检测分级

检测分级（共8篇）

检测分级 篇1

0 引言

随着环境污染越来越严重,高压电气设备在长期运行的过程中,绝缘性能势必会大幅度下降。愈加恶化的绝缘状况必将造成设备故障[1],引起功率损耗或者电力中断,造成重大电力事故。当设备绝缘性能下降,会出现电晕放电现象。为了保障电力系统的稳定运行和一些重要的电气设备,对设备的绝缘状况进行实时监测显得尤为重要。

近年来,紫外检测已经成为检测电晕放电故障的新技术[2]。利用紫外成像技术,检测电气设备局部放电过程中辐射出的紫外线。利用计算机技术对采集到的紫外图像进行图像灰度、二值化、中值滤波、锐化等相关处理,然后与可见光图像进行融合,能够实现对放电故障点的精确定位。然而,对电晕放电量化等级方面的研究甚少。

以往的研究仅仅是根据高压设备的绝缘故障情况对电力系统稳定性及破坏程度的大小,一般定性的分为三类:一般故障、严重故障、紧急故障。但是以上的绝缘故障状态评定方式缺少定量化的明确标准,且往往发生一般性缺陷的情况占大多数,难以通过定性给定准确的故障评估大小,因此对一般性的缺陷的绝缘故障状态的量化评估就显得尤为必要。本文利用Delphi软件对采集到的电晕图像进行处理后作为分级数据,采用遗传算法的投影寻踪理论,建立设备放电状态模型。应用MATLAB软件进行仿真分析。结合实例的实验结果也达到了预期的效果,能够实现对设备出现故障时电晕放电的量化分级。

1 电晕放电紫外图像采集与处理

数字图像处理是应用计算机程序对数字图像进行不同方面的处理,利用计算机程序对像素进行编程,达到处理图像的目的。Delphi软件编程语言是Pascal语言,其具有可读性好、容易编写,很适合作为开发工具,而且Delphi在图像处理方面拥有强大的功能。本文所处理的紫外图像都是在Delphi环境下进行的。紫外图像的处理过程如图1 所示,对紫外图像进行数字图像处理的最终目的是提取放电目标对象,为故障定位和故障状态模式识别提供依据。经过紫外成像系统采集到的紫外图像首先要过灰度处理,把彩色图像转换为灰度图像,统计出每一个灰度级上像素点的个数,然后将像素点数目绘制出来,取一个合适的像素点做下一步二值化过程中的阈值,这样就可以将目标与背景很清楚地分离开。经过图像二值化处理之后的图像的几何性质只与0 或1 有关,不用再去考虑像素具体的值。采集到目标图像的轮廓往往比较模糊,经过图像的锐化和中值滤波去噪处理后,图像所具有的信息易于人观察,而且其边缘和轮廓线变得比较清晰,为后续的研究提供方便。图像在采集或者传输的过程中,可能存在各种寄生效应,将会受到噪声的干扰,中值滤波是把数字图像中的一点的值用该点的一个领域的各个点的值的中值代替,中值滤波之后,有效的除去噪声干扰点,起到去噪的效果。

本文的紫外图像均是利用一种单通道日盲紫外成像系统[3,4]进行采集的,利用240 nm~280 nm这一日盲波段,借助高分辨率镜头、中心波长为254 nm的窄带日盲滤光片和外部采集盒进行图像采集。由于高压放电具有一定的不确定性,不是均匀的放电现象,所以几组图片作为诊断的依据,并不能很好的反映现实状况。因此需要根据放电状态,对同一处的故障放电状态进行长期监测,观察记录。由于一些外界因素会造成紫外成像的噪声污染,紫外图像部分信息和特征不是很突出,紫外成像信号周围也有干扰,这就需要通过图像处理来提取对象。利用Delphi开发工具实现对紫外成像图进行处理,将彩色图像转换成灰度,经过二值化处理,使得图像不再涉及像素的灰度值,去噪的作用就是处理图像的小白点的干扰,特征提取最后剩下的区域即为放电图像。如图2 所示,保存不同时期的电晕放电紫外图像。本文把采集到的不同时期的放电图像,选取45 组作为输入样本。统计出图像的平均放电面积、最小和最大放电面积和放电范围(紫外电晕图片上所展示的所有白点的范围面积)。这4 个特征向量作为输入样本的基本数据。

2 基于投影寻踪理论的模式识别等级模型

投影寻踪法具有全局搜索能力强、可规模化等优点,因此本文采用其进行投影优化,建立投影寻踪等级模型,对放电故障进行量化分级。建立电晕放电量化评级的模型主要分为6 个阶段。第一阶段选定能够反映对象特性的特征向量,并建立科学的特征向量体系。第二阶段,建立量化分级标准及分级处理。第三阶段,根据随机分布的原理,在各特征向量的等级范围内生成投影向量。第四阶段,投影目标函数的建立。第五阶段,对目标函数运用遗传算法进行优化,找出其最佳投影值。最后,根据评估等级与最佳投影值的关系建立电晕放电量化评级模型。

为消除各特征向量的量纲和统一各特征向量值的变化范围,需要进行极值归一化处理。如式(1)和式(2)所示,越大越优的特征向量:

越小越优的特征向量:

其中:xmax(j),xmin(j)分别为第j个特征向量值的最大值和最小值,x(i,j)为特征向量特征值的归一化的序列。

投影寻踪的方法就是把p维数据{x(i,j)| j=1,2,… ,p}综合成以a={a(1),a(2),a(3), …,a(p)}为投影方向的一维投影值z(i):

构造投影目标函数Q(a):

其中:Sz为投影值z(i)的标准差,Dz为投影值z(i)的局部密度,Rzy为z(i)与y(i)的相关系数。

其中:Ez为{z(i)|i=1,2,…,n}的平均值,Ey为{y(i)|i=1,2,…,n}的平均值。

当各指标值得样本集给定时,投影指标函数Q(a)只随投影方向a的变化而变化。此时用格雷码加速遗传算法优化投影方向投影目标函数值随投影方向变化,通过求解投影目标函数最大值可估计出最优投影方向,即最大化目标函数:

格雷码加速遗传算法包括6 步:1) 变量取值范围的编码;2) 初始化种群;3) 解码;4) 判断是否满足终止条件,若满足则输出最优解,不满足则算法转入步5);5) 对种群进行选择、杂交、变异生成新的种群,算法转入步2)进行迭代;6) 加速循环,选择第一次、第二次和第三次这3 次迭代中的优秀个体的变量范围作为新的变量取值范围,算法转入步1),由于优秀个体的变量范围越来越小,从而起到加速的作用。

3 应用MATLAB进行故障诊断仿真及实例分析

本文采用MATLAB软件进行分析。经过多次试验最终选定遗传算法参数:初始群体规模n=60,变异概率pm=0.08,交叉概率pc=0.80,最大遗传代数T=60。经过遗传投影得到最佳投影方向a*=[1.512,-1.240,0.536,1.178],将a*带入式(3)得到一维最佳投影值z(i)=1.512x(i,1)-1.240x(x,2)+0.536(x,3)+1.178(x,4)。

图3 为高压设备发生故障时采集到的电晕放电图像[5,6],经过Delphi软件进行数字图像处理。统计出该放电电晕图像的四个特征值,经过归一化处理后得到[0.684 93,0.684 921,0.685 185,0.732 347],将其代入到最佳投影方程可得0.700 1。代入式(10)可得为3.567 级,在第3 级与第4 级之间。其他放电电晕量化评估方法根据放电严重程度只能人为的分为4 种状态等级[7]。从1 级到4 级为由轻到重的放电严重程度。1 级表示已经存在微弱放电状态,应当引起注意。2、3 级表示已经存在故障,应当采取措施,避免造成电力事故。4 级状态存在发生非常严重的电力事故的风险,应当立刻采取措施。表1 为本文与其他等级评定方法的比较,自组织神经网络法[8]基于自组织特征映射神经网络强大的聚类学习能力构建的电晕状态评估模型,评估状态为3 级,通过MATLAB平台仿真测试表明该模型具有较高预测准确度和稳定性。模糊综合法是[9]利用模糊原理与层次分析法相结合的评价法,评估状态也为3 级。本文方法不仅可以判定等级,而且能反映处于该等级的程度,分辨力更高,评估结果更客观、合理。

由于评估等级为3.567 级,表示该高压电力设备存在放电故障,而没有得到及时处理,已经成为较严重的放电了。电力检修员工应立即进行电力设备的检修,避免造成更大的电力事故。

4 结论

随着电网的不断发展,输电电压已经跨入了特高压输电时代。高压设备和输电线路的电晕放电不光对环境造成影响,而且电晕放电时所产生的某些化学反应也是促成有机绝缘老化的重要原因之一,会加速设备的绝缘老化,造成电力事故。

本文采用紫外成像系统所采集的放电电晕图像,经过Delphi软件数字图像处理后,作为量化分级数据,利用遗传投影寻踪理论,建立量化等级模型。仿真实验验证了该识别方法能够有效地对电晕放电强度进行量化分级。电网工作人员能够根据电晕放电强度的大小诊断出故障,从而采取相应的措施,避免造成重大的电力事故。

参考文献

[1]关志成.绝缘子及输变电设备外绝缘[M].北京:清华大学出版社,2006:102-132.GUAN Zhicheng.The insulator and power transmission and transformation equipment insulation outside[M].Beijing:Tsinghua University Press,2006:102-132.

[2]王少华,梅冰笑,叶自强,等.紫外成像检测技术及其在电气设备电晕放电检测中的应用[J].高压电器,2011,47(11):92-97.WANG Shaohua,MEI Bingxiao,YE Ziqiang,et al.Ultraviolet imaging detection technology and application in corona discharge detection of electrical equipment[J].High Voltage Apparatus,2011,47(11):92-97.

[3]马立新,徐如钧,胡博.单通道双谱紫外电晕放电检测方法[J].测控技术,2012,31(3):32-35.MA Lixin,XUN Rujun,HU Bo.Dual-channel blind detection of UV corona discharge and method of image fusion[J].Measurement&Control Technology,2012,31(3):32-35.

[4]靳贵平,庞其昌.紫外成像检测技术[J].光子学报,2003,32(3):294-296.JIN Guiping,PANG Qichang.The Key Points of UV Imaging and Detecting System[J].Acta Photonica Sinica,2003,32(3):294-297.

[5]陈书汉,庞其昌,靳贵平.一种双波段图像实时融合实验系统[J].光学技术,2006,32(2):277-279.CHEN Shuhan,PANG Qichang,JIN Guiping.A experimental system for real-time two-channel image fusion[J].Optical Technique,2006,32(2):277-279.

[6]郭雷,李晖晖,鲍永生.图像融合[M].北京:电子工业出版社,2008:190-201.GUO Lei,LI Huihui,BAO Yongsheng.Image fusion[M].Beijing:Publishing House of Electronics Industry,2008:190-201.

[7]马立新,陶博豪.放电故障紫外检测系统及其状态识别方法[J].计算机测量与控制,2012,20(7):1803-1805.MA Lixin,TAO Bohao.Discharge fault of ultraviolet detection system and its state recognition method[J].Computer Measurement and Control,2012,20(7):1803-1805.

[8]王鹤,曾鸣,陈珊,等.基于模糊层次分析法的供电服务质量综合评级模型[J].电网技术,2006,30(17):92-96.WANG He,ZENG Ming,CHEN Shan,et al.Comprehensive evaluation model for power supply service quality based on fuzzy analytic hierarchy process[J].Power System Technology,2006,30(17):92-96.

[9]焦利民,刘耀林,任周桥.基于自组织神经网络的空间点群聚类及其应用分析[J].武汉大学学报:信息科学版,2008,33(02):168-171.JIAO limin,LIU Yaolin,REN Zhouqiao.Based on self-organizing neural network application of point cluster classes and their spatial analysis[J].Journal of Wuhan University:Information Science Edition,2008,33(02):168-171.

检测分级 篇2

记者发现，与银华深100等现有的指数分级基金不同，此次发行的银华800分级基金采取了指数增强的跟踪方法。拟任基金经理张凯表示，指数增强与投资者所理解的传统的被动指数投资和主动投资不同，指数增强基金具有两方面的特征，其一是在跟踪误差上严格控制，力求短期内波动与指数相近；其二，在股票持仓结构上微调，力求中长期来跑赢指数。指数增强与纯粹的被动复制投资相比，基金有超额收益，而与主动投资相比，极大降低了基金可能阶段性大幅跑输基准的风险。

“指数增强就像攒钱一样，需要‘开源’‘节流’，两者缺一不可。”张凯形象地表示。“节流”方面，主要是降低交易费用、使用算法交易获得更优的成交价格以及通过自动化投资管理平台减少人工干预等。以完全复制指数的银华90分级基金为例，今年前三季度，在没有进行任何的主动增强操作基础上，仅通过以上的“节流”方法，相对于业绩比较基准，基金的投资组合已经实现了2.5%的超额收益。

在“开源”方面，张凯介绍，银华量化投资团队研发了大量低相关性的主动量化策略，再通过风险模型将这些策略组合起来，承担相对较低的风险的同时力图实现较高收益、高胜率、低回撤。通过这种一点一滴的积累，希望可以为投资者提供长期稳定的超额收益。

分级机制升级：

提升A、B类份额吸引力

除指数增强的方法外，银华800分级在A、B两类子份额的特征设计上有所改进。张凯表示，银华中证800等权重指数增强分级基金的分级模式与银华基金旗下其他分级基金的基本架构类似，但也根据市场需求做了一定的调整。具体而言，第一个变化是银华800A的约定收益的分配日由大多数稳健类份额的次年第一个交易日变为当年12月份的第一个交易日。这样的调整一方面使投资者当年可以享受收益；另一方面，对于一些机构投资者而言，该种设计能帮助其在税收或者会计制度上有更大的优势。

第二个变化是当银华800分级的“上拆”阀值由普遍的2元下调为1.5元，即当银华800份额（分级基金母份额）净值达到1.5元时，基金将进行份额折算，这样做可以保证银华800B较高的杠杆水平，强化了银华800B的杠杆特征。

股票配置紧抓两条主线：

改革+创新

银华中证800等权重指数增强分级基金的跟踪标的为中证800等权重指数，该指数由沪深300和中证500的成分股等权重配置而成，是国内市场上颇具代表性的全市场指数。通过等权重配置成分股，提升了经济转型受益的行业（如文化传媒、节能环保、新能源、医药、计算机、电子等）在在指数中的配置比例，这种配置方式更加符合我国经济转型方向。

对此，张凯表示，从今年以来的经济数据来看，无论是工业增加值、固定资产投资增速还是PMI、通胀数据，基本上均呈现出稳步回升的势态，但最新的PMI数据和投资品价格又略低于市场预期，总体来看，我国经济今年以来呈现出淡季不淡、旺季不旺的局势，经济已经度过了去年最差的那个时间段，走势基本企稳，但未来回升的路径相对而言比较曲折。

对于A股市场今年以来的走势，张凯认为，在经济走势相对稳定的背景下，影响A股走势的因素主要有两个方面，一个是政策因素，一个是海外市场。具体而言，政策方面，新一届政府上台后，出台了较多政策，受此影响，相关板块的股票今年以来走势都很强势；而海外市场方面，受美国QE退出预期的影响，今年以来一些新兴市场出现了非常大的跌幅，若美国QE真的退出，全世界的资金将会从新兴经济体流回发达经济体，资金驱动的A股市场造成实质上和心理上的双重负面影响。

而对于今年以来A股市场所呈现出大盘蓝筹股和中小盘成长股的分化走势，张凯分析认为，这种分化的主要原因并不来自大盘股，而是来自中小盘股。具体而言，今年以来，大盘股的走势比较符合当前国内外的经济走势；而中小盘股走强的原因则更多的来自市场预期，而非业绩驱动。以互联网板块为例，虽然国内对于互联网的需求确实非常大，国外相关板块的股票今年以来的走势也很强，但是国外互联网板块股票的走势是有公司业绩作为支撑的，而A股上市的互联网公司实际竞争力并没有那么强，大部分公司当前的股票价格都需要很长时间或者很高的业绩增速来消化。

对于未来的股票配置，张凯建议投资者沿两条主线进行挖掘。第一条主线是与传统产业结构调整有关的股票，例如落后产能的淘汰、兼并重组以及投资领域的民生投资、金融改革试验区等；第二条主线是与经济结构转型密切相关的股票，例如文化传媒、节能环保等板块，建议寻找该类板块中的龙头或者未来有可能成为龙头的公司。

检测分级 篇3

我国是一个大型瓜果(甜瓜、西瓜、柚子等)种植大国,产量逐年增加。然而,我国的大型瓜果出口量小、价格低、附加值低,因而采摘后进行检测分级尤为重要。早在日本的超市里,冬季上市的西瓜要在标签上标出糖度数值[1]。目前国内外已有相关学者对大型瓜果分级检测技术已进行了相关研究 。声波特性、振动频谱法、电磁技术、计算机视觉技术以及光谱技术已经为大型瓜果的检测分级提供了广大的空间,这些技术的发展和应用为提高大型瓜果的市场竞争力和农民增收具有重大意义。

1 声波特性的应用

利用声波技术对大型瓜果的品质进行检测分级,其原理是当敲击瓜果的表面时,到达瓜果表面的声波利用其反射波可以提供该瓜果的声学特性,如声音传播速度、衰减系数、对称性、声学阻抗、功率谱峰值频率、固有频率、通带能量以及BMV等,通过这些声学特性寻找出与瓜果品质(糖度、坚实度、肉质颜色、纹理、成熟度等)之间的关系,从而进行检测与分级。

饶秀勤等[2,3]利用声波在西瓜中的传播速度检测西瓜的含糖量,并研制了测试试验台。试验中对西瓜进行检测时,PC机控制声波发生器产生一个声波信号,然后将声波信号经过一系列的转换之后成为数字信号,存贮于计算机备用。最后通过破坏性试验来确定该西瓜的内部品质,经过对数据的处理和分析,建立西瓜声波传播速度与其含糖量的相关性模型。测试结果显示,西瓜内部是否空心对声波传播速度有很大的影响。当西瓜的蒂部不靠近地面时,西瓜声波传播速度与测试点的含糖量在3阶polyfit 函数统计回归分析时,相关系数为0.946 8。何东健等[4]利用打击音波特性研究西瓜成熟度和内部品质,试验中采用单摆式装置击打西瓜表面,测定了西瓜果实的打击音波曲线。通过对音波曲线进行分析,得出结论:音波波形随西瓜果成熟度增加,其振动时间变长,振动衰减变慢,对称度增加;未熟瓜、适熟瓜、过熟瓜的音波频率范围分别为164～280,132～164,107～130Hz。张玉新等 [5] 通过对不同成熟度的西瓜样本进行拍击,获得音频信号,然后借鉴国内外的先进技术和经验, 提取了与西瓜成熟度密切相关的几种特征:衰减系数、功率谱峰值频率、对称度、通带能量和BMV,并从中找出1个相关性最高的特征完成对西瓜成熟度的无损检测。在一定实验条件下得出结论,上述特性中BMV的实验效果很好,F比评价达到了2.045 6分值。实验证明,BMV能够在本实验环境下与西瓜成熟度具有很高的相关度。

2 振动频谱法的应用

振动频谱法是一种简单有效的检测方法之一,其原理是利用不同的物质具有不同的振动频率和固有频率,研究大型瓜果的品质和振动频率之间的相关性,进而进行品质检测和分级。

胡生喜等[6]使用振动响应频谱法对西瓜成熟度进行可行性研究,实验结果发现利用激振技术测定西瓜成熟度是可行的,进行测试时的振源应在 200Hz以上。刘志壮等 [7]提出应用声音特性,采用LABVIEW采集与处理技术拟研制台式西瓜无损检测系统,应用DSP处理技术拟研制便携式西瓜无损检测装置。李琳等 [8]利用声振法研制一套检测西瓜是否成熟的仪器,以MEMS加速度传感器和称重传感器为检测信号的来源,以声振法检测原理为基础,利用数字信号处理(DPS)技术将反映西瓜成熟度的信号用A/D电路采样,经过快速傅里叶变换(FFT)得出西瓜的固有频率。因为固有频率和成熟程度存在着一定的关系,最后经过单片机处理将在液晶上显示出振动频率和振动波形等检测结果,并且按照检测结果对西瓜的成熟度做出判断。

3 电磁技术的应用

电磁技术在大型瓜果的内在品质鉴定上具有较大潜力。其原理是利用各种物质或同一物质在不同的生长期有不同的介电常数,通过这些介电常数寻找出与瓜果品质之间的关系,从而进行检测与分级。

Wen-chuan Guo等[9,10,11] 利用开放式同轴探针和电阻抗材料分析器,采用频率在10 MHz～1.8 GHz之间检测甜瓜、西瓜介电常数,通过介电常数获取瓜果内部组织和外表有关参数介电性能,用几个甜瓜、西瓜品种的总含糖量和可溶性固形物含量作为内在品质检测指标,研究这两个指标与电容率之间的相关性。实验结果显示,可溶性固形物含量和含水量之间有很高的相关性,其系数为0.96;而介电损失、介电常数和可溶性固形物含量之间的相关性很低,但由介电损失与介电常数的复合平面图可以获得一个可溶性固形物含量与介电常数之间的良好相关性。因此,介电特性参数的检测结果基本可以反映甜瓜的内在品质。

4 机器视觉技术的应用

机器视觉检测分级是利用计算机技术对大型瓜果的品质进行综合指标判断并分级的新技术。随着图像处理技术的迅猛发展和计算机软硬件的日益提高,机器视觉技术在果蔬品质自动检测和分级领域的应用已得到了较好的应用。利用机器视觉技术实现大型瓜果品质无损检测是国际上研究的热点课题,从目前的国内外研究进展情况来看,机器视觉技术应用已经比较成熟。

4.1 按大小分级

哈密瓜大小是分级的主要依据之一,是哈密瓜等级不可缺少的重要指标。应义斌[12]研究机器视觉技术精确检测大型水果尺寸方法,建立了实际被测物体上的点与图像中的点之间的定量关系,给出了利用物体的边界信息求出物体形心坐标的新方法。实验表明,所测水果预测最大横径与实际最大横径的相关系数为0.96。吕福香等[13] 提出了基于数学形态学和改进的spline插值的图像处理算法,以甜瓜果实的直径微变测量为目标, 开发出了基于视觉的高分辨无损检测系统,实现了甜瓜纵横径表征形态信息的高精度非接触提取。这种算法运算简单,与传统边缘检测算法相比,该算法更易于提取出较为理想的边缘信息,为揭示甜瓜形态与关键环境因子间的组合响应关系和时空变化特征提供了数据参考。

4.2 按形状分级

果实形状是哈密瓜品质检测与分级的一个重要指标。赵静等[14]首次提出了利用参考形状法提取果形特征参数,采用半径指标、连续性指标、曲率指标、半径指标的对称性、连续性指标的对称性、曲率指标的对称性这6 个特征参数,并应用人工神经网络对果形进行识别和分级。实验结果表明,采用提取的特征参数和果形识别技术,使计算机视觉分级与人工分级的平均一致率在93% 以上。

4.3 按颜色分级

颜色作为衡量哈密瓜外部品质的重要标准之一,同时该指标也能间接反映哈密瓜的内部品质。因此,按颜色分级也是水果分级的一项重要内容。

冯斌等[15]对不同颜色等级的水果在其表面分布的分形维数为特征进行分级。为使颜色分级能更符合实际需求,特征值应考虑各色度点的累计特性和空间分布特性。通过各色度域分形维数作为模式处理,建立人工神经网络识别模型。实验结果表明,通过人工神经网络识别进行分级的准确率达95%。郭峰等[16]提出了一种对彩色水果图像进行果实轮廓提取的算法,首先在OHTA颜色空间中用阈值分割法实现图像分割, 然后用BLOB方法滤掉了图像中的噪声, 最后用Spline插值的方法获得平滑的轮廓。

4.4 按表面缺陷分级

表面缺陷也是哈密瓜分级的重要指标之一。何东健等[17]运用机器视觉测定球形果实表面缺陷,建立了从投影图像恢复球形果实表面几何特征的像素点变换法和边界变换法,通过试验表明,两种方法可使测定相对误差减小35% 左右。张烈平等[18]综合运用计算机视觉技术和BP神经网络技术,实现对芒果表面损伤的检测与分类。通过计算机视觉系统获取芒果图像,利用图像处理去除噪声、图像分割和图像增强等多种基本图像处理的方法, 对芒果表面损伤图像进行处理;然后对芒果图像进行了特征分析,提取出了9个特征参数,建立这9个特征参数基于MATLAB的3层BP神经网络模型识别芒果的表面缺陷,对芒果进行分类。通过试验表明,模型对芒果识别的准确率达85. 5%。王书志等[19]提取基于纹理和颜色的综合特征,构建了甜瓜缺陷的检测分级系统。对甜瓜图像可疑区进行了纹理分析,提取灰度共生矩阵的4个特征参数,经过比较实验得出,对比度和角二阶矩两个参数对甜瓜瓜蒂、花萼、擦伤和霉变上有明显的可区分性。在可疑区域上提取了算术运算组成的12种颜色特征,并由R,G,B颜色分量进行分析,最终形成的综合分类特征向量由以上2个灰度纹理特征与4个颜色特征构成。实验结果表明,由这些优选出的纹理与颜色特征组成的综合特征及支持向量机分类器对甜瓜缺陷的识别正确率达到92.2%。

4.5 果梗、瓜蒂检测分级

果梗信息的准确判别在哈密瓜分级中具有举足轻重的作用。首先找出果梗方向,进而可进行下一步果形、果茎的判别。张建华等[20]提出了一种新的甜瓜瓜蒂识别方法。该方法提出了连续凹点组概念,通过计算每个连续凹点组中曲率最大凹点的链码长度与欧几里德距离的比值识别瓜蒂。该算法在各种类型的瓜蒂识别率都在92%以上,同时将该算法在识别率和平均处理时间与收缩膨胀法和CVC法进行比较,结果表明新算法在处理时间上比收缩膨胀法缩短了很多,法瓜蒂识别率比CVC法有很大的提高。徐莹莹等(2011)[21]提出了一种基于角点检测的瓜蒂检测和分离方法,该利用瓜蒂上有很多高曲率点且分布集中特点,可准确地找到并擦除瓜蒂。实验表明,与多种已知瓜蒂检测算法的对比,该方法的平均擦除率达到了 96% ,与形态学算法基本相当,比CVC法提高了35%,而处理速度只有形态学算法的6%,满足实时处理的要求,本算法具有很高的识别率和较小的耗时。

5 近红外线检测分级技术的应用

田海清等[22,23]利用可见/近红外漫透射方法对西瓜的坚实度进行了检测,采用偏最小二乘法和主成分光谱检测西瓜坚实度的方法和模型。研究对比了回归法建立了关于可见/近红外漫透射以及光谱平滑处理(Savitsky2Golay法)对建模结光谱经微分处理(一阶微分光谱和二阶微分光谱)果的影响,结果显示光谱经二阶微分处理并采用Savitsky2Golay法滤波后,用PLS方法可以得到最好的坚实度建模结果。T. Maruo[24]等利用激光探测西瓜内部品质,如可溶固体含量和成熟度,并开发了无损检测系统。实验采用近红外光的波长在800～1 000nm之间的激光照射到瓜顶部,然后检测透射光的比率。实验测定了90多个西瓜和500多个甜瓜的可溶固体含量和成熟度。实验后立即将待测瓜垂直切开,检测其糖度、坚实度以及其它内部品质参数,且这两种瓜的成熟度与可溶固体含量相关系数很高。实验表明,水果的成熟度用含糖量和可溶固体含量是可以测的。

6 大型水果分级机

生产企业包括: 山东龙口凯祥有限公司、沅江兴农机械制造有限公司和龙口市富士包装机械有限公司等。主要型号和性能如表1所示。

7 存在的问题及展望

1)利用声学特征检测分级的装置很难实现在自然外界干扰下进行准确检测,因而采用LABVIEW 采集技术和数字信号处理器(DSP)处理技术,结合振动频谱法研发实用便携式检测仪或检测装置具有较好的应用前景。

2)检测分级技术较多,但是能够准确检测精度、速度和定位还是比较困难,需要学科的交叉和多技术的融合研究,瓜果内外品质融合的机电一体化分级技术是未来的发展趋势。

3)基于机器视觉的检测技术中,目前绝大多数研究的对象是静态瓜果个体;而在实际的分级生产现场中,采集的图像是瓜果动态图像序列,这就使许多静态图像的算法不能适应动态图像序列的特征提取。因而,准确采集动态图像实现在线监测分级是今后的研究方向之一。

摘要：较全面地介绍了目前国内外大型瓜果(甜瓜、西瓜、柚子等)品质检测分级技术的研究现状以及方法,包括声波特性、振动频谱法、电磁技术、机器视觉技术以及光谱技术。同时,提出了大型水果的检测分级技术目前存在的问题,并对未来大型水果品质检测分级技术的发展予以展望。

检测分级 篇4

可转债作为债券投资的品种之一，具有债权和期权的双重属性，其持有人可以选择持有债券到期，获得公司还本付息；也可以选择在约定的时间内转换成股票，享受股利分配或资本增值。银华中证转债指数增强分级基金是以中证可转换债券指数作为标的指数的指数增强型基金，在份额结构分级设计上，母基金份额为转债基金，场内份额将按照7：3的比例分离成稳健收益类基金份额（即“转债A份额”）和积极收益类基金份额（即“转债B份额”），其中，银华转债B份额的初始杠杆为3.33倍。

银华中证转债指数增强分级基金的三类份额分别满足了不同风险收益偏好投资者的不同需求。母基金份额具有债券型基金风险收益特征，其风险收益预期高于货币市场基金，低于混合型基金和股票型基金；银华转债A份额具有低风险、收益相对稳定的特征，相比于其他永续型分级基金A级份额，银华转债A的“久期”显著缩短，这意味着投资者可以更短的时间收回本金，在收益率相同的前提下，银华转债A更具吸引力；银华转债B份额具有高风险、高预期收益的特征，同时具有期权属性，在特定条件下，具有更强的弹性特征。

银华中证转债指数增强分级基金以中证转债指数为投资标的，引入分级机制，实现转债价值中期权价值与债券价值的分离、满足投资者不同风险收益偏好的投资需求。

检测分级 篇5

水果检测分级可以将水果按照大小、质量、颜色、品质等不同特征分成不同的等级, 以方便销售和消费者购买。水果检测分级不仅可以增强果品在市场上的竞争力, 还可以增加果品的附加值, 提高经济效益。国内外水果检测分级装置大致经历了从机械式、光电式到基于机器视觉技术的过程。本文通过综述3种分级方式的技术应用现状, 指明这些技术存在的优缺点, 并对未来水果检测分级设备的发展方向和研究重点进行展望。

1 机械式水果自动检测分级设备

机械分级主要是将水果由输送带或输送链传送到分级部件, 通过分级部件上大小依次变化的孔穴或直接通过输送带或输送链之间间距的变化, 使大小不同的果品先后分离, 以达到分级的目的[1]。目前, 机械式水果分级机主要有滚杠式、辊式、滚筒式3种。

1.1 滚杠式分级机

滚杠式分级机中, 所有滚杠相对水平面平行安装, 工作过程中滚杠之间的间距由小变大, 水果在滚杠上输送时, 当滚杠间距超过水果直径, 水果便掉进下方相应的分果槽中。

滚杠式分级机 (变间距螺杆法) 工作原理见图1。

1-送果槽;2-水果;3-变间距螺杆;4-滚杠;5-连接链

1.2 辊式分级机

辊式分级机又可分为对辊式 (也称双辊式) 和辊带式2种[2]。

对辊式分级机中, 分级辊轴与水平面有一定倾角, 并且两分级辊轴之间成一定角度。工作时, 对辊逆向旋转, 由于对辊间有夹角, 对辊之间形成逐渐增加的分级间距, 又由于两辊倾斜安装, 重力作用使水果下滚, 当滚至对辊间距大于果径之处时, 水果便从对辊间落下, 进入分果槽中。为了提高生产效率, 可以设计安装多对双辊同时工作。

对辊式分级机工作原理见图2。

1-棍子;2-水果;3-送果槽;4-分果槽

辊带式分级机通过改变辊轴与输送带之间距离来实现分级尺寸的改变。工作时, 输送带直线运动, 辊轴作匀速转动。水果落到输送带和辊轴之间后, 由于输送带的直线运动和辊轴的旋转运动使水果产生移动和滚动, 当水果直径小于输送带与辊轴之间的间隙时则落入分果槽中。辊带式分级机按照辊轴直径的不同又可分为等径辊带式分级机和变径辊带式分级机[2]。

辊带式分级机工作原理见图3。

1-送果槽;2-输送带主动轮;3-棍子;4-水果;5-输送带;6-输送带从动轮

目前我国研制的6GF—1.0型水果大小分级机, 采用先进的辊、带间隙分级原理, 工作时果实因直径不同而通过不同的间隙落到相应级别的水果槽, 分级精度≥95%, 生产率≥1.5 t/h。

1.3 滚筒式分级机

滚筒式分级机的分选滚筒上有孔径逐级增大的圆孔, 工作时水果在滚筒内沿着旋转滚筒的内壁运动, 小于分选孔的水果先从第一滚筒分选孔落入接果盘, 大于分选孔的则继续向前滚动, 直至遇到相应分选孔而落下, 于是在不同的接果盘就得到不同等级的水果[3]。

滚筒式分级机工作原理见图4。

1-送果槽;2-滚筒单元;3-分选孔;4-分果槽

总体而言, 机械式分级机结构简单、价格便宜, 与人工分级相比, 分级速度较快, 分级精度较高, 对操作人员的素质要求较低, 适用于广大水果种植者和小型水果加工企业, 但机械分级容易损伤水果。

2 光电式水果自动检测分级设备

光电式分级方式是在机械式分级技术的基础上广泛采用移位寄存器、光电传感器、数显寄存器等进行的分级, 根据检测目标的不同, 分为形状分级装置、质量分级装置和颜色分级装置等。

光电式分级设备工作原理为:水果进入光电式分级装置之前, 先由单列机将水果排列成单列。单列机由组成“V”字形的两根速度差异的侧向输送带组成, 在水果向前输送过程中自动将水果整理排列成单列。根据生产能力的大小, 光电式分级装备可组合成2列、4列、6列、9列等多种型式。成单列的水果逐个进入特殊输送链上的物料杯或接料辊中, 依次经高速摄像机摄像。特殊的机构使水果在摄像过程中不断旋转, 以保证拍摄不同截面的各种参数。摄取的各种数据随即传送到计算机中进行贮存和处理, 并和用户设定的分级要求进行比较, 然后指令水果输送到特定的分级出口通道处, 由出料机构将水果倾翻到设定的出口通道中, 之后进行包装贮存。

光电式分级技术能够提高分级精度, 并实现自动无损检测分级。但存在检测指标单一、效率较低、稳定性较差等不足, 目前大多仅作为试验研究, 实际应用的尚不多。

3 基于机器视觉技术的自动检测分级装置

该方式是利用计算机视觉技术采集水果的图像, 应用图像处理、模式识别等技术, 测算出水果的大小、形状、颜色、缺陷、纹理等指标参数, 根据这些参数确定水果品质。

国外从20世纪90年代开始研究基于计算机视觉技术的水果分级系统, 到现在已有部分实用的产品, 如美国的OSCARTM型和MERLIN型高速水果分级生产线, 广泛用于对苹果、梨、橘子、桃等水果的分等定级和品质检测;日本Naoshi研究的计算机视觉检测设备, 针对苹果、桃、梨等多个水果品种, 分别制定了颜色、形状、大小、纹理、外部损伤的计算机视觉分级标准, 设备分级速度可达8 500个/h。

国内从20世纪90年代开始利用计算机视觉技术进行水果的分级研究, 中国农业大学较早开始研究苹果自动分级的图像分割问题, 提出了用计算机图像技术进行坏损苹果的自动检测, 根据苹果光学反射特性建立了一套适用于苹果自动检测的计算机图像处理系统。该系统只能实现对坏损苹果的初步检测, 当苹果坏损部位被检测出来后, 再根据相应的分级标准进行人工分类。

水果品质智能化实时检测和分级生产线系统简图见图5。

1-水果输送翻转系统;2-计算机视觉识别系统;3-分级系统;4-光照箱动态;5-图像采集系统;6-计算机;7-控制模块;8-分级执行机构;9-位置传感器

李庆中研究了苹果颜色自动分级系统, 确定了苹果颜色特征的提取方法, 利用遗传算法实现了多层前馈神经网络识别器的学习设计, 实现了苹果颜色的实时分级, 并通过实验验证了该方法的有效性。实验结果表明, 颜色分级识别的准确率在90%以上, 分级一个苹果所用的时间为150 ms[4]。

应义斌等人提出了用计算机视觉技术进行黄花梨果梗识别, 判断有无果梗的正确率为100%, 判断果梗是否完好的正确率为93%。

蒋焕煜等人对水果图像的背景分割与边缘检测技术、苹果果梗和表面缺陷的计算机视觉检测方法、苹果图像的预处理及尺寸检测, 以及水果分级自动生产线等也进行了深入的研究。在此基础上, 2002年, 浙江大学成功研究开发出水果品质智能化实时检测分级生产线, 该生产线主要由水果输送翻转系统、计算机视觉识别系统和分级系统组成。根据水果的大小、形式、色彩、缺陷和表面光洁度进行外部品质的综合检测, 可按照不同水果的国家分级标准所需的外部特征信息进行分等、分级, 生产率可达3~5 t/h[5]。

基于机器视觉技术的自动检测分级装置的特点是速度快、信息量大、功能多, 并且能消除主观因素干扰, 可以对水果各分级指标进行定量描述, 实现无损检测, 判断精度较高, 因此发展迅速。

4 结论与展望

(1) 机械式自动分级技术虽然在检测指标上有局限性, 但由于其在生产率上具有一定的优势, 且设备技术含量相对较低, 在短期仍然是研究的热点之一。如何解决分级过程中对水果的损伤和实现间隙可调等是未来的研究重点和方向。

(2) 光电式分级研究为水果的无损检测和机器视觉技术的发展奠定了基础, 但未来发展空间有限。

(3) 机器视觉技术因具有无可比拟的优越性, 成为水果自动分级未来的发展方向。如何实现实时在线检测和多指标综合自动分级等, 是未来的研究重点和方向。

参考文献

[1]杨松夏, 陆华忠, 吕恩利, 等.球形水果机械式大小分级技术研究现状[J].农机化研究, 2012, 8 (8) :235-239.

[2]刘小龙, 张杰, 刘向东, 等.辊式尺寸分级机的基本原理及种类[J].新疆农机化, 2010 (4) :12-13.

[3]秦永辉, 王伟, 程云湧, 等.滚筒式分级机的设计[J].农业科技与装备, 2010, 192 (6) :56-57.

[4]李庆中, 张漫, 汪懋华, 等.基于遗传神经网络的苹果颜色实时分级方法[J].中国图像图形学学报, 2000, 5 (9) :779-784.

检测分级 篇6

Internet技术突飞猛进, Web应用程序在让人们的生活变得更加方便和快捷的同时, 也带来更危险的安全隐患, 可能产生更加严重的后果。根据美国国家漏洞数据库NVD ( NationalVulnerability Database) 的统计, 在2008 和2009 年上报的漏洞中, Web应用程序漏洞占漏洞总数的比例分别为39. 65% 和36. 42% , 在2010 年上报的漏洞中, 该比例为29. 78% 。根据CNCERT / CC ( 国家计算机网络应急技术处理协调中心) 在《CNCERT/CC2009 年网络安全工作报告》一文中的统计数据来看, 网页恶意代码事件 ( 22. 39% ) 、网络仿冒事件 ( 5. 47% ) 及漏洞事件 ( 1. 54% ) 所占比例比较大, 可见我国的Web安全也不容乐观。

1 远程文件包含漏洞介绍

1. 1 GET数据传送方式

GET是HTTP /1. 1 协议中传送数据的一种方式, 在FORM提交时将提交Method设置为GET, 请求的数据会以明文方式附在URL后面。

1. 2 远程文件包含漏洞

远程文件包含漏洞主要在基于PHP语言的Web应用程序中发生。程序员写程序时将公用代码写在单独的文件中, 然后其他函数需要使用该代码时直接包含调用。由于PHP语言对远程文件和本地文件的操作都是使用相同的函数进行, 攻击者为达到恶意攻击目的, 会强行将特定的文件包含在Web应用程序中的PHP代码中。由于程序没有对包含的文件进行过滤所以Web应用程序会执行攻击者恶意包含的文件。如下代码实现的应用程序能够根据URL请求中参数值的不同来包含不同的文件。

当浏览器访问http: / /www. target. com/index. php? parameter_include_name = para. php时, 将包含para1. php文件, para. php中所有的代码都得到执行。如果攻击者将para. php修改为远程服务器上的恶意文件, 例如http: / /www. remote. com/malicious.php, 那么实际的请求url地址就是http: / / www. target. com / index.php? parameter _include _name = http: / / www. remote. com / malicious.php 。由于程序没有对参数parameter_include_name进行过滤, 也没有判断文件是远程文件还是本地文件, 那么远程文件http: / /www. remote. com / malicious. php中的恶意代码将在服务器以Web权限执行, 攻击者可以利在Web应用程序中添加木马、蠕虫等恶意文件, 对Web应用程序和合法用户造成危害。

1. 3 漏洞分级

本文研究分级漏洞检测, 在Web应用系统中, 设计者会根据需要采取一定的过滤机制来确保用户提交数据的合法性, 但是过滤机制有强有弱。针对Web应用程序页面使用不同的包含参数进行攻击, 使得Web页面包含不同的包含参数, 由于不同页面过滤机制的强弱不同会有不同的反应, 以此来判断漏洞的存在性和级别。对漏洞分级主要是根据造成的后果及影响的严重程度。

2远程文件包含漏洞分级检测工具设计与实现

2. 1 远程文件包含漏洞检测工具设计

远程文件包含漏洞分级检测工具结构如图1 所示, 该工具主要包括主控模块、设置模块、爬虫模块、模拟攻击检测模块以及显示分析模块等, 分别完成整体控制、检测设置、Web页面爬虫和结构提取、模拟攻击以及显示分析等功能, 主控模块通过调用设置模块对漏洞检测进行设置, 然后调用爬虫模块对目标Web应用程序进行爬虫, 然后通过模拟攻击模块对爬虫模块爬虫得到的页面进行漏洞检测, 得到反馈结果, 然后调用显示分析模块对结果进行显示。漏洞分级检测工具检测流程如图2所示。

为验证该设计的正确性, 我们设计了一套基于PHP语言的目标系统, 其中包含0 级、1 级和2 级远程文件包含漏洞, 使用本文开发的远程文件包含漏洞分级检测工具对该目标系统进行检测, 并将该结果与预期值进行比较, 得出系统效率和准确度的指标。

2. 2 远程文件包含漏洞检测实现

爬虫模块通过爬行获得Web应用程序URL地址值, 扫描引擎从预先设置的配置文件Config. ini中按行读取包含参数和返回参数, 用包含参数值替换原有参数来重新构造URL, 并向Web应用程序请求数据, 如果应用程序返回特定的值就说明通过URL地址成功引用并执行了恶意文件, 从而判断Web应用程序存在远程文件包含漏洞, 如图3 所示。

1) 包含参数和返回参数读取

新建字符串型数组, 按行读取预先设置的配置文件Config.ini, 将预先设置的参数放在数组中, 以此作为远程文件包含漏洞检测的包含参数和验证参数, 部分代码如下:

2) 远程文件包含漏洞存在性判断

如果URL地址中有“?”, 表明含有GET方式传递的参数值, 将URL中“?”之前的部分, 即主机地址, 放在ps[0]. Start Url中, 剩下部分用“= ”将参数和参数值分离并放在数组ps[1]后的数组中。根据需要进行的漏洞扫描级别设置, 使用不同的包含参数来替换上一步得到的参数值, 重新构造URL并向Web应用程序发出请求, 得到Web应用程序返回的结果。如果使Web应用程序成功包含恶意文件, 恶意文件中的代码就会执行, 在页面上就会显示恶意文件想要显示的内容, 我们就可以根据应用程序反馈信息来判断漏洞的存在性, 主要代码如下:

2. 3 漏洞分级检测设计与实现

1) 漏洞分级检测设计

本文研究分级漏洞检测, 在Web应用程序中设置不同等级漏洞, 对Web应用程序页面使用不同的包含参数进行攻击, 通过Web应用程序的不同反应来判断漏洞的存在性和级别。表1是远程文件包含漏洞分级判定表, 包含参数为“http: / /www. re-mote. com / malicious. php”, “http: / / www. remote. com / malicious.txt”, “http: / / www. remote. com / malicious. txt% 00”, 分别记为In-clude_Par1, Include_Par2, Include_Par3, 返回参数为“Bad Luck!RIV! ”, “include ( http: / / www. remote. com / malicious. txt”, “in-clude ( http: www. remote. commalicious. txt”, 分别记为Response _Par1, Response_Par2, Response_Par3。

2) 漏洞分级检测实现

我们将针对不同级别漏洞检测分为三个线程: 0 级检测线程, 1 级检测线程以及2 级检测线程。漏洞分级检测首先开启0级漏洞检测线程, 如果需要扫描更高级别漏洞则逐步开启其他级别的漏洞扫描线程。如果0 级检测线程检测到0 级漏洞, 并且1 级检测线程没有检测到1 级漏洞, 那么该页面的漏洞级别为0 级, 属于0 级漏洞页面; 如果0 级检测线程检测到0 级漏洞, 1 级检测线程检测到1 级漏洞, 并且2 级检测线程没有检测到2 级漏洞, 那么该页面的漏洞级别为0 级, 属于0 级漏洞页面。

漏洞分级检测实现的主要代码如下:

3 目标系统设计

本文设计了基于PHP语言的博客管理系统作为目标系统, 用以检测远程文件包含漏洞分级检测工具检测的准确性和时间效率。目标网站系统为Windows XP系统, 开发语言为PHP语言, 后台数据库为My SQL数据库, 采用Apache服务器, 数据库管理软件使用php My Admin, 对php. ini做如表2 所示的设置。该目标系统的特点是采用开源的程序进行开发减少了不必要的法律风险, 同时在不同的页面设计不同级别漏洞, 便于检测过程中对不同级别漏洞进行统计和分析。

3. 1 网站架构

目标系统主要分为由公共模块、前台模块和后台模块组成, 实现了文章的添加、查询和删除、图片管理、用户管理及公告管理等功能, 如图4 所示。

3. 2 漏洞分布

在网站主页最热门新闻链接处设置远程文件包含漏洞, 共设置远程文件包含漏洞4 个, 其中0 级漏洞2 个, 1 级漏洞1 个, 2 级漏洞1 个, 目标网站漏洞设置详情如表3 所示。

4 测试及结果分析

4. 1 测试环境

测试环境软件配置、硬件配置及网络配置如表4 所示。

4. 2 远程文件设置

为了测试远程文件包含漏洞, 需要设置远程服务器。远程服务器使用Microsoft Internet Information Services ( IIS) 5. 0, 在IIS中将网站名称设置为RIV远程文件辅站, 主目录设置为D: WebRemote File, 服务端口使用TCP808 端口, 开放脚本资源访问和读取权限。在ISAPI筛选器中添加新的筛选器PHP, 可执行文件为php5isapi. dll, 同时在应用程序配置中添加新的应用程序映射, 使得应用程序可以使用php5isapi. dll解析PHP文件。

在RIV远程文件辅站主目录D: WebRemote File中存放test. php和test. txt两个文件, 文件内容均为< ? php echo ″ BadLuck! RIV! ″; ? > 。

4. 3 测试结果及分析

对远程文件包含漏洞分级检测工具使用目标系统进行测试, 检测设置模块能够针对漏洞设置不同漏洞级别进行检测, 提供了比较好的用户指引, 可用性较强。爬虫模块在0. 50 秒的时间内爬行得到了整个Web应用程序的页面, 并且检测出了所有的远程文件包含漏洞, 详细结果如表5 所示。本检测工具运行多次均未出现卡死等情况, 可以正常稳定运行。综上, 远程文件包含漏洞分级检测工具达到了预期设计的所有系统功能和性能要求。

5 结语

本文研究并开发了远程文件包含漏洞分级漏洞检测工具, 从攻击者的视角模拟对Web应用程序进行攻击, 通过Web应用程序的反馈结果来判断Web应用程序中是否存在远程文件包含漏洞。在研究了远程文件包含漏洞的基础上, 设计和开发了远程文件包含漏洞分级检测工具, 开发了目标系统, 并使用目标系统, 对远程文件包含漏洞分级检测工具的功能和性能进行了测试, 验证了设计的合理性和有效性。

本文重点针对远程文件包含漏洞及其分级检测技术进行了研究, 但是漏洞的动态变化也要求我们在设计时去思考更多将来的事情, 本文的工具在模块扩展性和漏洞种类等方面还有一定的空间。

摘要：深入研究基于PHP的远程文件包含漏洞检测以及漏洞分级等技术, 在此基础上设计和实现远程文件包含漏洞分级检测工具, 并搭建基于PHP语言的目标系统, 对检测工具原型进行全面的功能和性能测试。提出漏洞分级检测思想, 模拟攻击者向应用系统发送请求, 通过服务器的返回信息来判断漏洞的存在性及漏洞的级别。

关键词：远程文件包含,漏洞分级,漏洞检测

参考文献

[1]徐亮.基于网络的Wbe应用程序漏洞检测系统研究与实现[D].湖南:国防科技大学, 2005.

[2]Jovanovic N, Kruegel C, Kirda E.Pixy:a static analysis tool for detecting Web application Vulnerabilities[C]//Security and Privacy, 2006IEEE Symposium.2006:6.

[3]IETF.RFC2616:Hypertext Transfer Protocol-HTTP/1.1[S].1999.

[4]Dafydd Stuttard, Marcus Pint.黑客攻防技术宝典[M].石华耀, 等译.北京:人民邮电出版社, 2009:228-229.

[5]Vulnerability Scanners[EB/OL].http://www.networkintrusion.co.uk/scanners.htm.

[6]刘波, 刘惠, 胡华平, 等.计算机漏洞库系统的设计、实现与应用[J].计算机工程与科学, 2004, 26 (7) :31-33.

检测分级 篇7

水果无损检测技术是指在不损坏水果的情况下,应用检测技术和方法对水果的内在和外在品质进行检测,并对其做出分级的过程[1]。

虽然国内外对基于机器视觉的水果品质检测进行了广泛应用研究,如苹果的形状、大小、颜色等。但是,我国目前基于机器视觉的水果检测以及分级系统存在诸多问题,如分级速度慢、系统庞大和成本高等。为此,提出了一种基于FPGA机器视觉的水果检测分级系统,利用该系统提取水果图像的边缘、大小等特征数据,具有开发周期短、成本低等优点。

1 水果品质检测系统的设计

通过摄像像头获取图像,将数据输入到FPGA,根据算法实现水果边缘及分级检测。系统整体设计如图1所示。

2 水果图像的处理及边界提取

本文采用Soble算法实现水果图像边界的提取,Soble算法对图像的每个像素以检测像素点为中心,考虑3×3领域内像素灰度的加权差。根据带点否处于极限状态进行边缘的检测,其本质是一种梯度的幅值,通过选取适当的门限,判定是否为边缘点。

在水果图像边界提取前需要对图像预处理,达到准确提取边界的要求。本文采用高斯滤波法的方法,对水果图像进行预处理。

1)高斯滤波法简介。

用二维零均值离散高斯函数作平滑滤波器,函数表达式为

$g[i,j]=e{}^{\frac{(i{}^2+j{}^2)}{2\sigma {}^2}}$ (1)

其中,高斯分布参数 δ决定了高斯滤波器的宽度。高斯滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器,对去除服从正态分布的噪音是有效的。

2)高斯算法的实现。高斯滤波算法的结构搭建,如图2所示。

模型测试实验结果,如图3所示。

图3为本次实现的原始图像,而图4为高斯滤波的图像处理的结果。

3 Sobel 边缘检测在水果分级中的应用

3.1 Soble算法的原理[2]

Sobel边缘检测算法的原理如图5所示。在进行边缘检测时,先计算出水平、垂直梯度, 然后将两者结合,通过调试,选择合适的门限,输出水果图像的边缘检测结果。

图6(a)为水果图像的3×3区域,图7(b)和图6(c)分别为Sobel算法的x,y方向梯度算法。当对图6(a)所示区域计算梯度时,x,y方向的梯度分别可以表示为

Gx=(z7+2z8+z9)-(z1+2z2+z3) (2)

Gy=(z3+z6+z9)-(z1+2z4+z7) (3)

计算时,Gx,Gy与$hist\left[k\right]=0(k=0,\cdot \cdot \cdot ,L-1$)一起使用。

当门限处理时,如果水果图像的某个像素点(x,y)的梯度值$\dot{y}{\displaystyle \int (}x,y)$不小于T值时,该点值赋值为255,否则赋值为0,即

$G(X,Y)=\{\begin{array}{l}255\dot{y}{\displaystyle \int (}x,y)\ge {\rm T}\\ 0\dot{y}{\displaystyle \int (}x,y)＜{\rm T}\end{array}$

(4)

3.2 Soble算法的system generator实现

根据Sobel 边缘检测算法框图,首先利用图像输入结构将图像转变成system generator可以提取的数据,计算出x方向梯度和y方向梯度。再把两者结合,通过选择合适的门限,使输出的水果边缘最理想。

如图7所示,通过图像输入过程即可将图像转变成system generator系统可以提取的数据。

图8和图9分别为Sobel算法的对图像的水平梯度和垂直梯度的计算模型。完整的Sobel结构,如图10所示。

其中,Determine是结构图中的门限处理模块,可以通过改变Determine的结构中的数据来改变实现的效果。

3.3 基于FPGA的Sobel算法的调试

调试过程中,选择不同的阈值,水果图像的边缘检测将发生变化。通过调试,选择合适的阈值,得到最理想的边缘检测结果,如图11～图14所示。

由图11～图14可见,其阈值越小则使Soble算法对色度的变化越敏感,边缘也会越敏感;但是由于某些原因导致的亮度的变化也会被认为是边缘而被Soble算法保留下来,边缘出现毛刺。

4 水果分级检测的实现

前面进行水果边缘的提取只是特征量的提取,在对水果进行边缘提取后可以得到相对应的边缘提取的图片进行面积的测定,实现水果分级检测的功能。

4.1 直方图的表示方法

用于表示水果图像的一维信息,统计水果图像中像素不同灰度值出现的次数。图中横坐标表示灰度级别,纵坐标表示该灰度级别出现的频率。

按直方图的定义,可表示为

${\rm P}(r{}_k)=\frac{n{}_k}{{\rm N}}$ (5)

其中,N为一幅图像的总像素;nk是第k级灰度的像素数;rk表示第k个灰度等级;P(rk)表示该灰度出现的相对应频率。

4.2 基于FPGA的直方图的实现

基于FPGA的水果分级检测系统是一个时序系统,根据功能框图搭建的模型如图15所示。

图16为边缘提取图像,图17为直方图处理结果。

图17中横坐标数值大的为白色像素点,而横坐标数值小的为黑素像素点,纵坐标为像素点个数。通过计算得出白色的像素点越多,说明图像的面积相对较大,从而实现水果的分级。

5 结论

本文采用了Soble算法对水果图像进行边缘提取,使用直方图对边缘图像进行检测,使用像素点统计的方法,实现对水果大小的检测,从而实现水果的分级。

与目前其他的基于计算机的视觉检测与分级系统相比,基于FPGA的水果分级检测系统能够达到与之同等水平的检测精度和处理速度。系统脱离了PC机平台,成本低,检测速度较快,在水果检测与分级方面具有很好的应用前景。

摘要：为了降低目前水果检测与分级系统的复杂性和成本,提出了以FPGA代替计算机进行图像数据处理的方法。首先使用高斯滤波器对水果的图像进行预处理,然后采用soble算法提取水果的边缘,最后运用直方图的方法实现水果大小分级功能。实验结果表明,该检测系统具有处理速度快,开发周期短等优点,在水果品质检测与分级方面具有较高的实用价值。

关键词：FPGA,水果检测,Soble算法

参考文献

[1]党宏社,宋晋国.基于ARM的嵌入式水果大小检测与分级系统的实现[J].四川农业大学学报,2011,29(1):89-92.

[2]李明,赵勋杰.Sobel边缘检测的FPGA实现[J].现代电子技术,2009(16):44-46.

[3]展慧,李小昱.基于机器视觉的板栗分级检测方法[J].农业工程学报,2010,26(4):327-331.

[4]袁江南.一种图像边缘检测FPGA实现的快速设计方法[J].厦门理工学院学报,2010,18(1):56-59.

[5]安爱琴,余泽通.基于机器视觉的苹果大小自动分级方法[J].农机化研究,2008(4):163-166.

检测分级 篇8

农产品检测分级是促进农产品标准化和商品化的必要技术手段,一般在农产品采后或物流过程中实施。机器视觉检测是用机器视觉代替人眼,并模拟人脑完成检测分级工作。机器视觉系统非接触性测量,效率高、精度高、长时间稳定工作,克服了人工分级以及传统机械分级的缺点,越来越多的国内外研究人员致力于用机器视觉实现农产品品质的检测与分级。

20世纪70年代,许多发达国家就已经开始利用电学特性、介电特性、光学特性、机器视觉、声学特性等无损检测技术对水果、蔬菜等农产品进行品质分级检测。农产品种类众多,特征各不相同,机器视觉技术实现分级的方法也各不相同。为了便于学者查阅研究,本文着眼于近年国内外机器视觉技术在农产品检测分级中的研究进展,针对农产品中水果、谷物籽粒、家禽、家畜和蔬菜,综述了各类农产品品质特征在检测分级中的应用和具体分级方法。由于文章篇幅有限,本文尽量避免重复阐述其他综述文献里所提到的、年代已久的例子及方法,而是重点关注最新的研究成果。

1 研究现状

1.1 水果[1]

我国是水果生产大国,但采摘后分级和加工环节薄弱,不仅未满足人们对水果品质的要求,也影响其国际竞争力。目前,国内外基于机器视觉对水果分级检测的方法主要有图像变换、图像分割、纹理分析、形状分析等。下面从水果外形尺寸、缺陷、成熟度、梗萼、综合品质等几方面,介绍了国内外机器视觉技术在苹果、梨、柑橘和番茄等检测分级中的研究进展。

1.1.1 外形尺寸

外形尺寸是水果主要品质参数之一,也是水果分级的重要依据之一,销售者常按其将水果分级后再销售。机器视觉系统获取水果图像,选取相关参数,可得到水果体积、质量和直径等数据。

由于水果形状不规则、尺寸各异以及在检测场景中分布不规则、光照条件复杂等因素的存在,其呈现的形状特征很难统一描述,使其成为自动化分级检测中的一个难点。针对这一问题,林开颜[1](2005)用傅里叶变换的方法,把水果的边界半径从空域变到频域,实现形状分级。先检测出水果图像的边缘,获取水果的轮廓半径序列,再用傅里叶变换和最大的前10项傅里叶系数定义分类器,对水果形状进行分类。该方法研究表明,最大的前10项傅里叶分量足以描述边界的形状信息,其分类精度在85%以上,并具有实时性。应义斌等[2](2006)将Zernike矩作为形状描述子对水果形状分类,准确率较高,但速度较傅立叶描述子慢,如何提高计算速度是下一步研究重点。

还有学者参考形状分析法结合BP神经网络实现果实形状识别[3],用遗传算法进行苹果识别和形状特征提取[4],用图形面积对惯性主轴的惯性矩测量水果面积并对其分类[5]。此外,模式识别中的Harris算子,SIFT描述子,高斯梯度描述子,Laplacian变换,不变矩特征,惯性不变矩等技术都能很好的提取物体的形状特征,对水果形状尺寸进行分类,提高分类精度和速度。

检测水果外形尺寸不仅可以用光纤环传感器,还可以用激光扫描仪、超声波距离传感器等电子系统。当然,二维机器视觉技术和电学检测技术都较为成熟,将来更多的会用三维机器视觉以及多目视觉技术检测,使用三维多光谱扫描技术重建待测物体的三维信息[6]。

1.1.2 缺陷

水果表面缺陷是影响其品质的关键因素,也是农产品检测的重点和难点。由于水果表面缺陷和梗萼凹陷区颜色相近,二者难以区分是影响缺陷检测的一大难题。目前,较经典的方法有多阈值分割、K-均值聚类法、区域生长法、多层感知器法、纹理分析和哈夫变换等。

梁伟杰等[7](2005)为检测梨果面坏损区域,多台摄相机多角度拍摄梨,将不同角度的二维图像分割提取特征并拼合,实现立体信息平面化,获得梨平面图。该方法检测梨中部信息误差较小,顶部缺陷误差较大。若坏损区域靠近图像边缘,会显示在相邻的图像上,导致重复统计产生误差。

Blasco.J.等[8](2007)用面向区域分割的算法,检测柑橘表面缺陷,找到一个区域分割的颜色基点。用不同的颜色空间模型处理彩色图像,把颜色坐标当作独立的变量,线性判别分析计算不同缺陷的形态特征。通过直方图中的峰值变化,检测柑橘健康果皮、伤疤以及果梗。该方法明显提高了特定缺陷和不可见缺陷的准确率,完全检测出果梗凹陷区是否有缺陷,但不能区分缺陷和梗萼。López-Garcí等[9](2010)用多元图像分析和主成分分析的策略提取一个样本特征,在T2统计的基础上通过映射计算缺陷匹配度。该系统能较好地检测出不同纹理、颜色和形状的缺陷,但不能从缺陷中区分梗萼,且速度有待于提高。

为了检测水果表面缺陷,学者多角度、多光谱拍摄水果,将图像拼合成一幅平面图,使三维信息二维化;但计算量较大,系统鲁棒性和速度有待提高,如何区分不同的缺陷是今后研究的重点。

1.1.3 成熟度

成熟度好的水果即有好的口感。传统条件下人们只能通过品尝来判定水果成熟度,而机器视觉系统、声学仪器、电子鼻等现代仪器可以快速准确地评判水果的成熟度。

应义斌等[10](2004)以色泽为描述柑橘成熟度指标,用协方差矩阵和样本概率检测柑橘果皮由绿到橘黄色的变化,判断柑橘成熟度。因绿色与黄色柑橘的色度范围有所重叠,阈值法误差较大。研究中把色度直方图看作特征,用多变量判别技术将绿色和黄色样本分类,准确率较高。

Jorge I.Aranda-Sanchez等[11](2009)设计了一个番茄成熟度检测系统,该系统由两个检测传感器(声学传感器和色度学传感器)组成,通过数据融合技术和贝叶斯分类器检测番茄成熟度。为了统计番茄不同成熟度时的概率密度,每过一定时间间隔对番茄进行重复检测。实验中贝叶斯数据融合分类5%的错误识别率较单传感器25%~50%的错误率精确很多,但重复检测增加了错误率。

1.1.4 梗萼

梗萼检测存在于水果缺陷检测中,也是水果自身品质检测的关键环节。水果是否有梗萼、梗萼是否完整、是否过长容易伤到其它水果以及如何区分梗萼与缺陷等,都是水果梗萼检测的难点。

梁伟杰等[12](2005)为检测梨果梗,将梨的果梗朝上放置,扫描得到灰度值变化的曲线脉冲图,判断果梗是否存在。脉冲宽度即为果梗的宽度,高度为果梗与背景的灰度差值。系统检测正确率为90%,但受图像背景和梨品种的影响较大,仅能检测果梗有无,不能检测果梗完整性;且梨果梗的长短以及折断的角度也影响检测结果。

D Unay等[13](2005)从目标图像中分割得到苹果的统计、纹理以及形状特征。研究发现,SVM分类器性能最优,通过迭代,准确地选择最优特征子集,再利用最优特征子集准确地识别嘎啦苹果的果梗和果萼;但若梗萼倾斜,检测效果欠佳。

1.1.5 综合品质

商业贸易中的农产品检测不能局限于某一品质,而是一系列影响其销售的品质。农产品综合品质检测系统,对农产品一系列品质进行实时、快速、综合检测,是农产品物流中的重要突破,也是农业现代化的重要体现。

S. Laykin等[14](2002)对番茄颜色、颜色均匀度、缺陷、果形和果梗等特征检测分级。该系统由上、下两个成像系统组成。下面的系统有一个朝上的相机,检测果形果梗;上面的视觉系统有两个朝下的相机,检测水果颜色、颜色均匀度和缺陷。滑块算法检测番茄颜色,计算图像中与果梗色调相同的像素点个数,求得果梗区域。该方法较阈值法更准确地分割出果梗;但该系统只能检测圆形水果,对新鲜水果检测率较高,而存放后再检测则正确率下降。

Kondo[15](2009)介绍了一种日本商业领域的水果自动检测分级系统。系统包括12个彩色摄像机、2个水果传送器和1个分级器,从水果箱中一次吸起12个水果拍摄水果底部图像;当旋转吸力垫就能完全获取水果表面图像。之后,近红外传感器检测内部缺陷和糖分含量。最后,水果按等级和种类装入销售箱。系统每秒检测3个水果,一天最多可测40000个水果,准确率为99.8%~99.9%。吸起水果进行检测以及水果分级放入物流箱都不会损伤水果,特别适用于检测易碰伤的水果;但果梗过长或果形极度歪曲影响检测。

目前,机器视觉检测水果的技术较成熟,检测的水果种类也十分多样:有苹果、梨和柑橘,还有枣、桃、板栗、葡萄干、芒果、干果等。今后研究重点将从水果外部品质转向内部品质和营养成分,用多光谱、电子鼻等进行更高效全面的检测。

1.2 谷物籽粒

传统的谷物籽粒检测多为人工抽样检测,速度慢、劳动量大且主观性强。谷物品种多样,不同的生产消费目的又要求谷物籽粒具有不同的品质,所以检测重点也各不相同。目前,米粒颜色、形状研究较为成熟,谷物色选机已逐步扩展到种子和杂粮精选加工领域。下文主要从谷物裂纹、杂质、特有特征和综合检测等方面介绍稻米、小麦和玉米的品质检测分级。

1.2.1 裂纹

谷物裂纹不仅影响使用价值,且易受虫、霉损害,影响产品外观和品质。传统的爆腰率检测通过人眼检测完成,随意性大、效率低。粮食买卖时,很难找到交易双方都认可的标准。因此,需要一个客观高效的方法来代替人工检测,实现对谷物裂纹的检测。

黄星奕等[16](2004)提出了一种基于小波变换的多尺度边缘检测方法检测稻米裂纹,爆腰检测准确率在92% 以上。郑华东等[17](2006)提出了一种基于行灰度均值变化的大米单体裂纹检测算法。该系统判断准确率较高,但会将少数垩白米粒、未成熟米粒、轻度裂纹米误判为裂纹,影响精度。

张俊雄等[18](2007)研究了基于形态特征的玉米裂纹检测方法。该方法用水平和垂直边缘检测算子处理得到裂纹、种子边界和噪声信息,通过玉米形态特征找到其尖端位置,并用代数运算方法取出非裂纹信息,由裂纹长度和位置特征提取裂纹;但籽粒其他表面的裂纹、籽粒畸形、有污物等会影响精度。

1.2.2 特有特征

谷物都有其各自的特征,如大米中的垩白是衡量大米品质的重要指标之一,玉米冠层具有凹凸性,谷物水分含量、蛋白质含量等等。在检测某特定谷物时,需根据其特有特性进行检测分级。

凌云等[19](2005)提出了一种包含大米垩白区域累计和空间分布特征的基于分形维数的垩白米粒检测算法,识别正确率为95.1 %,可以有效识别垩白米。该研究与基于垩白大小的方法不同之处在于,基于垩白大小的方法要求垩白区域与非垩白区域的灰度分布无重叠,而实际检测中二者的灰度区域是有重叠的,影响了检测精度。

B. Ni等[20](1997)用一维线性分析的方法实现对玉米籽粒三维信息的获取,检测识别玉米籽粒冠层形状。系统平均准确率达87%,对每个籽粒检测耗时1.5~1.8s。玉米籽粒冠层凹陷区平滑特征不明显以及凹陷区表面的光泽是影响检测精度的关键因素。

R. Choudhary等[21](2008)从彩色图像中提取小麦的形态、颜色、纹理以及小波特征,用线性分类器和二次分类器比较小麦品种的分类精度。结合不同个数的小麦特征,比较分类的结果表明,结合小麦形态、颜色、纹理和小波这4种特征得到的检测结果最好。但小麦形状和大小不统一,图像大小和像素的不一致,小波变换精度不够高,也不满足纹理分析对图像大小一致的要求。

目前,用机器视觉技术仅实现了对谷物外部特征的检测,而谷物内部成分的检测需结合高光谱及多光谱技术才能实现。

1.2.3 综合品质

在实际谷物品质检测系统中,对谷物高准确度、大批量、多品质的检测是检测系统追求的目标。但由于谷物单体小,对单体检测并不能反映整体的特征;若成批检测,又因个体重叠等因素的影响给研究带来诸多不便。

任宪忠等[22](2005)用网格法研究小麦籽粒的长度、宽度、厚度、单粒质量等参数间的分形特性。研究表明:利用厚度与宽度间的分形维数可区分不同品种的小麦籽粒;但分形维数的大小受样品数量的影响,若要应用到实际中还有待于研究。

吴彦红等[23](2007)用灰度变换、自动阈值分割和区域标记等方法从采集的稻米群体图像中提取单体米粒图像, 对5种大米的裂纹、垩白特征进行了统计和检测研究。同时,利用提取米粒的面积、周长等10 个特征参数作为整精米检测特征,确定了判别整精米的优化阈值。

还有很多学者用人工神经网络、近红外光谱、傅里叶变换等方法检测谷物综合品质。如何将实验室中的研究投入到实际的生产加工领域,实现准确快速检测是今后研究的重难点。

1.3 家禽

鸡是很有代表性的家禽,家禽中鸡肉和鸡蛋的销量排在第一位。随着机器视觉技术的发展,学者也逐渐开展对鸡蛋、鸡肉等品质的研究。

1.3.1 鸡蛋

我国蛋鸡饲养量居世界第一,鸡蛋产量也稳居世界第一;但因没有实现禽蛋检测分级,影响了禽蛋的出口。而美国禽蛋的采集、清洗、检测、包装等都由机器自动控制完成,生产自动化,产品规格和包装也很统一。鸡蛋的检测包括新鲜度检测、蛋壳破损检测、表面污斑检测和孵化活性检测等,常用光学、声学、机器视觉等技术实现。

王巧华等[24](2006)由鸡蛋蛋壳HSI颜色参数建立BP神经网络模型,确立了鸡蛋新鲜度与其图像颜色参数间的关系。之后,王巧华等[25](2008)又从图像中获得蛋黄和气室的特征,获取蛋黄与整蛋面积比值、气室高度与整蛋长轴长度比值的形态特征参数,研究得出随着鸡蛋新鲜度降低,蛋黄面积比、气室高度比会逐渐增大。魏小彪等[26](2009)获取鸡蛋颜色的亮度、蛋形指数,用声音采集装置获取声音的功率谱面积、共振峰频率、X 轴方向的质心,建立多元线性回归模型,获取鸡蛋新鲜度与其图像特征和敲击相应特征参数之间的最优关系;但获取图像和声音信号存在误差,鸡蛋个体也不相同,实验结果存在误差。

平建峰等[27](2009)采集敲击鸡蛋的声音获得时域信号进行频域分析,用完整蛋和破损蛋在声脉冲响应上的差异检测鸡蛋破损情况。该研究用短时傅立叶变换分级鸡蛋响应信号,与传统的傅立叶分析相比,该方法不受敲击过程、蛋壳厚度的影响,用较少的参数获得鸡蛋裂纹的结果,准确性提高。彭辉等[28](2010)用梯度增强和投影变换的方法检测禽蛋破损情况,但该算法不适用于不同的光源环境,且实时性还有待提高。

K. Mertens等[29](2005)设计了一个离线机器视觉检测系统。通过光线均匀照射在鸡蛋表面,获得图像,再区分量化褐色鸡蛋表面不同种的污垢。该系统受光照影响较大,阈值需随着光照的变化而改变,但适用于不同的鸡舍环境。如果系统进一步优化并提高速度,将可于实时检测。屠康等[30](2007)提取了污斑鸡蛋图像特征参数,确立了灰度区域像素面积与鸡蛋面积比值大于等于0.3%时鸡蛋存在污斑。

1.3.2 碎骨

鸡肉加工过程中残留的碎骨是严重的安全隐患,需对碎骨进行严格检测。国外关于鸡肉碎骨的检测较多,检测技术也较成熟。近两年我国也开始将目光转向鸡肉碎骨的检测。S. C. Yoon等[31](2008)用透射图像增强技术检测鸡胸脯肉切片中碎骨。用背光灯建立光学图像模型,透射光与反射光成像技术相结合替代传统的X光透射成像。利用光照透射模型,修正非均匀照明对图像的影响,降低了图像中光散射的影响,从而提高了图像的对比度。研究结果表明,双面检测1cm厚的鸡胸脯肉切片,检测效果最好。

肉类中碎骨、软骨的检测研究不仅存在于对鸡肉的检测,同样还存在于牛肉、鸭肉等肉类制品中。例如,W.Branscheid等[32](2009)结合染色技术,用形态学的方法替代钙含量检测的方法,在显微镜下实现对机器切割肉中的大骨和软骨检测。其涉及到的方法也不仅仅为多光谱技术,还包括超声波等技术。例如,Lino R.Correia等[33](2008)用活塞和气缸装置,结合脉冲反射方法,用超声波技术检测鸡胸脯肉中的碎骨检测。

1.3.3 疾病

目前,家禽疾病逐渐低龄化、复杂化,尤其蛋鸡、肉鸡疾病的发展越来越复杂,不仅仅降低了经济效益,也严重的影响到人类的生命健康。

Chun-Chieh Yang等[34](2009)设计了一个家禽屠宰在线检测系统。该系统可获得多光谱或高光谱图像,以每分钟扫描140只净膛鸡尸的速度,将宰杀的健康鸡与病鸡检测分级。高精确度的结果表明,机器视觉系统可用于宰杀鸡的在线检测。

鸡所患的疾病种类很多,如心脏病、贫血、皮肤肿瘤、脾肿大等,国外学者已通过高光谱、紫外线、多光谱等技术实现对此类病况的检测。

1.4 家畜

我国是当今最大的家畜生产和消费国,牛肉是消费的重要部分。目前,世界上牛肉分级体系以美国、澳大利亚和日本为主,对牛肉品质的检测可分为嫩度检测和酮体等级检测。

1.4.1 嫩度

肉的嫩度指食用时的口感,体现肉的质地,是消费者关心的食用指标之一。传统方法根据肉的拉力弹力等指标进行破坏性嫩度检测。目前,牛肉嫩度依牛肉色泽和大理石花纹检测评定。色泽指颜色和光泽,其对人的感官评价和消费都有决定性作用。而大理石花纹指分布于肌肉组织中的脂肪,是衡量牛肉品质的重要指标,其越丰富,肉的嫩度越好。

孙永海等[35](2003)在含脂肪组织的牛肉图像中提取了能反映牛肉大理石纹结构分布和数量信息的特征量, 在不含脂肪组织的牛肉图像中提取出3 个反映牛肉纹理粗细的特征量,用线性回归方法分别建立了特征量与肉嫩度等级间的数量关系。研究表明, 灰度空间相关矩阵法适于不含脂肪组织牛肉的嫩度评价, 大理石纹方法适于含脂肪组织牛肉的嫩度评价。

Patrick Jackman等[36](2008)用牛肉颜色、大理石纹和小波变换纹理特征检测牛肉嫩度。虽然小波变换使结果准确度较高,但性能不够稳定。

陈坤杰等[37](2009)用牛肉肌肉在RGB和HIS颜色空间的12个特征值作为输入,以4个颜色等级作为输出,通过RPROP算法得到BP神经网络分类器,对牛肉颜色进行分级,正确率达95%。

目前,对牛肉嫩度的检测方法还有高光谱、电子鼻等。世界上采用的剪切力测定法模拟了人口腔咀嚼的过程,但并没有真正从风味角度实现嫩度检测,电子舌是将来的研究方向。

1.4.2 酮体等级

酮体等级也是衡量牛肉品质的标准之一。对酮体的等级评定有助于牛肉品质的提高。牛肉酮体质量级主要以12和13 脊肋处背最长肌截面的大理石花纹、生理成熟度为衡量指标。酮体产量级主要通过胴体重、眼肌面积等指标来体现。

J. Subbiah等[38](2004)对牛肉背最长肌进行检测。模糊C均值聚类算法区分肥肉和瘦肉,用形态学图像的腐蚀和扩张将背最长肌从牛排上分割出来。由于参考信息的不准确,从而造成了误差,误差率为1.97%。

目前,还没有适合我国牛肉的检测模型,各项检测方法还需进一步研究。当然,对家畜的检测还包括活体检测。活体检测主要利用超声波实现,让饲养者及时了解家畜的生长情况。当前阶段,对病牛和疯牛的检测也至关重要,需结合生物学、医学等相关学科进行研究。

1.5 蔬菜

形状、大小、颜色、瑕疵、病虫害及某些蔬菜特有特征都是蔬菜检测的重要方面。由于蔬菜类农产品形状复杂,目前国内外用机器视觉技术对蔬菜分级的应用较少,多数还处于实验室阶段。

目前,用机器视觉对马铃薯及其加工品的检测分级的应用研究很多。Franco Pedreschi等[39](2006)将RGB图像转化到L*a*b*颜色空间检测4种油温下油炸薯片颜色的变化。郝敏等[40](2010) 基于Zernike 矩特征对马铃薯薯形检测分级,并提出截取最佳图像法用于对大小差异很大的图像的归一化,对良好和畸形薯形的检测率达93%和100%。该方法克服了傅立叶描述子不适合凹形曲线检测的缺陷。Michael Barnes等[41](2010)用像素分类器对图像中特定像素周围颜色和纹理进行瑕疵检测,对白马铃薯和红马铃薯准确率分别为89.6%和98.5%,实现了对不同种马铃薯表面瑕疵的检测,计算量小,减小了泥土对检测的影响,克服了因季节、检测光源等的不同所造成的差异;但仅能检测平面图像中的马铃薯,不能区分瑕疵种类。郑冠楠等[42](2009)用最长轴法求马铃薯的大小,离心率法测马铃薯形状,用相邻采样边界点归一化半径差的方法进行马铃薯畸形检测。

机器视觉技术不仅应用于检测圆形的蔬果,同样涉及到长形蔬菜,如胡萝卜、竹笋、大葱、青椒和茄子等。值得一提的是,Chong等[43](2008)介绍了一种茄子综合特征品质检测系统,该系统不但能在避免茄子机械损伤的情况下有效地获得茄子各个表面的图像,还能很好地处理茄子表皮反光光晕。除了机器视觉技术在蔬菜检测中的应用,多光谱、高光谱等也实现了对蔬菜品质的检测。其中,近红外等技术主要集中在对蔬菜内部品质(坚实度、缺陷、淀粉、维生素等)的检测。

2 结论

本文将重点放在了近5年国内外机器视觉对农产品品质检测的学术研究。由于机器视觉技术在可见光条件下只能检测农产品的外部品质,文中还附带的介绍了国内外学者通过其他成像技术、应用不同的方法检测农产品内部品质。虽然检测技术方法多种多样,但不同的技术适用范围各不相同。例如,目前很多研究用到的X射线、近红外、超声波技术,它们各自都有各自的特点和应用领域。由于X射线的穿透能力常用来检测物体的密度、判别内部缺陷和异物等;近红外技术常用来测定农产品内部成分含量,如含水量、蛋白质、脂肪含量等;而超声波技术由于对人体无害,成本低廉,适用范围很广,尤其在果品无损检测和品质评价中。本文将同一类农产品相关特性检测方法归类综述,不同类别的农产品某些检测方法可以相互借鉴、取长补短。

机器视觉在农产品分等分级领域的应用研究日益广泛,但是还存在以下几个方面的不足:①相关研究虽然很多,但很多仅停留在实验室或静态条件下;②所涉及的农产品种类的面还不够广泛,很多农产品还没有用机器视觉实现分级;③检测准确率和检测时间还不够理想;④检测的适应性不强,检测结果容易受影响。

摘要：综述了近些年国内外机器视觉技术在农产品品质分级检测中的研究进展,选取水果、谷物籽粒、家畜、家禽和蔬菜为代表,重点阐述了机器视觉技术针对这些农产品特征进行分级检测的方法以及成果。同时,总结了目前机器视觉技术应用于农产品物流分级检测的不足之处,展望了未来的发展趋势。