技术。
本文将从纺织品检测需求、图像采集与预处理、特征提取与分类三个方面探讨如何实现一款基于图像处理技术的纺织品检测算法。
一、纺织品检测需求纺织品生产过程中，为了确保产品的质量，需要对纱线、织物、成衣等不同制品进行检测。
其中，纱线检测主要是针对纱头数量识别、杂质检测、纤维断头检测等；织物检测则是对织物的密度、毛洞、扭曲、缺失等方面进行识别；成衣检测主要是对裙长、裤长、肩宽、袖长、按钮位置等方面进行检测。
因此，不同的检测任务需要采用不同的检测技术和算法。
二、图像采集与预处理针对不同的检测任务，需要采用不同的图像采集设备，如高清相机、红外线相机、X光机等，并对采集到的图像进行预处理。
图像预处理包括去噪、灰度化、二值化、形态学处理等环节。
去噪是预处理的第一步，它旨在消除图片中的噪声。
在纺织品检测中，常用的去噪方法有中值滤波、均值滤波、小波变换等。
灰度化是将采集到的图像数据变成单通道灰度值的过程，在图像处理中非常关键。
对于高光和暗部等反差较大的图像，采用基于平均亮度和基于加权关系的方法，可以得到更符合实际环境的灰度图像。
二值化是将灰度图像转化为黑白图像的过程，该过程中需要选取一个适当的阈值来划分黑白。
优化的二值化算法能够将柔软的边缘识别出来，以及减少图像中噪点的干扰。
在二值化过程中，常用的算法有OTSU算法、迭代阈值法等。
形态学处理是对图像进行形态学变换的方法，属于图像处理的基本处理方法。
常用的形态学处理方法有腐蚀、膨胀、开运算和闭运算等。
基于图像处理的蚕丝被工艺质量中填充物均匀度检测研究
等品 合格品
传 统 蚕 丝 被 外 观 质量 和工 艺 质 量检 测 靠 人工 目测 或 破 坏性
天然彩色蚕茧中木脂素含量测定与分析
第58卷 第2期 广 东 蚕 业 V ol.58,No.02 2024年2月GUANGDONG CANYE Feb . 2024·1·DOI ：10.3969/j .issn .2095-1205.2024.02.01天然彩色蚕茧中木脂素含量测定与分析任晓晓 杨万军 卿 卓 叶占峰 罗朝斌（贵州省农业科学院蚕业研究所 贵州贵阳 550006）摘 要 木脂素类化合物具有多种药理活性，为开拓天然木脂素类化合物的生产途径、探索家蚕作为生产木脂素的生物反应器的可能性，研究采用超高效液相色谱-质谱联用技术对5种不同颜色的蚕茧含有的木脂素类化合物进行了定性、定量检测。
结果表明：供试蚕茧共含有10种木脂素类化合物，含量较高的是松脂醇、松脂醇单葡萄糖苷和丁香树脂酚-己糖；不同颜色的蚕茧中的木脂素类化合物种类并无差别，每种化合物的含量在不同品种、同一品种不同样本间均差异较大。
依据测定数据，黄色茧适用于提取松脂醇单葡萄糖苷和丁香树脂酚-己糖，红色茧和绿色茧适用于提取松脂醇，白色茧适用于提取丁香树脂酚-己糖。
关键词 蚕茧；茧色；木脂素；超高效液相色谱-质谱 中图分类号:S886文献标识码:A文章编号:2095-1205(2024)02-01-03植物次生代谢产物具有多种药理活性和重要的生物功能[1]，其中木脂素类化学成分被证明具有保护肝脏、保护神经、抗病毒、抗炎症和抗氧化等良好的生物活性[2-4]。
前人研究证明，桑叶含有木脂素类化合物，可以作为提取天然木脂素的原料，但由于直接从桑树中提取活性物质比较容易受到季节、气候和地理因素的影响，且直接从植物中提取次生代谢物质其产量有限，不能满足需求[5]。
因此，需要寻找其他适宜植物次生代谢产物生产的途径。
家蚕以桑叶为食，食桑后桑叶中的次生代谢物质会在家蚕体内富集及转化，因此可以探索以家蚕作为生物反应器，用于生产植物次生代谢物质。
为探明家蚕蚕茧中木脂素类化合物成分及含量，本研究采用超高效液相色谱-质谱联用技术（UPLC -MS /MS ）对7个家蚕品种的5种不同颜色的蚕茧进行分析，以期为开拓天然木脂素类化合物生产途径提供基础资料。
211088837_基于双参数阈值的蚕茧分割及双宫茧识别研究
研究与技术丝绸ＪＯＵＲＮＡＬＯＦＳＩＬＫ基于双参数阈值的蚕茧分割及双宫茧识别研究Ｒｅｓｅａｒｃｈｏｎｃｏｃｏｏｎｓｅｇｍｅｎｔａｔｉｏｎａｎｄｄｏｕｂｌｅｃｏｃｏｏｎｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｔｗｏ￣ｐａｒａｍｅｔｅｒｔｈｒｅｓｈｏｌｄｓ蒋昭琼１ꎬ２ꎬ应㊀婧１ꎬ２ꎬ王春霞１ꎬ２ꎬ宋乐见１ꎬ何清燕１ꎬ２ꎬ郭㊀鹏１ꎬ吝祥根１ꎬ邓立黎１(１.四川省农业机械研究设计院ꎬ成都６１００６６ꎻ２.农业农村部丘陵山地农业装备技术重点实验室ꎬ成都６１００６６)摘要:针对粘连蚕茧难以准确分割㊁现有双宫茧识别方法局限性等问题ꎬ本文提出了基于双参数阈值的蚕茧分割计数㊁蚕茧形状复原及双宫茧识别的串联算法ꎮ首先ꎬ应用可变分割阈值结合形态学运算的方法对图像进行分割计数ꎬ再遍历完成分割的每个蚕茧的像素点ꎬ应用基于边缘检测与椭圆拟合的蚕茧形状复原方法拟合蚕茧形状ꎬ然后计算蚕茧长短轴比值和面积参数ꎬ采用双参数多级阈值对双宫茧进行检测ꎮ实验结果显示ꎬ图像分割计数准确度为１００％ꎬ双宫茧全部检出ꎬ双宫茧与单宫蚕茧分类准确率为９８.６％ꎮ该方法检出了面积阈值法易漏检的小双宫茧ꎬ也较准确地识别出与长短轴比值阈值接近的蚕茧类型ꎮ关键词:图像分割ꎻ双宫茧ꎻ计数ꎻ分类ꎻ算法ꎻ阈值中图分类号:ＴＳ１４３.２１５㊀㊀㊀㊀文献标志码:Ａ㊀㊀㊀㊀文章编号:１００１７００３(２０２３)０４００１８０８引用页码:０４１１０３ＤＯＩ:１０.３９６９/ｊ.ｉｓｓｎ.１００１￣７００３.２０２３.０４.００３收稿日期:２０２２０８２６ꎻ修回日期:２０２３０３０１基金项目:四川省省级科研院所基本科研业务费项目(２０２１ＪＢＫＹ００１４￣０５)ꎻ四川省蚕桑创新团队项目(ＳＣＣＸＴＤ￣２０２２￣１７)作者简介:蒋昭琼(１９８４)ꎬ女ꎬ高级农艺师ꎬ主要从事农产品质量与品质检测技术㊁农产品加工及贮藏技术研究ꎮ㊀㊀蚕茧原料的质量直接影响生丝质量ꎬ在缫丝前应对蚕茧进行分选ꎬ剔除无法用于缫丝的下茧ꎮ传统的蚕茧分选基本依靠人工视觉进行判别ꎬ劳动强度大㊁选茧效率低㊁漏选率高ꎬ选茧的准确性易受选茧人员的技术水平㊁精神状态等主观因素影响[１￣３]ꎮ近年来ꎬ随着人工智能的高速发展ꎬ机器视觉技术广泛应用于代替人眼进行测量和判定ꎮ目前ꎬ以蚕茧图像为研究对象开展了一系列研究ꎬ包括蚕茧表面积的展开[４]与测量[５￣７]㊁雌雄蚕蛹分类识别[８]㊁方格蔟蚕茧分割定位[９]与黄斑茧检测[１０]㊁蚕茧表面污斑面积的自动检测[３]㊁下茧与上车茧的分类识别[１￣２ꎬ１１￣１３]等ꎬ充分展现出机器视觉技术在蚕茧分选领域的应用潜力ꎮ在实际应用中ꎬ蚕茧的分类识别首先需要解决目标蚕茧的计数问题ꎮ黄静等[１４]针对二值图像中出现的多个对象相互粘连的情况ꎬ应用形态学方法和Ｋ￣ｍｅａｎｓ聚类算法ꎬ实现了对蚕茧图像的分割和计数ꎮ孙卫红等[１５]提出了一种基于凹点定向腐蚀的粘连蚕茧图像分割方法ꎬ平均分割准确率为９６.２％ꎮ古亭等[１６]提出了一种基于距离变换的粘连蚕茧分割方法ꎬ计数准确率达９９％以上ꎮ孔繁圣等[１７]利用改进的多层次距离变换并结合分水岭的分割算法ꎬ计数精度达到９９.９７％ꎬ但该方法在对大小差异大的蚕茧计数时会造成准确率下降ꎮ这些方法主要用于分割计数ꎬ没有进一步讨论分割后的蚕茧种类识别ꎮ双宫茧是制作蚕丝被的最佳原料ꎬ在选茧过程中ꎬ要与其他类型下茧分开单独归为一类ꎮ目前机器视觉技术中ꎬ双宫茧的识别主要有面积阈值法和椭圆长短轴比值阈值法ꎮ杜昕等[１８]㊁宋亚杰等[１９]通过不同蚕茧图像面积计算方法ꎬ利用面积阈值来判断是否为双宫茧ꎮＰｒａｓｏｂｈｋｕｍａｒ等[２０]采用椭圆拟合蚕茧形状ꎬ计算椭圆的长短轴比值ꎬ将比值小于１.４２６的蚕茧判断为双宫茧ꎮ面积阈值法的缺点是较小的双宫茧不能检出ꎮ椭圆长短轴比值阈值法则不适用于头尾相连类型的双宫茧ꎬ且过度依赖于对蚕茧形状的准确拟合ꎮ然而ꎬ由于蚕茧形状的轻微不规则㊁附丝及蚕茧之间的粘连ꎬ使得椭圆拟合与实际形状有出入ꎬ可能误判在阈值附近的蚕茧种类ꎮ因此ꎬ仅依靠面积阈值或者拟合的椭圆长短轴比值阈值进行双宫茧识别ꎬ均存在一定局限性ꎮ针对粘连蚕茧难以准确分割㊁双宫茧识别局限性等问题ꎬ本文提出了基于可变阈值结合形态学运算的蚕茧分割计数㊁基于边缘检测与椭圆拟合的蚕茧形状复原及基于双参数多级阈值的双宫茧识别算法ꎮ１㊀方㊀法１.１㊀图像采集蚕茧图像采集装置由光源㊁工业相机(海康威视ＭＶ￣ＣＥ２００￣１０ＵＣ)㊁镜头(ＬＯＭＯＳＥＮＺＸ￣ＳＦ３５２８Ｔ)㊁实验架和计算机构成ꎮ在蚕茧分选的视觉系统中ꎬ一旦结构固定ꎬ每台相８１第６０卷㊀第４期基于双参数阈值的蚕茧分割及双宫茧识别研究机与测试视野之间的距离就不会改变ꎬ故本实验采用固定的工业相机与测试台距离ꎬ采集蚕茧图像进行分析ꎮ１.２㊀蚕茧图像分割计数图像分割方法一般是通过灰度㊁颜色㊁纹理和形状等特征对图像进行分割ꎮ常见的传统分割方法有基于阈值㊁边缘㊁聚类的分割ꎬ这些方法在界限分明的目标分割中能又快又好地完成分割ꎬ但对于光照不均匀㊁分割对象多㊁相邻分割对象的边缘灰度相近等情况较难完全分割ꎮ由于蚕茧图像中蚕茧分布密集且有附丝干扰ꎬ相邻蚕茧边缘灰度相近ꎬ传统图像分割方法难以分割完全ꎮ为解决直接应用传统图像分割算法的缺陷ꎬ本文提出了一种基于可变分割阈值结合形态学运算的图像分割改进算法ꎬ其算法流程如图１所示ꎮ图１㊀蚕茧图像分割计数算法流程示意Ｆｉｇ.１㊀Ａｌｇｏｒｉｔｈｍｆｌｏｗｃｈａｒｔｏｆｃｏｃｏｏｎｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎａｎｄｃｏｕｎｔｉｎｇ㊀㊀１)将采集的彩色图像Ｉ０转化为灰度图Ｉ１ꎬ再增加图像对比度Ｉ２ꎬ然后提取图像全局直方图阈值Ｔ０ꎬ将其作为初始的图像分割阈值Ｔꎮ２)应用分割阈值Ｔ对图像Ｉ２进行二值化㊁形态学腐蚀运算ꎬ得到二值图Ｉ３ꎬ去掉Ｉ３中面积较小的连通区域ꎬ遍历余下的每个连通区域ꎬ进行形态学膨胀运算ꎬ应用单个蚕茧像素面积阈值Ｓ０及长宽阈值Ｌ０来判别该区域是否为两个及以上的蚕茧相连ꎮ若不是ꎬ则该连通区域为单个蚕茧ꎬ将该区域像素点进行标记并计数ꎬ依次存入数据集Ｐꎻ若是蚕茧相连ꎬ则将该区域像素点放入数据集Ｏꎮ３)若数据集Ｏ非空ꎬ对Ｉ２进行掩膜处理ꎬ使数据集Ｏ中像素点为前景ꎬ其余像素点为背景ꎬ得到新的只包含未分割开的蚕茧的灰度图像Ｉ２ꎻ更新分割阈值Ｔꎬ新的分割阈值在上一级阈值的基础上增加ΔＴꎬ即Ｔ＝Ｔ＋ΔＴꎬ返回步骤２ꎮ４)若数据集Ｏ为空集ꎬ或迭代次数到达上限ꎬ则退出循环ꎮ分割好的蚕茧数据集Ｐꎬ由数组ｐ１㊁ｐ２ ｐｉ ｐｎ组成ꎬ代表图像中有ｎ个蚕茧ꎬ向量ｐｉ为第ｉ个蚕茧的像素点ꎮ该算法应用了连通区域的像素面积和连通区域像素点外接矩阵的长边长两个参数ꎬ对每个连通区域是否进入下一级分割进行判定ꎮ１.３㊀单个蚕茧形状复原由于高阈值分割导致得到的单个蚕茧图像小于原图像大小ꎬ要进一步对每个蚕茧进行分析ꎬ需要进行蚕茧形状复原ꎮ由此提出基于边缘检测与椭圆拟合的蚕茧形状复原算法:对于每个蚕茧ꎬ分割出的像素点组成的图像小于等于实际图像ꎬ重叠两图像后ꎬ前者在后者的内部ꎻ选用合适的标准差和高低阈值ꎬ通过Ｃａｎｎｙ算子进行边缘检测ꎻ根据像素点真值区域ꎬ适当拓宽确定目标区域位置ꎬ并进行裁剪ꎬ得到两个大小相同的边缘点组成的二值图像ｒｏｉ０和ｒｏｉ１ꎬｒｏｉ０为分割出的像素点组成的图像边缘检测图ꎬｒｏｉ１为从原图边缘检测图中裁剪的目标区域ꎻ对ｒｏｉ０中的边缘点进行去冗ꎬ去掉内部点和多余的轮廓点ꎬ以减少运算量ꎻ遍历ｒｏｉ０中的边缘点ꎬ在ｒｏｉ１中找到非ｒｏｉ０边缘轮廓区域内的㊁与该点距离最近的点ꎬ由这些点进行椭圆拟合[２１]ꎬ得到该蚕茧的图像(图２)ꎮ１.４㊀双宫茧的识别对于每一个蚕茧ꎬ经过目标分割㊁形状复原ꎬ得到椭圆拟９１Ｖｏｌ.６０㊀Ｎｏ.４Ｒｅｓｅａｒｃｈｏｎｃｏｃｏｏｎｓｅｇｍｅｎｔａｔｉｏｎａｎｄｄｏｕｂｌｅｃｏｃｏｏｎｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｔｗｏ￣ｐａｒａｍｅｔｅｒｔｈｒｅｓｈｏｌｄｓ图２㊀蚕茧形状复原算法流程示意Ｆｉｇ.２㊀Ａｌｇｏｒｉｔｈｍｆｌｏｗｃｈａｒｔｏｆｃｏｃｏｏｎｓｈａｐｅｒｅｓｔｏｒａｔｉｏｎ合的蚕茧形状ꎮ由拟合的椭圆长轴半径ａ和短轴半径ｂꎬ通过下式可计算出椭圆长轴与短轴长度比值ＲＴ１和椭圆面积ＡꎮＲＴ１＝ａ/ｂ(１)Ａ＝πˑａˑｂ(２)根据椭圆倾斜角ꎬ将拟合椭圆的边缘点旋转后可得边缘点的最小外接矩阵长边与短边比值ꎮ为减少直接最小二乘法椭圆拟合导致的椭圆长短轴比值与蚕茧实际值之间的误差ꎬ通过下式估算单个蚕茧长短轴比值ꎮＲＴ＝ＲＴ１ꎬＲＴ１ȡＲＴ２(ＲＴ１＋ＲＴ２)/２ꎬＲＴ１<ＲＴ２{(３)式中:ＲＴ为估算的单个蚕茧长短轴比值ꎻＲＴ１为蚕茧边缘点拟合的椭圆长短轴比值ꎻＲＴ２为蚕茧边缘点的最小外接矩阵长短边比值ꎮ为了更简便地应用蚕茧面积进行比较ꎬ定义蚕茧的面积指数如下式所示ꎮＳＩ＝Ａ－ｃ０ｃ０(４)式中:ＳＩ为蚕茧的面积指数ꎻＡ为蚕茧椭圆拟合像素面积ꎻｃ０为单宫蚕茧平均像素面积ꎮ考虑到双宫茧大小差异和形状不规则ꎬ应用单个蚕茧的长短轴长度比值ＲＴ和蚕茧的面积指数ＳＩ这两个参数ꎬ采用多级阈值ＲＴｊ和ＳＩｊ(ｊ＝１ꎬ２ꎬ３ꎬ ꎬＭ)判断蚕茧是否为双宫茧ꎬｊ表示分段数量ꎮ通过一张或多张具有代表性的双宫茧标记的蚕茧图像ꎬ统计分析双宫茧与单宫蚕茧的ＲＴ和ＳＩ取值ꎬ确定分段数量及每段对应的阈值ＲＴｊ和ＳＩｊꎮ２㊀结果与分析２.１㊀预实验选用体积差异大的无附丝的蚕茧成像ꎬ包含双宫茧和单宫蚕茧ꎬ蚕茧之间留有足够的空隙ꎮ通过图像灰度变换㊁图像增强㊁Ｏｔｓｕ阈值分割等算法ꎬ提取蚕茧区域像素值ꎬ得到该图像采集条件下的单个蚕茧像素面积大约为３４００００~８０００００(用像素数量表示)ꎮ考虑到两个较小的蚕茧在一起的情况ꎬ取７０００００作为单个蚕茧的像素面积阈值Ｓ０ꎬ同时以蚕茧长轴长１０００(用像素数量表示)作为连通区域的像素长宽阈值Ｌ０ꎮ运用双参数阈值Ｓ０和Ｌ０判断图像分割过程中连通区域是否为进入下一级阈值分割循环ꎮ计算该图像采集条件下的单宫蚕茧的蚕茧像素面积平均值约为４６５０００ꎬ则单宫蚕茧平均面积ｃ０取值为４６５０００ꎮ２.２㊀蚕茧分割实验图３为采用可变阈值结合形态学运算对蚕茧图像进行迭代分割的过程ꎮ初始二值化阈值Ｔ０由Ｏｔｓｕ算法(即最大类间方差法)求得ꎬ图像二值化后得到的图像粘连严重(图３(ｂ))ꎮ通过增加形态学腐蚀步骤可分开粘连较少的蚕茧个体ꎬ使大部分蚕茧个体成为独立连通区域(图３(ｃ))ꎬ减少后续分割迭代运算量ꎮ接着对每个连通区域进行形态学膨胀ꎬ以尽可能恢复每个蚕茧的形状ꎬ然后将形态学膨胀后的连通区域的像素数和外接矩阵长宽值与对应的阈值进行比较ꎮ像素数大于单个蚕茧像素面积阈值Ｓ０且外接矩阵长边长度大于Ｌ０的连通区域被判别为可能有两个及以上蚕茧相连ꎬ需要进一步分割ꎬ如图３(ｃ)中红色线圈区域ꎮ图３(ｄ)为第一次分割后得到的分割好的２２个蚕茧像素点组成的二值图像ꎬ可以看出相邻的蚕茧有相连的像素点ꎬ若不运用形态学运算ꎬ这些有像素点连接的蚕茧此次分割是分不开的ꎮ形态学运算采用的是半径为１００(用像素数量表示)的圆形结构元素ꎮ当进行形态学腐蚀时ꎬ用半径为１００的圆在蚕茧的二值图(二值图中白色区域像素点取值为１ꎬ黑色区域取值为０)中滑动ꎬ圆心依次与图像中的每个像素点重叠ꎬ计算圆形结构重叠区域的局部最小值ꎬ仅当被圆覆盖的局部图像像素点取值均为１时ꎬ圆心对应的像素点取值才为１ꎬ否则为０ꎬ此时可以将像素连接小于圆直径的蚕茧分割开ꎬ运算后得到的形态学腐蚀图会 变瘦 ꎮ而对分割后的连通区域进行形态学膨胀ꎬ则取圆形结构重叠区域的最大值ꎬ只要区域中有一个像素点取值为１ꎬ则圆心对应的像素点取值也为１ꎬ此时大部分 变瘦 的蚕茧又恢复原来的大小了ꎮ以０.２倍Ｔ０的阈值变化速率增加图像二值化分割阈值ꎬ０２第６０卷㊀第４期基于双参数阈值的蚕茧分割及双宫茧识别研究对需要进一步分割的区域对应的蚕茧原图进行分割ꎮ图３(ｅ~ｇ)为图３(ｃ)中红色线圈区域的蚕茧在分割阈值为Ｔ０的１.６倍时的图像分割过程ꎮ分割结束后ꎬ根据每个蚕茧对应的像素点ꎬ就能找到该蚕茧在图中的位置(图３(ｈ))ꎮ图３㊀蚕茧图像分割过程Ｆｉｇ.３㊀Ｓｅｇｍｅｎｔａｔｉｏｎｐｒｏｃｅｓｓｏｆｃｏｃｏｏｎｉｍａｇｅｓ㊀㊀应用该蚕茧目标分割算法ꎬ本文测试了１０张图片共２２２个蚕茧的分割计数ꎮ结果显示ꎬ每张图片中的蚕茧均分割完全ꎬ计数准确度１００％ꎬ如表１所示ꎮ表１㊀蚕茧分割测试结果Ｔａｂ.１㊀Ｔｅｓｔｒｅｓｕｌｔｓｏｆｃｏｃｏｏｎｓｅｇｍｅｎｔａｔｉｏｎ１１８１８１００２２３２３１００３２３２３１００４２３２３１００５２１２１１００６２２２２１００７２４２４１００８２２２２１００９２３２３１００２.３㊀蚕茧形状复原蚕茧图像经过目标分割后ꎬ应对每个蚕茧的像素点进行处理以复原该蚕茧形状ꎬ以便进行蚕茧种类识别(图４)ꎮ从图４(ａ~ｃ)可以看出ꎬ高阈值分割的蚕茧㊁光照不均和表面污点的蚕茧在图像分割中得到的像素点图小于原图像大小ꎮ本文以图４(ａ)中的红色线圈区域的蚕茧像素点为例ꎬ对单个蚕茧形状复原过程进行描述ꎮ采用Ｃａｎｎｙ算子(边缘检测算子)ꎬ选用标准差为２０ꎬ低阈值为０ꎬ高阈值为０.２ꎬ对像素点图和原图进行边缘检测ꎬ以像素点图的边缘点外接矩阵为中心ꎬ向四面扩展３００像素点数来确定感兴趣区域位置和大小ꎬ并对图像进行裁剪ꎬ得到两个大小相同的边缘点组成的二值图像ｒｏｉ０和ｒｏｉ１ꎮ为了可视化区分两个边缘点图ꎬ本文以分割出的像素点组成的图像代替其对应的边缘点图ｒｏｉ０ꎬ如图４(ｄ)所示ꎬ白色区域为目标蚕茧像素点ꎬ点线部分为原图边缘检测裁剪后的蚕茧轮廓边缘点ꎮ图４㊀蚕茧形状复原过程Ｆｉｇ.４㊀Ｒｅｓｔｏｒａｔｉｏｎｐｒｏｃｅｓｓｏｆｃｏｃｏｏｎｓｈａｐｅｓ１２Ｖｏｌ.６０㊀Ｎｏ.４Ｒｅｓｅａｒｃｈｏｎｃｏｃｏｏｎｓｅｇｍｅｎｔａｔｉｏｎａｎｄｄｏｕｂｌｅｃｏｃｏｏｎｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｔｗｏ￣ｐａｒａｍｅｔｅｒｔｈｒｅｓｈｏｌｄｓ㊀㊀接着应用两个边缘点图的几何关系筛选目标蚕茧的边缘点ꎬ去除其他蚕茧和附丝的边缘点ꎮ再对目标蚕茧边缘点进行椭圆拟合ꎬ如图４(ｅ)所示ꎮ为了对比蚕茧形状复原效果ꎬ本文在蚕茧原图中用彩色线条画出了拟合的椭圆ꎬ如图４(ｃ)(ｆ)所示ꎬ可以看出大部分拟合的椭圆线条与蚕茧轮廓重合ꎮ２.４㊀双宫茧检测实验由于蚕茧的轻微不规则及个别外点的存在ꎬ有的蚕茧拟合的椭圆与蚕茧轮廓有些许出入ꎮ从图４(ｆ)可以看出ꎬ该蚕茧拟合的椭圆短轴长度比实际蚕茧的短轴长ꎬ这样会导致椭圆长短轴比值比蚕茧实际情况小ꎬ因此需要适当对长短轴比值进行校正ꎮ应用椭圆拟合的倾斜角度ꎬ对目标蚕茧的轮廓边缘点进行角度变换ꎬ得到新的坐标ꎬ使变换后的这些点拟合的椭圆长短轴与坐标轴平行ꎮ由此可得到这些边缘点区域的最小外接矩阵的长边与短边像素长度比值ＲＴ２ꎬ并与拟合的椭圆长短轴比值ＲＴ１进行比较ꎬ应用式(３)确定该蚕茧长短轴比值ＲＴꎮ通过拟合的椭圆面积Ａ及预实验中得到的单宫蚕茧平均像素面积ｃ０ꎬ应用式(４)可计算出面积指数ＳＩꎮ应用估算的蚕茧长短轴半径比ＲＴ和面积指数ＳＩꎬ来判断该蚕茧是否为双宫茧ꎮ在本文实验中ꎬ通过统计分析ꎬ结合双宫蚕茧特征ꎬ设定满足以下条件之一即为双宫茧ꎬ如下式所示ꎮ①ＲＴ<１.４且ＳＩ>０②ＲＴ<１.５且ＳＩ>０.１③ＲＴ<１.６且ＳＩ>０.２１④ＲＴ<１.７且ＳＩ>０.２５⑤ＳＩ>０.４ìîíïïïïïï(５)式(５)为双宫茧识别的双参数多级阈值ꎬ只要满足其中一个条件则判别为双宫茧ꎮ条件①和条件②主要依据蚕茧的长短轴半径比进行判断ꎬ为了限制边缘不完整的蚕茧图片被归为双宫茧ꎬ在长短轴半径比阈值的基础上ꎬ加了面积指数限制条件ꎮ条件③和条件④协同考虑蚕茧长短轴半径比与面积指数ꎮ条件⑤主要依据双宫蚕茧的面积比正常蚕茧大得多来进行判断ꎬ能兼容头尾相接的双宫茧类型ꎮ若五个条件均不满足ꎬ则认为不是双宫茧(图５)ꎮ图５㊀双宫茧检测Ｆｉｇ.５㊀Ｄｅｔｅｃｔｉｏｎｏｆｄｏｕｂｌｅｃｏｃｏｏｎｓ表２显示了图５中１２个蚕茧的类型及其椭圆拟合参数ꎮ第１~７个蚕茧为双宫茧ꎬ满足条件①或条件②ꎮ其中第６个蚕茧和第７个蚕茧ꎬ若仅用Ｐｒａｓｏｂｈｋｕｍａｒ等[２０]椭圆拟合的长短轴半径比阈值０.４２６来判断ꎬ会被归为单宫蚕茧类ꎮ若单纯以面积来进行判别ꎬ第４个蚕茧的面积比第８~１２个蚕茧的面积都小ꎬ会优先将后者判断为双宫茧而漏检前者ꎮ因而ꎬ采用基于估计的蚕茧长短轴比与面积参数相结合的双参数判别方式对双宫茧进行识别ꎬ比仅采用一种参数的方法实用性更强ꎮ表２㊀蚕茧拟合参数与蚕茧类型对照Ｔａｂ.２㊀Ｃｏｍｐａｒｉｓｏｎｂｅｔｗｅｅｎｃｏｃｏｏｎｆｉｔｔｉｎｇｐａｒａｍｅｔｅｒｓａｎｄｃｏｃｏｏｎｔｙｐｅｓ１双宫茧１.２９３１.２７４１.２９３０.２４８２双宫茧１.３６７１.２５７１.３６７０.５０３３双宫茧１.３９３１.２４８１.３９３０.２５９４双宫茧１.３３２１.３００１.３３２０.０６６５双宫茧１.３５６１.２８４１.３５６０.４２７６双宫茧１.４４９１.４８８１.４６９０.４３０７双宫茧１.４８３１.４４８１.４８３０.３３４８单宫蚕茧１.５６６１.５４１１.５６６０.１９５９单宫蚕茧１.７３３１.７６８１.７５１０.１４７１０单宫蚕茧１.７６４１.７４０１.７６４０.１４６１１单宫蚕茧１.５５２１.６９７１.６２５０.２２８㊀㊀应用本文提出的算法ꎬ分别对１０张蚕茧图片进行蚕茧图形分割㊁蚕茧形状复原及双参数阈值的双宫茧判别ꎬ实验结果如表３所示ꎮ１０张图片共２２２个蚕茧ꎬ实际双宫茧数为４６个ꎬ检出数共４９个ꎮ检出的４９个蚕茧中ꎬ实际双宫茧有４６个ꎬ另外３个是误检为双宫茧的单宫蚕茧ꎮ总体上ꎬ双宫茧与单宫蚕茧分类识别准确率为９８.６％ꎮ表３㊀双宫茧识别结果分析Ｔａｂ.３㊀Ａｎａｌｙｓｉｓｏｆｔｈｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｏｆｄｏｕｂｌｅｃｏｃｏｏｎｓ１１８３３３００１００.０２２３６６６００１００.０３２３５５５００１００.０４２３６７６１０㊀９５.７５２１６６６００１００.０６２２５５５００１００.０７２４４４４００１００.０８２２４４４００１００.０９２３３４３１０㊀９５.７１０２３４５４１０㊀９５.７合计２２２４６４９４６３０㊀９８.６㊀㊀进一步对误检的蚕茧进行分析ꎬ本文截取了这３个误检蚕茧的椭圆拟合进行对比ꎬ如图６所示ꎮ图６(ａ)为板印蚕２２第６０卷㊀第４期基于双参数阈值的蚕茧分割及双宫茧识别研究茧ꎬ可能由于蚕结茧时受到挤压使得该视野面的面积较大ꎮ这类误检可以通过提取板印茧特征㊁建立多分类模型㊁板印茧类型优先判定来排除ꎮ图６(ｂ)(ｃ)蚕茧椭圆拟合不准确ꎬ通过分析发现ꎬ因为蚕茧周边附丝厚ꎬ部分位置附丝与蚕茧边缘之间几乎没有灰度梯度ꎬ边缘检测时ꎬ这些位置的蚕茧的边缘点未能检出ꎬ而是扩张到更远的附丝区域ꎬ此时采用直接最小二乘法进行椭圆拟合会使拟合的椭圆与蚕茧形状差异较大ꎬ从而导致出现误检ꎮ实际人工选茧生产线上ꎬ会优先去除附丝ꎬ以避免附丝遮挡蚕茧特征ꎬ影响选茧效率和准确度ꎮ机器视觉成像质量同样受附丝影响ꎬ实际应用中也应去除厚重的附丝ꎬ让图像显现出蚕茧本身面貌ꎬ才能更准确分类ꎮ图６㊀误检的蚕茧Ｆｉｇ.６㊀Ｃｏｃｏｏｎｓｏｆｆａｌｓｅｐｏｓｉｔｉｖｅｓ３㊀结㊀论蚕茧目标分割与定位是蚕茧种类识别的基础ꎬ为解决蚕茧分选环节双宫茧机器视觉识别技术难题ꎬ针对粘连蚕茧难以准确分割㊁双宫茧识别局限性等问题ꎬ本文提出了基于可变阈值结合形态学运算的双参数控制的蚕茧分割计数算法㊁基于边缘检测与椭圆拟合的蚕茧形状复原及基于双参数的多级阈值双宫茧识别方法ꎬ将蚕茧分割与种类识别串联ꎬ以保证方法的适用性ꎮ图像分割计数算法能有效地标记蚕茧个体位置ꎬ分割计数准确度高达１００％ꎬ保证后续的蚕茧种类识别能够顺利开展ꎮ通过蚕茧形状复原算法拟合的蚕茧形状ꎬ根据估算的蚕茧长短轴比值和面积指数两个参数ꎬ采用多级阈值对双宫茧进行检测ꎬ既能检出面积阈值法不能检出的小双宫茧ꎬ也能避免椭圆长短轴比值阈值法识别双宫茧的局限性ꎮ在双宫茧检测实验中ꎬ双宫茧全部检出ꎬ极少数单宫蚕茧被误检为双宫茧ꎬ双宫茧与单宫蚕茧分类识别的准确率为９８.６％ꎮ本文提出的蚕茧目标分割和双宫茧识别串联算法ꎬ能有效地对机器视觉图像进行处理得到各蚕茧目标是否为双宫茧的结论ꎮ该串联算法以预实验确定所摄图像中正常蚕茧面积㊁正常蚕茧长轴长作为先验条件ꎮ对于轻微重叠的蚕茧目标可以分割开ꎬ但对于重叠放置严重的蚕茧可能会误分割为同一个蚕茧ꎬ从而影响蚕茧分类识别ꎮ因此ꎬ此方法适用于蚕茧平铺在视野中成像的图像处理ꎮ«丝绸»官网下载㊀中国知网下载参考文献:[１]孙卫红ꎬ黄志鹏ꎬ梁曼ꎬ等.基于颜色特征和支持向量机的蚕茧分类方法研究[Ｊ].蚕业科学ꎬ２０２０ꎬ４６(１):８６￣９５.ＳＵＮＷｅｉｈｏｎｇꎬＨＵＡＮＧＺｈｉｐｅｎｇꎬＬＩＡＮＧＭａｎꎬｅｔａｌ.Ｃｏｃｏｏｎｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｃｏｌｏｒｆｅａｔｕｒｅａｎｄｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ[Ｊ].ＡｃｔａＳｅｒｉｃｏｌｏｇｉｃａＳｉｎｉｃａꎬ２０２０ꎬ４６(１):８６￣９５.[２]陈国栋.引入注意力机制的蚕茧识别算法[Ｊ].纺织报告ꎬ２０２０ꎬ３９(１１):２３￣２５.ＣＨＥＮＧｕｏｄｏｎｇ.Ｃｏｃｏｏｎｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ[Ｊ].ＴｅｘｔｉｌｅＲｅｐｏｒｔｓꎬ２０２０ꎬ３９(１１):２３￣２５.[３]陈浩ꎬ杨峥ꎬ刘霞ꎬ等.基于ＭＡＴＬＡＢ的桑蚕茧选茧辅助检验方法的研究[Ｊ].丝绸ꎬ２０１６ꎬ５３(３):３２￣３６.ＣＨＥＮＨａｏꎬＹＡＮＧＺｈｅｎｇꎬＬＩＵＸｉａꎬｅｔａｌ.ＳｔｕｄｙｏｎａｕｘｉｌｉａｒｙｔｅｓｔｉｎｇｍｅｔｈｏｄｆｏｒｍｕｌｂｅｒｒｙｓｉｌｋｗｏｒｍｃｏｃｏｏｎｓｏｒｔｉｎｇｂａｓｅｄｏｎＭＡＴＬＡＢ[Ｊ].ＪｏｕｒｎａｌｏｆＳｉｌｋꎬ２０１６ꎬ５３(３):３２￣３６.[４]孙卫红ꎬ廖艺真ꎬ梁曼ꎬ等.蚕茧表面图像等效阶梯柱面展开[Ｊ].中国图象图形学报ꎬ２０２０ꎬ２５(３):４９８￣５０６.ＳＵＮＷｅｉｈｏｎｇꎬＬＩＡＯＹｉｚｈｅｎꎬＬＩＡＮＧＭａｎꎬｅｔａｌ.Ｅｑｕｉｖａｌｅｎｔｓｔｅｐｃｙｌｉｎｄｅｒｕｎｆｏｌｄｉｎｇｏｆｓｉｌｋｗｏｒｍｃｏｃｏｏｎｓｕｒｆａｃｅｉｍａｇｅ[Ｊ].ＪｏｕｒｎａｌｏｆＩｍａｇｅａｎｄＧｒａｐｈｉｃｓꎬ２０２０ꎬ２５(３):４９８￣５０６.[５]甘勇ꎬ孔庆华ꎬ韦荔甫.基于数字图像处理的蚕茧表面积计算方法[Ｊ].光学技术ꎬ２００７(１):２７￣２８.ＧＡＮＹｏｎｇꎬＫＯＮＧＱｉｎｇｈｕａꎬＷＥＩＬｉｆｕ.Ａｍｅｔｈｏｄｔｏｃａｌｃｕｌａｔｅｃｏｃｏｏｎｓ ｓｕｐｅｒｆｉｃｉａｌａｒｅａｓｂａｓｅｄｏｎｔｈｅｄｉｇｉｔａｌｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ[Ｊ].ＯｐｔｉｃａｌＴｅｃｈｎｉｑｕｅꎬ２００７(１):２７￣２８.[６]华中平ꎬ甘勇.基于图像处理的蚕茧表面积计算方法[Ｊ].丝绸ꎬ２００４(３):１６￣１８.ＨＵＡＺｈｏｎｇｐｉｎｇꎬＧＡＮＹｏｎｇ.Ａｍｅｔｈｏｄｔｏｃａｌｃｕｌａｔｅｃｏｃｏｏｎ ｓｓｕｐｅｒｆｉｃｉａｌａｒｅａｂａｓｅｄｏｎｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ[Ｊ].ＪｏｕｒｎａｌｏｆＳｉｌｋꎬ２００４(３):１６￣１８.[７]周志宇ꎬ刘喜昂ꎬ杨东鹤.机器视觉在蚕茧表面积测量中的应用[Ｊ].纺织学报ꎬ２００６(１２):２９￣３１.ＺＨＯＵＺｈｉｙｕꎬＬＩＵＸｉ ａｎｇꎬＹＡＮＧＤｏｎｇｈｅ.Ａｐｐｌｉｃａｔｉｏｎｏｆｍａｃｈｉｎｅｖｉｓｉｏｎｉｎｍｅａｓｕｒｅｍｅｎｔｏｆｃｏｃｏｏｎｓｕｐｅｒｄｉｃｉａｌａｒｅａ[Ｊ].ＪｏｕｒｎａｌｏｆＴｅｘｔｉｌｅＲｅｓｅａｒｃｈꎬ２００６(１２):２９￣３１.[８]龚攀ꎬ李光林.基于计算机视觉的蚕蛹性别识别应用研究[Ｊ].农机化研究ꎬ２０１４ꎬ３６(１):２０６￣２０９.ＧＯＮＧＰａｎꎬＬＩＧｕａｎｇｌｉｎ.Ｔｈｅｒｅｃｏｇｎｉｔｉｏｎａｐｐｌｉｃａｔｉｏｎｒｅｓｅａｒｃｈｏｆｔｈｅｔｕｐａｇｅｎｄｅｒｂａｓｅｄｏｎｃｏｍｐｕｔｅｒｖｉｓｉｏｎ[Ｊ].ＪｏｕｒｎａｌｏｆＡｇｒｉｃｕｌｔｕｒａｌＭｅｃｈａｎｉｚａｔｉｏｎＲｅｓｅａｒｃｈꎬ２０１４ꎬ３６(１):２０６￣２０９.３２Ｖｏｌ.６０㊀Ｎｏ.４Ｒｅｓｅａｒｃｈｏｎｃｏｃｏｏｎｓｅｇｍｅｎｔａｔｉｏｎａｎｄｄｏｕｂｌｅｃｏｃｏｏｎｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｔｗｏ￣ｐａｒａｍｅｔｅｒｔｈｒｅｓｈｏｌｄｓ[９]刘莫尘ꎬ许荣浩ꎬ李法德ꎬ等.基于颜色与面积特征的方格蔟蚕茧分割定位算法与试验[Ｊ].农业机械学报ꎬ２０１８ꎬ４９(３):４３￣５０.ＬＩＵＭｏｃｈｅｎꎬＸＵＲｏｎｇｈａｏꎬＬＩＦａｄｅꎬｅｔａｌ.Ａｌｇｏｒｉｔｈｍａｎｄｅｘｐｅｒｉｍｅｎｔｏｆｃｏｃｏｏｎｓｅｇｍｅｎｔａｔｉｏｎａｎｄｌｏｃａｔｉｏｎｂａｓｅｄｏｎｃｏｌｏｒａｎｄａｒｅａｆｅａｔｕｒｅ[Ｊ].ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＣｈｉｎｅｓｅＳｏｃｉｅｔｙｆｏｒＡｇｒｉｃｕｌｔｕｒａｌＭａｃｈｉｎｅｒｙꎬ２０１８ꎬ４９(３):４３￣５０.[１０]刘莫尘ꎬ许荣浩ꎬ闫筱ꎬ等.基于ＦＣＭ及ＨＳＶ模型的方格蔟黄斑茧检测与剔除技术[Ｊ].农业机械学报ꎬ２０１８ꎬ４９(７):３１￣３８.ＬＩＵＭｏｃｈｅｎꎬＸＵＲｏｎｇｈａｏꎬＹＡＮＸｉａｏꎬｅｔａｌ.ＤｅｔｅｃｔｉｏｎａｎｄｅｌｉｍｉｎａｔｉｏｎｏｆｙｅｌｌｏｗｓｐｏｔｔｅｄｃｏｃｏｏｎｉｎｍｏｕｎｔａｇｅｂａｓｅｄｏｎＦＣＭａｌｇｏｒｉｔｈｍａｎｄＨＳＶｃｏｌｏｒｍｏｄｅｌ[Ｊ].ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＣｈｉｎｅｓｅＳｏｃｉｅｔｙｆｏｒＡｇｒｉｃｕｌｔｕｒａｌＭａｃｈｉｎｅｒｙꎬ２０１８ꎬ４９(７):３１￣３８. [１１]李时杰ꎬ孙卫红ꎬ梁曼ꎬ等.基于ＣＤ￣ＹＯＬＯ算法的蚕茧种类识别[Ｊ].中国计量大学学报ꎬ２０２１ꎬ３２(３):３９８￣４０５.ＬＩＳｈｉｊｉｅꎬＳＵＮＷｅｉｈｏｎｇꎬＬＩＡＮＧＭａｎꎬｅｔａｌ.ＣｏｃｏｏｎｓｐｅｃｉｅｓｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎＣＤ￣ＹＯＬＯａｌｇｏｒｉｔｈｍｓ[Ｊ].ＪｏｕｒｎａｌｏｆＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＭｅｔｒｏｌｏｇｙꎬ２０２１ꎬ３２(３):３９８￣４０５.[１２]孙卫红ꎬ杨程杰ꎬ邵铁锋ꎬ等.基于ＭＳＲＣＲ与注意力机制的群体蚕茧智能识别算法[Ｊ].丝绸ꎬ２０２２ꎬ５９(６):５８￣６５.ＳＵＮＷｅｉｈｏｎｇꎬＹＡＮＧＣｈｅｎｇｊｉｅꎬＳＨＡＯＴｉｅｆｅｎｇꎬｅｔａｌ.ＩｎｔｅｌｌｉｇｅｎｔｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍｏｆｇｒｏｕｐｃｏｃｏｏｎｓｂａｓｅｄｏｎＭＳＲＣＲａｎｄＣＢＡＭ[Ｊ].ＪｏｕｒｎａｌｏｆＳｉｌｋꎬ２０２２ꎬ５９(６):５８￣６５.[１３]张印辉ꎬ杨宏宽ꎬ朱守业ꎬ等.基于轻型调控网络的下茧机器视觉实时检测[Ｊ].农业机械学报ꎬ２０２２ꎬ５３(４):２６１￣２７０.ＺＨＡＮＧＹｉｎｈｕｉꎬＹＡＮＧＨｏｎｇｋｕａｎꎬＺＨＵＳｈｏｕｙｅꎬｅｔａｌ.Ｍａｃｈｉｎｅｖｉｓｉｏｎｒｅａｌｔｉｍｅｄｅｔｅｃｔｉｏｎｏｆｉｎｆｅｒｉｏｒｃｏｃｏｏｎｓｂａｓｅｄｏｎｌｉｇｈｔｗｅｉｇｈｔｍａｎｉｐｕｌａｔｉｏｎｎｅｔｗｏｒｋ[Ｊ].ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＣｈｉｎｅｓｅＳｏｃｉｅｔｙｆｏｒＡｇｒｉｃｕｌｔｕｒａｌＭａｃｈｉｎｅｒｙꎬ２０２２ꎬ５３(４):２６１￣２７０.[１４]黄静ꎬ张琦ꎬ江文斌.基于改进Ｋ￣ｍｅａｎｓ算法的蚕茧自动计数方法的研究[Ｊ].丝绸ꎬ２０１４ꎬ５１(１):３７￣４０.ＨＵＡＮＧＪｉｎｇꎬＺＨＡＮＧＱｉꎬＪＩＡＮＧＷｅｎｂｉｎ.ＳｔｕｄｙｏｎａｕｔｏｍａｔｉｃｃｏｃｏｏｎｃｏｕｎｔｉｎｇｍｅｔｈｏｄｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＫ￣ｍｅａｎｓａｌｇｏｒｉｔｈｍ[Ｊ].ＪｏｕｒｎａｌｏｆＳｉｌｋꎬ２０１４ꎬ５１(１):３７￣４０.[１５]孙卫红ꎬ洪徐健ꎬ梁曼ꎬ等.基于凹点定向腐蚀的粘连蚕茧图像分割方法[Ｊ].蚕业科学ꎬ２０１９ꎬ４５(３):３６９￣３７６.ＳＵＮＷｅｉｈｏｎｇꎬＨＯＮＧＸｕｊｉａｎꎬＬＩＡＮＧＭａｎꎬｅｔａｌ.Ｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｍｅｔｈｏｄｆｏｒａｄｈｅｓｉｖｅｃｏｃｏｏｎｓｂａｓｅｄｏｎｄｉｒｅｃｔｉｏｎａｌｅｒｏｓｉｏｎｉｎｃｏｎｃａｖｅｐｏｉｎｔ[Ｊ].ＡｃｔａＳｅｒｉｃｏｌｏｇｉｃｏｆＳｃｉｅｎｃｅꎬ２０１９ꎬ４５(３):３６９￣３７６.[１６]古亭ꎬ李子印ꎬ王乐.基于距离变换的粘连蚕茧分割方法[Ｊ].计算机工程与应用ꎬ２０１９ꎬ５５(２３):１７７￣１８１.ＧＵＴｉｎｇꎬＬＩＺｉｙｉｎꎬＷＡＮＧＬｅ.Ｍｅｔｈｏｄｆｏｒｓｅｇｍｅｎｔａｔｉｏｎｏｆｓｉｌｋｗｏｒｍｃｏｃｏｏｎｓｂａｓｅｄｏｎｄｉｓｔａｎｃｅｔｒａｎｓｆｏｒｍａｔｉｏｎ[Ｊ].ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓꎬ２０１９ꎬ５５(２３):１７７￣１８１. [１７]孔繁圣ꎬ李子印ꎬ古亭ꎬ等.基于多层次距离变换的蚕茧分割计数算法[Ｊ].蚕业科学ꎬ２０２０ꎬ４６(２):１９０￣１９６.ＫＯＮＧＦａｎｓｈｅｎｇꎬＬＩＺｉｙｉｎꎬＧＵＴｉｎｇꎬｅｔａｌ.Ｃｏｃｏｏｎｓｅｇｍｅｎｔａｔｉｏｎａｎｄｃｏｕｎｔｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｍｕｌｔｉ￣ｌｅｖｅｌｄｉｓｔａｎｃｅｔｒａｎｓｆｏｒｍａｔｉｏｎ[Ｊ].ＡｃｔａＳｅｒｉｃｏｌｏｇｉｃｏｆＳｃｉｅｎｃｅꎬ２０２０ꎬ４６(２):１９０￣１９６. [１８]杜昕ꎬ刘文烽ꎬ林毅坚.基于机器视觉动态选茧系统的研究[Ｊ].企业科技与发展ꎬ２０１８(４):９１￣９４.ＤＵＸｉｎꎬＬＩＵＷｅｎｆｅｎｇꎬＬＩＮＹｉｊｉａｎ.Ｒｅｓｅａｒｃｈｏｎｄｙｎａｍｉｃｃｏｃｏｏｎｓｅｌｅｃｔｉｏｎｓｙｓｔｅｍｂａｓｅｄｏｎｍａｃｈｉｎｅｖｉｓｉｏｎ[Ｊ].Ｓｃｉ￣Ｔｅｃｈ＆ＤｅｖｅｌｏｐｍｅｎｔｏｆＥｎｔｅｒｐｒｉｓｅꎬ２０１８(４):９１￣９４.[１９]宋亚杰ꎬ谢守勇ꎬ冉瑞龙.机器视觉技术在蚕茧无损检测中的应用研究[Ｊ].现代农业装备ꎬ２００６(９):４８￣５１.ＳＯＮＧＹａｊｉｅꎬＸＩＥＳｈｏｕｙｏｎｇꎬＲＡＮＲｕｉｌｏｎｇ.Ａｐｐｌｉｃａｔｉｏｎｒｅｓｅａｒｃｈｏｎｍａｃｈｉｎｅｖｉｓｉｏｎｔｅｃｈｎｏｌｏｇｙｉｎｎｏｎｄｅｓｔｒｕｃｔｉｖｅｔｅｓｔｏｆｃｏｃｏｏｎ[Ｊ].ＭｏｄｅｒｎＡｇｒｉｃｕｌｔｕｒａｌＥｑｕｉｐｍｅｎｔꎬ２００６(９):４８￣５１.[２０]ＰＲＡＳＯＢＨＫＵＭＡＲＰＰꎬＦＲＡＮＣＩＳＣＲꎬＧＯＲＴＨＩＳＳ.Ａｕｔｏｍａｔｅｄｑｕａｌｉｔｙａｓｓｅｓｓｍｅｎｔｏｆｃｏｃｏｏｎｓｕｓｉｎｇａｓｍａｒｔｃａｍｅｒａｂａｓｅｄｓｙｓｔｅｍ[Ｊ].ＥｎｇｉｎｅｅｒｉｎｇｉｎＡｇｒｉｃｕｌｔｕｒｅꎬＥｎｖｉｒｏｎｍｅｎｔａｎｄＦｏｏｄꎬ２０１８ꎬ１１(４):２０２￣２１０.[２１]ＦＩＴＺＧＩＢＢＯＮＡꎬＰＩＬＵＭꎬＦＩＳＨＥＲＲＢ.Ｄｉｒｅｃｔｌｅａｓｔｓｑｕａｒｅｓｆｉｔｔｉｎｇｏｆｅｌｌｉｐｓｅｓ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅꎬ１９９９ꎬ２１(５):４７６￣４８０.４２第６０卷㊀第４期基于双参数阈值的蚕茧分割及双宫茧识别研究Ｒｅｓｅａｒｃｈｏｎｃｏｃｏｏｎｓｅｇｍｅｎｔａｔｉｏｎａｎｄｄｏｕｂｌｅｃｏｃｏｏｎｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｔｗｏ￣ｐａｒａｍｅｔｅｒｔｈｒｅｓｈｏｌｄｓＪＩＡＮＧＺｈａｏｑｉｏｎｇ１２ＹＩＮＧＪｉｎｇ１２ＷＡＮＧＣｈｕｎｘｉａ１２ＳＯＮＧＬｅｊｉａｎ１ＨＥＱｉｎｇｙａｎ１２ＧＵＯＰｅｎｇ１ＬＩＮＸｉａｎｇｇｅｎ１ＤＥＮＧＬｉｌｉ１１.ＳｉｃｈｕａｎＲｅｓｅａｒｃｈ＆ＤｅｓｉｇｎＩｎｓｔｉｔｕｔｅｏｆＡｇｒｉｃｕｌｔｕｒａｌＭａｃｈｉｎｅｒｙ Ｃｈｅｎｇｄｕ６１００６６Ｃｈｉｎａ ２.ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＡｇｒｉｃｕｌｔｕｒａｌＥｑｕｉｐｍｅｎｔＴｅｃｈｎｏｌｏｇｙｆｏｒＨｉｌｌｙａｎｄＭｏｕｎｔａｉｎｏｕｓＡｒｅａｓ ＭｉｎｉｓｔｒｙｏｆＡｇｒｉｃｕｌｔｕｒｅａｎｄＲｕｒａｌＡｆｆａｉｒｓ Ｃｈｅｎｇｄｕ６１００６６ＣｈｉｎａＡｂｓｔｒａｃｔ Ｔｈｅｑｕａｌｉｔｙｏｆｃｏｃｏｏｎｓｄｉｒｅｃｔｌｙａｆｆｅｃｔｓｔｈｅｑｕａｌｉｔｙｏｆｒａｗｓｉｌｋ.Ｂｅｆｏｒｅｒｅｅｌｉｎｇ ｔｈｅｃｏｃｏｏｎｓｓｈｏｕｌｄｂｅｓｏｒｔｅｄｔｏｒｅｍｏｖｅｔｈｅｉｎｆｅｒｉｏｒｃｏｃｏｏｎｓｔｈａｔｃａｎｎｏｔｂｅｕｓｅｄｆｏｒｒｅｅｌｉｎｇ.Ｔｈｅｄｏｕｂｌｅｃｏｃｏｏｎｉｓｔｈｅｂｅｓｔｒａｗｍａｔｅｒｉａｌｆｏｒｍａｋｉｎｇｓｉｌｋｑｕｉｌｔｓ.Ｔｈｅｒｅｆｏｒｅ ｉｔｓｈｏｕｌｄｂｅｓｅｐａｒａｔｅｄｆｒｏｍｏｔｈｅｒｔｙｐｅｓｏｆｉｎｆｅｒｉｏｒｃｏｃｏｏｎｓａｎｄｃｌａｓｓｉｆｉｅｄｓｅｐａｒａｔｅｌｙｉｎｔｈｅｐｒｏｃｅｓｓｏｆｓｅｌｅｃｔｉｎｇｃｏｃｏｏｎｓ.Ｔｈｅｔｒａｄｉｔｉｏｎａｌｃｏｃｏｏｎｓｏｒｔｉｎｇｂａｓｉｃａｌｌｙｒｅｌｉｅｓｏｎｍａｎｐｏｗｅｒ ｗｈｉｃｈｉｎｖｏｌｖｅｓｈｉｇｈｌａｂｏｒｉｎｔｅｎｓｉｔｙ ｌｏｗｅｆｆｉｃｉｅｎｃｙｏｆｃｏｃｏｏｎｓｅｌｅｃｔｉｏｎａｎｄｈｉｇｈｍｉｓｓｉｎｇｒａｔｅ ａｎｄｔｈｅａｃｃｕｒａｃｙｏｆｃｏｃｏｏｎｓｅｌｅｃｔｉｏｎｉｓｅａｓｉｌｙａｆｆｅｃｔｅｄｂｙｓｕｂｊｅｃｔｉｖｅｆａｃｔｏｒｓｓｕｃｈａｓｔｈｅｔｅｃｈｎｉｃａｌｌｅｖｅｌａｎｄｍｅｎｔａｌｓｔａｔｅｏｆｃｏｃｏｏｎｓｅｌｅｃｔｉｏｎｐｅｒｓｏｎｎｅｌ.Ｗｉｔｈｔｈｅｒａｐｉｄｄｅｖｅｌｏｐｍｅｎｔｏｆａｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉｇｅｎｃｅ ｍａｃｈｉｎｅｖｉｓｉｏｎｔｅｃｈｎｏｌｏｇｙｉｓｗｉｄｅｌｙｕｓｅｄｔｏｒｅｐｌａｃｅｈｕｍａｎｅｙｅｓｆｏｒｄｅｔｅｃｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎ.Ａｔｐｒｅｓｅｎｔ ｉｎｍａｃｈｉｎｅｖｉｓｉｏｎｔｅｃｈｎｏｌｏｇｙ ｔｈｅｒｅｃｏｇｎｉｔｉｏｎｏｆｄｏｕｂｌｅｃｏｃｏｏｎｓｍａｉｎｌｙｉｎｃｌｕｄｅｓａｒｅａｔｈｒｅｓｈｏｌｄｍｅｔｈｏｄａｎｄｔｈｅｔｈｒｅｓｈｏｌｄｍｅｔｈｏｄｏｆｔｈｅｒａｔｉｏｏｆｌｏｎｇｔｏｓｈｏｒｔａｘｉｓｏｆｅｌｌｉｐｓｅ.Ｔｈｅｄｉｓａｄｖａｎｔａｇｅｏｆｔｈｅａｒｅａｔｈｒｅｓｈｏｌｄｍｅｔｈｏｄｉｓｔｈａｔｓｍａｌｌｄｏｕｂｌｅｃｏｃｏｏｎｓｃａｎｎｏｔｂｅｄｅｔｅｃｔｅｄ.Ｔｈｅｔｈｒｅｓｈｏｌｄｍｅｔｈｏｄｏｆｔｈｅｒａｔｉｏｏｆｌｏｎｇｔｏｓｈｏｒｔａｘｉｓｏｆｅｌｌｉｐｓｅｉｓｎｏｔａｐｐｌｉｃａｂｌｅｔｏｔｈｅｄｏｕｂｌｅｃｏｃｏｏｎｏｆｔｈｅｈｅａｄ￣ｔｏ￣ｔａｉｌｔｙｐｅａｎｄｒｅｌｉｅｓｔｏｏｍｕｃｈｏｎｔｈｅａｃｃｕｒａｔｅｆｉｔｔｉｎｇｏｆｔｈｅｃｏｃｏｏｎｓｈａｐｅ.Ｈｏｗｅｖｅｒ ｄｕｅｔｏｔｈｅｓｌｉｇｈｔｉｒｒｅｇｕｌａｒｉｔｙｏｆｔｈｅｃｏｃｏｏｎｓｈａｐｅ ｔｈｅａｔｔａｃｈｍｅｎｔｓｉｌｋａｎｄｔｈｅａｄｈｅｓｉｏｎｂｅｔｗｅｅｎｔｈｅｃｏｃｏｏｎｓ ｔｈｅｅｌｌｉｐｓｅｆｉｔｔｉｎｇｉｓｄｉｆｆｅｒｅｎｔｆｒｏｍｔｈｅａｃｔｕａｌｓｈａｐｅ ｗｈｉｃｈｍａｙｒｅｓｕｌｔｉｎｐｅｏｐｌｅ ｓｍｉｓｊｕｄｇｉｎｇｔｈｅｃｏｃｏｏｎｔｙｐｅｎｅａｒｔｈｅｔｈｒｅｓｈｏｌｄ.Ｔｈｅｒｅｆｏｒｅ ｔｈｅｒｅａｒｅｓｏｍｅｌｉｍｉｔａｔｉｏｎｓｉｎｔｈｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｄｏｕｂｌｅｃｏｃｏｏｎｓｂｙｏｎｌｙｄｅｐｅｎｄｉｎｇｏｎｔｈｅａｒｅａｔｈｒｅｓｈｏｌｄｏｒｔｈｅｔｈｒｅｓｈｏｌｄｏｆｔｈｅｒａｔｉｏｏｆｌｏｎｇｔｏｓｈｏｒｔａｘｉｓｏｆｔｈｅｆｉｔｔｅｄｅｌｌｉｐｓｅ.Ｄｕｅｔｏｔｈｅｄｅｎｓｅｄｉｓｔｒｉｂｕｔｉｏｎｏｆｃｏｃｏｏｎｓｉｎｔｈｅｃｏｃｏｏｎｉｍａｇｅａｎｄｔｈｅｉｎｔｅｒｆｅｒｅｎｃｅｏｆａｔｔａｃｈｅｄｓｉｌｋ ｔｈｅｇｒａｙｓｃａｌｅｏｆａｄｊａｃｅｎｔｃｏｃｏｏｎｓｉｓｓｉｍｉｌａｒ ｓｏｉｔｉｓｄｉｆｆｉｃｕｌｔｔｏｃｏｎｄｕｃｔｓｅｇｍｅｎｔａｔｉｏｎｃｏｍｐｌｅｔｅｌｙｂｙｔｒａｄｉｔｉｏｎａｌｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｍｅｔｈｏｄｓ.Ｔｈｅｒｅｆｏｒｅ ｔｈｅｓｅｇｍｅｎｔａｔｉｏｎａｎｄｃｏｕｎｔｉｎｇｐｒｏｂｌｅｍｏｆｔａｒｇｅｔｃｏｃｏｏｎｓｓｈｏｕｌｄｂｅｓｏｌｖｅｄｆｉｒｓｔｆｏｒｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎｏｆｃｏｃｏｏｎｓ.Ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｓｔｈａｔｉｔｉｓｄｉｆｆｉｃｕｌｔｔｏａｃｃｕｒａｔｅｌｙｓｅｇｍｅｎｔｔｈｅａｄｈｅｒｅｄｃｏｃｏｏｎｓａｎｄｔｈｅｌｉｍｉｔａｔｉｏｎｓｏｆｔｈｅｅｘｉｓｔｉｎｇｄｏｕｂｌｅｃｏｃｏｏｎｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｓ ｗｅｐｒｏｐｏｓｅｄａｓｅｒｉｅｓｏｆａｌｇｏｒｉｔｈｍｓｆｏｒｔｈｅｓｅｇｍｅｎｔａｔｉｏｎａｎｄｃｏｕｎｔｉｎｇｏｆｃｏｃｏｏｎｓ ｔｈｅｓｈａｐｅｒｅｓｔｏｒａｔｉｏｎｏｆｃｏｃｏｏｎｓａｎｄｔｈｅｒｅｃｏｇｎｉｔｉｏｎｏｆｄｏｕｂｌｅｃｏｃｏｏｎｓ.Ｆｉｒｓｔｌｙ ｗｅｐｒｏｐｏｓｅｄａｎｉｍｐｒｏｖｅｄｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｖａｒｉａｂｌｅｓｅｇｍｅｎｔａｔｉｏｎｔｈｒｅｓｈｏｌｄｂｙｃｏｍｂｉｎｉｎｇｗｉｔｈｍｏｒｐｈｏｌｏｇｉｃａｌｏｐｅｒａｔｉｏｎ.Ｏｔｓｕｂｉｎａｒｉｚａｔｉｏｎｔｈｒｅｓｈｏｌｄｗａｓｕｓｅｄａｓｔｈｅｉｎｉｔｉａｌｓｅｇｍｅｎｔａｔｉｏｎｔｈｒｅｓｈｏｌｄ ａｎｄｂｉｎａｒｉｚａｔｉｏｎ ｍｏｒｐｈｏｌｏｇｉｃａｌｅｒｏｓｉｏｎｏｐｅｒａｔｉｏｎａｎｄｍｏｒｐｈｏｌｏｇｉｃａｌｅｘｐａｎｓｉｏｎｏｐｅｒａｔｉｏｎｗｅｒｅｐｅｒｆｏｒｍｅｄｏｎｔｈｅｉｍａｇｅ.Ｔｈｅｐｉｘｅｌａｒｅａｔｈｒｅｓｈｏｌｄａｎｄｌｅｎｇｔｈ￣ｗｉｄｔｈｔｈｒｅｓｈｏｌｄｏｆｓｉｎｇｌｅｃｏｃｏｏｎｓｗｅｒｅｕｓｅｄｔｏｄｉｓｔｉｎｇｕｉｓｈｔｈｅｃｏｎｎｅｃｔｅｄｒｅｇｉｏｎ.Ｉｆａｃｏｃｏｏｎｉｓａｓｉｎｇｌｅｏｎｅ ｉｔｉｓｍａｒｋｅｄａｎｄｃｏｕｎｔｅｄ.Ｉｆｉｔｉｓｄｅｔｅｒｍｉｎｅｄｔｏｂｅｃｏｎｎｅｃｔｅｄｔｏｏｔｈｅｒｃｏｃｏｏｎｓ ｔｈｅｓｅｇｍｅｎｔａｔｉｏｎｔｈｒｅｓｈｏｌｄｉｓｉｎｃｒｅａｓｅｄａｇａｉｎｆｏｒａｎｏｔｈｅｒｓｅｇｍｅｎｔａｔｉｏｎ.Ｔｈｅｎ ａｃｏｃｏｏｎｓｈａｐｅｒｅｓｔｏｒａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｅｄｇｅｄｅｔｅｃｔｉｏｎａｎｄｅｌｌｉｐｓｅｆｉｔｔｉｎｇｗａｓｐｒｏｐｏｓｅｄ.Ｔｈｅｐｉｘｅｌｓｏｆｅａｃｈｃｏｃｏｏｎｔｈａｔｈａｄｂｅｅｎｓｅｇｍｅｎｔｅｄｗｅｒｅｔｒａｖｅｒｓｅｄ.ＴｈｅＣａｎｎｙｏｐｅｒａｔｏｒｗａｓｕｓｅｄｔｏｄｅｔｅｃｔｔｈｅｅｄｇｅｏｆｔｈｅｏｒｉｇｉｎａｌｉｍａｇｅ.Ｔｈｅｐｉｘｅｌｐｏｉｎｔｓｏｆｔｈｅｓｅｇｍｅｎｔｅｄｃｏｃｏｏｎｗｅｒｅｕｓｅｄｔｏｄｅｔｅｒｍｉｎｅｔｈｅｅｄｇｅｐｏｉｎｔｓｏｆｔｈｅｃｏｃｏｏｎ ａｎｄｔｈｅｅｄｇｅｐｏｉｎｔｓｗｅｒｅｅｌｌｉｐｔｉｃａｌｌｙｆｉｔｔｅｄｔｏｏｂｔａｉｎｔｈｅｉｍａｇｅｏｆｔｈｅｃｏｃｏｏｎ.Ｆｉｎａｌｌｙ ｔｈｅｒａｔｉｏｏｆｌｏｎｇｔｏｓｈｏｒｔａｘｉｓｏｆｔｈｅｃｏｃｏｏｎａｎｄｔｈｅａｒｅａｐａｒａｍｅｔｅｒｓｗｅｒｅｃａｌｃｕｌａｔｅｄ ａｎｄｔｈｅｄｏｕｂｌｅ￣ｐａｒａｍｅｔｅｒｔｈｒｅｓｈｏｌｄｗａｓｕｓｅｄｔｏｒｅｃｏｇｎｉｚｅｔｈｅｄｏｕｂｌｅｃｏｃｏｏｎ.Ａｎｄｔｈｅｎ ｔｈｅｓｅｒｉａｌａｌｇｏｒｉｔｈｍｐｒｏｐｏｓｅｄｉｎｔｈｉｓｐａｐｅｒｗａｓｕｓｅｄｔｏｓｅｇｍｅｎｔｃｏｃｏｏｎｇｒａｐｈｉｃｓ ｒｅｓｔｏｒｅｃｏｃｏｏｎｓｈａｐｅ ａｎｄｄｉｓｔｉｎｇｕｉｓｈｄｏｕｂｌｅｃｏｃｏｏｎｓｉｎ１０ｃｏｃｏｏｎｉｍａｇｅｓ.Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅ２２２ｃｏｃｏｏｎｓｏｆａｌｌｔｈｅｔｅｎｐｉｃｔｕｒｅｓａｒｅｃｏｍｐｌｅｔｅｌｙｓｅｇｍｅｎｔｅｄ ａｎｄｔｈｅｃｏｕｎｔｉｎｇａｃｃｕｒａｃｙｉｓ１００％.Ａｔｏｔａｌｏｆ４６ｄｏｕｂｌｅｃｏｃｏｏｎｓｉｎｔｈｅｐｉｃｔｕｒｅｓａｒｅｄｅｔｅｃｔｅｄ ａｎｄｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆｄｏｕｂｌｅｃｏｃｏｏｎｓａｎｄｓｉｎｇｌｅｃｏｃｏｏｎｓｉｓ９８.６％.Ｔｈｉｓｍｅｔｈｏｄｄｅｔｅｃｔｓｔｈｅｓｍａｌｌｄｏｕｂｌｅｃｏｃｏｏｎｓｗｈｉｃｈａｒｅｅａｓｙｔｏｂｅｍｉｓｓｅｄｂｙｔｈｅａｒｅａｔｈｒｅｓｈｏｌｄｍｅｔｈｏｄ ａｎｄａｃｃｕｒａｔｅｌｙｉｄｅｎｔｉｆｉｅｓｔｈｅｃｏｃｏｏｎｔｙｐｅｗｈｉｃｈｉｓｃｌｏｓｅｔｏｔｈｅｔｈｒｅｓｈｏｌｄｏｆｔｈｅｒａｔｉｏｏｆｌｏｎｇｔｏｓｈｏｒｔａｘｉｓ.Ｔｈｅｓｅｒｉｅｓａｌｇｏｒｉｔｈｍｏｆｃｏｃｏｏｎｔａｒｇｅｔｓｅｇｍｅｎｔａｔｉｏｎａｎｄｄｏｕｂｌｅｃｏｃｏｏｎｒｅｃｏｇｎｉｔｉｏｎｐｒｏｐｏｓｅｄｉｎｔｈｉｓｐａｐｅｒｃａｎｅｆｆｅｃｔｉｖｅｌｙｐｒｏｃｅｓｓｔｈｅｍａｃｈｉｎｅｖｉｓｉｏｎｉｍａｇｅｔｏｇｅｔｔｈｅｃｏｎｃｌｕｓｉｏｎｗｈｅｔｈｅｒｅａｃｈｃｏｃｏｏｎｉｓａｄｏｕｂｌｅｏｎｅ.Ｉｎｔｈｅｓｅｒｉｅｓａｌｇｏｒｉｔｈｍ ｔｈｅｐｒｅ￣ｅｘｐｅｒｉｍｅｎｔｉｓｕｓｅｄｔｏｄｅｔｅｒｍｉｎｅｔｈｅａｒｅａｏｆｔｈｅｎｏｒｍａｌｃｏｃｏｏｎａｎｄｔｈｅｌｅｎｇｔｈｏｆｔｈｅｌｏｎｇａｘｉｓｏｆｔｈｅｎｏｒｍａｌｃｏｃｏｏｎａｓｔｈｅｐｒｉｏｒｃｏｎｄｉｔｉｏｎｓｉｎｔｈｅｃａｐｔｕｒｅｄｉｍａｇｅ.Ｔｈｅｃｏｃｏｏｎｔａｒｇｅｔｗｉｔｈｓｌｉｇｈｔｏｖｅｒｌａｐｃａｎｂｅｓｅｐａｒａｔｅｄ ｂｕｔｔｈｅｃｏｃｏｏｎｓｗｉｔｈｓｅｒｉｏｕｓｏｖｅｒｌａｐｍａｙｂｅｍｉｓｔａｋｅｎｌｙｄｉｖｉｄｅｄｉｎｔｏｔｈｅｓａｍｅｇｒｏｕｐ ｔｈｕｓａｆｆｅｃｔｉｎｇｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎｏｆｔｈｅｃｏｃｏｏｎ.Ｔｈｅｒｅｆｏｒｅ ｔｈｉｓｍｅｔｈｏｄｉｓｓｕｉｔａｂｌｅｆｏｒｔｈｅｉｍａｇｅｐｒｏｃｅｓｓｉｎｇｏｆｃｏｃｏｏｎｓｌａｉｄｆｌａｔｉｎｔｈｅｆｉｅｌｄｏｆｖｉｓｉｏｎ.Ｋｅｙｗｏｒｄｓ ｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ ｄｏｕｂｌｅｃｏｃｏｏｎｓ ｃｏｕｎｔｉｎｇ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｔｈｒｅｓｈｏｌｄ５２。
二阶导数红外光谱对羊毛／蚕丝混纺纤维成分的定性和定量检测
二阶导数红外光谱对羊毛／蚕丝混纺纤维成分的定性和定量检测王敏;邵敏【摘要】This paper applies second derivative infrared spectroscopy to distinguish wool ,silk fibers and wool/silk blend fibers and establishes second derivative infrared spectroscopy quantitative analysis model of wool/silk blend fiber ratio .The experimental results show that a group of absorption peak in sec-ond derivative infrared spectroscopy (1 265 ±1 ,(996 ± 1)cm -1 and (974 ± 1)cm -1 ) can be used to deter-mine the nature of silk fiber .The quantitative model is established through selecting 835 .00~495 .00 cm -1 as the peak scope in combination of second derivative infrared spectroscopy and partial least squares (PLS) .This quantitative method owns good data repeatability with the standard deviation ≤1 .51 .The re-gression coefficient and root-mean-square errorof the model are R :0 .999 43 and RMSEC :1 .16 respective-ly .Compared with chemical dissolution method ,the absolute deviation of the quantitative results and the actual content is not large , but the recovery rate of infrared spectroscopy is slightly lower , between 87.76% and107 .82% .%应用二阶导数红外光谱对羊毛纤维、蚕丝纤维及其混纺纤维进行鉴别，并建立羊毛/蚕丝混纺纤维含量的二阶导数红外光谱定量分析模型。
蚕茧近红外反射（NIR）光谱的模式识别：Ⅰ.对雌雄鲜茧,死笼茧的非…
蚕茧近红外反射（NIR）光谱的模式识别：Ⅰ.对雌雄鲜茧,死
笼茧的非…
潘沈元;金同铭
【期刊名称】《生物物理学报》
【年(卷),期】1995(011)001
【摘要】探讨了利用蚕茧近红外反向光谱识别雌雄茧、死笼茧的方法及可行性。
采用６２５０型近红外光谱分析仪，从波长６８０ｎｍ到１２３５ｎｍ对２０５颗鲜茧做了非破坏性扫描测试，用逐步判别方法从一、二阶导数光谱数据中抽取特征向量，以此特征向量建立Ｂａｙｅｓ差别函数，对３７５个检验样本进行识别，其符合率达９５．７％，该方法明显优于以茧的重和大小差别雌雄的方法。
实验结果还表明，雌雄茧近红外反射光谱的差别，主要是由于蚕肾
【总页数】7页(P53-59)
【作者】潘沈元;金同铭
【作者单位】不详;不详
【正文语种】中文
【中图分类】S886.4
【相关文献】
1.对桑蚕茧(鲜茧)收购实施质量监督的有力保证--关于江苏省<桑蚕茧(鲜茧)分级及检验方法>强制性标准宣贯的几点体会 [J], 叶澄宇
2.雌雄蚕蛹近红外反射光谱的差异及其模式识别 [J], 潘沈元;陶鸣
3.蚕茧近红外反射（NIR）光谱的模式识别：II.光谱识别中特征值选取方法的探讨[J], 潘沈元
4.对桑蚕茧（鲜茧）收购实施质量监督的有力保证——关于江苏省《桑蚕茧（鲜茧）分级及检验方法》强制性标准宣贯的几点体会 [J], 叶澄宇
5.茧丝供应偏紧努力提高蚕茧产量：预计2006年桑茧鲜茧收购价为980元／50
公斤 [J],
因版权原因，仅展示原文概要，查看原文内容请购买。
基于图像处理技术的干茧茧壳厚度计算方法
基于图像处理技术的干茧茧壳厚度计算方法
甘勇
【期刊名称】《丝绸》
【年(卷),期】2006(000)011
【摘要】介绍了一种基于光电技术和数字图像处理技术计算干茧茧壳厚度的方法.通过在稳定的光强下对被检茧进行图像采集和分析处理,计算干茧茧壳图像灰度值的大小,应用数字图像处理软件推算出干茧茧壳厚度.该方法测量精度高,切实可行,为快速无损检测蚕茧质量奠定了理论基础.
【总页数】3页(P46-48)
【作者】甘勇
【作者单位】桂林电子科技大学,一系机电教研室,广西,桂林,541004
【正文语种】中文
【中图分类】TS101.8;TP391.41
【相关文献】
1.桑蚕茧层干（壳）量检验用茧的抽样差异 [J], 朱良均;金先德
2.解读GB/T 19113-2003《桑蚕鲜茧分级(干壳量法)》 [J], 许建华
3.GB／T 19113—2003《桑蚕鲜茧分级（干壳量法）》解读 [J], 叶澄宇
4.桑蚕鲜茧干壳量的可见/近红外光谱无损检测 [J], 金航峰;黄凌霞;谢琳;金佩华;楼程富
5.《桑蚕鲜茧（干壳量法）》国家标准修订首次研讨会在重庆召开 [J],
因版权原因，仅展示原文概要，查看原文内容请购买。
基于图像处理的蚕茧自动计数系统的研究的开题报告
基于图像处理的蚕茧自动计数系统的研究的开题报告一、研究背景蚕茧生产是中国重要的农业产业之一，蚕茧的质量和数量对于实现蚕丝产业的发展至关重要。
而蚕茧数量的统计和计数一直是一个手工操作，耗时且容易出错的过程。
因此，研究一种基于图像处理的蚕茧自动计数系统，可以提高计数速度、减少误差，具有较高的现实意义。
二、研究目的本研究旨在开发一种基于图像处理技术的蚕茧自动计数系统，实现蚕茧计数的自动化，从而提高计数速度和准确度。
三、研究内容和方案本研究将采用以下方案进行研究：1.蚕茧图像采集：通过数码相机或扫描仪对蚕茧进行图像采集。
2.蚕茧图像预处理：对采集到的图像进行预处理，包括图像增强、去噪、二值化等。
3.蚕茧图像分割：将预处理后的图像进行分割，区分出每个蚕茧的轮廓。
4.蚕茧计数算法：利用计算机视觉算法对蚕茧轮廓进行计数。
5.界面设计：为蚕茧计数系统设计用户友好的界面，实现人机交互。
四、研究意义本研究的意义在于：1.提高蚕茧计数的准确性和速度，减少人力投入。
2.为蚕茧行业的现代化转型提供技术支持。
3.为图像处理及计算机视觉技术的发展提供实际应用场景。
五、研究进度安排本研究的进度安排如下：第一阶段：文献调研和研究方案确定。
第二阶段：蚕茧图像采集和预处理技术研究。
第三阶段：蚕茧图像分割和计数算法研究。
第四阶段：界面设计和系统集成。
第五阶段：系统测试和数据分析。
六、研究预期成果本研究的预期成果包括：1.蚕茧自动计数系统的设计与实现，可进行蚕茧图像采集、预处理、分割和计数。
2.性能测试数据和分析报告。
3.学术论文发表。
七、研究所需资源本研究所需资源包括：1.蚕茧标本及相关设备。
2.计算机及相关软件。
3.图像处理算法参考文献。
8、研究中可能面临的问题及解决办法本研究中可能面临的问题包括：1.算法精度问题：蚕茧数量计数的准确度受到影响。
解决办法：结合多种算法进行优化和改进。
2.系统实时性问题：大批量蚕茧图像处理，系统响应速度缓慢。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
度、 家庭人 口、 务农 人数 、 示范产业 、 示 范规模 、 当年产量 、 技 术需要 重点 、 户年总收 入 、 农业 收入 、 人 均收入 、 享受项 目补 贴 情况等基本信 息 、 当年农产 品生 产资料投入账 目表 、 当年
［ ２ 】 陈力． 用于图像平滑去噪的快速各 向异性反扩散算 法【 Ｊ 】 ． 汕头 大学 学报 ： 自然科 学版 ， ２ ０ ０ ８ ， ２ ３ （ １ ） ： ３ Ｏ 一 ３ ５ ． ［ ３ 】 双娜． 数字图像 中平滑 去噪技 术研究 及实现【 Ｊ 】 ． 现代计算 机 ， ２ ０ １ ０ ：
模 都不 大 ， 科技示范户从事农业生产 的收益与外 出人员务工 的收入还有较大差距 。 ２ ． ３ 示范 基地特 色不够 突 出 示范 基地不 仅仅是 新技术 、 新品种 、 新机械 的应用基地 ， 也是展示 农业特色 的基地 。 目
户 工作 扎实 ， 此项工作 开展的非常顺利 ， 每个科技示范 户都
精心挑选 了辐射带动户 ， 用 自己的种 田实践带 动辐射户合理
安排种 植结构 ， 应用先进适 用科学技术 ， 有 效地推动 了新 品
种、 新技术的应用 ， 实现了粮食的增产。
１ ． ２ ． ６ 填写示范手册 包括示范户姓名 、 性别 、 年龄 、 文化程
前示范基地在产业规划 、 设备配置 、 技术引进 、 管理程序等方 面特色还不 突出 ， 有待加强。
的算法 ， 仍是 图像预处理 的一个重要研究内容。
参考文献
分析表 ４ 数据 ， 可以看 到高斯 滤波后图像的 ＭＳ Ｅ的值都 是最小 ， Ｐ Ｓ Ｎ Ｒ的值都是最大 ， 即高斯滤波适用 于此环境下拍 摄 的蚕茧图像的降噪处理 。
［ １ ］ ｈ ｔ ｔ ｐ ： ／ ／ ｗ ｉ ｋ ｉ ． ｏ ｐ ｅ ｎ ｃ ｖ ． ｏ ｒ ｇ ． ｃ ｎ ／ ｉ ｎ ｄ ｅ ｘ ． ｐ ｈ ｐ ／ ％ｅ ９ ％ａ ６ ％９ ６ ％ｅ ９ ％ａ １ ％ｂ ５ ．
边农户全方位 、 分季节 、 多层次的技术培训和宣传 指导 ， 确保
示范基地农户人人学技术 、 人人懂技术 、 人人用技 术 ； 三是技
晰、 技 术再 先进 ， 最终能否让科学技术转换为生产力 ， 还需要
科技示 范户 的具体 实施才能实现 。因此 ， 要通过 多层次 、 全 方位 的技术培训 、 示范 观摩 和技术指 导 ， 让 科技示范 户对新 品种 、 新技术有一个 全新 的认识 ， 变被动应用为主动应用 ， 达 到示范带动 的效果。 ３ ． ３ 突出示范基地特 色 示 范基 地代表 了当前 和今 后一段
作记事栏 等。 １ ． ３ 示范基地 带动有力 示范基地在项 目建设 中起到强有 力的带动作用 ： 他们 取得成效 的经 验 ： 一是 目标 明确 。通过 制订切实 可行的技术方 案 ， 实行 政策倾斜 ， 利用专 项工作资
金补贴实 现规 划 目标 ； 二是技术 培训 。通过 对基地农户 、 周
示 范农产品销售情 况 、 当年接受技 术指导员培训 指导记 录、
当年带 动周边农 户情况登记表 、 当年技术指导员人户技术指
导项 目记载 、 农产 品安全生产记录档案及农事活动与技术操
３ 实施好 基层 农技 推广 示范 项 目工作 的几点 建议
３ ． １ 加 强技术指导员能 力培训 技术 指导员是农 民科技 致
安徽农学通报 ， Ａ ｎ ｈ ｕ ｉ Ａ ． Ｓ ｃ ｉ ． Ｂ ｕ ｌ １ ． ２ ０ １ ３ ， １ ９ （ ２ １ ）
将 ３种滤 波 方 法 ３ ｘ ３ 模 板 情况 下 蚕 茧 图像 的 ＭＳ Ｅ和
Ｐ Ｓ Ｎ Ｒ值列入表 ４ 。
表４ ３ 种滤 波方法均采用３ ￣ ３ 模板的ＭＳ Ｅ和 Ｐ Ｓ ＮＰ值
５ ５ － ５ ７．
４ 结论
本文通过均值滤 波 、 中值滤 波和高斯滤波 ３ 种滤波方法
对蚕 茧图像 降噪处 理后分别 进行 了定量评 价分析 。３ 种方
（ 上接 １ ３ 页）
【 ４ ］刘丹． 计 算机 图ห้องสมุดไป่ตู้处 理 的数 学和算法基 础［ Ｍ 】 ． 北京 ： 国防工业 出
版社 ， ２ ０ ０ ５ ： ８ ５ — ９ １ ．
术集成。在示范基地推广种肥同播 、 配方施肥 、 科学用水 、 病 虫防治技术 ， 确保技术落实率达 １ ０ ０ ％。
１ ． ４ 项 目管理 规范有序 项 目管 理工作 ： 一 是做好项 目规 划， 明确 指导 产业 、 实施规模和示范 目标 ， 明确 主推 品种 和主
富 的引路人 ， 他们 的思路是否 清晰 、 技术水平高不高 、 能不 能 与农户 同甘共苦 ， 决定 了项 目工作 的成败 ， 因此 加强对技 术 指导员能力培训十分重要 。如要他们明 白茬 口如何安排 、 使 用哪些 品种 、 推广哪些技术 、 解决 哪些 问题 ， 等等 。
３ ． ２ 强化 科技 示 范户 应用 引导 技术 指导 员 的思路 再 清
法对 比来看 ， 高斯滤波方法对采集到 的蚕茧 图像 的降噪效果
比其他 ２ 种方法好 。但从 滤波效 果图像来看 ， 高斯滤波处理 还是造成了一部分 目标区域信息的消失 。因此 ， 选择更加合 适 的滤波方法或者将现有的滤波方法进行算法优化 ， 从 而得
到一种 在有效抑制 噪声的 同时保证 边缘信息不会 过度丢失
（ 责编 ： 施婷婷 ）
难 度越来越 大 ， 对技术 指导员提 出了更高 的要求 ， 需 要进一
项 目要求 每个科技 示范户选择 步 观念更新 和知识水平的提高 。
１ ． ２ ． ５ 努 力做好辐射 带动
周边 ２ ０ 个 农户进行辐射带动 。由于技术指导员和科技示 范
２ ． ２ 科技 示范户规 模不 大 目前科技 示范 户种植 、 养殖 规