時間：2023-09-18 17:32:23
開篇：寫作不僅是一種記錄，更是一種創造，它讓我們能夠捕捉那些稍縱即逝的靈感，將它們永久地定格在紙上。下面是小編精心整理的12篇計算機視覺的基本技術，希望這些內容能成為您創作過程中的良師益友，陪伴您不斷探索和進步。
關鍵詞：雙目視覺；匹配算法；計算機視覺；立體匹配；相位一致性
1.計算機視覺系統分析研究
1.1計算機視覺技術及雙目立體視覺
計算機視覺是通過計算機技術實現對視覺信息處理的整個過程，是一門新的學科。視覺是人們認知事物的重要途徑，視覺是人們對視覺信息獲取、處理和存儲的過程。隨著計算機技術的發展，信號處理技術的應用，人們通過照相機來把實際的事物拍攝下來轉變為數字信息，并通過計算機信號處理技術隊獲取的視覺信號進行處理。計算機視覺技術對圖像的處理分為獲取圖像、特征抽象選取、事物識別及分類和對三維信息的理解。獲取圖像主要是通過攝像機和紅外線等技術對周圍視覺事物進行獲取，并通過計算得到和真實事物相應的二維圖像，二維圖像主要是數字圖像。計算機視覺系統的最基本的功能是數字圖像的獲取。可以看出計算機視覺研究最基本內容是三維場景距離信息的獲取。在計算機被動測量距離方法中，有一種重要的距離感知技術叫作雙目立體視覺。雙目立體視覺技術是其他計算機視覺技術無法取代的一種技術，對雙目立體視覺技術的研究在計算機視覺技術和工程應用方面都是非常重要的。
1.2計算機視覺理論框架
第一個視覺系統理論框架的提出是以信息處理為基礎，綜合了圖像處理和神經生理學等研究內容而建立的。這個視覺系統理論框架是計算機視覺系統的基本框架，與計算機視覺技術有著密切的關系。視覺系統的研究是以信息處理為基礎的，從理論層次、算法層次和硬件層次3個層次進行研究。計算機理論層次主要是表達系統各個部分計算的目的和方法，對視覺系統的輸入和輸出進行規定，輸入作為二維圖像，輸出是以二維圖像為基礎建立起來的三維物體，視覺系統的目的就是對三維物體進行分析和識別，通過計算對二維物置和形狀進行重新建立。算法層次對計算機規定的目標進行計算，算法和計算機表達有關，不同的表達可以通過不同的算法進行實現，在計算機理論的層次上，算法和表達比計算機理論的層次要低。硬件層次是通過硬件來實現算法的一種表達方法。計算機理論層次在計算機信息處理中時最高的層次，取決于計算機的本質是解決計算機的自身問題，不是取決于計算問題的計算機硬件。要更好地對計算機系統和框架進行理解最好的方法就是要區分3個不同的層次，計算機理論的含義和主要解決的問題是計算機的目的，表達算法含義和主要解決的問題是實現計算理論的方法和輸入輸出的表達，硬件的實現的含義和主要解決的問題是如何在物理上對表達和算法進行實現。計算機視覺處理的可以分為3個階段，對視覺信息的處理過程從最初的二維圖像的原始數據，到三維環境的表達。第一階段基元圖的構成，基元圖是用來表示二維圖像中的重要信息，主要是圖像中亮度變化位置及其幾何分布和組織結構，圖像中每點的亮度值包括零交叉、斑點、端點和不連續點、邊緣等。第二階段2.5維圖描述，在以觀測者為中心的坐標中，表示可見表面的方向、深度值和不連續的輪廓，基元是局部表面朝向離觀測者的距離深度上的不連續點表面朝向的不連續點。第三階段三維模型表示，在以物體為中心的坐標系中，有由體積單元和面積單元構成的模塊化多層次表示，描述形狀及其空間組織形式，分層次組成若干三維模型，每個三維模型都是在幾個軸線空間的基礎上構成的，所有體積單元或面積形狀基元都附著在軸線上。視覺理論框架圖如圖1所示。
2.基于計算機的視覺立體匹配算法研究
視覺立體匹配算法是基于人類視覺系統的一種計算機算法。立體匹配算法作為計算機立體視覺問題研究的重點，快速地實現圖像對應點的匹配來獲得視差圖是當今研究的熱點問題。立體視覺匹配算法根據基元匹配的不同可以分為相位匹配、區域匹配和特征匹配3種，其中區域匹配算法可以減少計算負擔，區域匹配算法實時性高，應用前景廣闊。計算機立體視覺通過對人的雙眼進行模仿，在雙眼的立體感知中獲得信息，從攝像機拍攝的圖像中獲取物體的三維深度信息，這就是深度圖的獲取，把深度圖經過處理得到三維空間信息數據，二維圖像到三維空間實現轉換。深度的獲取在雙目立體成像視覺系統中分為兩步，首先在雙目立體圖像與圖像之間建立點對點的對象關系，雙目立體視覺算法研究的重點問題是解決對應點之間的匹配問題。其次以對應點之間的視差為依據對深度值進行計算。雙目成像是獲取同一場景中兩幅不同的圖像，兩個單目成像模型構成一個雙目成像模型。雙目成像示意圖如圖2所示。系統的基線B是兩個鏡頭中心的連接線，空間點w（z，y，z）作為世界坐標的值由（x1，y1）與（x2，y2）進行確定，如果攝像機的坐標位置和空間點w世界坐標的位置重合，圖像平面和世界坐標軸xY的平面就是平行的。如果兩個攝像機在坐標系統中的原點不同但是它們的光軸平行，那么雙目成像計算人們可以看圖3所示，圖3表示的是兩個攝像頭連線在平臺xY的示意。
立體視覺的成像過程是成像的逆過程，具有一定的不確定性。大量的數據信息在從三維影像向二維圖像進行投影的過程會出現丟失的現象，所以視覺系統要通過自然的約束條件才能保證獲取正確的解。這些約束條件在減少匹配的計算量方面可以提供有利的幫助。針對基于區域匹配快速算法，還可以應用基于視差梯度的匹配算法，這種匹配算法應用較大的搜索范圍在邊緣的特征點上進行搜索，采用視差梯度在非邊緣區減少搜索范圍。應用計算機視覺立體匹配算法可以減少成像匹配時間，大大提高了工作效率。計算機立體匹配算法征點的提取是算法的關鍵問題，今后的研究方向重點是對有效特征點提取方法的研究。
關鍵詞：計算機；視覺技術；交通工程
中圖分類號：TP391 文獻標識碼：A 文章編號：1674-7712 （2014） 04-0000-01
一、引言
隨著科技的發展，計算機替代人的視覺與思維已經成為現實，這也是計算機視覺的突出顯現。那么在物體圖像中識別物體并作進一步處理，是客觀世界的主觀反應。在數字化圖像中，我們可以探尋出較為固定的數字聯系，在物體特征搜集并處理時做到二次實現。這既是對物體特征的外在顯現與描繪，更是對其定量信息的標定。從交通工程領域的角度來看，該種技術一般應用在交管及安全方面。監控交通流、識別車況及高速收費都是屬于交通管理的范疇；而對交通重大事件的勘察及甄別則是交通安全所屬。在這個基礎上，筆者對計算機視覺系統的組成及原理進行了分析，并形成視覺處理相關技術研究。
二、設計計算機視覺系統構成
計算機視覺處理技術的應用是建立在視覺系統的建立基礎上的。其內部主要的構成是計算機光源、光電轉換相關器件及圖像采集卡等元件。
（一）照明條件的設計。在測量物體的表征時，環境的創設是圖像分析處理的前提，其主要通過光線反射將影像投射到光電傳感器上。故而要想獲得清晰圖像離不開照明條件的選擇。在設計照明條件時，我們通常會視具體而不同處理，不過總的目標是一定的，那就是要利于處理圖像及對其進行提取分析。在照明條件的設定中，主動視覺系統結構光是較為典型的范例。
（二）數據采集的處理。如今電耦合器件（CCD）中，攝像機及光電傳感器較為常見。它們輸出形成的影像均為模擬化的電子信號。在此基礎上，A模式與D模式的相互對接更能夠讓信號進入計算機并達到數字處理標準，最后再量化入計算機系統處理范圍。客觀物體色彩的不同，也就造就了色彩帶給人信息的差異。一般地黑白圖像是單色攝像機輸入的結果；彩色圖像則需要彩色相機來實現。其過程為：彩色模擬信號解碼為RGB單獨信號，并單獨A/D轉換，輸出后借助色彩查找表來顯示相應色彩。每幅圖像一旦經過數字處理就會形成點陣，并將n個信息濃縮于每點中。彩色獲得的圖像在16比特，而黑白所獲黑白灰圖像則僅有8比特。故而從信息采集量上來看，彩色的圖像采集分析更為繁復些。不過黑白跟灰度圖像也基本適應于基礎信息的特征分析。相機數量及研究技法的角度，則有三個分類：“單目視覺”、“雙目”及“三目”立體視覺。
三、研究與應用計算機視覺處理技術
從對圖像進行編輯的過程可以看出，計算機視覺處理技術在物體成像及計算后會在灰度陣列中參雜無效信息群，使得信息存在遺失風險。成像的噪聲在一定程度上也對獲取有效信息造成了干擾。故而，處理圖像必須要有前提地預設分析，還原圖像本相，從而消去噪音。邊緣增強在特定的圖像變化程度中，其起到的是對特征方法的削減。基于二值化，分割圖像才能夠進一步開展。對于物體的檢測多借助某個范圍來達到目的。識別和測算物體一般總是靠對特征的甄別來完成的。
四、分析處理三維物體技術
物體外輪擴線及表面對應位置的限定下，物體性質的外在表現則是其形狀。三維物體從內含性質上來看也有體現，如通過其內含性質所變現出來的表層構造及邊界劃定等等。故而在確定圖像特征方面，物體的三維形態是最常用的處理技術。檢測三維物體形狀及分析距離從計算機視覺技術角度來看，渠道很多，其原理主要是借助光源特性在圖像輸入時的顯現來實現的。其類別有主動與被動兩類。借助自然光照來對圖像獲取并挖掘深入信息的技術叫做被動測距；主動測距的光源條件則是利用人為設置的，其信息也是圖像在經過測算分析時得到的。被動測距的主要用途體現在軍工業保密及限制環境中，而普通建筑行業則主要利用主動測距。特別是較小尺寸物體的測算，以及擁有抗干擾及其他非接觸測距環境。
（一）主動測距技術。主動測距，主要是指光源條件是在人為創設環境中滿足的，且從景物外像得到相關點化信息，可以適當顯示圖像大概并進行初步分析處理，以對計算適應功率及信息測算程度形成水平提高。從技術種類上說，主動測距技術可分為雷達取像、幾何光學聚焦、圖像干擾及衍射等。除了結構光法外的測量方法均為基于物理成像，并搜集所成圖像，并得到特殊物理特征圖像。從不同的研究環境到條件所涉，以結構光法測量作為主要技術的工程需求較為普遍，其原理為：首先在光源的設計上由人為來進行環境考慮測算，再從其中獲取較為全面的離散點化信息。在離散處理后，此類圖像已經形成了較多的物體真是特征表象。在此基礎上，信息需要不斷簡化與甄別、壓縮。如果分析整個物體特征信息鏈，則后期主要體現在對于數據的簡化分析。如今人們已經把研究的目光轉向了結構光測量方法的應用，體現在物體形狀檢測等方面。
（二）被動測距技術。被動測距，對光照條件的選擇具有局限性，其主要通過對于自然光的覆蓋得以實現。它在圖像原始信息處理及分析匹配方面技術指向較為突出。也通過此三維物體之形狀及周圍環境深度均被顯露。在圖像原始信息基礎上的應用計算，其與結構光等相比繁雜程度較高。分析物體三維特性，著重從立體視覺內涵入手，適應物體自身特點而存在。不過相對來說獲得圖像特征才是其適應匹配的條件保障。點、線、區域及結構紋理等是物象特征的主體形式。其中物特較為基礎與原始的特征是前兩個特征，同時它們也是其他相關表征的前提。計算機系統技術測量基本原理為對攝像機進行構建分析，并對其圖像表征進行特征匹配，以得到圖像不同區間的視覺差異。
五、結束語
通過對計算機視覺技術的研究，悉知其主要的應用領域及技術組成。在系統使用的基礎上深入設計，對系統主要構成環節進行分析。從而將三維復雜形態原理、算法及測量理論上升到實際應用。隨著社會對于計算機的倚賴程度增加，相信該技術在建筑或者其他領域會有更加深入的研究及應用。
參考文獻：
[1]段里仁.智能交通系境在我國道路空通管理中的應用[J].北方工業時報，2012（06）.
[2]王豐元.計算機視覺在建筑區間的應用實例分析[J].河北電力學報，2011（04）.
計算機視覺是一門研究如何使機器“看”的科學，更進一步地說，就是指用攝影機和電腦代替人眼對目標進行識別、跟蹤和測量等機器視覺，并進一步做圖形處理，使電腦處理成為更適合人眼觀察或傳送給儀器檢測的圖像。計算機視覺包括集成的視覺系統與真實世界視覺的應用建設。創建三維模型的過程是相當困難的，需要機械測量攝像機的位置或手動對準一個場景的局部三維視圖。通過使用相應的算法，它可以通過集合中一個場景的立體圖像，然后自動生成一個逼真、幾何精確的三維數字化模型。
全書分為三大部分，共14章：1.引言：立體圖像和深度知覺、三維視覺系統、三維視覺應用的介紹；2.視覺的研究簡史；3.二維和三維視覺的形成；4.圖像匹配中低層次圖像處理：包括卷積濾波、離散平均、離散分化、邊緣檢測、結構張量、角點檢測等內容；5.尺度空間的視覺：包括圖像尺度、高斯尺度空間、微分尺度空間、多分辨率金字塔等內容；6.圖像匹配算法：包括各種匹配措施、計算方面的匹配、立體匹配方法的多樣性、基于區域、彈性、梯度的匹配等內容；空間重構及多視圖集成：一般的三維重建和多視圖集成方面的內容；8.具體案例：臨床和獸醫應用、電影重構等具體實例的分析；9.射影幾何基礎；10.圖像處理的張量微積分基礎：包括線性算子和變坐標系統的基本概念、度量張量、簡單的張量代數等內容；11.圖像中的失真和噪聲：包括噪聲模型、產生噪聲的測試圖片、正態分布生成隨機數；12.圖像變換程序：包括結構的變形系統、坐標變換模塊、像素值的插值、經典實力等內容；13.編程技術，圖像處理和計算機視覺：包括其設計與實現、統一的建模語言、設計模式、處理平臺等內容；14.圖像處理庫。
作者Bogusaw Cyganek于1993年獲得電子計算機科學學位，于1996年獲得了赫爾辛堡科技大學博士學位。近年來，他還與許多科學中心合作，在計算機視覺系統的發展方面做出了貢獻。作為一個軟件開發經理和高級軟件工程師，他有著多年的實際工作經驗。他目前在波蘭克拉科夫AGH科技大學（AGH University of Scien and Technology）電子部任研究員和講師，研究興趣包括計算機視覺、模式識別、以及對可編程器件和嵌入式系統的開發。他還是電子電氣工程師協會（IEEE，Institute of Electrical and Electronics Engineers）、國際模式識別學會（IAPR，International Association for Pattern Recognition）、工業和應用數學學會（SIAM，Society for Industrial and Applied Mathematics）成員。
本書提供了對三維計算機視覺方法，理論和算法的全面的介紹。幾乎每一個理論問題都使用C++和Matlab的偽代碼或完整代碼進行實現，并且提供下載的軟件網站、案例研究和練習。本書是相關學者、程序員的有益參考，也適合對計算機科學、臨床攝影、機器人領域、圖形和數學感興趣的學生或研究人員閱讀。
李亞寧，碩士研究生
關鍵詞：計算機視覺；研討式教學；小組探討；課前回顧
作者簡介：陳芳林（1983-），男，湖南株洲人，國防科學技術大學機電工程與自動化學院，講師；周宗潭（1969-），男，河南洛陽人，國防科學技術大學機電工程與自動化學院，教授。（湖南 長沙 410073）
中圖分類號：G643.2 文獻標識碼：A 文章編號：1007-0079（2013）26-0065-02
進入21世紀，創新型人才的培養成為各國政府和高等教育界關注的一個焦點。世界各國研究型大學的共同特點是在研究生教育階段致力于培養富有創新意識和創新能力的高級人才。[1]研討式教學是培養研究生創新精神、科研能力的有效途徑，教師講解與學生探討兩部分相結合是研討式教學采用的主要模式。[2]將課程分成兩部分之后，教師講解的時間就必須壓縮，教師一方面需要思考如何在較短的時間內完成課程的講解，同時還需要考慮課程講解要與學生探討部分緊密結合。因此，如何上好研討式教學教師講解這部分課，越來越受高等院校的重視。本文針對筆者教授工科研究生課程“計算機視覺”的實踐與經驗，闡述了筆者對于如何上好研討式教學教師講解這部分課的個人體會。總結為兩點：第一，首先要充分做好課程準備；第二，上課環節采取回顧—案例—小結的講解方式。下面從課程準備、課前回顧、課程講解、課后小結四個方面分別闡述（如圖1所示）。
一、“計算機視覺”課程準備
要上好一門研討式教學的課程，一定要結合該門課程的特點，量身定制課程內容，進行精心準備。本節先介紹“計算機視覺”課程的特點，然后結合該門課程的特點，介紹筆者對于“計算機視覺”的課程準備。
1.“計算機視覺”課程特點
“計算機視覺”是“數字圖像處理”和“模式識別”等課程的后續課程。該課程重點在于圖像或者圖像序列的分析理解。課程知識在機器人導航、偵查、測繪、測量、精密加工和目標跟蹤等多個領域都有廣泛的應用。[3]近年來基于視覺信息的控制反饋也開始受到廣泛關注。國內高校一般都為研究生開設了此門課程。
計算機視覺技術應用廣泛、算法原理涉及面廣：涉及到概率與數理統計、信號與系統、圖像等基礎知識。“計算機視覺”是一門重要的控制類、電子類及計算機類專業研究生的選修課程，它內容廣泛、綜合性強，研討能力的培養顯得非常關鍵。
2.課程準備
首先，結合“計算機視覺”課程內容廣泛、技術日益更新和豐富的特點，將課程36學時分為12次課，每次課為3小時，每堂課教師講解一個專題。這種設計，一方面可以更廣地涉及計算機視覺的各個領域；另一方面以專題的形式來講解，可以將學生帶入到該專題，介紹基本背景、理論、知識和方法，讓學生有一個初步的了解，方便課后學生對感興趣的專題進一步深入挖掘與研究。
其次，在課程開始之前，教師仔細統籌，安排好每次課的專題，這樣既方便學生一開始對整個課程有一個整體的了解，也方便學生選擇課堂研討的題目與內容。根據12個專題，將各個專題講解的內容與課件在開課之前準備好，這樣有利于把握各個專題之間的前后承接關系。例如，“區域”與“分割”是既有區分又有聯系的兩個專題，在課程開始之前，將課件準備好，就有利于宏觀把握，在“區域”專題提到的分割算法，就不需要在“分割”專題再次重復，而在“分割”專題可以結合前面“區域”專題進行互相補充，以幫助學生融會貫通。
最后，在每個專題上課之前，再對課件進行精雕細琢，主要是對內容分好層次，對方法進行分類，力圖在較短的時間內，讓學生對該專題有較全面的認識。例如，在講解圖像分割時，由于圖像分割方法非常多，可以將分割方法分為若干個大類，每個大類只講1～2個方法。這樣既可以盡可能涉及更廣的領域，又可以提高講解的效率。
二、“計算機視覺”課前回顧
課前回顧是指每堂課的前面一小段時間用來回顧上一堂課的內容。雖然課前回顧時間非常短，一般為3～8分鐘，但是課前回顧是課堂教學中的一個重要環節。課前回顧可以幫助學生加強將要學習的內容與已學過內容之間的聯系。通過課前回顧，學生可以回憶前續課程所講解的概念、理論、算法的步驟等內容，有助于解決新問題或者理解新知識。
課前回顧最重要的是既要復習前續課程的內容，又要注意將前續內容與當前內容聯系起來。由于講解時間有限，要使研討式教學的教師講解部分效率高，教師幫助學生回憶上堂課的概念、模型、算法等內容，就變得非常重要。如果不做課前回顧，那么當講到某處新知識時，往往需要停下來，將前續課程再講一遍，否則學生無法理解新的知識，這樣就降低了教學的效率。
課前回顧的時間，一般以3～8分鐘為宜。課前回顧的形式可以多樣化，如講解課后作業、回顧概念、提問等。筆者認為應根據當天課程與前續課程的關系，采取合適的方式。各種方式結合使用，提高課前回顧的效率。
三、“計算機視覺”課程講解——案例教學
案例教學已經成功地應用于數學、計算機科學等領域的教學。通過案例，學生可以很快地掌握相應的概念、算法的步驟等，從而提高教師講解部分的效率。[4]例如，在講解馬爾科夫隨機場時，筆者通過案例式教學，將馬爾科夫隨機場用一個生活中的例子來向學生解釋。首先，將馬爾科夫隨機場分解成兩個重要的概念，分別是隨機場與馬爾科夫性，然后將它們對應到例子中，幫助學生理解。
隨機場包含兩個要素：位置（site）和相空間（phase space）。當給每一個“位置”中按照某種分布隨機賦予“相空間”的一個值之后，其全體就叫做隨機場（如圖2（a））。[5]這個概念非常抽象，難以理解。筆者應用案例式教學，拿莊稼地來打比方。“位置”好比是一畝畝農田，“相空間”好比是種的各種莊稼。給不同的地種上不同的莊稼，就好比給隨機場的每個“位置”，賦予“相空間”里不同的值。所以，可以形象地理解隨機場就是在哪塊地里種什么莊稼的布局（如圖2（b））。
馬爾科夫性指的是一個隨機變量序列按時間先后順序依次排開時，第N+1時刻的分布特性，與N時刻以前的隨機變量的取值無關。為了更直觀地理解馬爾科夫性，筆者仍然拿莊稼地打比方，如果任何一塊地里種的莊稼的種類僅僅與它鄰近的地里種的莊稼的種類有關，與其他地方的莊稼的種類無關，這種性質就是馬爾科夫性。
符合上述兩個特征，那么這些地里種的莊稼的集合，就是一個馬爾科夫隨機場。通過案例式教學，筆者發現可以加深加快學生對課程內容的理解，提高教師講解環節的效率。
四、課后小結
課后小結指的是一堂課將要結束時，教師對本堂課進行一個簡短的總結。許多成功的教師都會在其教學中堅持課后小結這個環節，給學生一個總體的印象，以幫助學生消化本次課程的內容。
研討式教學教師講解部分的課后小結與普通教學方式應有所區別。筆者認為這主要是因為通過課后小結可以將本次課程所講內容與學生的研討環節結合起來，而不僅僅是對內容進行簡單的總結。
為了達到課后小結使本次課程內容與學生探討環節建立聯系的目的，筆者在教學中常采用如下方式：首先，像普通教學方式一樣，總結本次課程內容；然后，在此基礎上，拋出若干問題，這些問題，不需要學生馬上解答，而是留給學生課后思考，提供他們選擇研討主題的素材；最后，介紹其他在本次課程中沒有涉及到的前沿知識、方法與理論，拓寬學生的視野，從而增加學生選擇探討主題的覆蓋面。
通過應用這種方式，筆者發現學生的思維更開闊，在探討環節，學生往往可以選擇一些比較新穎的主題（例如視頻中不動點的檢測等），而不僅僅局限于教師所講內容，從而提高了研討式教學的效果。
五、結論
在“計算機視覺”課程中引入研討式教學，通過總體設計規劃好整門課程內容，課堂講解注意采用回顧—案例—小結的方式，筆者對如何上好研討式教學教師講解這部分課進行了個人經驗的總結。通過本次教學改革，筆者體會到如果要提高教學效果，一定要注意教師講解與學生探討兩個環節的緊密結合。
參考文獻：
[1]侯婉瑩.我國研究型大學本科生科研研究[D].濟南：山東大學，
2009.
[2]張晴，李騰，韋艷，等.研討式教學模式的理論研究[J].中國科技縱橫，2011，（10）.
[3]D.H .巴拉德.計算機視覺[M].北京：科學出版社，1987.
關鍵詞：自動控制技術農業自動化
中圖分類號： DF413.1文獻標識碼： A
由于歷史、觀念和技術等方面的原因, 我國傳統農業機械與發達國家相比有很大差距, 已遠遠不能適應農業的科技進步。近些年來, 自動化的研究逐漸被人們所認識, 自動控制在農業上的應用越來越受到重視。例如,把計算機技術、微處理技術、傳感與檢測技術、信息處理技術結合起來, 應用于傳統農業機械, 極大地促進了產品性能的提高。我國農業部門總結了一些地區的農業自動化先進經驗(如臺灣地區的農業生產自動化、漁業生產自動化、畜牧業生產自動化及農產品貿易自動化)的開發與應用情況, 同時也汲取了國外一些國家的先進經驗、技術, 如日本的四行半喂人聯合收割機是計算機控制的自動化裝置在半喂人聯合收割機中的應用,英國通過對施肥機散播肥料的動力測量來控制肥料的精確使用量。這些技術和方法是我國農業機械的自動化裝置得到了補充和新的發展, 從而形成了一系列適合我國農業特點的自動化控制技術。
一、已有的農業機械及裝置的部分自動化控制
自動化技術提高了已有農業機械及裝置的作業性能和操作性能。浙江省把自動化技術應用于茶葉機械上, 成功研制出6CRK-55型可編程控制加壓茶葉揉捻機, 它利用計算機控制電功加壓機構, 能根據茶葉的具體情況編制最佳揉捻程序實現揉捻過程的自動控制, 是機電一體化技術在茶葉機械上的首次成功應用。
1.應用于拖拉機
在農用拖拉機上已廣泛使用了機械油壓式三點聯結的位調節和力調節系統裝置, 現又在開發和采用性能更完善的電子油壓式三點聯結裝置。
2.應用于施肥播種機
根據行駛速度和檢測種子粒數來確定播種量是否符合要求的裝置, 以及將馬鈴薯種子割成瓣后播種的裝置等。
3.應用于谷物干燥機
不受外界條件干擾, 能自動維持熱風溫度的裝置停電或干燥機過熱引起火災時, 自動掐斷燃料供給的裝置。
二、微灌自動控制技術
我國從20世紀年50代就開始進行節水灌溉的研究與推廣據統計。到1992年, 全國共有節水灌溉工程面積0.133億m2, 其中噴灌面積80萬m2, 農業節水工程取得了巨大的進展。灌溉管理自動化是發展高效農業的重要手段, 高效農業和精細農業要求必須實現水資源的高效利用。采用遙感遙測等新技術監測土壤墑性和作物生長情況, 對灌溉用水進行動態監測預報, 實現灌溉用水管理的自動化和動態管理。在微灌技術領域, 我國先后研制和改進了等流量滴灌設備、微噴灌設備、微灌帶、孔口滴頭、壓力補償式滴頭、折射式和旋轉式微噴頭、過濾器和進排氣閥等設備, 總結出了一套基本適合我國國情的微灌設計參數和計算方法, 建立了一批新的試驗示范基地。在一些地區實現了自動化灌溉系統, 可以長時間地自動啟閉水泵和自動按一定的輪灌順序進行灌溉。這種系統中應用了灌水器、土壤水分傳感器、溫度傳感器、壓力傳感器、水位傳感器和雨量傳感器、電線等。
三、自動控制技術在精準農業中的應用
精準農業是在傳統農業與農業機裝備技術上, 運用高新技術進行農業生產管理。精準農業較傳統農業其先進之處主要是應用全球定位系統(GPS)、地理信息技術、計算機控制技術、專家與決策知識系統, 實現農業生產的定位、定量、定時, 做到精耕細作和由于農業水土管理區管理點較為分散, 用傳統方法進行數據采集和信息傳輸精度差、速度慢。把電子技術、微電子技術和通信技術緊密結合起來, 采用現代方法進行自動化監控和管理非常必要, 如在渠系、灌水、泵站等方面實現自動化監控與管理。農業自動化向智能化方向發展, 進一步發展精準農業重點發展節水、節肥精準農業技術體系的自動化控制, 實施精準灌溉、精準施肥, 提高水資源和化肥資源的利用率。精細設施農業主要發展以溫室為主的自動控制系統智能化研究, 從而現降低成本、提高作物產量、提高農產品品質。這有助于我國農業資源的高效利用和農業環境保護, 是發展持續農業的重要途徑。將計算機視覺技術應用于農業自動化領域計算機視覺技術是一個相當新且發展十分迅速的研究領域, 日本、美國等發達國家已在農業計算機視覺方面進行了廣泛而深入的研究, 如農業種質資源管理、獲取作物生長狀態信息、農產品自動收獲、農產品品質鑒定等。英國開發研制的采摘蘑菇機器人, 在定位蘑菇采摘點和測量時, 已經利用了計算機視覺和圖像處理技術。計算機視覺技術在我國農業生產和農業現代化方面已開始應用, 但在設施農業、虛擬農業中的應用尚處于起步階段, 應進一步加強、加快該領域的研究與應用。
我國農業自動化已在設施農業中的溫室自動化控制、排灌機械自動化、部分農業機械裝置自動化等方面得到一定的發展, 尤其精準農業的發展越來越得到重視。電子技術和計算機技術的迅速發展推動了農業機器向自動化方向發展。隨著智能化技術的發展, 人工智能將是世紀農業工程發展的重點。各種農業機器人或智能化系統將在農業自動化控制中不斷涌現, 繼續推動和實現農業自動化是農業機械化工程技術工作者所面臨的長遠課題和挑戰, 并進一步促進農業自動化控制技術向智能化技術發展。
四、自動控制技術在精準農業中的應用
精準農業是在傳統農業與農業機裝備技術上, 運用高新技術進行農業生產管理。精準農業較傳統農業其先進之處主要是應用全球定位系統(GPS)、地理信息技術、計算機控制技術、專家與決策知識系統, 實現農業生產的定位、定量、定時, 做到精耕細作和由于農業水土管理區管理點較為分散, 用傳統方法進行數據采集和信息傳輸精度差、速度慢。把電子技術、微電子技術和通信技術緊密結合起來, 采用現代方法進行自動化監控和管理非常必要, 如在渠系、灌水、泵站等方面實現自動化監控與管理。農業自動化向智能化方向發展, 進一步發展精準農業重點發展節水、節肥精準農業技術體系的自動化控制, 實施精準灌溉、精準施肥, 提高水資源和化肥資源的利用率。精細設施農業主要發展以溫室為主的自動控制系統智能化研究, 從而現降低成本、提高作物產量、提高農產品品質。這有助于我國農業資源的高效利用和農業環境保護, 是發展持續農業的重要途徑。將計算機視覺技術應用于農業自動化領域計算機視覺技術是一個相當新且發展十分迅速的研究領域, 日本、美國等發達國家已在農業計算機視覺方面進行了廣泛而深入的研究, 如農業種質資源管理、獲取作物生長狀態信息、農產品自動收獲、農產品品質鑒定等。英國開發研制的采摘蘑菇機器人, 在定位蘑菇采摘點和測量時, 已經利用了計算機視覺和圖像處理技術。計算機視覺技術在我國農業生產和農業現代化方面已開始應用, 但在設施農業、虛擬農業中的應用尚處于起步階段, 應進一步加強、加快該領域的研究與應用。
我國農業自動化已在設施農業中的溫室自動化控制、排灌機械自動化、部分農業機械裝置自動化等方面得到一定的發展, 尤其精準農業的發展越來越得到重視。電子技術和計算機技術的迅速發展推動了農業機器向自動化方向發展。隨著智能化技術的發展, 人工智能將是世紀農業工程發展的重點。各種農業機器人或智能化系統將在農業自動化控制中不斷涌現, 繼續推動和實現農業自動化是農業機械化工程技術工作者所面臨的長遠課題和挑戰, 并進一步促進農業自動化控制技術向智能化技術發展。
【參考文獻】
[1]馬玉敏等.工業以太網的最新發展.自動化系統工程，2006（2）：2.
關鍵詞:數據融合傳感器無損檢測精確林業應用
多傳感器融合系統由于具有較高的可靠性和魯棒性,較寬的時間和空間的觀測范圍,較強的數據可信度和分辨能力,已廣泛應用于軍事、工業、農業、航天、交通管制、機器人、海洋監視和管理、目標跟蹤和慣性導航等領域[1,2]。筆者在分析數據融合技術概念和內容的基礎上,對該技術在林業工程中的應用及前景進行了綜述。
1數據融合
1.1概念的提出
1973年,數據融合技術在美國國防部資助開發的聲納信號理解系統中得到了最早的體現。70年代末,在公開的技術文獻中開始出現基于多系統的信息整合意義的融合技術。1984年美國國防部數據融合小組(DFS)定義數據融合為:“對多源的數據和信息進行多方的關聯、相關和綜合處理,以更好地進行定位與估計,并完全能對態勢及帶來的威脅進行實時評估”。
1998年1月,Buchroithner和Wald重新定義了數據融合:“數據融合是一種規范框架,這個框架里人們闡明如何使用特定的手段和工具來整合來自不同渠道的數據,以獲得實際需要的信息”。
Wald定義的數據融合的概念原理中,強調以質量作為數據融合的明確目標,這正是很多關于數據融合的文獻中忽略但又是非常重要的方面。這里的“質量”指經過數據融合后獲得的信息對用戶而言較融合前具有更高的滿意度,如可改善分類精度,獲得更有效、更相關的信息,甚至可更好地用于開發項目的資金、人力資源等[3]。
1.2基本內容
信息融合是生物系統所具備的一個基本功能,人類本能地將各感官獲得的信息與先驗知識進行綜合,對周圍環境和發生的事件做出估計和判斷。當運用各種現代信息處理方法,通過計算機實現這一功能時,就形成了數據融合技術。
數據融合就是充分利用多傳感器資源,通過對這些多傳感器及觀測信息的合理支配和使用,把多傳感器在空間或時間上的冗余或互補信息依據某些準則進行組合,以獲得被測對象的一致性解釋或描述。數據融合的內容主要包括:
(1)數據關聯。確定來自多傳感器的數據反映的是否是同源目標。
(2)多傳感器ID/軌跡估計。假設多傳感器的報告反映的是同源目標,對這些數據進行綜合,改進對該目標的估計,或對整個當前或未來情況的估計。
(3)采集管理。給定傳感器環境的一種認識狀態,通過分配多個信息捕獲和處理源,最大限度地發揮其性能,從而使其操作成本降到最低。傳感器的數據融合功能主要包括多傳感器的目標探測、數據關聯、跟蹤與識別、情況評估和預測[4]。
根據融合系統所處理的信息層次,目前常將信息融合系統劃分為3個層次:
(l)數據層融合。直接將各傳感器的原始數據進行關聯后,送入融合中心,完成對被測對象的綜合評價。其優點是保持了盡可能多的原始信號信息,但是該種融合處理的信息量大、速度慢、實時性差,通常只用于數據之間配準精度較高的圖像處理。
(2)特征層融合。從原始數據中提取特征,進行數據關聯和歸一化等處理后,送入融合中心進行分析與綜合,完成對被測對象的綜合評價。這種融合既保留了足夠數量的原始信息,又實現了一定的數據壓縮,有利于實時處理,而且由于在特征提取方面有許多成果可以借鑒,所以特征層融合是目前應用較多的一種技術。但是該技術在復雜環境中的穩健性和系統的容錯性與可靠性有待進一步改善。
(3)決策層融合。首先每一傳感器分別獨立地完成特征提取和決策等任務,然后進行關聯,再送入融合中心處理。這種方法的實質是根據一定的準則和每個決策的可信度做出最優的決策。其優點是數據通訊量小、實時性好,可以處理非同步信息,能有效地融合不同類型的信息。而且在一個或幾個傳感器失效時,系統仍能繼續工作,具有良好的容錯性,系統可靠性高,因此是目前信息融合研究的一個熱點。但是這種技術也有不足,如原始信息的損失、被測對象的時變特征、先驗知識的獲取困難,以及知識庫的巨量特性等[5,6]。
1.3處理模型
美國數據融合工作小組提出的數據融合處理模型[7],當時僅應用于軍事方面,但該模型對人們理解數據融合的基本概念有重要意義。模型每個模塊的基本功能如下:
數據源。包括傳感器及其相關數據(數據庫和人的先驗知識等)。
源數據預處理。進行數據的預篩選和數據分配,以減輕融合中心的計算負擔,有時需要為融合中心提供最重要的數據。目標評估。融合目標的位置、速度、身份等參數,以達到對這些參數的精確表達。主要包括數據配準、跟蹤和數據關聯、辨識。
態勢評估。根據當前的環境推斷出檢測目標與事件之間的關系,以判斷檢測目標的意圖。威脅評估。結合當前的態勢判斷對方的威脅程度和敵我雙方的攻擊能力等,這一過程應同時考慮當前的政治環境和對敵策略等因素,所以較為困難。
處理過程評估。監視系統的性能,辨識改善性能所需的數據,進行傳感器資源的合理配置。人機接口。提供人與計算機間的交互功能,如人工操作員的指導和評價、多媒體功能等。
2多傳感器在林業中的應用
2.1在森林防火中的應用
在用MODIS(ModerateResolutionImagingSpectroradiometer)數據測定森林火點時的20、22、23波段的傳感器輻射值已達飽和狀態,用一般圖像增強處理方法探測燃燒區火點的結果不理想。余啟剛運用數據融合技術,在空間分辨率為1000m的熱輻射通道的數據外加入空間分辨率為250m的可見光通道的數據,較好地進行了不同空間分辨率信息的數據融合,大大提高了對火點位置的判斷準確度[8]。為進一步提高衛星光譜圖像數據分析的準確性與可靠性,利用原有森林防火用的林區紅外探測器網,將其與衛星光譜圖像數據融合,可以使計算機獲得GPS接收機輸出的有關信息通過與RS實現高效互補性融合,從而彌補衛星圖譜不理想的缺失區數據信息,大大提高燃燒區火點信息準確度和敏感性。
2.2森林蓄積特征的估計
HampusHolmstrom等在瑞典南部的試驗區將SPOT-4×S衛星數據和CARABAS-IIVHFSAR傳感器的雷達數據進行了融合,采用KNN(knearestneighbor)方法對森林的蓄積特征(林分蓄積、樹種組成與年齡)進行了估計[9]。
KNN方法就是采用目標樣地鄰近k個(k=10)最近樣地的加權來估計目標樣地的森林特征。研究者應用衛星光譜數據、雷達數據融合技術對試驗區的不同林分的蓄積特征進行估計,并對三種不同的數據方法進行誤差分析。試驗表明,融合后的數據作出的估計比單一的衛星數據或雷達數據的精度高且穩定性好。
2.3用非垂直航空攝像數據融合GIS信息更新調查數據
森林資源調查是掌握森林資源現狀與變化的調查方法,一般以地面調查的方法為主,我國5年復查一次。由于森林資源調查的工作量巨大,且要花費大量的人力、物力和資金。國內外許多學者都在探索航空、航天的遙感調查與估計方法。
TrevorJDavis等2002年提出采用非垂直的航空攝影數據融合對應的GIS數據信息實現森林調查數據的快速更新,認為對森林資源整體而言,僅某些特殊地區的資源數據需要更新。在直升飛機側面裝上可視的數字攝像裝置,利用GPS對測點進行定位,對特殊地區的攝像進行拍攝,同時與對應的GIS數據進行融合,做出資源變化的估計或影像的修正[10]。
試驗表明,融合后的數據可以同高分辨率矯正圖像相比,該方法花費少,精度高,能充分利用影像的可視性,應用于偏遠、地形復雜、不易操作、成本高的區域,同時可避免遙感圖像受云層遮蓋。
3數據融合在林業中的應用展望
3.1在木材檢測中的應用
3.1.1木材缺陷及其影響
木材是天然生長的有機體,生長過程中不可避免地有尖削度、彎曲度、節子等生長缺陷,這些缺陷極大地影響了木材及其制品的優良特性,以及木材的使用率、強度、外觀質量,并限制了其應用領域。在傳統木制品生產過程中,主要依靠人的肉眼來識別木材缺陷,而木材板材表面缺陷在大小、形狀和色澤上都有較大的差異,且受木材紋理的影響,識別起來非常困難,勞動強度大,效率低,同時由于熟練程度、標準掌握等人為因素,可能造成較大的誤差。另外在集成材加工中,板材缺陷的非雙面識別嚴重影響了生產線的生產節拍。因此必須開發一種能夠對板材雙面缺陷進行在線識別和自動剔除技術,以解決集成材加工中節子人工識別誤差大、難以實現雙面識別、剔除機械調整時間長等問題。
3.1.2單一傳感器在木材檢測中的應用
對木材及人造板進行無損檢測的方法很多,如超聲波、微波、射線、機械應力、震動、沖擊應力波、快速傅立葉變換分析等檢測方法[11,12]。超聲技術在木材工業中的應用研究主要集中在研究聲波與木材種類、木材結構和性能之間的關系、木材結構及缺陷分析、膠的固化過程分析等[13]。
隨著計算機視覺技術的發展,人們也將視覺傳感器應用于木材檢測中。新西蘭科學家用視頻傳感器研究和測量了紙漿中的纖維橫切面的寬度、厚度、壁面積、壁厚度、腔比率、壁比率等,同時準確地測量單個纖維和全部纖維的幾何尺寸及其變化趨勢,能夠區分不同紙漿類型,測定木材纖維材料加固結合力,并動態地觀察木材纖維在材料中的結合機理。
新西蘭的基于視覺傳感器的板材缺陷識別的軟件已經產業化,該軟件利用數碼相機或激光掃描儀采集板材的圖像,自動識別板材節子和缺陷的位置,控制板材的加工。該軟件還具有進行原木三維模型真實再現的計算機視覺識別功能,利用激光掃描儀自動采集原木的三維幾何數據。
美國林產品實驗室利用計算機視覺技術對木材刨花的尺寸大小進行分級,確定各種刨花在板中的比例和刨花的排列方向;日本京都大學基于視覺傳感器進行了定向刨花板內刨花定向程度的檢測,從而可以通過調整定向鋪裝設備優化刨花的排列方向來提高定向刨花板的強度。
在制材加工過程中,利用計算機視覺技術在線實時檢測原木的形狀及尺寸,選擇最佳下鋸方法,提高原木的出材率。同時可對鋸材的質量進行分級,實現木材的優化使用;在膠合板的生產過程中,利用計算機視覺技術在線實時檢測單板上的各種缺陷,實現單板的智能和自動剪切,并可測量在剪切過程中的單板破損率,對單板進行分等分級,實現自動化生產過程。Wengert等在綜合了大量的板材分類經驗的基礎上,建立了板材分級分類的計算機視覺專家系統。在國內這方面的研究較少,王金滿等用計算機視覺技術對刨花板施膠效果進行了定量分析[14]。
X射線對木材及木質復合材料的性能檢測已得到了廣泛的應用,目前該技術主要應用于對木材密度、含水率、纖維素相對結晶度和結晶區大小、纖維的化學結構和性質等進行檢測,并對木材內部的各種缺陷進行檢測。
3.1.3數據融合在木材檢測中的應用展望
單一傳感器在木材工業中已得到了一定程度的應用,但各種單項技術在應用上存在一定的局限性。如視覺傳感器不能檢測到有些與木材具有相同顏色的節子,有時會把木板上的臟物或油脂當成節子,造成誤判,有時也會受到木材的種類或粗糙度和濕度的影響,此外,這種技術只能檢測部分表面缺陷,而無法檢測到內部缺陷;超聲、微波、核磁共振和X射線技術均能測量密度及內部特征,但是它們不能測定木材的顏色和瑕疵,因為這些缺陷的密度往往同木板相同。因此,一個理想的檢測系統應該集成各種傳感技術,才能準確、可靠地檢測到木材的缺陷[15,16]。
基于多傳感器(機器視覺及X射線等)數據融合技術的木材及木制品表面缺陷檢測,可以集成多個傳統單項技術,更可靠、準確地實時檢測出木材表面的各種缺陷,為實現木材分級自動化、智能化奠定基礎,同時為集裁除鋸、自動調整、自動裁除節子等為一身的新型視頻識別集成材雙面節子數控自動剔除成套設備提供技術支持。
3.2在精確林業中的應用
美國華盛頓大學研究人員開展了樹形自動分析、林業作業規劃等研究工作;Auburn大學的生物系統工程系和USDA南方林業實驗站與有關公司合作開展用GPS和其他傳感器研究林業機器系統的性能和生產效率。
目前單項的GPS、RS、GIS正從“自動化孤島”形式應用于林業生產向集成技術轉變。林業生產系統作為一個多組分的復雜系統,是由能量流動、物質循環、信息流動所推動的具有一定的結構和功能的復合體,各組分間的關系和結合方式影響系統整體的結構和功能。因此應該在計算機集成系統框架下,有效地融合GPS、GIS、RS等數據,解決這些信息在空間和時間上的質的差異及空間數據類型的多樣性,如地理統計數據、柵格數據、點數據等。利用智能DSS(決策支持系統)以及VRT(可變量技術)等,使林業生產成為一個高效、柔性和開放的體系,從而實現林業生產的標準化、規范化、開放性,建立基于信息流融合的精確林業系統。
南京林業大學提出了“精確林業工程系統”[17]。研究包括精確林業工程系統的領域體系結構、隨時空變化的數據采集處理與融合技術、精確控制林業生產的智能決策支持系統、可變量控制技術等,實現基于自然界生物及其所賴以生存的環境資源的時空變異性的客觀現實,以最小資源投入、最小環境危害和最大產出效益為目標,建立關于林業管理系統戰略思想的精確林業微觀管理系統。
[參考文獻]
[1]高翔,王勇.數據融合技術綜述[J].計算機控制與測量,2002,10(11):706-709.
[2]龔元明,蕭德云,王俊杰.多傳感器數據融合技術(上)[J].冶金自動化,2002(4):4-7.
[3]錢永蘭,楊邦杰,雷廷武.數據融合及其在農情遙感監測中的應用與展望[J].農業工程學報,2004,20(4):286-290.
[4]高德平,黃雪梅.多傳感器和數據融合(一)[J].紅外與激光工程,1999,28(1):1-4.
[5]王耀南,李樹濤.多傳感器信息融合及其應用綜述[J].控制與決策,2001,16(5):518-52.
[6]許軍,羅飛路,張耀輝.多傳感器信息融合技術在無損檢測中的應用研究[J].無損檢測,2000,22(8):342-344.
[7]WhiteFE.Datafusionlexicon:DatafusionsubpanelofthejointdirectorsoflaboratoriestechnicalpanelforC3[R].SanDiego,1991.
[8]余啟剛.數據融合技術在“3S”森林防火中的應用[J].森林工程,2003,19(4):5-6.
[9]HampusHolmstrom,biningremotelysensedopticalandradardatainKNN-estimationofforest[J].ForestScience,2003,49(3):409-418.
[10]TrevorJDavis,BrianKlinkenberg,PeterKellerC.Updatinginventory:Usingobliquevideogrammetry&datafusion[J].JournalofForestry,2002,100(2):45-50.
[11]楊春梅,胡萬義,白帆,等.木材缺陷檢測理論及方法的發展[J].林業機械與木工設備,2004,32(3):8-10.
[12]胡英成,顧繼友,王逢瑚.木材及人造板物理力學性能無損檢測技術研究的發展與展望[J].世界林業研究,2002,15(4):39-46.
[13]肖忠平,盧曉寧,陸繼圣.木質材料X射線與超聲檢測技術研究的發展與展望[J].木材加工機械,2004,15(1):25-27.
[14]王金滿,周秀榮.刨花板施膠效果計算機視覺分析方法[J].東北林業大學學報,1994,22(3):25-26.
[15]KlinkhachornP.Prototypinganautomatedlumberprocessingsystem[J].ForestProductsJournal,1993(2):11-18.
關鍵詞：農業機械自動化；技術要點；優化措施
0引言
所謂農業機械自動化技術，指的是將控制論、計算機技術、液氣壓技術等應用到農業機械的設計當中，使農業機械可以獨立完成田間耕作。隨著科學技術的不斷發展以及為了響應政府高效農業的號召，我國農業正逐步朝著機械自動化的方向發展。農業機械的自動化，不僅能夠使勞動的生產效率得到提高，還能減輕農民的勞動強度，并且提高勞動舒適度，在一定程度上緩解農村勞動力短缺的問題。在科技高速發展的今天，世界各國都加大了對農業機械自動化技術的研究。很多科研成果已經從實驗室走向了實用階段。
1農業機械自動化對農村建設的意義
對社會主義新農村進行建設，是我國構建社會主義和諧社會的基本要求。社會主義的和諧與廣大農村地區的和諧是不可分割的。雖然從整體上看，社會主義新農村處于較為穩定和諧的狀態，但不可否認的是，社會主義新農村的建設也存在著一定的問題。其中，最主要的問題是農民收入過低。因此，我國要大力推行農業機械自動化建設，為減輕農民的勞動強度、提高農民的經濟收入提供保障。
2農業機械的分類
通常來說，農業機械是由動力設備和與之配套的農機器具組成的。這兩者之間主要是以牽引懸掛或者是半懸掛的方式進行連接。也有的農業機械將這兩者制造成一個統一的整體。動力設備和與之配套的農機器具這兩者在耕作的過程中，互相配合，缺一不可。
3農業機械自動化發展中存在的問題
我國農業機械技術在發展的過程中，并不是一帆風順的，而是遇到了很多問題。首先，我國大型農業自動化機械在推廣的過程中難度較大。很多農民沒有意識到機械化生產的重要性，導致了他們不愿意在農業生產的機械方面進行投入，最終造成了我國大型農業自動化機械供大于求的尷尬。第二，我國的農業機械制造水平較低。與西方國家相比，我國農業機械制造的起步較晚，在很多方面，科技水平還不夠成熟。第三，我國對農業機械自動化技術的研究缺乏足夠的動力。我國大型農業機械的制造企業，以及科院院所存在著資金不足、科研環境較差的問題。對農業機械進行設計，不僅需要耗費大量的時間和精力，還需要一定的技術條件作為依托。我國大部分科研院所和農業機械制造企業，由于資金不足，并沒有完成對實驗室的配套建設，使得科研人員在進行工作時困難重重，這一現狀也嚴重影響了科研人員的工作積極性。第四，自動化技術在農業機械的應用中還處于起步階段。對自動化技術的應用，需要很高的科技水平作為依托，但是我國科技基礎薄弱的現實，使自動化技術的應用變得困難。
4農業機械自動化技術要點及優化應用措施
4.1實現計算機技術應用于農業生產
計算機視覺技術，作為新時期重點研究和應用性廣泛的新科技，很多西方國家先后展開了對計算機視覺技術的研究。計算機視覺技術在農產品質量的鑒定方面，以及在記錄農產品生長的信息等方面有著十分重要的作用。英國對計算機視覺技術的應用進行了首次嘗試，利用該技術研制了專業性的采蘑菇機器人。采蘑菇機器人在采蘑菇的過程中，不僅能夠對蘑菇的位置進行精準的定位，而且能夠對所采的蘑菇進行合理化的分類。受到英國的影響和啟發，我國國內也開始嘗試在農業機械自動化技術中，加入計算機控制技術的內容。但是由于我國的經濟技術發展還不夠成熟，要實現對計算機視覺技術的應用，還需要科學家們進行努力。
4.2實現農業施肥和灌溉技術的自動化
我國水資源總量雖然比較大，但是人均資源占有量卻很小，而且我國水資源分配的不夠合理，使得我國水資源長期處于短缺的狀態。要促進農業的發展，充足的水資源是必要的條件。在保證農業生產用水的同時，保證對水資源的節約，是我國農業發展過程中必須要面對的問題。農業自動化灌溉技術的應用可以很好地解決這一問題。所謂農業自動化灌溉技術，是把傳感器與電子計算機進行有機結合，把農作物生長過程中對環境的需求及對用水量的需求，通過軟件的形式加以呈現，從而避免水資源的浪費。對農業施肥技術來說也是如此，實現農業施肥和灌溉技術的自動化，是節約水資源、降低農業生產成本、避免浪費以及保護環境的必然選擇。
4.3實現農業的精準化
農業精準化是指將我國的傳統農業與農業機械自動化技術相結合，實現農業生產管理的科技化。精準農業是未來農業發展的主要方向之一。農業生產自動化，是一項以計算機網絡和控制器等為基礎的技術。我國對精準農業的研究，已經取得了一定的科技成果。世界上第一臺觀測農業氣象的自動化儀器，已經在我國鄭州氣象站開始投入使用。農業氣象觀測儀，可以對農業生產的小環境進行合理化監測，并且通過網絡把監測到的信息及時反映給當地農業部門。總之，在經濟全球化進程不斷加快和城市化進程高速發展的今天，給各個行業帶來機遇的同時，也帶來了挑戰。為了在經濟發展的大潮中處于不敗的地位，加強科技創新是一項必不可少的選擇，同時也是長遠發展的根本要求。對于農業產業而言，為了使我國農業能夠更好更快的發展，政府要提高對農業機械自動化技術研究的投入，并將新的科技成果不斷應用到農業生產中。作為科技工作者要努力鉆研農業機械自動化技術，并且要對農業機械自動化技術的應用措施進行優化，從而實現農業的智能化時代，創造出我國農科發展的新道路。
參考文獻：
[1]劉洋.我國農業機械自動化應用現狀和推進模式探討[J].化工中間體,2015(11):11-19.
[2]羅小鋒,劉清民.我國農業機械化與農業現代化協調發展研究[J].中州學刊,2010(02):17-22.
關鍵詞：無損檢測；農產品；分級
引言：自1993年開始,我國果品總產量超過印度、巴西和美國,躍居世界首位。因此,水果的品質分析就顯得更加重要。水果品質檢測主要包括硬度、糖度、酸度等多種指標檢測,傳統的檢測方法主要采用的是化學方法,測量過程復雜,等待時間長,也就降低了其實際的使用意義。無損檢測技術(Nondestructive Determination Techonol ogies,簡稱NDT)主要指的是在不破壞或損壞被檢測對象的基礎上,利用農產品內部結構異常或缺陷存在所引起的對熱、聲、光、電、磁等反應的變化,來探測各種農產品等內部和表面缺陷,并對缺陷的類型、性質、數量、形狀、位置、尺寸、分布及其變化做出判斷和評價。
一、農產品無損檢測技術介紹
(一)核磁共振技術
核磁共振技術(NMR)是一種探測濃縮氫質子的技術,它對農產品中的水、脂的混合團料狀態下的響應變化比較敏感。自1946年美國科學家F.Bloch和E.M.Purcell發現了核磁共振現象以來,核磁共振技術在研究物質的結構方面得到了廣泛應用。核磁共振能生成果實內部組織的高清晰圖像,不僅可用于檢測果品的壓傷、蟲害、成熟度,在測定蘋果、香蕉的糖度等方面也具有潛在價值。對于采收成熟度直接影響品質的品種,利用核磁共振技術可大大提高收獲、運輸的可靠性。目前,該項技術真正用于果品的內部檢測和質量評價還有很多問題有待研究,但由于其卓越的優點,將會是一種很好的果品無損檢測方法。
(二)聲學特征的應用
聲學特性反映的是聲波和農產品相互作用的基本規律,利用聲學特性主要是指根據農產品在聲波作用下反射特性、散射特性、吸收特性、衰減系數和聲波傳播速度及本身聲阻抗、固有頻率等的變化與農產品內部組織變化如結構、成分、物理狀態等物化特性信息間的關系進行。用于檢測的超聲波一般為低能超聲波,在被檢測物中傳播時不會引起其物理或化學特性的變化。低能超聲測量中最常用的3個參數為:聲速、聲衰減系數、聲阻抗。聲學無損檢測技術與光學、電學及其他無損檢測技術相比,有適應性強、投資較低、操作簡便快捷等優點,適用于在線檢測,在農產品檢測領域的應用前景良好。
利用農產品聲學特性對其內部品質進行無損檢測和分級是生物學、聲學、農業物料學、電子學、計算機等學科在農產品生產和加工中的綜合應用,該技術適應性強,檢測靈敏度高,對人體無害,成本低廉,易實現自動化,是果品無損檢測技術發展的重點領域。雖然國外學者對此技術已做了較多基礎研究,但這些研究基本上是研究農產品聲學特性共振頻率、反射折射透射特性、吸收特性、衰減特性、傳播速度、聲阻抗等中的某一特性與農產品某一品質指標的關系,而對多種聲學特性對農產品某一內部品質指標或多種內部品質指標的綜合影響的研究報道很少,阻礙了聲學檢測精度的提高。
(三)近紅外分析法的應用
近紅外光譜分析技術(Near Infrared Spectroscopy Analysis,簡稱NIR)是利用樣品中有代表性的有機成分在近紅外光譜區域的最強吸收波長不同,以及吸收的強度與有機成分呈線性關系的原理進行定量分析。通過對已知有機成分含量的樣品與其近紅外光譜特征的回歸分析,建立定標方程,即可對含有同一種有機成分的樣品進行定量估測。
近紅外線波長為800～2500 nm,近紅外線照射在果實上,果實中構成糖和酸的官能基(-OH,-CH2,-NH)吸收與相應分子固有振動相一致的特定光線,近紅外分光法就是利用上述特性,從被吸收的光量非破壞檢測糖、酸、水分和葉綠素等成分的一種技術。該方法僅在建立標定線時破壞果實測定其化學成分,標定線做成后,只需測定樣品的近紅外線分光頻譜,就可得到成分的預測值,還能在瞬間同時測定多個成分。
(四)X射線檢測技術的應用
X射線檢測技術是指利用X射線的穿透能力對果蔬品質進行檢測的一種方法。X射線具有很好的穿透能力,而物質的密度大小又影響了其穿透量的多少,通過對透過穿透量多少的分析從而可以對物質的內部品質進行分析。檢測時所需的X射線強度弱,所以通常稱為軟X射線檢測技術。X射線檢測技術本來是為檢測一些不易拆卸分解的大型構件或機械零件的內部缺陷而開發應用的,近來已被成功地移植到農產品加工領域。
(五)機器視覺技術的應用
20世紀70年代開始,計算機視覺技術開始被應用到工業和農業之中,主要進行的是植物種類的鑒別、農產品品質檢測和分級。由于圖像處理技術專業的出現以及計算機成本的降低,機器視覺技術在農產品品質檢測與分級領域的應用中越來越具有吸引力。
計算機視覺是以計算機和圖像獲取部分為工具,以圖像處理技術、圖像分析技術、模式識別技術、人工智能技術為依托,處理所獲取的圖像信號,并從圖像中獲取某些特定信息。計算機視覺技術無需接觸特定對象便可從獲取的圖像中得到大量的信息,通過對這些信息的分析得到物體尺寸、表面缺陷、外觀形狀、表面色度等具體信息,進而實現外觀質量的綜合評價。
現在,用于農產品品質檢測與分級的可見光快速檢測主要是基于計算機視覺的檢測技術,利用光學傳感器或掃描攝像機攝像,綜合測出果品的表面顏色、對特定光的透光率、形狀和大小,并與事先貯存在計算機中的數據模型進行對比,推算出成熟度和糖分。
(六)電子鼻技術的應用
電子鼻技術是近年來興起的一種農產品無損檢測的方法,電子鼻一般由氣敏傳感器陣列、信號處理子系統和模式識別子系統等3大部分組成。它以特定的傳感器和模式識別系統快速提供被測樣品的整體信息,從而指示樣品的隱含特征。與普通的化學分析儀器,如色譜儀、光譜儀等不同,電子鼻得到的不是被測樣品中某種或某幾種成分的定性與定量結果,而是給予樣品中揮發性成分的整體信息,也稱“指紋”數據。
由于在同一個儀器裝置里采用了多類不同的矩陣技術,使檢測更能模擬人類嗅覺神經細胞,根據氣味標識和利用化學計量統計學軟件對不同氣味進行快速鑒別。在建立數據庫的基礎上,對每一樣品進行數據計算和識別,可得到樣品的“氣味指紋圖”和“氣味標記”。
二、無損檢測技術的應用前景
無損檢測技術作為一種新興的檢測技術,在不破壞果蔬品質的基礎上,對果蔬的品質進行檢測和分級利用光學、電學以及電腦信息技術等的先進技術對果蔬的品質進行準確、快速的檢測。隨著我國人民生活水平的提高,我們對新鮮果蔬的品質要求也越來越高,無損檢測技術適合加工高效率、大規模的要求,因此,這種檢測方法必將在未來的農產品檢測和分級中得到廣泛的應用。
參考文獻：
關鍵詞：圖像識別；SURF算法；特征點；魯棒性
中圖分類號：TP391 文獻標志碼：A
圖像識別，是利用計算機對圖像進行處理、分析和理解，以識別各種不同模式的目標和對像的技術。圖像的局部不變特征有著在多種圖像變換（如光照變換，幾何變換等）下的不變性、獨特性、低冗余性以及無需預先對圖像分割等特點，已經被廣泛應用于圖像匹配領域。基于特征不變的方法具有精度高、執行速度快、壓縮信息量和魯棒性好等優點。尺度不變特征轉換（Scale-invariant feature transform，SIFT）算法便是其中的代表，該算法由David Lowe于1999年在ICCV上提出，并于2004年完善總結。SIFT算法匹配能力較強，能提取穩定的特征，可以處理兩幅圖像之間發生平移、旋轉、仿射變換、視角變換和光照變換等情況下的匹配問題，但該算法數據量大，復雜度高，耗時長，同時也存在著特征提取及匹配速度慢，在灰度變化相似的區域容易產生誤匹配的缺陷，限制了該算法的應用。SURF算法是針對SIFT算法的不足而改進的一種有效算法。
1SURF算法描述
快速魯棒特征[1]（Speeded-up Robust Features，SURF）是一種高魯棒性的局部特征點檢測器，由Herbert Bay等人于2006年在ECCV上提出的。該算法比SIFT更快更加具有魯棒性，對圖像分辨率、旋轉、尺度縮放、平移和亮度變化等保持不變，而且對仿射變換、噪聲以及視角變化等也能保持一定程度的穩定性。
SURF算法的基本流程主要包括：特征點檢測、特征點描述和特征點匹配三部分。該算法中有三個關鍵技術，分別為：使用積分圖像完成圖像卷積操作，減少了時間計算的復雜度，提高計算速度；采用基于Hessian矩陣的檢測器檢測特征值，其在可重復性和穩定性方面都優于基于HarTis的檢測器；采用Haar小波作為特征描述子，Harr特征速度快，能夠減少計算時間并增加魯棒性。
1.1積分圖像
積分圖像是一種對原始圖像的特征表示方法。對于一幅灰度的圖像，積分圖像中的任意一點（x，y）的值是指從圖像的左上角到這個點所構成的矩形區域內所有的點的灰度值之和[2]。圖1所示填充區域即為點（x，y）的積分值。
1.2尺度空間的建立
圖像的尺度空間是在視覺信息（圖像信息）處理模型中引入一個被視為尺度的參數，通過連續變化尺度參數獲得不同尺度下的視覺處理信息，然后綜合這些信息以深入地挖掘圖像的本質特征。一幅圖像的尺度空間可定義為原始圖像與高斯核的卷積運算，圖像的尺度大小可以用高斯標準差來表示[3]。在計算機視覺領域， 尺度空間被表示為一個圖像金字塔。在SIFT算法中，輸入圖像函數反復與高斯函數的核卷積并反復對其進行二次抽樣，但因為每層圖像依賴于前一層圖像， 并且需要重設圖像尺寸，所以使得運算量較大。SURF算法與SIFT算法在使用金字塔原理上的不同之處在于SURF算法申請增加圖像核的尺寸，允許尺度空間的多層同時被處理，并且不需要對圖像進行二次抽樣， 從而提高了算法性能。同時SURF算法采用了尺度插值和3*3*3的非極值抑制方法以提取尺度不變的特征點。圖2中A圖是運用傳統方式建立的一個圖像金字塔結構，運算會反復使用高斯函數對子層進行平滑處理， 且圖像的尺寸是變化的。B圖的SURF算法保持原始圖像不變而只是改變濾波器的大小。
1.3Hessian特征檢測
2算法實現
根據SURF算法的基本原理，設計算法的實現過程。首先通過視頻采集設備獲取模板圖像，并對其建立積分圖像和構建尺度空間結構，再通過視頻采集設備捕捉當前視頻幀，然后檢測出模板圖像及當前視頻幀的特征點， 并保存每個特征點各項特性的描述信息，最后比較模板圖像與當前幀圖像特征點的描述子信息進行圖像匹配。
3OpenCV技術
OpenCV（Open Source Computer Vision Library）[5]于1999年由Intel建立，是一個基于（開源）發行的跨平臺計算機視覺庫，可以運行在Linux、Windows和Mac OS操作系統上。OpenCV輕量級而且高效，由一系列C函數和少量C++類構成， 實現了計算機視覺，圖像處理和模式識別等方面的很多通用算法。
OpenCV為Intel公司的Integrated Performance Primitives（IPP）提供了透明接口，這意味著如果有為Intel處理器優化的IPP庫，OpenCV將在運行時自動加載這些庫。OpenCV致力于真實世界的實時應用，通過優化的C代碼的編寫對其執行速度帶來了可觀的提升，編寫程序過程中調用OpenCV的基礎函數庫， 即可完成十分復雜的開發任務， 極大的提高開發效率。
3.1OpenCV的特點
1） 跨平臺，Windows，Linux，Mac OS；
2） 免費，開源；
3） 代碼經過優化，可用于實時處理圖像；
4） 統一的結構和功能定義；
5） 強大的矩陣運算和圖像處理能力；
6） 具有底層和高層的應用開發包；
7） 用戶接口方便靈活。
3.2OpenCV的功能
1） 對圖像數據的操作，包括分配、釋放、復制和轉換數據。
2） 具有對矩陣和向量的操作以及線性代數的算法程序，包括矩陣、解方程，特征值以及奇異值。
3） 具有基本的數字圖像處理能力，如可進行濾波、邊緣檢測、角點檢測、采樣與差值、色彩轉換、形態操作、直方圖和圖像金字塔等操作。
4） 對運動的分析，如對光流、運動分割和跟蹤的分析。
5） 對目標的識別，可采用特征法和隱馬爾科夫模型（HMM）法。
6） 具有基本的GUI功能，包括圖像與視頻顯示、鍵盤和鼠標事件處理及滾動條等。
3.3OpenCV模塊
1） CV核心函數庫，實現圖像處理，結構分析，運動分析，對象識別，攝像機標定和3D重構等功能。
2） CVAUX輔助函數庫，實現通過立體視覺來實現的動作識別，基于輪廓線的形狀匹配，模式識別，紋理描述等功能。
3） CXCORE數據結構與線性代數庫，實現數據變換，矩陣運算等功能。
4） HIGHGUI圖像界面函數庫，實現圖像獲取，用戶界面設計等功能。
5） ML機器學習函數庫，包括模式分類和回歸分析等。
4Android上的系統實現
Android是基于Linux開放性內核的操作系統，是Google公司在2007年l1月5日公布的手機操作系統。Android采用軟件堆層的架構，主要分三部分：底層以Linux核心為基礎，提供基本功能；中間層包括函數庫和虛擬機；最上層是各種應用軟件。Android應用程序用Java語言編寫。每個應用程序都擁有一個獨立的Dalvik虛擬機實例，這個實例駐留在一個由Linux內核管理的進程中[6]。
在Android系統上使用OpenCV來實現該系統，需利用JNI編寫相應的本地代碼組件并通過Android NDK工具集將其嵌入到Android應用程序中。首先，利用Android應用程序框架編寫相應的Java代碼；然后通過JNI與OpenCV提供的函數編寫本地C/C++代碼，并使用Android NDK將本地代碼文件編譯生成可由Java代碼調用的共享庫（動態鏈接庫），最后通過SDK生成完整的Android應用程序[7]。
4.1JNI
JNI（Java Native Interface），即JAVA本地調用。它允許Java代碼和其他語言編寫的代碼進行交互。
5結論
本文提出了一種基于SURF算法的圖像識別方法，并運用此方法實現了一套基于Android平臺的圖像識別系統。由于系統需要進行大量的圖像處理運算， 因此通過使用Android NDK調用OpenCV圖像處理函數庫以提高編程效率，。系統通過手機攝像頭提取視頻幀， 并使用SURF算法對其進行快速魯棒特征檢測。實驗結果表明， 該方法復雜度低、實時性好并且具有良好的魯棒性，將系統用于移動設備圖像識別加密，以及視頻監控等方面，會使其擁有更好的識別效率和可靠性。
參考文獻：
[1]彭欣，劉富強，宋華軍.基于SURF目標跟蹤算法研究[J].長春理工大學學報， 2011，34（2）：138-141.
[2]徐秀云.基于特征點的景象匹配技術研究[D].南京：南京理工大學，2009：1-68.
[3]高健， 黃心漢， 彭剛，等. 一種簡化的SIFT圖像特征點提取算法[J].計算機應用研究，2008，25（7）：2 213-2 215.
[4]VASILEIOS K，CHRISTOPHOROS NIKOU，ARISTIDIS LIKAS.Visual Tracking by Adaptive Kalman Filtering and Mean Shift[J].Springer-Verlag Berlin Heidelberg，2010，6040：153-162.
[5]黎松，平西定，丁益洪.開放源代碼的計算機視覺類庫OpenCV的應用[J].計算機應用與技術，2005，22（8）：134-136.
[6]韓超，梁泉.Android系統原理及開發要點詳解[M]北京：電子工業出版社，2010：70-93.
[7]韓露.一種Java與OpenCV結合實現的目標檢測模塊[J].計算機應用，2008（3）：773-775.
[8]HUIYU ZHOU，YUAN YUAN，CHUNMEI SHI.Object tracking using SIFT features and mean shift[J]. Computer Vision and Image Understanding，2009，113：345-352.
[9]HERBERT BAY， ANDREAS ESS， TINNE TUYTELAARS，et al.Speeded-Up Robust Features（SURF）[J].Preprint submitted to Elsevier，2008：233-245.
[10]TA D N CHEN，W C GELFAND，N PULLI K.SURFTrac：Efficient Tracking and Continuous Object Recognition using Local Feature Descriptors[C]//Coumputer Vision and Pattern Recognition（CVPR'09），2009：2 937-2 943.
[11]紀華，吳元昊，孫宏海，等.結合全局信息的SIFT特征匹配算法[J].光學精密工程，2009，17（2）：439-444.
[12]CHAVES A，GUSTAFUSON D.Vision——Based Obstacle Avoidance Using SIFT Features[C]//Proceedings of the 5th International Symposium on Advances in Visual Computing.2009：550-557.
[13]公磊，周聰.基于Android的移動終端應用程序開發與研究[J].計算機與現代化，2008（8）：85-89.
(訊)上周，大盤震蕩下行，中小板及創業板均有不同程度的調整，全周收跌。計算機行業震蕩上行強于大盤，各概念板塊均有不同程度的上漲。
我們認為，市場短期仍缺乏熱點，個股上漲持續性不強，板塊熱點輪動過快。大盤目前點位已接近今年二月以來的高點，資金較為謹慎，存量資金博弈明顯，場外資金觀望氛圍較強。
從行情層面看，計算機板塊由于前期上漲較多，短期呈現震蕩整理走勢。此外，隨著通信網絡基礎設施的逐步完善，以及云計算技術不斷成熟，云計算服務業漸入佳境。其中，云計算基礎設施的IDC已經初步顯現優勢，有望持續得到市場關注。國產軟件行業在本周呈現強勢，隨著中報行情推進，業績較好的軟件公司可以重點關注。
而從估值層面看，計算機板塊的估值已落入近三年估值中樞的下方，長期投資價值開始顯現。短期個股分化明顯，前期上漲較多個股有回調壓力。在后期操作建議層面，我們仍維持此前的判斷，即認為短期內難有明顯的利好政策或事件刺激，行情大概率仍將維持震蕩，因此建議投資者應謹慎應對，多做左側布局而避免追漲殺跌。
對于下半年，我們對行業謹慎偏樂觀。配置方面，我們建議短線投資者逢低布局跌幅較深短期有補漲需求的板塊及個股以博反彈收益，另外重點關注中報業績預期翻轉的公司；建議中長線投資者仍從基本面出發進行選股，建議投資者重點關注業績成長質量高(內生增速高)且持續性強的個股。我們堅持看好人工智能和計算機視覺板塊的持續性主題投資機會，計算機視覺是人工智能領域中發展最為迅速的一個重要分支，其應用融合度高，互聯網巨頭的布局必將引起國內資本層面的關注，投資者可積極關注。
綜上，我們繼續維持行業“看好”的投資評級，股票池推薦多倫科技、恒華科技、東方網力、華宇軟件、四維圖新。(來源：渤海證券 文/王洪磊 編選：中國電子商務研究中心）
關鍵詞：牛肉分級；邊緣檢測；二值化處理；自動分級
中圖分類號：TS251.52 文獻標志碼：A 文章編號：1001-8123（2013）04-0010-05
2003年10月我國農業行業標準《牛肉質量分級標準》開始實施，鑒于牛肉眼肌橫切面包含了大理石紋、肉色、脂肪色、背膘厚度和眼肌面積等評定指標，所以在牛肉質量的分級標準和體系中，進行牛肉等級評定時，通常都將眼肌面積橫切面作為主要的評定對象。但目前為止，國內外的牛肉分級體系采用的分級方法還是以主觀的視覺評定為主，評定過程受到人為因素的干擾，不僅效率低，而且還會產生較大的誤差。因此，計算機視覺、人工神經網絡和圖像處理技術，被認為是實現牛肉自動分級的最有效的方法。在國外，1989年Chen Shengwei等[1]首次針對美國牛肉大理石花紋標準圖版，應用圖像處理技術對美國牛肉的肌肉脂肪面積進行計算，用于牛肉質量分級，并將其作為判定牛肉質量等級的定量指標，在隨后的相關研究中，研究學者運用圖像處理方法等技術分別有效的預測大理石紋、顏色等級、脂肪面積比、脂肪顆粒分布均勻度等特征參數，探討了基于圖像處理的牛肉等級評定技術[2-5]。在國內，計算機技術在牛肉等級評定中的應用還處于初步研究階段，主要是通過眼肌切面圖像的紋理分割，通過計算脂肪面積比[6-7]的方式來計算牛肉等級[8-10]，對脂肪在肌肉中分布所形成的特征分析不夠深入，對牛肉等級評定的準確性和實際應用等方面都有不足之處。本研究擬運用計算機視覺系統對牛肉眼肌的形狀特征值、脂肪含量和分布進行量化，在VC++6.0的環境下自行開發適用于牛肉眼肌自動分級軟件，提高分級的準確性和工作效率，為我國牛肉智能化分級技術的研究奠定理論依據[10]。
1 材料與方法
1.1 材料、軟件及基本原理
采用Visual Basic6.0作為實驗分析軟件，利用圖形處理中的二值化算法、邊緣檢測算法等對采集到的數字圖像進行處理和分析，提取出用于牛肉眼肌自動分級的眼肌面積、圓度、大理石紋密度等重要參數，再利用模糊數學理論利用計算出的參數數據，實現對牛肉眼肌的智能自動分級。
1.2 方法
1.2.1 邊緣檢測法
物體圖像的邊緣信息特征因為顏色、紋理結構和灰度值的變化是以不連續性的形式出現，是圖像最基本的特征之一。邊緣檢測法提取圖像特征是圖像識別中的一個重要屬性和重要環節[11]。圖像邊緣檢測中的經典算法SUSAN算法[12]選用放在不同5個位置上圓形模板，如圖1所示。
比較模板內像素的灰度與核心的灰度，其差值在閾值內時，認為灰度相同。與核的灰度相同的像素數目之和稱為模板的面積（USAN）。SUSAN算法根據USAN區的大小和矩陣特性來檢測圖像邊緣及角點等特征的位置及方向信息[13]。由圖1所示，平坦區域USAN區最大（d，e），邊緣處USAN區大小降為一半（a），角點附近USAN區變得更小（c）。
1.2.2 二值化處理
圖像二值化是指對僅含黑白二值的圖像進行參數提取數據預處理的重要技術。采用直方圖均衡化，同態濾波對圖像進行預處理抑制外界因素提高圖像質量，或者將圖像劃分為若干區域，分別設定閾值Tn，則：
（1）
由于所提取的大理石紋圖像中，僅有肉色和脂肪色，即只有紅色和白色兩類顏色信息，因此在二值化處理過程中，采用第1種方法進行二值化處理。
圖像分割是基于邊緣檢測或基于區域的分割，將同一屬性但區域互不相交，均滿足特定區域一致性條件的不同區域分割開來[14]。本研究采用區域生長法實現對圖像的分割。
1.2.4 模糊綜合評判
對模糊事物實現較合理的評價可采用模糊數學中的模糊綜合評判法 [15]。設定因素集，集合中的某一元素Ui表示決定事物的第i個因素，評價集Vi表示對事物評價結果。
2 結果與分析
2.1 利用二值化算法提取大理石花紋
2.1.1 二值化算法
對大理石紋圖像的特征參數提取時，均需要先對圖像進行二值化處理，將彩色圖像處理成只包括黑色像素點和白色像素點的圖像。由于所提取的大理石紋圖像中，僅有肉色和脂肪色，即只有紅色和白色兩類顏色信息，因此在二值化處理過程中，采用第1種方法進行二值化處理。
假定彩色圖像的大小為M×N，fn其表示像素點的顏色值，f（I，j）表示像素點（I，j）的二值化結果，當f（I，j）=1時，像素點（I，j）被標記為黑色像素點，當f（I，j）=0時，像素點（I，j）被標記為白色像素點。對于某一像素點（I，j），如果該像素點的顏色值fn大于閾值T，則令f（I，j）=1，否則f（I，j）=0，實現對彩色圖像的二值化處理。二值化方法如式（2）所示在二值化算法中，閾值的選取是二值化處理的關鍵，如何選取合適的閾值t，準確提取出不同圖像中的大理石紋，是本算法的一個關鍵技術。本研究的所有實驗，都是基于VC++6.0編程完成。在所有圖像的二值化處理中，程序設計使用inputbox函數的數據輸入方式，由用戶根據個人經驗輸入某一個閾值T。
（2）
經過二值化處理后的圖像，白色點表示脂肪像素點，黑色點代表肌肉像素點。本算法進行大理石紋的面積計算、圓度測量、密度分析等算法都是在圖像二值化的基礎上進行的，因此，圖像二值化的結果將直接影響到后面參數的提取準確度問題。
2.1.2 二值化實驗結果分析
圖2是對原圖像1采用不同閾值t的檢測結果，圖3是對原圖像2采用不同閾值t的檢測結果。從圖2、3結果可以看出，對于不同亮度的圖像，采用相同的閾值，如t=90時，對原圖像1，可以很好的提取出二值化圖像；而對原圖像2，無法正常提取出所需要的區域信息。同樣，對于t=160時，從圖2D可以看出，對于原圖像1，由于閾值太大，造成一些有用的大理石紋信息丟失，而對于原圖像2，能更好的提取出需要的大理石紋信息，為后繼準確的提取大理石紋信息提供保證。
本算法中，閾值的選取采用人機對話的方式選擇閾值，希望后期工作中能研究出一種能自動根據圖像顏色亮度特征智能選取閾值的算法。
2.2 利用區域生長算法提取有效眼肌面積
由于眼肌面積圖像中僅含有白色和紅色兩種顏色區域，有效眼肌面積區域是一塊連通區域，因此，采用種子點生長算法，可以很好的提取出和所選種子點相連通的所有連通區像素點。
有效眼肌面積的提取步驟如下：以原圖像1（圖3A）中眼肌面積的提取為例，先采用二值化算法，選用閾值t=90，使得眼肌內的區域為大片黑色聯通區，再利用種子點生長算法，利用鼠標選取眼肌中黑色聯通區中的一點作為種子點，生成的眼肌面積內的聯通區，如圖3所示。由于生成的聯通區內存在大理石紋，所以眼肌面積是圖像總面積減去灰色聯通區的面積。
首先采用二值化算法，對原圖像進行二值化處理，然后對處理好的二值化圖像，用鼠標選取屬于要計算面積區域中的某一黑色像素點，采用種子點生長算法[16]，將所選取的像素點作為種子點，進行生長，識別出面積輪廓。由于圖4中的面積區域，還存在白色大理石紋，不能直接計算出面積大小，因此，再對圖4進行二值化處理，選取背景色中的任意1點作為種子點進行生長，然后進行背景圖像區域的識別，再用總面積減去背景區域的面積，即可算出眼肌面積。對原圖像1，利用本實驗算法計算出的有效眼肌面積共14742個像素點。
2.3 肌肉和脂肪色度值
將圖像中所有肌肉像素點采用種子點生長的算法提取出來所有的紅色像素點區域，對提取出的肌肉連通區圖像，遍歷整個圖像，計算出連通區中所有像素點的Red、Green、Blue三個顏色分量的平均值，再使用顏色公式w（x，y）=Red+Green×256+Blue×65536，計算出所有肌肉像素點的顏色平均值。同樣的算法，可以提取出白色脂肪的色度值。對原圖像1（圖2A）進行肌肉色度和脂肪色度的計算，計算出了脂肪色度為11437206，肌肉色度為7428162，對原圖像2（圖3A）所示的圖像，計算出的脂肪色度為11718453，肌肉色度為127466071。該顏色值越大，說明圖像顏色亮度越大，色值越高。
2.4 眼肌圓度
有效眼肌面積的圓度可以采用計算其長軸的長度和短軸的長度，通過長短軸的比值來衡量眼肌面積的圓度。在一幅灰度圖像中，已知中兩個像素點的坐標（x1，y1）、（x2，y2），利用兩點間距離的計算公式：
（3）
可以計算出某一直徑，直徑的大小即為長軸的長度。因此，查找到有效眼肌面積的長軸的兩個像素端點是計算長軸的關鍵。
本算法采用種子點生長算法提取出有效眼肌面積的連通區，然后由用戶利用鼠標，選取出長軸的起點，如圖5B所示，設置出長軸的起點坐標（x1，y1）。然后在如圖5C所示的連通區中找到離該點最遠的像素點坐標值（x2，y2），利用兩點間距離公式，計算長軸的長度。短軸是在長軸垂直平分線上的離長軸中點（（x1+x2）/2、（y1+y2）/2）最遠的點和中點間的距離。測量結果顯示，長軸215.94，短軸55.08，長短軸比率：55.08/215.94≈0.51，比值越接近于1，說明眼肌面積越趨向圓。
2.5 大理石紋密度
對大理石紋密度統計分析分為5個步驟進行：第1步，采用區域生長法或者邊緣檢測算法對原圖像進行圖像分割，將圖像分割成不同的很多連通區；第2步，對所有連通區進行著手標記，同一連通區著相同的顏色，不同的連通區采用不同的顏色；第3步，統計所有連通區各自的面積大小區域；第4步，統計圖像中連通區總數目；第5步，統計標記的連通區面積在0～5、5～10、10～15、15～20等范圍內的連通區個數。
2.5.1 不同連通區著色
采用眼肌面積算法中的種子點生長算法，對整個圖像進行遍歷，識別出所有的連通區，并用不同的顏色值標記出不同的連通區。
對照高標準的密度檢測結果圖7和低標準的密度檢測結果圖8檢測結果發現，相同像素點下連通區總數越多，說明大理石紋越豐富。像素點總數小于5的連通區的個數表明大理石紋的分散程度，值越大，說明越分散，密度越大。
2.6 基于模糊數學理論的牛肉大理石花紋自動分級系統
針對牛肉自動分級中大理石紋參數特征值的模糊性、相關性、多變量等特點，結合模糊數學理論，將所提取出來的所有眼肌面積、大理石紋密度，眼肌面積的圓度、色度等多個參數，采用模糊數學理論中的綜合評判技術建立了基于模糊綜合評判的牛肉大理石紋自動分級模型。例如：使用模糊綜合評判算法記U={眼肌面積，圓度，肌肉色度，脂肪色度，大理石紋密度}，表示因素集，表示決定牛肉分級品質的所有因素。記?={a1，a2，a3，…，an}。取評價集V={低品質牛肉，中等品質牛肉，優質牛肉，特優級牛肉}，表示牛肉的評價結果。
對牛肉品質等級的判定，需要綜合考慮各種因素，如牛肉的大理石紋分布的密度，有效眼肌面積的圓度、色度、面積大小等。結合本系統中采用數字圖像處理技術自動提取出的相關的參數信息，然后考慮所有因素對評價集V中各等級的隸屬度，可得綜合評判矩陣如。
3 結 論
利用了圖像處理中的邊緣檢測技術、二值化處理和圖像分割技術，先對原牛眼肌圖像進行二值化處理，然后對處理好的二值化圖像，采用種子點生長算法，識別出眼肌面積輪廓，進行背景圖像區域識別，計算眼肌面積，并采集連通區中所有像素點的Red、Green、Blue 3個顏色分量，計算出所有肌肉和脂肪像素點的顏色平均值，并對有效眼肌區域的圓度和大理石紋分布密度進行參數提取和檢測。結果證明，本實驗設計的算法能夠近似的估算出牛眼肌面積、脂肪比例、色度值、眼肌圓度和大理石花紋密度，是一種有效的估算方法，并通過大量實驗數據和人工測量數據進行比對，證明使用圖像處理技術自動估算上述5個特征參數是可行的，為基于計算機視覺的牛肉品質自動分級檢測奠定基礎。后期工作中希望能并結合大理石花紋的特點和特征描述以及具體牛肉圖像的特點，通過大量的數據，使用模糊聚類，模糊識別、模糊綜合評判等技術，給出接近現實的、準確的牛肉等級判定結果，為進一步研究基于計算機視覺的牛肉自動分級系統打下基礎。
參考文獻：
[1] CHEN Shengwei， SUN Xin， QIN Chunfang， et al. Color grading of beef fat by using computer vision and support vector machine[J]. Computers and Electronics in Agriculture， 2010， 70（1）： 27-32.
[2] YOSHIKAWA F， TORAICHI K， WADA K， et al. On a grading system for beef marbling[J]. Pattern Recognition Letters， 2000， 21（12）： 1037-1050.
[3] SHIRANITA K， HAYASHI K， OTUSBO A. Determination of meat quality using texture features[J]. The Institute of Electronics， Information and Communication Engineers Transactions on Information and Systems， 2000， 83（4）： 1790-1796.
[4] AASS L， FRISTEDT C G， GRESHAM J D. Ultrasound prediction of intramuscular fat content in lean cattle[J]. Livestock Science， 2009， 125（2/3）： 177-186.
[5] KAZUHIKO S， KENICHIRO H I， AKIFUMI O， et al. Grading meat quality by image processing[J]. Pattern Recognition， 2000， 33（1）： 97-104.
[6] CHEN Kunjie， QIN Chunfang. Segmentation of beef marbling based on vision threshold[J]. Computers and Electronics in Agriculture， 2008， 62（2）： 223- 230.
[7] 陳坤杰， 姬長英. 牛肉自動分級技術研究進展分析[J]. 農業機械學報， 2006（3）： 159-162.
[8] 陳坤杰， 孫鑫， 陸秋琰. 基于計算機視覺和神經網絡的牛肉顏色自動分級[J]. 農業機械學報， 2009（4）： 179-184.
[9] 陳坤杰， 秦春芳， 姬長英. 牛胴體眼肌切面圖像的分割方法[J]. 農業機械學報， 2006（6）： 161-164.
[10] 任發政， 鄭麗敏， 王桂芹， 等. 應用MATLAB圖像處理技術評判牛肉大理石花紋[J]. 肉類研究， 2002（4）： 14-15.
[11] 賈淵， 李振江， 彭增起. 結合LLE流形學習和支持向量機的豬肉顏色分級[J]. 農業工程學報， 2012（9）： 154-159.
[12] 魏光杏， 吳錫生. 新型邊緣檢測法[J]. 計算機工程與設計， 2007（4）： 144-145.
[13] GE X W， FU K T. Edge detection in image method research[J]. Digital Community & Smart Home， 2007， 3（16）： 1144-1145.
[14] 王文淵， 王芳梅. 改進的最大熵算法在圖像分割中的應用[J]. 計算機仿真， 2011（8）： 297-300.
關鍵詞： 大跨度運動； 肢體擺動； 視覺圖像； 輪廓特征檢測
中圖分類號： TN911.73?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）07?0067?04
Visual judgment of body swing amplitude in long span movement
GAO Li
（Henan University of Animal Husbandry and Economy， Zhengzhou 450046， China）
Abstract： Since it is difficult to model the visual feature of the body swing amplitude in the long span movement， an edge area contour feature detection based visual judgment method of the body swing amplitude in the long span movement is proposed. In the visual judgment method， the body swing visual image of the long span movement is used， and then the high frequency component of the image is denoised to improve its SNR. The edge area contour feature detection method is used to extract the feature of the body swing amplitude to implement vision detection and image recognition. The performance of the method was verified with simulation. The simulation results show that the method can judge the body swing amplitude in the long span movement accurately， has strong ability for movement image analysis， and can improve the output SNR of the image and probability of accurate detection.
Keywords： long span movement； body swing； visual image； contour feature detection
0 引 言
隨著計算機數字圖像處理技術的成熟，采用圖像視覺分析方法進行運動圖像的特征檢測，在體育運動訓練方面展示了較高的應用價值。大跨度運動主要包括跳高、三級跳遠、跨欄以及各種球類運動。大跨度運動中肢體擺動幅度較大，采用傳統的視頻分析方法難以實現對運動動作的特征分析和視覺重構，不能有效指導體育運動訓練效果，需要采用計算機視覺圖像分析方法進行大跨度運動圖像的檢測和分析，視覺重構肢體擺動幅度，從而改進肢體運動中的不規范動作，提高運動訓練的效果[1]。
對大跨度運動中肢體擺動幅度的視覺判斷建立在人體三維模型建立和視覺特征重構的基礎上。采用圖像信息處理技術對大跨度運動中的人體肢體擺動運動動作進行特征視覺重構[2]，典型的人體運動中肢體擺動幅度的視覺特征重構方法主要有局部線性插值方法、二值圖像擬合方法和邊緣輪廓特征提取方法等[3?5]。
本文提出邊緣區域輪廓特征檢測的大跨度運動中肢體擺動幅度視覺判斷方法。首先通過CCD圖像掃描技術或者視頻特征采集技術視覺采集運動圖像；然后對運動圖像進行邊緣信息融合和特征重建，提高圖像的肢體擺動幅度的特征分析和參量估計能力；最后通過仿真實驗證明該方法取得了良好的視覺判斷效果。
1 運動圖像的初始化過程
1.1 圖像采集
為了實現對大跨度運動中肢體擺動幅度的視覺判斷，首先要采集大跨度運動中肢體擺動視覺圖像，設圖像視覺特征為[vm=（Rm，Gm，Bm）]和[auxm（Im，Im，fm，λm，dfm，][dlm），][Ψ11，][Ψ12，][Ψ13，][Ψ14]和[Ψ15]表示模板匹配系數，像素集合為[N1×N2]的運動圖像邊緣輪廓特征矩陣，運動幅度輸出測試樣本為：
[identity（y）=argminiW12final（y-Diαi）22] （1）
式中：[Wfinal]是動態變化過程的權值矩陣；[Di]是第[i]類訓練樣本三維結構模型。
初始特征狀態下肢體擺動特征的形體坐標為[X=（xi0，xi1，…，xi（n-1），yi0，yi1，…，yi（n-1））T。]在肢體擺動動作三維重構和視覺分析中，建造一個級聯分類器進行擺動動作的特征分類[6?7]。得到大跨度運動中肢體擺動修正像素值[I（i，j）]為：
[I（i，j）=k=1PI（k）（i，j）×2k-1] （2）
對視覺特征進行統計形狀模型分塊，進行圖像樣本屬性的自適應分割，跟蹤量化子塊互不相交的部分，那么圖像特征采集結果為：
[Gm，n=g（m，n）（1，1）g（m，n）（1，2）g（m，n）（2，1）g（m，n）（2，2）， m=1，2，…，M；n=1，2，…，N] （3）
[g（m，n）（u，v）=I（k）g[2（m-1）+u，2（n-1）+v]， u∈{1，2}；v∈{1，2}] （4）
式中：[u]為圖像[pi，j]在標定點的像素值；[i，j]為匹配點沿梯度方向相應像素的坐標值。
1.2 圖像預處理
為了提高圖像的輸出信噪比，進行圖像降噪預處理。采用圖像高頻分量降噪方法提高運動圖像的輸出信噪比[8]。在圖像的成像區域中，分區處理肢體擺動空間信息特征，采用關聯信息特征重建方法構建肢體擺動的特征分布無向圖[G=（V，E），]其中[E]是[E]的非空子集，采用RGB三維映射分析方法對圖像的噪點[P1=k=1hp（k）g（i，j）×2k-1]和[P2=k=1hp*（k）g（i，j）×2k-1]進行噪點盲分離，其系統函數為：
[H（z）=k=1hp（k）g（i，j）×2k-1k=1hp*（k）g（i，j）×2k-1] （5）
選擇時間間隔較長的[PE1]作為關鍵幀，通過最大灰度值提取輪廓特征空間信息，得到大跨度運動中肢體擺動RGB圖像[Edx，y]的三維坐標特征分布方程滿足：
[Fd-ddxFdx-ddyFdy=0] （6）
設RGB影像中像素的坐標為[υ=（r，c），]對于最大灰度特征分頻，通過圖像降噪滿足[C∈S，]其輪廓邊緣特征的特征匹配系數為[MST（C，E），]圖像的噪點為[C={Ci：i∈I}。]假設運用圖像干擾檢測方法進行圖像噪聲分離，得到大跨度運動中肢體擺動二值圖像的輪廓點標記信息：
[g（x，y）=f（x，y）+ε（x，y）] （7）
式中：[f（x，y），][g（x，y），][ε（x，y）]分別代表每個三維模型中圖像噪聲方差為[σ2n]的邊緣輪廓特征函數[9?10]。
在圖像降噪過程中，可將兩個分布場集合描述為：
[dft+1i，j，k=ρdfti，j，k+1-ρdft-1i，j，k] （8）
式中[ρ]控制兩個圖像噪聲分布場特征歸并的時間間隔。
通過上述處理，從體元模型中獲取RGB影像的輪廓標記點[r，]確定為大跨度運動中肢體擺動幅度搜索的目標。記錄[D（x）=0]處的體元，根據肢體擺動幅值分布興趣點進行邊緣像素集的跟蹤量化，量化值[VMmi]的計算式為：
[VMmi=j=1TCis_visibleMmi，CjTC-1] （9）
通過特征提取與特征歸并實現圖像降噪和肢體擺動幅度的視覺判斷。
2 肢體擺動幅度的視覺判斷優化實現
2.1 基本思想
基于邊緣區域輪廓特征檢測的大跨度運動中，肢體擺動幅度視覺判斷方法的基本思想為：采用邊緣區域輪廓特征檢測方法進行肢體擺動幅度特征提取，實現視覺檢測和圖像識別，在原始RGB圖像數據中構建運動圖像邊緣區域輪廓特征檢測的網格圖，在網格頂點圖中進行圖像深度轉換，采用頂點圖與法向向量圖融合方法進行光纖投影，實現對大跨度運動中肢體擺動視覺圖像的體元計算和數據融合，完成采集相機的位置追蹤和邊緣區域輪廓特征檢測。工作原理如圖1所示。
2.2 計算運動圖像邊緣區域輪廓特征距離
肢體擺動視覺圖像的體元檢測結果為：
[xI（W（x；p））-A0（W（x；0））-?A0?W?pΔp2] （10）
基于角點檢測結構，進行體元數據融合，則有：
[Bel（xt）=p（ztxt）p（xtut-1，…，z0）p（ztut-1，d0，…，t-1）=ηp（ztxt）Γp（xtxt-1，ut-1）Bel（xt-1）dxt-1] （11）
視覺圖像采樣的特征壓縮函數為：
[p（ztxt-1，d0，…，t-1）=Γp（xtxt-1，ut-1）Bel（xt-1）dxt-1] （12）
[p（ztxt）=p（xtxt-1，ut-1）] （13）
用TPS頂點圖與法向向量圖變換來確定大跨度運動中肢體擺動網格區間的圖像深度[η]：
[η=1p（ztut-1，d0，…，t-1）] （14）
為了實現運動圖像邊緣區域輪廓特征檢測，從頂點圖中進行特征點自適應檢索，得到大跨度運動中肢體擺動的角點位置信息相關函數：
[RT1R1={X1，X2，…，Xm}{X1，X2，…，Xm}T] （15）
考慮特征向量分布空間的肢體擺動視覺像素特征點，進行運動圖像邊緣區域輪廓特征分解：
[RT1R1=V1Σ1VT1] （16）
得到大跨度運動中肢體擺動的標準化特征滿足條件[?=sup?（θ）]，肢體擺動目標點與特定點之間的距離為：
[h（ωi，k）=（xi-x）2+（yi-y）2] （17）
通過SIFT角點檢測算法實現對大跨度運動中肢體擺動視覺圖像的體元計算和數據融合，達到運動圖像邊緣區域廓特征檢測的效果。
2.3 肢體擺動幅度規律性特征角度的識別
假設大跨度運動中肢體擺動幅度向量集[K{ri}]為體源模型區域中的模型拼接信息，在特征檢測節點[（x，y）]處提取肢體擺動幅度的規律性特征信息：
[Kwpg（x，y，ωi）=1，d（ωi，k）≤r-ruu-α1θβ1θ2β2+α2，r-ru
式中：[ru（0
[θi=ru-r+d（ωi，k）] （19）
采用計算機視覺信息判斷方法進行肢體擺動幅度的視點分割，得到視點分割的特征映射：
[Kwpg（Wpg）=1-ωi∈Wpg（1-Kwpg（x，y，ωi））] （20）
計算出計算機視覺下大跨度運動肢體擺動的邊界網格中[ki（ki-1）2]個邊，這[ki]個肢體擺動的像素信息點實際形成的邊[Ei]與[ki（ki-1）2]的比值構成肢體擺動的三維重構信息，信息函數為[Ci，]即：
[Ci=Eiki（ki-1）2] （21）
肢體擺動動作的三維空間重構輸出為：
[C=1Ni=1NCi] （22）
結合人體動力學模型，得到[N=228]。結合邊緣區域輪廓特征檢測方法提取肢體擺動幅度SIFT特征，實現視覺檢測和圖像識別。本文方法的實現過程如圖2所示。
3 實驗與結果分析
實驗平臺硬件環境為：CPU 3.30 GHz，內存4 GB DDR3的個人PC機，輸入圖像的像素值為1 024×1 689，實驗次數為100次，圖像的信噪比為-12 dB。以三級跳遠作為大跨度運動的測試向量集，以跳遠運動中的正面和側面采集的兩幅肢體擺動圖像作為測試對象，首先對大跨度運動中肢體擺動視覺圖像進行特征采集，得到原始運動圖像視覺信息采集的結果如圖3所示。
圖3給出的運動圖像采集結構受到相機抖動和環境因素的干擾，準確判斷運動幅值的性能受限。采用圖像高頻分量降噪方法提高運動圖像的輸出信噪比，得到的圖像降噪結果如圖4所示。
把圖4中的大跨度運動中肢體擺動幅度視覺判斷及動作數據保存為.txt文本數據，加載到圖像數據處理軟件中，進行計算機視覺分析。然后采用邊緣區域輪廓特征檢測方法進行肢體擺動幅度特征提取，得到的結果如圖5所示。
從圖5可見，采用本文方法進行大跨度運動中肢體擺動幅度檢測，能較好地去除背景信息的干擾，提高肢體擺動幅度檢測的準確度和指向性。圖6為大跨度運動中肢體擺動幅度的視覺檢測均方根誤差對比結果。
分析圖6可知：
（1） 采用本文方法進行大跨度運動中肢體擺動幅度檢測，提高了輸出圖像的峰值信噪比，改善了圖像成像質量。
（2） 本文方法進行大跨度運動中肢體擺動幅度視覺判斷，實現幅度參量檢測估計的均方根誤差較低，說明準確性能較好。
4 結 語
為了提高大跨度運動訓練的指導水平，進行大跨度運動中肢體擺動幅度視覺特征建模分析，提出基于邊緣區域輪廓特征檢測的大跨度運動中肢體擺動幅度視覺判斷方法。研究結果表明，本文能夠實現大跨度運動肢體擺動幅度的視覺判斷，提高圖像的輸出信噪比和準確檢測概率，誤差小，具有廣泛的應用前景。
參考文獻
[1] 柳超，李秀友，黃勇.優化的多模型粒子濾波機動微弱目標檢測前跟蹤方法[J].信號處理，2015（9）：1131?1137.
[2] 趙石磊，郭紅，劉宇鵬.基于軌跡跟蹤的線性時滯系統容錯控制[J].信息與控制，2015，44（4）：469?473.
[3] 尚朝軒，王品，韓壯志，等.基于類決策樹分類的特征層融合識別算法[J].控制與決策，2016，31（6）：1009?1014.
[4] 郭三黨，劉思峰，方志耕.基于核和灰度的區間灰數多屬性決策方法[J].控制與決策，2016，31（6）：1042?1046.
[5] MAREY M， DOBRE O A， LIAO B. Classification of STBC system over frequency?selective channels [J]. IEEE transactions on vehicular technology， 2015， 64（5）： 2159?2164.
[6] 李旭超，宋博，甘良志.改進的迭代算法在圖像恢復正則化模型中的應用[J].電子學報，2015，43（6）：1152?1159.
[7] 涂超平，肖進勝，杜康華，等.基于各向異性熱擴散方程的多聚焦圖像融合算法[J].電子學報，2015，43（6）：1192?1199.
[8] 王寶進，吳淑躍，薛娟.SDD?1改進算法在Hive中用[J].湘潭大學自然科學學報，2014，36（4）：77?82.
