計算機視覺開發精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的計算機視覺開發主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：計算機視覺開發范文

關鍵詞：結算；工程量；取費

中圖分類號：F830.46 文獻標識碼：A

引言

房地產開發項目是指建設方向開發商提供已完工程，并按照規定向開發商收取工程價款的過程，傳統的工程結算分為中間結算和竣工結算相結合的方法，隨著市場經濟發展和建筑業改革的不斷深化，“標價支付、竣工清算”的結算方式應運而生，該種結算方式既體現了建設項目招投標的形成全過程管理連挑價值鏈的延伸，同時以行業管理為主體并實施統一管理的內容，由于竣工結算直接影響房產商開發項目所產生的經濟利益大小，直接體現了工程造價系統控制的最終結果，因此對結算過程中存在的問題進行合理分析并制定相應解決措施對合理控制房產項目結算價格具有重要意義。

1 房地產開發項目工程結算中存在的問題

1.1 高估冒算

當前國內對預結算編制中出現誤差的獎懲制度制定并不完善，房產商對施工單位編制結算表表中存在誤差沒有相關約束機制，同時施工隊伍素質參差不齊，追求經濟效益最大化的思想指使其在編制結算中出現對工程量高估冒算的現象，具體可表現為技術人員對造價人員交底不詳細導致的多報，施工方存在僥幸心理或為了逃避審計單位而無原則虛報等，同時由于當前國內定額變動頻繁、計算程序較為復雜以及各個區域內計算基礎不同等因素也導致工程量高估冒算現象[1]。

1.2 虛增工程量

因造價人員對定額理解不透徹，或新舊定額間存在差距，編制人員按照利于其工程量的定額進行計算；在工程量計算時按照施工中材料進場量進行計算，而未按照定額規定計算規則進行計算，或將定額中規定的材料損耗計入導致材料用量增加；虛列工程項目，將未施工的項目列入結算內，或在計算工程量時采取重復計算或多計算等手段導致工程量增多。

1.3 錯套定額

施工方在申報結算時套用定額時往往是就高不就低，施工中的低工程套用高價定額子目，該類現象在土石方開挖、混凝土標號及石子粒徑等環節中易出現；在套用定額時在鋼筋混凝土樓梯面層內跨步同連接板結構面層內應采用地面部分而采用樓面面層等現象，該類現象均會導致造價增加[2]。

1.4 材料價格混亂

現代建筑中材料費用約占總費用的60-70%，因此材料價格在工程造價中占有核心地位，但近年來材料市場化在一定程度上導致了管理混亂和材料價格漲跌失控的局面；在材料使用時以次充好，而在結算中材料價格按照質優價高的上報，施工中偷工減料或采用同設計型號不同的材料代替，在結算中材料價格調整時調漲不調跌，或只調整高于定額價格的材料而不調整低于定額的材料價格導致工程造價虛增。

1.5 未按標準取費

現代建筑中工民建應符合建筑面積、高度和跨度三個指標中的兩個指標方可，而構筑物中符合一個指標則可，因工程類別不同其相應的費率也會發生變化而引起工程造價發生變化，同時按照市場價計入的項目以補充估價的形式存在而不能計取任何費用，只能計取定額測定費和稅金；在實際施工中未使用大型機械或特種機械而在結算時卻列入該類費用，或工程施工中未因趕進度而夜間加班但在結算時卻列入夜間施工所增加的費用等[3]。

2 結算中存在問題的解決措施

2.1 工程量審核。工程量是工程資源投入的量化指標，也是結算審查工作中的關鍵，其是根據施工圖紙按照規定的計算規則進行審查，若計算工程量增加則會導致工程直接費用和間接費用都相應增加，因此在對施工方上報的結算審查中應將工程量審查作為重中之重。

按計算規則審查。房產商在進行結算審核時應根據招投標文件、施工合同以及施工圖紙等按照既定計價模式應采用的計算規則進行審核，應注意工程量計算并非構件實際體量計算，而是在編制定額時已做相應簡化，應主要審核工程量計算規則是否同清單設置吻合、所報單項工程內容是否與清單內單項工程所包含的內容一致，計價是否按照計價規范中的規則相符等，應注意應該扣除的部分是否已經扣除等。

審查是否存在重算部分。隨著工程計價軟件的更新，施工方往往巧立名目對工程量進行重復計算，或故意擴大工程量或虛報工程量，所以在審核時應認真體會定額內的說明和計算規則以防止施工方重套工程量。

嚴審變更和簽證工程量。對施工過程中所發生的變更及簽證所設計的工程量應結合實際情況進行審查，確保實事求是，應認真審查變更及簽證手續是否齊全，確認所涉及的項目是否已完成并通過驗收，尤其是涉及的工程量較大且未能做合理解釋的不可單單以簽證為準，并且應注意核減變更前所涉及的工程量；應合理區分變更及簽證所涉及的責任方，對因施工方內部原因導致的變更不能予以確認，甚至應防范施工方模仿責任人筆體簽字或私刻公章現象增加工程量現象。

2.2 套用定額單價的審查。若工程計價采用定額計費則單價應按照定額單價進行計算，房產商在審查時應重點審查定額套用是否合理，是否存在低價高套現象；對因選用材料不同、做法不同或材料斷面厚度不同而進行定額換算現象，應主要審查其換算是否按照規定執行；對補充定額則應審查其是否依據編制原則進行；對執行工程量清單的項目則因一般情況下采用綜合單價一次性包死而不做調整，若由于變更等出現新的子項則其單價應按照以下依據實施，原報價中已有適用于該工程量則應按照已有價格確定，有類似工程時則可參照類似價格確定，無類似工程則應由施工方提出相應的變更價格后同開發商機型協調決定；應嚴格審查施工方是否存在將原定額內已經包括在單價內的施工內容單獨列項申報或將費率中包含部分單獨列項重復申報，或通過對定額單價的換算、混算等措施來抬高結算單價等現象。

2.3 費用審查。對費用審查應結合當地部門規定及合同和招標文件等確定費率的時效性，所采用的取費表是否與工程性質相符，費率計算是否正確以及價格調整是否符合相關規定等，對于施工過程中新增加的項目則應重點審查施工方是否依據施工方投標文件中費率口徑等；對施工方報價時承諾的下浮率應在結算時嚴格執行，對合同外的部分則應按照另行約定的下浮率進行結算；若施工方未進行下浮率承諾則應執行投標報價與公示價相比的下浮率，并選擇承諾下浮率與公示價下浮率中較大的進行結算；若項目存在預備費則應結合施工中該項費用是否實際發生來進行核減，但工程技術措施費則不應以工程量增減而進行調整。

2.4 材料審查。在材料價格審查時應重點審查用量大價格高或材料不透明的部分材料，房產商平時應注意收集材料價格信息以及通過各種途徑了解相關材料價格，對于定額內沒有相關價格的新型材料應深入了解市場價格以及廠家產品質量等信息便于在審查時有理有據；應重點審查相關材料定額價及市場價調整量或調整系數等，以防施工方報價中的水分；對施工中宜發生問題的材料應重點審查并現場核實，對施工方報價中價格不明確的材料應進行必要的市場調查或各種途徑了解材料真實價格。

2.5 變更、簽證審查。對施工中發生的變更和簽證應重點審查其合法性和合理性，堅決杜絕在簽證費用中已包含在合同價款匯總的費用施工方再次巧立名目重新計費的現象；應重點審查簽證中是否存在工程量交叉而計費重復的現象，若由于發生較大變更而導致清單發生較大變化則應重新對清單類別和數量進行審核，并依據合同規定來確定計價模式和取費費率。

參考文獻

[1]羅紹.論房地產開發施工和結算階段的造價控制[C].有科技與生活，2009（12）.

第2篇：計算機視覺開發范文

關鍵詞：計算機視覺技術；食品工業；分級；圖像處理

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.

第3篇：計算機視覺開發范文

【關鍵詞】計算機視覺；構件；表面特征；檢測

表面缺陷檢測以及特征提取，所涉及的范圍是非常廣泛的，包括了鐵軌表面缺陷、帶鋼表面缺陷以及織物表面缺陷等。因此加強對產品的表面缺陷提取以及質量檢測顯得尤為重要，目前基于計算機視覺的構件缺陷檢測系統已經受到國內外研究人員的重視，如何更好地將計算機視覺技術引入到產品表面質量缺陷檢測中去是未來發展的重點。筆者將在下文中就此展開詳細的闡述。

1.計算機視覺的基本工作原理

1.1系統結構

計算機視覺是一項涉及范圍廣泛的技術，他通過圖像采集裝置將檢測目標轉化為圖像信號，再經過專門性的額圖像處理系統最終生成具體的表面特征。具體來講在圖像處理環節米旭濤根據圖像的具體像素以及圖像分布和顏色、亮度、飽和度等進行目標提取，再比照系統預設的參照值得出最終的檢測結果，例如尺寸大小、顏色等師傅偶合格。計算機視覺處理系統包括了光源、鏡頭、計算機以及圖像采集裝置和處理系統等，這些系統綜合組成共同推動了計算機視覺系統的正常穩定運行。

1.2計算機視覺硬件設計

計算機視覺系統的硬件平臺包括了照明系統、鏡頭相機以及圖像采集裝置和工控機四個部分，這四個部分缺一不可，共同組成了整個計算機視覺系統。

1.2.1照明系統

照明系統是整個計算機視覺系統的關鍵，尤其是在光源和照明方案的配合上更是直接影響了整個系統運行的成敗。因此在照明方案的制定以及光源的選擇上應該盡可能的突出物體特征參量，綜合考慮對比度以及亮度等因素，將計算機視覺系統的光源與照明方案相匹配，選擇需要的幾何形狀以及均勻度等，同時還需要結合被檢測物體的表面特征幾何形狀。針對構件表面缺陷的照明方案，筆者認為應該選擇功率相對較大的LED光源，用低角度的方式進行照明。

1.2.2相機鏡頭

相機系統是成像的關鍵，因此在相機鏡頭的選擇上應該適用于具體的構件。一般來說相機鏡頭包括了兩方面內容，一是線掃，二是面掃。通過二者的綜合運用實現更好地成像效果。

1.2.3圖像采集卡

圖像采集卡主要是指在計算機視覺系統中位于圖像裁剪機設備和圖像處理設備之間的重要接口。是成像的中間環節，發揮著不可或缺的作用。

2.基于計算機視覺的構件表面缺陷特征提取

基于計算機視覺的構件表面缺陷特征提取可以分為為三個重要部分，分別是圖像預處理部分：主要是指針對構件進行區域的定位，將非構件的部分移出計算機視覺的缺陷提取技術中去，從而降低了后續工作的工作難度；其次是進行缺陷定位，主要是指通過特定的技術和算法將缺陷從結果當中直接分離出來。第三部分是缺陷特征的提取，也是系統處理的結果部分，是通過計算缺陷的程度以及缺陷大小，從而為后期的構件維護提供參考依據。具體來說，這三個部分的操作主要體現在以下幾個方面：

2.1區域定位

區域定位是減少構件處理和選擇時間的關鍵，能夠大大提高構件缺陷提取的效率。構件的表面的基本特征和大致集合框架提取是區域定位和的第一步，要將計算機區域定位和缺陷提取結合起來，更好地實現缺陷分析。要做好構件的區域定位首先需要明確構件的基本種類和特征：一是根據構件的重用方式來說，可以分為白匣子、灰匣子、黑匣子從構件的使用范圍來看又可以分為通用構件和專用構件；根據構件的粒度的大小可以分為小。中大三種不同粒度的構件；再次是從構件的功能上來看可以分為系統構件、支撐構件以及領域構件三個部分。四是從構件的基本結構特征來看可以分為原子構件以及組合構件。最后從構件的狀態來說，又可以分為動態和靜態構件。因此從不同種類的構件進行區域定位為視覺系統正常運行創造了優良的條件。

2.2缺陷提取

在進行缺陷提取的過程中，難免會受到客觀的環境影響，比如噪聲、溫度以及濕度等對圖像處理的結果產生影響，因此需要對區域定位中產生的區域進行濾波處理，然后再采用閾值分割的辦法進行缺陷提取。具體操作步驟如下所示：

（1）計算出成像中的最小最大灰度值，并且設置初始閾值。

（2）根據閾值，結合圖像的分割目標，將圖像分割成為目標和背景兩個部分，求導出平均灰度值。

（3）再根據新的平均灰度值計算出新的閾值。

（4）觀察閾值的初始值與新閾值之間的關系，如歌二者相等則整個計算過程就結束，如果不相等，則就需要進一步計算。

通過閾值計算得出啊的最佳閾值分割效果圖，能夠進行初步的缺陷預判，但是初步預判當中還存在較多的不確定因素，主要包括兩類，一是在邊緣部分出現的細小毛刺，由于與缺陷的距離較近，因此在初步缺陷提取中容易形成誤判、再次是在構件表面有一些非常細小的缺陷，這些缺陷的影響較小，不會對構件的性能造成影響，因此在進行缺陷提取的過程中需要將這兩個因素排除在外，具體主要是指采用圖像形態學中開運算和閉運算，從而達到對構件中的明了細節和暗色細節的過濾。具體來說缺陷的分割提取采用的是Sobel算子。主要是利用了圖像像素點的上下左右灰度加權算法，對構件表面的缺陷進行檢測。再采用二值圖像邊界跟蹤法，將缺陷從構件圖像中分離出來。

2.3缺陷特征提取

缺陷特征提取，又可以稱之為缺陷的定量計算和定性過程，是將前期所得的數據結果以更加直觀的形式展現出來，通過對比指標參數判斷構件的表面質量是否合格，符合基本的生產標準。一般來說常用的表示缺陷特征的標準有以下幾種：

（1）周長：周長是對缺陷的邊界長度的描述，在圖像特征上顯示則是指構件成像上的缺陷區域的邊界像素數量。

（2）面積：面積相對于周長能夠更加直觀地反映整體缺陷的大小，它是缺陷區域中的像素的總數，因此更高體現缺陷的影響規模。

（3）致密性：這是一個相對專業的缺陷指標概念主要是指每平方面積上的平方周倉，是一個雙單位描述指標。

（4）區域的質心：區域質心是描述缺陷的影響關鍵也就是缺陷區域內的核心區域，是對整個區域的核心描述。

（5）最小外接矩形。

3.結語

綜上所述，構件表面缺陷直接影響構件的最終使用效果，構件表面缺陷的檢測應用領域也逐漸廣泛，而計算機視覺技術在檢測缺陷中的優越性更體現了基于計算機視覺的構件表面缺陷特征提取的研究價值。本文主要針對構件表面缺陷的檢測，綜合計算機視覺技術提出了具體的檢測方法和檢測工作原理，通過對表面缺陷的檢測，力圖提高構件的整體質量。

【參考文獻】

[1]陳黎，黃心漢，王敏，何永輝，龔世強.帶鋼缺陷圖像的自動閾值分割研究[J].計算機工程與應用，2002，（07）.

[2]許豪，孔建益，湯勃，王興東，劉源泂.基于數學形態學的帶鋼表面缺陷邊緣提取[J].機械設計與制造，2012，（06）.

第4篇：計算機視覺開發范文

關鍵詞： 木材表面缺陷； 計算機視覺； 檢測系統； 木材加工

中圖分類號： TN911?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）12?0148?04

Abstract： Since the manual detection for wood surface defect in the process of wood processing exists the problems of low efficiency and large quality difference， a real?time on?line automatic detection system of wood surface defect was designed by means of computer vision technology. The system can find out whether the wood surface has defect， detect the size and location of the wood surface defect accurately， and store the information to guide the wood processing equipment for wood processing. The system has the characteristic of accurate and fast detection speed. The conclusion from various experiments indicates that the system′s recognition accuracy rate can reach up to 92.33%， and the average detection time is 2 ms， which shows that the system is feasible.

Keywords： wood surface defect； computer vision； detection system； wood processing

0 引 言

木材表面缺陷是指降低木材商品價值和使用價值的各種特征的總稱，這些缺陷不但會影響木材強度，還嚴重影響木材加工和木制裝飾的質量及外觀[1?3]。常用的木材表面缺陷檢測的方法有：人工檢測、超聲波檢測、X射線檢測、激光掃描、計算機視覺技術檢測[4]。

目前，計算機視覺技術已在許多領域得到了廣泛的應用，在木材表面缺陷的檢測中也取得了顯著的成果[5?10]。文獻[11]中，提出一種改進Sobel算子提取木材表面缺陷邊緣的算法，并使用神經網絡模式識別檢測木材表面缺陷，該文獻介紹的方法能夠提高木材表面缺陷邊緣的檢測精度，識別的準確率較高，但需要大量具有代表性的木材圖像作為訓練樣本，算法的復雜性也導致檢測效率不高。文獻[12]提出一種基于數學形態學分割木材表面缺陷的方法，并使用最小二乘支持向量機分類器檢測木材表面缺陷，缺陷分割算法能夠有效避免木材紋理對分割結果的影響，但在實際處理分割時，需要根據應用背景選擇不同的參數值來得到分割的種子點，通用性有待提高。文獻[13]介紹了一種基于HIS空間二維最大信息熵的分割方法，它對木材表面缺陷圖像的分割結果較好，但是分割的處理時間較長，實時性不強。雖然對木材表面缺陷檢測的研究有很多，然而，應用計算機視覺技術，實時在線檢測并定位木材表面缺陷卻未見報道。

木材加工過程中木材表面缺陷的檢測大多仍依賴人工完成，檢測的效率會隨著檢測人員的疲勞加重而有所下降，并且不同操作員的經驗差異導致同一塊木材的檢測結果也會有所不同[13]。因此，研究一種能夠代替人工進行木材表面缺陷檢測的方法對木材加工行業非常重要。

本文利用計算機視覺技術，開發了一套木材表面缺陷在線實時檢測系統，為木材加工行業提供了一個有效的方案。該系統可以檢測出木材表面缺陷的大小以及位置信息，通過串口通信模塊與下位機進行雙向數據傳遞，進而指導木材加工設備對已檢測木材進行作業。

1 系統設計方案

系統結構如圖1所示，主要包括木材表面缺陷檢測平臺和木材表面缺陷軟件檢測系統。檢測平臺主要包括傳送機構、結構光源、CCD工業相機、接近開關等。CCD工業相機為維視MV?VD120SC，分辨率為1 280× 960，焦距為8 mm，幀率為15 f/s，像素尺寸為4.65 μm ×4.65 μm，傳感器光學尺寸為，信噪比大于54 dB，數據位數輸出 8 b，輸出方式為USB 2.0，供電要求為5 V（USB接口或外接電源供電），外形尺寸為56 mm×50.6 mm×50.6 mm。機架使用歐標型3030鋁型材，由3030角碼、M5不銹鋼內六角圓柱頭螺釘、M5配3030鋁型材的T型螺母、M8尼龍腳墊、12W?T8?LED燈管、UCP208立式軸承座、寬450 mm PVC輸送帶和滬工DC 5 V接近開關等構成。

軟件檢測系統通過數據線與相機相連，實時獲取傳送帶送來的木材圖像，并快速地進行缺陷檢測，最后將相關木材表面缺陷的信息傳遞給木材加工設備。木材經傳送帶進入相機拍攝區域時，安裝在機架一側的接近開關檢測到木材的接近并將信號傳給檢測系統，檢測系統控制下位機使得傳送帶電機失電，傳送帶停止。下位機的計時器開始計時，隨之檢測系統控制相機獲取木材圖像，并檢測木材表面缺陷，并向下位機傳遞檢測結果，下位機再控制木材加工設備對木材進行后續的加工。當計時器計時到達設定的時間后，下位機使傳送帶電機得電，傳送帶移動一個單位距離（確保與上一張檢測圖像無過多重復，并無檢測區域丟失），然后電機失電，傳送帶停止，重復前面的步驟。當木材完全離開相機拍攝區域，接近開關將信號傳給檢測系統，檢測系統進入待機狀態。整個系統的工作流程如圖2所示。

2 系統軟件設計

本軟件使用Microsoft Visual Studio 2013 作為開發平臺，采用C++作為主要開發語言，操作界面使用MFC/C++開發。通過調用OpenCV和CameraDS相關函數來實現實驗圖像的獲取，具有獲取速度快，兼容大部分數字攝像機等優點。

2.1 系統安全設計

如圖3所示，本軟件根據用戶不同的實際需求提供了自動檢測和手動檢測兩種模式。手動模式下，用戶才可以對檢測系統的參數進行設置，設置好參數后，按下“獲取圖片”按鈕，然后再按下“缺陷檢測”按鈕，信息提示窗口將顯示木材表面缺陷的中心坐標、缺陷大小、缺陷檢測所用的時間等。按下“繼續”按鈕，傳送帶帶動木材運動一個單位距離，傳送帶停止運動，重復上述操作便可實現再一次的缺陷檢測。自動模式下，系統會根據手動模式下設置的參數進行自動檢測。

為了提高本系統的穩定性與安全性，在安全操作方面做了一些設置。自動模式和手動模式兩種模式只能在一個檢測循環結束后進行切換。例如，當要從手動模式切換到自動模式，自動模式的選擇只能在缺陷檢測完成后，“繼續”按鈕彈起后才起作用。而從自動模式切換到手動模式需要在缺陷檢測完成后，即信息提示框中顯示缺陷信息后方可實現。這樣的設置可防止傳送帶傳送時間出現差異，導致部分木材表面缺陷部位未能被檢測到，也可防止缺陷檢測中途遭到中斷。

2.2 參數設定

為了得到準確的檢測結果，用戶首次使用本系統需要手動設置與檢測有關的參數，點擊“參數設定”按鈕，彈出對話框如圖4所示。

2.2.1 分割閾值設定

本軟件使用二值化函數對木材表面缺陷圖像進行閾值分割，閾值的設定將直接影響檢測的結果。二值化函數的作用是將圖像中灰度值大于設定閾值（圖4中設為90）的像素點的灰度值修改為255（白色），小于或等于設定閾值的則被修改為0（黑色）。使得木材表面缺陷的部分變為黑色，木材正常的部分變為白色。

2.2.2 時間間隔設定

“時間間隔”測試前先打開相機，在木材表面位于拍攝區域的下邊緣處作個小標記，準備好秒表，按下“測試”按鈕的同時按下秒表計時，眼睛觀察拍攝區域，當小標記到達拍攝區域的上邊緣時停止計時，將秒表上顯示的時間輸入到相應的編輯框中。

2.2.3 最大舍棄面積設定

“最大舍棄面積”表示面積小于該值的區域將不被定為缺陷而舍棄，因為木材表面可能存在灰塵、污點、木屑等，它們的面積相對于缺陷的面積小的多，應該被舍棄。

2.2.4 像素標定設定

“像素標定”的含義為尋找圖像中像素點的距離與實際物理距離的轉換關系。例如：假設長度為1 mm的小線段，在圖像中的像素距離為10，那么在圖像中像素距離為100的線段，實際長度則為10 mm。根據這個轉換關系，只需統計缺陷部分區域的像素面積和中心位置即可知道木材表面缺陷的實際大小與位置。按下“測量”按鈕，在彈出對話框，按下“打_相機”，如圖5所示。按照右側的標定操作說明示意圖，在待測的木材上面放一把尺子，將尺子與參考線對齊，讀出參考線在尺子上的長度。點擊“確定”退出當前對話框，然后把參考線的長度輸入到編輯框中。最后點擊“保存”退出“參數設定”對話框。

2.3 缺陷檢測

“參數設定”完成后，按下“打開相機”按鈕，左側的框中將會動態顯示圖像，再按下“獲取圖片”按鈕，框中顯示按下按鈕時獲取的那幀圖像。調節顯示框下的滑動條可調節圖片的對比度，再按下后面的“保存”按鈕，可作為下次操作的參考數值。按下“缺陷檢測”按鈕，圖中的木材表面缺陷將會被框出來，而且框中左上角顯示的編號與右側的提示框的序號對應，可方便查看檢測是否準確。檢測的結果如圖6所示。缺陷大小的計算是通過統計缺陷輪廓的像素點的個數，再根據像素標定得到的轉換關系來轉換為實際面積的大小。而缺陷的中心默認為矩形框的中心。

2.4 檢測結果的修改與保存

軟件界面的右上角的兩個按鈕可查看檢測結果的歷史記錄。本軟件還能夠對檢測的結果進行修改和保存。點擊“保存結果”按鈕，軟件會將右側的信息提示框中的信息保存到Excel文檔中，點擊“修改結果”，將打開Excel文檔，用戶可根據歷史記錄來修改或刪除軟件誤檢測的結果。

3 系統測試

3.1 系統測試環境

PC主機為CPU Intel Xeon E3?1230 v5 340 GHz；內存為8 GB；操作系統為Window 10 專業版；主板為Gigabyte X150M?PLUS WS?CF；開發平臺為Microsoft Visual Studio 2013；版本為12.0.21005.1；應用程序框架為MFC；本地編譯工具為VC++；開發語言為C++。

3.2 系統整體測試

測試方法：使用相機拍攝木材圖片，其中包含無缺陷、有污點、有缺陷、有劃痕、有灰塵的各種不一樣的木材圖片。分別統計每個樣本的準確率Ai和檢測木材表面缺陷的準確率A如下：

式中：Si為每個樣本檢測結果的總數；Ei為每個樣本中誤檢測和漏檢測的數量總和；n為樣本總數。

部分木材表面缺陷檢測結果如圖7所示。假設下面9張木材照片為測試的總樣本，第1張照片有一個缺陷，且被正確檢測出來，則S1=1，E1=0，A1=1，第2張照片有一個缺陷，且被檢測出來，但有兩個誤檢測結果，則S2=3，E2=2，A2=0.33，同理，A3=1，A4=1，A5=1，A6=0.5，A7=1，A8=1，A9=1。最后算出檢測的準確率：A=（A1+A2+…+ A9×100%=87%。

使用前面講述的測試方法對300張木材圖片進行檢測，統計出本軟件檢測木材表面缺陷的準確率為92.33%，平均檢測時間為2 ms，能夠基本滿足木材加工企業的加工要求。

4 結 論

本文提出了一種基于OpenCV的木材表面缺陷檢測系統，經實驗有如下結論：本系統能夠快速準確地檢測定位木材表面的缺陷，檢測的準確率達到92.33%，平均檢測的時間為2 ms；系統軟件操作界面簡單易用，穩定可靠，具有一定的實用性；該系統能夠靈活應用到多種木材加工生產線上，具有較好的通用性。它為木材加工流水線實時自動檢測木材表面缺陷提供了一種可實現的方法。

注：本文通訊作者為鄒湘軍。

參考文獻

[1] 王林，白雪冰.基于Gabor變換的木材表面缺陷圖像分割方法[J].計算機工程與設計，2010（5）：1066?1069.

[2] 金仁蓮.關于木材缺陷及木材檢驗技術要點探討[J].農民致富之友，2016（2）：140.

[3] 戴天虹，吳以.基于OTSU算法與數學形態學的木材缺陷圖像分割[J].森林工程，2014（2）：52?55.

[4] 牟洪波.基于人工神經網絡的木材缺陷檢測研究[D].哈爾濱：東北林業大學，2006.

[5] TSAI D M， HUANG T Y. Automated surface inspection for statistical textures [J]. Image and vision computing， 2003， 21（4）： 307?323.

[6] 王海濤，甄理，楊春霞，等.基于計算機視覺的鐵軌表面缺陷檢測系統[J].無損檢測，2011（11）：38?41.

[7] 趙紅穎，于微波.計算機視覺技術在發動機缺陷檢測系統中的應用[J].光學精密工程，2000，8（3）：283?286.

[8] 胡亮，段發階，丁克勤，等.帶鋼表面缺陷計算機視覺在線檢測系統的設計[J].無損檢測，2003（6）：287?290.

[9] 熊建平.基于計算機視覺的墻地磚表面缺陷檢測[J].電子測量技術，2015（5）：53?55.

[10] FUNCK J W， ZHONG Y， BUTLER D A， et al. Image segmentation algorithms applied to wood defect detection [J]. Computers and electronics in agriculture， 2003， 41（1/3）： 157?179.

[11] 尹建新.基于算機視覺木材表面缺陷檢測方法研究[D].杭州：浙江工業大學，2007.

第5篇：計算機視覺開發范文

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。

第6篇：計算機視覺開發范文

【關鍵詞】電力系統；發展趨勢；新技術發展

0 前言

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。現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。如果出現不正常現象，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。

2.3 與GPS安全監控系統的結合

GPS的全稱是全球定位系統。這是一個衛星系統。它能具有導航、定位、授時等功能的原因是它可以保證在地球上任意一點都可以同時被觀測到。高精度、高效率和低成本都是GPS定位技術具有的優點。正是在這些優點的幫助下，它才能在各類大地測量控制網獲得加強改造，也因此具有了較為普及的應用。目前，GPS技術出現了一個不斷進步的境地，而將GPS技術使用到電力系統當中的條件也越來越松。電力系統使用GPS動態安全監控系統后取得效果很好。不僅能夠對系統開展實時且有效的監控，同時還能夠將GPS定位技術的精準度高并且效率快以及成本低的優勢完全體現出來。可以對管轄區內的大地測量控制電網進行合理的監測。電力系統使用GPS動態安全監控技術后。基于GPS的動態安全監控系統指的是電力系統采用GPS所實現的光纖通信技術和同步測量技術。電力系統的動態安全監測管理主要包括動態相量測量系統、定時系統、中央信號處理系統和通信系統四個部分的內容。使用GPS和EMS監控系統能夠做到對數據的動態、集中處理、定時等，為相量的控制提供條件。實現動態檢測是我們必須做的，同時也是是電力系統發展的要求。

動態安全監控系統是基于GPS統一時鐘的新一代EMS。各種各樣的電磁暫態故障記錄器和集中在穩態運行監控和數據采集（SCADA）系統是電力系統目前主是在錄音的過程中使用的監控工具。前面具有記錄數據冗余，記錄時間短，缺乏溝通不同的錄音機，讓困難分析系統作為一個整體的動態特性：后者記錄數據刷新間隔時間，但是用于系統的穩態特性。很難分析整個系統的動態行為的原因是都有一個共同的、缺乏精確的時間戳之間的聯合不同位置即記錄數據只是部分有效。新一代的基于GPS動態安全監控系統，是一個相結合的新的和現有的SCADA的動態安全監控系統。在這樣的新技術下，GPS同步相量測量技術和光纖通訊技術和實施總量控制提供了條件。

在大型電力系統的穩定性和振動監測中常用的GPS系統的研究獲得了一定的成果。在現實生活中已投入運行，例如GPS同步相量測量裝置監控系統在南方電網投運。中國南方電網功率角振蕩天骨干接觸線己廣泛應用在網格中的500千伏線路可以在實時調度中心觀察。

3 結語

電力系統自動化技術無疑具有著很大的潛力在計算機技術、信息技術、控制技術的發展下，也將有更多的技術出現。隨著它們的出現，電力系統將更加自動化，為人們提供更好的電能。

【參考文獻】

第7篇：計算機視覺開發范文

關鍵詞：EMGU；智能監控；目標跟蹤

隨著視頻監控技術的發展，其架構從模擬化轉向了數字化，利用計算機視覺技術對視頻信號進行分析理解，并以此為基礎對視頻監控系統進行控制，不斷提高系統的智能化和自動化。本文將EMGU應用到智能監控系統的開發過程，并實現了運動目標的自動跟蹤。

1 EMGU簡介

OpenCV（Open Source Computer Vision Library）是一個跨平臺計算機視覺庫，實現了圖像處理和計算機視覺方面的很多通用算法。Emgu CV是.NET平臺下對OpenCV圖像處理庫的封裝[1]，也就是.NET版的OpenCV。EMGU具有跨平臺的特點，兼容C#、、C++等編程語言，并且可以實現特征檢測與跟蹤、運動分析、目標分割與識別等圖像高級處理功能[2]。

1.1 EMGU在VS2010中的配置

⑴下載EMGU安裝包（以libemgucv-windows-x86-2.4.0.1717版本為例）并進行安裝，安裝完成后將emgucv-windows-x86 2.4.0.1717＼bin目錄添加到系統環境變量中；

⑵導入UI插件，單擊VS2010中的工具->選擇工具箱項->.NET Framework組件菜單，單擊瀏覽按鈕進入EMGU安裝目錄bin下選擇Emgu.CV.UI.dll，將ImageBox 和HistogramCtrl組件添加到工具箱中；

⑶在解決方案中加入 EmguCV 的引用[3]：包括Emgu.CV.dll、Emgu.CV.ML.dll、Emgu.CV.UI.dll、Emgu.Util.dll以及ZedGraph.dll等。

1.2 系統設計目的及拓撲結構

開發的智能監控系統通過IMOS平臺來獲取告警信息和視頻源，當系統接收到IMOS平臺通知的告警信息后，開始對IMOS平臺的監控視頻流進行分析，主要完成圖像預處理、運動目標的檢測、人體目標的識別和自動跟蹤等操作，進而通過IMOS平臺控制攝像機云臺跟蹤運動目標，將目標始終鎖定在被監控視野內。系統的拓撲方案如圖1所示。

1.3 目標跟蹤分析與實現

目標跟蹤是利用監控視頻的圖像信號，對運動目標進行檢測、識別和定位，并自動控制云臺和攝像機的運動，跟蹤和鎖定目標。在目標檢測階段若有多個目標同時出現時，則由系統自動選取一個最有利（運動物體區域范圍最大）的目標進行跟蹤，達到目標跟蹤監控自動化。部分關鍵代碼如下：

//YUV格式轉換

Bitmap frameBGR = ConvertYUV2Bitmap（srcY， srcU， srcV， （int）w， （int）h）；

mage frame = new Image（frameBGR）；

frame._SmoothGaussian（3）；

//更新圖像幀和背景模型，以自適應環境變化[4]

#region use the BG/FG detector to find the forground mask

currentForm._detector.Update（frame）；

Image forgroundMask = currentForm._detector.ForgroundMask；

#endregion

currentForm._tracker.Process（frame， forgroundMask）；

//選擇運動物體區域范圍最大目標并繪制跟蹤框

Maxblob.Size = sizeF；

foreach （MCvBlob blob in currentForm._tracker）

{

if （（blob.Size.Height * blob.Size.Width） > （Maxblob.Size.Height * Maxblob.Size.Width））

Maxblob = blob；

}

frame.Draw（（Rectangle）Maxblob， new Bgr（0.0， 0.0， 255.0）， 1）；

// 當跟蹤框面積大于預設面積時，跟蹤目標開啟

if （（Maxblob.Size.Height * Maxblob.Size.Width >= 50））

{

//當跟蹤框的坐標與前置坐標偏差超過閥值時，開始轉動云臺

if （（（Maxblob.Center.X - currentForm.pointCenter.X） >= 10） ）

{

currentForm.SendMessage（MW_PTZ_CMD_E.MW_PTZ_PANRIGHT）；

... ...

}

}

2 總結

本文探討了EMGU在智能監控系統開發過程中的應用，并給出了EMGU在VS2010中的配置過程。結合IMOS平臺，對運動目標的自動跟蹤過程進行了分析，對于智能監控系統的開發具有一定的參考價值。

[參考文獻]

[1]王燕，曹銀杰，郎豐法，等.基于Emgu CV的數字相機圖像采集[J].電子科技.2012，25（4）：31-32.

[2]趙霞，陸小龍，廖明.基于OpenCV的角鐵中線檢測方法[J].中國測試.2010，36（3）：27-29.

第8篇：計算機視覺開發范文

【關鍵詞】機器視覺；應用研究

機器視覺是一門涉及人工智能、計算機科學、圖像處理、模式識別、神經生物學、心理物理學等諸多領域的交叉學科。機器視覺主要利用計算機來模擬人或再現與人類視覺有關的某些智能行為，從客觀事物的圖像中提取信息進行處理，并加以理解，最終用于實際檢測和控制。隨著現代計算機技術、現場總線技術與大規模集成電路技術的飛速發展，機器視覺技術也日臻成熟，已經廣泛應用在國民經濟發展的各行業。

1.機器視覺系統組成

一個典型的機器視覺應用系統包括圖像捕捉、光源系統、圖像數字化模塊、數字圖像處理模塊、智能判斷決策模塊和機械控制執行模塊，如圖1所示。首先采用CCD攝像機獲得被測目標的圖像信號，然后通過A/D轉換成數字信號傳送給專用的圖像處理系統，根據像素分布、亮度和色彩等信息，進行各種運算來抽取目標的特征，然后再根據預設的判別標準輸出判斷結果，去控制驅動執行機構進行相應處理。

總之，隨著機器視覺技術自身的成熟和發展，可以預計它將在現代和未來制造企業中得到越來越廣泛的應用。

2.機器視覺技術的應用

在國外，機器視覺的應用主要體現在半導體及電子行業，其中大概40%-50%都集中在半導體行業。具體如PCB印刷電路；SMT表面貼裝；電子生產加工設備；機器視覺系統還在質量檢測的各個方面已經得到了廣泛的應用，并且其產品在應用中占據著舉足輕重的地位。

而在中國，以上行業本身就屬于新興的領域，再加之機器視覺產品技術的普及不夠，導致機器視覺在以上各行業的應用幾乎空白。目前隨著我國隨著配套基礎建設的完善，技術、資金的積累，各行各業對采用圖像和機器視覺技術的工業自動化、智能化需求開始廣泛出現，國內有關大中專院校、研究所和企業近兩年在圖像和機器視覺技術領域進行了積極思索和大膽的嘗試，逐步開始了工業現場和其它領域的應用。

（1）工業中的應用

雖然機器視覺技術從20世紀80年代才開始起步，但由于其突出的優點，在各種工業領域被廣泛應用，特別是近幾年發展十分迅速，國內外的成果也是層出不窮。

在國外，機器視覺技術廣泛應用于機器零部件的裝配、非接觸測量、產品質量檢測、在線過程控制、數控機床加工、過程監控等領域。英國ROVER汽車公司800系列汽車車身輪廓尺寸精度的100%在線檢測，是機器視覺系統用于工業檢測中的一個較為典型的例子，該系統由62個測量單元組成，每個測量單元包括一臺激光器和一個CCD攝像機，用以檢測車身外殼上288個測量點。汽車車身置于測量框架下，通過軟件校準車身的精確位置。測量單元的校準將會影響檢測精度，因而受到特別重視。每個激光器/攝像機單元均在離線狀態下經過校準。同時還有一個在離線狀態下用三坐標測量機校準過的校準裝置，可對攝像頂進行在線校準。檢測系統以每40秒檢測一個車身的速度，檢測三種類型的車身。系統將檢測結果與人、從CAD模型中撮出來的合格尺寸相比較，測量精度為±0。1mm。ROVER的質量檢測人員用該系統來判別關鍵部分的尺寸一致性，如車身整體外型、門、玻璃窗口等。實踐證明，該系統是成功的，并將用于ROVER公司其它系列汽車的車身檢測。

機器視覺在國內的應用主要集中于檢測與定位等幾個方面，這樣的工業產品占據了中國市場的絕大部分。機器視覺在工業檢測中的應用最為常見的是對各種機械零件的幾何尺寸進行測量，在半導體及電子行業，國內高等院校和科研單位也研究出基于機器視覺的管腳尺寸自動檢測裝置。此外，機器視覺還被用于對于如刀具等工業設備的檢測和數控機床的加工。在很多工業領域存在著高精度定位的問題，如鉆床數控系統鉆頭定位、金屬板材數控加工軌跡坐標定位等。目前機器視覺技術由于其高精度的優點在這方面得到廣泛的應用。華中科技大學在金屬板材數控加工中利用機器視覺技術對加工軌跡坐標定位。提出一種基于機器視覺的非接觸式加工軌跡坐標定位方法，完成了金屬板材數字化成形中支撐模型的非接觸式高精度快速定位。湖南大學進行了鉆頭視覺定位研究，在視覺定位中采用間接定位方式，間接實現鉆頭刃磨初始狀態的定位。中國計量學院等單位進行了基于機器視覺的PCB數控鉆機定位研究。大量的實踐證明采用機器視覺系統進行定位并且綜合運用數控伺服傳動技術以及各種先進控制技術能夠有效實現精確定位。利用機器視覺系統節約了大量的人力和物力，降低了產品生產成本。

（2）農業中的應用

計算機視覺技術在農業上的應用研究，起始于20世紀70年代末期，主要應用于植物種類的鑒別、農產品品質檢測與分級等。隨著計算機軟硬件技術、圖形圖像處理技術的迅猛發展，它在農業上的應用研究有了較大的突破，在農業領域的生產前、生產中、收獲時和產后的各個環節中，均可以利用計算機視覺技術來實現這些農業生產的視覺化。計算機視覺在產前的應用主要是檢驗種子質量；在產中的應用包括田間雜草識別、植物生長信息的監測、病蟲害的監視和營養脅迫診斷等方面；在農作物收獲時的應用主要體現在農業機器人的研制與開發上；在產后的應用包括水果分級和農產品的加工等。在農田作業機械上，機器視覺技術被不斷的開發和應用。農藥的粗放式噴灑正是農業生產中效率最低、污染最嚴重的環節。利用機器視覺技術可以實現農藥的精量噴灑，近年來，機器視覺技術在播種機械方面的應用主要是檢測播種質量；在自動收獲機等農田自動作業機械上，更需要依靠機器視覺系統來確定作物行與機械的相對位置，以控制自動作業機械在作物行間自動行進，

機器視覺技術在農業生產上的應用可提高生產的自動化水平，解放勞動力，具有良好的應用前景。同時還應看到，由于農業對象的特點，機器視覺理論和技術的局限性以及硬件條件的限制，機器視覺技術在農業生產的應用距離實用和普及還有相當長的距離。相信隨著相關技術的發展，很多問題會得到好的解決，機器視覺技術在農業生產中的應用會極大地加快農業現代化的進程。

（3）醫學上的應用

隨著藥品和醫療器械安全性問題重要性的不斷提升，越來越多的生產廠商將機器視覺技術引入實際生產中來，以達到提高生產效率，加強產品品質保障的目的。同樣，在醫療系統中機器視覺也得到了越來越多的應用。

機器視覺科技醫藥領域的應用主要分為醫學與藥物兩部分。機器視覺技術在醫學疾病診斷方面的應用主要體現在兩個方面：一是對（X射線成像、顯微圖片、B超、CT、MRI）圖像增強、標記、渲染處理，主要利用數字圖像處理技術、信息融合技術對X射線透視圖、核磁共振圖像、CT圖像進行適當疊加，然后進行綜合分析協助醫生診斷；二是利用專家知識和3D重構對物體三維信息與運動參數進行分析并給出形象準確的解釋，如診斷與手術等。機器視覺技術的應用不僅節省了人力，而且大大提高了準確率和效率。在藥物方面，機器視覺系統對藥用瓶的缺陷檢測，也包括了藥用玻璃瓶范疇，也就是說機器視覺也涉及到了醫藥領域，其主要檢測包括尺寸檢測、瓶身外觀缺陷檢測、瓶肩部缺陷檢測、瓶口檢測等。除此之外，對藥劑雜質的檢測、對醫學用具質量的檢測、對藥物外包裝泄露的檢測等等都在保障著藥物的質量安全，保障著人們的生命健康。

（4）交通領域的應用

隨著計算機的普及和相關軟件的不斷更新升級，機器視覺技術在交通領域所發揮的作用愈為重要。機器視覺技術在交通領域的應用范圍較廣，主要包括視頻檢測系統、智能車輛的安全保障系統、車牌識別和交通指揮等。

視覺技術應用于視頻檢測時，視頻檢測系統的目標就是用數字圖像處理和計算機視覺技術，通過分析交通圖像序列來對車輛、行人等交通目標的運動進行檢測、定位、識別和跟蹤，

并對目標的交通行為進行分析、理解和判斷，從而完成各種交通流數據的采集、交通事件的檢測，并盡快進行相應處理。視頻的交通事件和參數檢測系統有高度的網絡化和智能化，可實現遠程監控和設置。視覺技術應用于智能車輛安全保障系統，主要用于路徑識別與跟蹤、障礙物識別、駕駛員狀態監測、駕駛員視覺增強等。德國UBM大學Dick-manns教授領導的智能車輛研究小組一直致力于動態機器視覺領域的研究，研制的EMS-Vision視覺可較好地模擬人眼功能。車牌識別技術（VLPR）是計算機視覺和模式識別技術在現代智能交通系統中的一項重要研究課題，是實現交通管理智能化的重要環節。隨著圖像處理技術的日趨成熟，更多算法的融入綜合，使得車牌識別技術逐漸成熟。單一算法很難達到良好的識別效果，只有多種方法結合，才能實現車牌識別的高效性和準確性。過去的10多年里，有些國家已經成功開發了一些基于視覺的道路識別和跟蹤系統。其中，具有代表性的系統有：LOIS系統、GOLD系統、RALPH系統、SCARF系統和ALVINN系統等。

機器視覺技術在交通各領域都發揮著越來越重要的不可替代的作用。在取得較大成績的同時仍有不足。其一應盡快開發出具有高性價比的實用化的激光距離成像系統，能夠獲取高質量的原始圖片至關重要；其二，處理各種交通事件的及時性決定了所有的圖像處理的速度應盡可能的快，目前的各種算法都各有優劣，如何能在最短的時間內完成圖像的識別工作成為我們下一步要努力的方向。

3.發展趨勢

在機器視覺賴以普及發展的諸多因素中，有技術層面的，也有商業層面的，但制造業的需求是決定性的。制造業的發展，帶來了對機器視覺需求的提升；也決定了機器視覺將由過去單純的采集、分析、傳遞數據，判斷動作，逐漸朝著開放性的方向發展，這一趨勢也預示著機器視覺將與自動化更進一步的融合。未來，中國機器視覺發展主要表現為以下一些特性：

（l）隨著產業化的發展對機器視覺的需求將呈上升趨勢。

（2）統一開放的標準是機器視覺發展的原動力。

（3）基于嵌入式的產品將取代板卡產品。

（4）標準化一體化解決方案是機器視覺發展的必經之路。

（5）機器視覺系統價格持續下降、功能逐漸增多。

4.結語

機器視覺技術經過20年的發展，已成為一門新興的綜合技術，在社會諸多領域得到廣泛應用。大大提高了裝備的智能化、自動化水平，提高了裝備的使用效率、可靠性等性能。隨著新技術、新理論在機器視覺系統中的應用，機器視覺將在國民經濟的各個領域發揮更大的作用。

參考文獻

[1]李福建，張元培.機器視覺系統組成研究[J].自動化博覽，2004（2）：61-63.

[2]范祥，盧道華，王佳.機器視覺在工業領域中的研究應用[J].現代制造工程，2007（6）：129-133.

[3]張萍，朱政紅.機器視覺技術及其在機械制造自動化中的應用[J].合肥工業大學學報（自然科學版），2007， 30（10）：1292-1295.

[4]馬彥平.計算機視覺技術在農業生產中的應用與展望[J].中國農業資源與區劃，2009，30（4）：21-27.

[5]饒秀勤.基于機器視覺的水果品質實時檢測與分級生產線的關鍵技術研究[博士學位論文].杭州：浙江大學，2007.

[6]馮新宇，龐艷輝.車牌識別技術實現方法初探[J].交通科技與經濟，200712：50-511.

[7]徐琨，賀昱曜，王夏黎.基于背景模型的運動車輛檢測算法究[J].微計算機信息，2007，4-1：120-1211.

第9篇：計算機視覺開發范文

關鍵詞： 機器視覺； 圖像檢測； 航空輪胎； 表面質量

中圖分類號： TP 23文獻標識碼： A

引言近年來，隨著生產工藝飛速發展，人們開始關注產品的外觀質量，比如印刷品、包裝、工藝品等以外觀質量為重要附加價值的產品，又比如航空輪胎等表面缺陷會直接影響到使用效果甚至會給使用者的生命財產安全帶來無可挽回的損失的產品。眾所周知，機器視覺已經發展成為重要的工業生產加工手段之一，在中國成為全球重要的制造中心之一的背景下，中國成為繼美國、歐洲和日本后的全球第四大機器視覺市場，同時也是最具發展潛力的市場。一方面外國企業積極入駐中國帶來了巨大的視覺系統需求，另一方面國內企業不斷擴大生產規模，加大了對視覺系統的需求，以航空輪胎為例，未來十年，國家將在大飛機項目中投入500～600億資金，大飛機項目的發展，必將會帶動航空輪胎行業大規模的發展，對航空輪胎的質量要求也會更加嚴格。1國內外相關技術研究國外對機器視覺技術的研究，由于開展的比較早，而且具有資金、技術以及硬件方面的優勢，已經走在了國內的前面。國外的機器視覺系統的應用領域涉及到了社會生產的各個方面，有原始的在線監視，也有外觀檢測以及動作、行為控制，許多工業加工成套生產設備都集成了機器視覺系統，成為加工生產線的標配，比如印刷生產線上的機器視覺質量控制系統，又比如汽車制造業中的移動三坐標測量系統[1]。由于經濟和技術原因，國內絕大多數圖像處理技術公司都以國外產品為主，沒有或者很少涉足擁有自主知識產權的機器視覺在線檢測設備，對視覺技術的開發應用停留在比較低端的小系統集成上，對需要進行大數據量的實時在線檢測的研究很少，也很少有成功案例。但是，隨著國內經濟發展和技術手段不斷提高，對產品質量檢測要求就更高，對在線檢測設備的需求也就更大，具有巨大的市場潛力。計算機、攝像機等電子技術的飛速發展大大提高了機器視覺系統的硬件水平，同時圖像處理理論和算法的快速發展也給機器視覺系統提供了強大的軟件支持。但是，仍然伴隨著一些問題，主要有以下兩點：光學儀器第35卷

第3期謝，等：機器視覺在輪胎檢測領域的應用研究

（1）算法的精確性提高伴隨著計算量的成倍增加，處理時間就成為了實時檢測的軟肋；（2）硬件的分辨率提高了，圖像的分辨率、精度也隨之提高了，但是數據量計算量都因此成倍增加。因此，如何保證檢測的實時性和準確性，是機器視覺系統在工業應用中需要解決的核心問題。2視覺檢測核心技術

2.1機器視覺圖像處理技術機器視覺就是用機器代替人眼來做測量和判斷。機器視覺系統是指通過機器視覺產品（即圖像攝取裝置，分CMOS和CCD兩種）將被攝取目標轉換成圖像信號，傳送給專用的圖像處理系統，根據像素分布和亮度、顏色等信息，轉變成數字化信號；圖像系統對這些信號進行各種運算來抽取目標的特征，進而根據判別的結果來控制現場的設備動作。有大量的文獻和著作給與介紹和討論，其中比較著名的馬頌德的《計算機視覺》介紹了計算機視覺的算法和理論，以及Richard Hartley的《Multiple View Geometry in Computer Vision》介紹了在計算機視覺中的幾何理論和方法[2]。機器視覺中的圖像處理方法，主要包括圖像增強、數據編碼和傳輸、平滑、邊緣銳化、分割、特征抽取、圖像識別與理解等內容。經過這些處理后，輸出圖像的質量得到相當程度的改善，既優化了圖像的視覺效果，又便于處理器對圖像進行分析、處理和識別[3]。機器視覺理論應用于現代檢測領域，是上世紀末本世紀初計算機視覺的一個新的研究方向。它使用計算機視覺的理論方法來識別物體的關鍵點，經過分析處理以后，轉換成坐標數據，然后產生檢測數據。國內已有學者把機器視覺技術運用于檢測領域[4]。但是在輪胎檢測領域，機器視覺技術的應用還僅僅停留在理論之上，還沒有可實際應用的商品化的設備，更不用說結合機器視覺和嵌入式兩種技術的便攜式檢測儀了。

2.2嵌入式技術嵌入式系統一般指非PC系統，有計算機功能但又不稱之為計算機的設備或器材。它是以應用為中心，軟硬件可裁減的，適應對功能、可靠性、成本、體積、功耗等綜合性嚴格要求的專用計算機系統。嵌入式系統幾乎包括了生活中的所有電器設備，如掌上PDA、移動計算設備、電視機頂盒、手機上網、數字電視、多媒體、汽車、微波爐、數字相機、家庭自動化系統、電梯、空調、安全系統、自動售貨機、蜂窩式電話、消費電子設備、工業自動化儀表與醫療儀器等。嵌入式系統有以下幾大優點[56]：（1）嵌入式系統通常是面向特定應用的，它通常都具有低功耗、體積小，集成度高等特點；（2）嵌入式系統和具體應用有機地結合在一起，它的升級換代也是和具體產品同步進行的，因此嵌入式系統產品一旦進入市場，就具有較長的生命周期；（3）由于空間和各種資源相對不足，嵌入式系統的硬件和軟件都必須設計，量體裁衣、去除冗余，力爭在同樣的硅片面積上實現更高的性能，這樣才能在具體應用中對處理器的選擇更具有競爭力。本研究選取嵌入式系統中的DSP（數字信號處理器）來進行開發，具體型號為TI公司的TMS320。它具有很高的編譯效率和執行速度，在信號處理方面具有優勢，它的特點如下：（1）程序和數據具有獨立的存儲空間，有著各自獨立的程序總線與數據總線，可以同時對數據和程序進行尋址，大大提高了數據處理能力；（2）由于廣泛采用了流水線操作，減少了指令的執行時間，可以同時運行8條指令；（3）與一般計算機不同，乘法（除法）不由加法和移位實現，它具有硬件乘法器，乘法運算可以在一個指令周期內完成；（4）指令周期降到了1.67 ns。隨著工作頻率進一步提高，指令周期將進一步縮短；（5）擁有自己獨特的專門為數字信號處理而設計的指令系統；（6）相比傳統的處理芯片，它還具有體積小、功耗小、使用方便、實時處理迅速、處理數據量大、處理精度高、性能價格比高等許多優點。3輪胎檢測系統構成

3.1研究目標機器視覺用于產品表面缺陷檢測需要面對以下主要問題：（1）數據處理量非常龐大；（2）如何快讀匹配圖像；（3）如何快速實現缺陷分割并剔除偽缺陷；（4）如何選取缺陷特征，用以實現缺陷識別。以具體產品為例，相對其他輪胎產品，航空輪胎對質量檢測的要求較為嚴格，只要航空輪胎的檢測技術到位，其他輪胎產品也基本可以檢測。以航空輪胎的缺陷檢測為例，根據GB/T 9747-2008《航空輪胎試驗方法》、GB/T 13652-2004 《航空輪胎表面質量》和GB 15323-1994 《航空輪胎內胎》等標準的要求，研究表面缺陷在線檢測的圖像處理方案；開發一套基于機器視覺的產品表面缺陷的在線檢測設備，同時根據GB/T 13653-2004 《航空輪胎X射線檢測方法》所述，配合X射線發射儀，利用一對一的服務器/客戶機構架的機器視覺對標準中所描述的航空輪胎的一系列缺陷，如斷層、氣泡和裂口等進行高精度、高實時性、高連續性以及非接觸式的在線缺陷檢測。具體技術指標：（1）能檢測出最小直徑0.3 mm的輪胎內部缺陷（即橫向縱向最小均為0.3 mm）并能對缺陷進行分類識別，主要包括結構類、氣泡類和夾雜物類，對缺陷的檢出率要求大于90%；（2）對缺陷部位進行定量和定位分析：讀出缺陷的尺寸（誤差0.5 mm），測出缺陷距離輪胎表面的深度，決定缺陷在輪胎內部的位置；（3）在線檢測設備的檢測檢測速度與X射線管旋轉速度同步，X射線管旋轉一周即完成一個輪胎一個圓周的缺陷檢測。

3.2研究內容和技術路線

3.2.1確定機器視覺檢測系統的基本框架在數據量大時，采用一個處理器搭配一臺攝像機的一對一方式。在產品表面檢測中，由于航空輪胎的圓周面比較大，數據量也就比較大，通常采用的機器視覺單攝像機方式，很難滿足圓周面檢測分辨率高、數據量大的要求，而多臺攝像機能滿足分辨率和數據量的要求，卻又相應帶來實時性差的問題。若采用多臺攝像機的方式，就需要配備多套成像系統，一套成像系統造價在10萬元左右，基于成本和計算數據量的考慮，本研究選用一對一方式，利用分時運動克服單臺攝像機采集數據量不足的缺點。具體來說，就是在經典的服務器/客戶端模式架構的基礎上設計一種基于機器視覺的系統結構以實現輪胎圓周面產品表面缺陷的在線檢測，該結構主要由四部分組成：服務器（嵌入式系統）、客戶端（圖像處理子系統）、信號模塊（PLC）、輸出單元。系統框架如圖1所示。每隔一定的時間（系統初步設定為5 s），服務器通過PLC控制步進電機驅動輪胎做圓周轉動，每轉過一個固定角度（系統定為120°），服務器就調動客戶端完成此區域內相對獨立的視覺檢測任務，一次間隔只檢測輪胎的三分之一（120/360），經過3個時間間隔，客戶端即完成了整個輪胎360°的全面檢測，然后利用拼接原理把各部分拼接起來，統一到一個坐標系下。拼接測量的關鍵是利用重疊區計算出各次測量時基準的不同，然后消除不同，統一在一個坐標系下。拼接測量的方法可以直接計算出被測輪胎的全面信息。為了保證服務器和客戶端之間圖像檢測數據可靠、實時的交互，本研究采用千兆以太網的方式傳輸數據。作為整個檢測系統的管理控制單元和人機交互接口，服務器不僅要完成檢測任務的調度，還要可以設定檢測參數，接收和實時顯示客戶端上傳的圖像數據和處理結果（缺陷等），并將信息存入數據庫中。此外，服務器還接收PLC傳來的位置檢測信號，用于與客戶端的同步，并且根據檢測結果中的位置信號，對執行機構發出動作信號，標記并剔除有缺陷的產品。在客戶端處理核心中安裝有圖像采集卡，接收服務器設置的參數和任務調度，控制采集卡和攝像機完成圖像實時采集，利用圖像處理算法處理和分析圖像數據，將最終得到的缺陷位置和分類信息上傳給服務器，保存缺陷圖像以備查。

3.2.2設計編寫表面缺陷檢測的圖像處理方案在表面缺陷檢測中，根據圖像數據的特點，本研究提出以下圖像處理過程：缺陷分割、特征提取及缺陷分類。首先是缺陷分割：在表面缺陷檢測的時候，利用圖像處理算法，處理采集到的產品表面圖像，將缺陷從復雜的背景圖像中分離出來。接著是特征提取：提取缺陷后，對缺陷的各種標識性屬性進行提取，主要是幾何特征和灰度統計特征，以保證后續的缺陷分類和識別。幾何特征指的是輪廓特征，比如長度、形狀、面積、重心等。灰度統計特征指的是分布位置、統計值、均方差等等。還有缺陷分類：本研究采用改進的BP算法[7]對網絡進行訓練，構建神經網絡分類器來實現輪胎缺陷分類，為了提高檢測系統對偽缺陷的適應性，本研究將部分偽缺陷也作為網絡輸出并對其進行訓練。由于圖像處理中需要運用大量的計算機內存處理算法，為避免編程中出現內存泄露進而造成計算機內存資源流失的現象，決定采用對內存進行托管的C#語言進行編程。

3.2.3服務器和客戶機系統之間的同步服務器/客戶端模式架構的機器視覺系統具有獨立性和并行性的特點，它不得不面臨的一個重要問題是如何解決服務器和圖像處理子系統之間的同步問題，包括攝像機同步采集、數據同步處理和輪胎運動同步控制等。本研究利用攝像機本身的外同步特性，采用對攝像機提供統一的線掃描觸發信號保證攝像機采集同步。機器視覺系統基本組成模塊見圖2。

4結論實際測量結果證明，應用視覺檢測方法可以較好地解決傳統測量方法中時間長、工作量大、測量效率低的問題。該方法能夠充分利用現代計算機技術的優勢，設備簡單、易用，克服了傳統測量儀器的許多誤差來源，具有快速、準確、非接觸測量的優點。在實驗室中初步完成了實驗系統的核心部分（如圖3所示），與傳統的測量方法相比，原先需要15 min的測量時間，現在只需要15～30 s就可完成，操作也更加簡單便捷。該系統可檢測出最小直徑0.3 mm的輪胎內部缺陷（即橫向縱向最小均為0.3 mm）并能對缺陷進行分類識別，主要包括結構類、氣泡類和夾雜物類，對缺陷的檢出率為96%。

參考文獻：

[1]彭向前.產品表面缺陷在線檢測方法研究及系統實現[D].武漢：華中科技大學，2008.

[2]ZHANG Z.Determining the Epipolar geometry and its uncertainty[J].A Review Int Journal on Computer Vision，1998，27（2）：161-195.

[3]章毓晉.圖像處理和分析[M].北京：清華大學出版社，1999.

[4]朱方文.基于LAP方法的機器人靈巧手控制[D].上海：上海大學，2006.

[5]張嘉琪.基于嵌入式系統圖像處理平臺的萬壽菊水分狀態檢測系統的研究[D].重慶：西南大學，2009.