时间：2023-09-21 17:34:23
开篇：写作不仅是一种记录，更是一种创造，它让我们能够捕捉那些稍纵即逝的灵感，将它们永久地定格在纸上。下面是小编精心整理的12篇计算机视觉技术及应用，希望这些内容能成为您创作过程中的良师益友，陪伴您不断探索和进步。
中图分类号： TS207 文献标识码：A
随着微型个人计算机应用的越来越广泛，以及计算机在综合学科中应用的深入研究，现如今在工农业、军事国防、医学卫生等众多领域的使用和研究方面计算机视觉技术都起到了至关重要的作用，为了节省人力、降低成本、减少误差，该项技术在食品企业、科研院所、检测机构中的应用更加普遍。如今，在农产品药物残留检测、水果重量分级、等级筛选、质量监管等方面计算机视觉技术有众多应用。
1 计算机视觉技术概述
计算机视觉技术是利用计算机、摄像机、图像卡以及相关处理技术来模拟人的视觉，用以识别、感知和认识我们生活的世界[1]。该技术是模拟识别人工智能、心理物理学、图像处理、计算机科学及神经生物学等多领域的综合学科。计算机视觉技术用摄像机模拟人眼，用计算机模拟大脑，用计算机程序和算法来模拟人对事物的认识和思考，替代人类完成程序为其设定的工作。该技术由多个相关的图像处理系统组成，主要包括光源提供系统、图像提取系统、计算机数据运算系统等。原理是：首先通过摄像机获得所需要的图像信息，然后利用信号转换将获得的图像信息转变为数字图像以便计算机正确识别[2]。随着科学技术的发展，计算机技术在各个领域得到广泛应用，计算机视觉技术不仅在代替人类视觉上取得了重大成就，而且在很多具体工作方便超越了人的视觉功能。计算机视觉计算有如此快速的发展，是因为与人类的视觉相比该技术具有以下显著优势[3]。
1.1 自动化程度高
计算机视觉可以实现对农产品的多个外形和内在品质指标进行同时检测分析，可以进行整体识别、增强对目标识别的准确性。
1.2 实现无损检测
由于计算机视觉技术对农产品的识别是通过扫描、摄像，而不需要直接接触，可以减少对所检测食品的伤害。
1.3 稳定的检测精度
设计的运行程序确定后，计算机视觉技术的识别功能就会具有统一的识别标准，具有稳定的检测精度，避免了人工识别和检测时主观因素所造成的差异。
2 计算机视觉技术在食品检测中的应用
20世纪70年代初，学者开始研究计算机视觉技术在食品工业中的应用，近几十年电子技术得到快速发展，计算机视觉技术也越来越成熟。国内外学者在研究计算机视觉技术在食品工业中的应用方面主要集中在该技术对果蔬的外部形态（如形状、重量、外观损伤、色泽等）的识别、内部无损检测等方面。国内有关计算机视觉技术在食品业中的应用研究起始于90年代，比国外发达国家晚多达20a，但是发展很快。
2.1 计算机视觉技术在果蔬分级中的应用研究
计算机视觉技术在食品检测中的应用研究相当广泛，从外部直径、成熟度的检测到内部腐烂程度的检测都有研究。韩伟等[4]采用分割水果的拍摄图像和新的计算机算法计算水果的半径，进而得出果蔬的最大直径。研究表明，该算法不仅降低了计算量而且提高了计算精度，此方法用于水果分级的误差不超过2mm，高于国际水果分级标准所规定的5mm分类标准差，可在工业生产中很好应用。李庆中[5]也利用图像的缺陷分割算法研究了计算机视觉技术在苹果检测与分级中的应用，结果表明此算法能快速、有效地分割出苹果的表面缺陷。孙洪胜等[6]以苹果色泽特征比率的变化规律为理论基础，结合模糊聚类知识利用计算机视觉技术来检测苹果缺陷域，检测不仅快速而且结果精确。刘禾等[7]通过研究认为苹果的表面缺陷可以利用计算机视觉技术进行检测，计算机视觉技术还可以将苹果按照检测结果进行分级，把检测过的苹果分成裂果、刺伤果、碰伤果和虫伤果等类别。梨的果梗是否存在是梨类分级的重要特征之一，应义斌等[8]通过计算机视觉技术、图像处理技术、傅立叶描述子的方法来描述和识别果形以及有无果柄，其识别率达到90%。杨秀坤等[9]综合运用计算机视觉技术、遗传算法、多层前馈神经网络系统，实现了具有精确度高、灵活性强和速度快等优点的苹果成熟度自动判别。陈育彦等[10]采用半导体激光技术、计算机视觉技术和图像分析技术相结合的方法检测苹果表面的机械损伤和果实内部的腐烂情况，初步验证了计算机视觉技术检测苹果表面的损伤和内部腐烂是可行的。冯斌等[11]通过计算机视觉技术对水果图像的边缘进行检测，然后确定水果的大小用以水果分级。试验表明，该方法比传统的检测方法速度快、准确率高，适用于计算机视觉的实时检测。朱伟[12]在模糊颜色的基础上，分析西红柿损伤部分和完好部分模糊颜色的差别，用分割方法对西红柿的缺陷进行分割，结果显示准确率高达96%。曹乐平等[13]人研究了温州蜜柑的果皮颜色与果实可滴定酸含量以及糖分含量之间的相关性，然而根据相关性，样品检测的正确识别率分别只有约74%和67%。刘刚等[14]从垂直和水平两个方向获取苹果的图像，并通过计算机自动分析图像数据，对苹果的外径、体积、以及圆形度等参数进行处理，与人工检测相比，计算机视觉技术具有检测效率高，检测标准统一性好等优点。Blasco. J [15]通过计算机视觉技术分析柑橘果皮的缺陷，进而对其在线分级，正确率约为95%。赵广华等[16]人综合计算机视觉识别系统、输送转换系统、输送翻转系统、差速匀果系统和分选系统，研制出一款适于实时监测、品质动态的智能分级系统，能够很好地实现苹果分级。王江枫等[17]建立了芒果重量与摄影图像的相互关系，应用计算机视觉技术检测桂香芒果和紫花芒果的重量和果面损伤，按重量分级其准确率均为92%，按果面损伤分级的准确率分别为76%和80%。
2.2 计算机视觉技术在禽蛋检测中的应用研究
禽蛋企业在生产过程中，产品的分级、品质检测主要采用人工方法，不仅需要大量的物力人力，而且存在劳动强度大、人为误差大、工作效率低等缺点，计算机视觉技术可以很好的解决这类产品工业生产中存在的困扰。欧阳静怡等[18]利用计算机视觉技术来检测鸡蛋蛋壳裂纹，利用摄像机获取鸡蛋图像后，采用fisher、同态滤波和BET算法等优化后的图像处理技术，获得裂纹形状并判断，试验结果表明，计算机视觉技术对鸡蛋蛋壳裂纹的检测准确率高达98%。汪俊德等[19]以计算机视觉技术为基础，设计出一套双黄鸡蛋检测系统。该系统获取蛋黄指数、蛋黄特征和蛋形尺寸等特征，和设计的数学模型对比来实现双黄鸡蛋的检测和识别，检测准确率高达95%。郑丽敏等[20]人通过高分辨率的数字摄像头获取鸡蛋图像，根据图像特征建立数学模型来预测鸡蛋的新鲜度和贮藏期，结果表明，计算机视觉技术对鸡蛋的新鲜度、贮藏期进行预测的结果准确率为94%。潘磊庆等[21]通过计算机视觉技术和声学响应信息技术相结合的方法检测裂纹鸡蛋，其检测准确率达到98%。Mertens K等[22]人基于计算机视觉技术研发了鸡蛋的分级检测系统，该系统识别带污渍鸡蛋的正确率高达99%。
2.3 计算机视觉技术在检测食品中微生物含量中的应用研究
计算机技术和图像处理技术在综合学科中的应用得到快速发展，在微生物快速检测中的应用也越来越多，主要是针对微生物微菌落的处理。食品工业中计算机视觉技术在微生物检测方面的研究和应用以研究单个细胞为主，并在个体细胞的研究上取得了一定的进展。殷涌光等[23]以颜色特征分辨技术为基础，设计了一套应用计算机视觉技术快速定量检测食品中大肠杆菌的系统，该系统检测结果与传统方法的检测结果具有很好的相关性，但与传统方法相比，可以节省5d时间，检测时间在18h以内，并且能够有效提高产品品质。Lawless等[24]人等时间段测定培养基上的细胞密度，然后通过计算机技术建立时间和细胞密度之间的动态关联，利用该关联可以预测和自动检测微生物的生长情况，如通过计算机控制自动定量采集检测对象，然后分析菌落的边缘形态，根据菌落的边缘形态计算机可以显示被检测菌落的具置，并且根据动态关联计算机视觉系统可以同时处理多个不同的样品。郭培源等[25]人对计算机视觉技术用于猪肉的分级进行了研究，结果显示计算机视觉技术在识别猪肉表面微生物数量上与国标方法检测的结果显著相关，该技术可以有效地计算微生物的数量。Bayraktar. B等[26]人采用计算机视觉技术、光散射技术（BARDOT）和模式识别技术相结合的方法来快速检测李斯特菌，在获取该菌菌落中的形态特征有对图像进行分析处理达到对该菌的分类识别。殷涌光等[27]人综合利用计算机视觉、活体染色、人工神经网络、图像处理等技术，用分辨率为520万像素的数字摄像机拍摄细菌内部的染色效果，并结合新的图像处理算法，对细菌形态学的8个特征参数进行检测，检测结果与传统检测结果显著相关（相关系数R=0.9987），和传统检测方法相比该方法具有操作简单、快速、结果准确、适合现场快速检测等特点。鲁静[28]和刘侃[29]利用显微镜和图像采集仪器，获取乳制品的扫描图像，然后微生物的图像特征，识别出微生物数量，并以此作为衡量乳制品质量是否达标的依据，并对产品进行分级。
2.4计算机视觉技术在其他食品产业中的应用研究
里红杰等[30]通过提取贝类和虾类等海产品的形状、尺寸、纹理、颜色等外形特征，对照数学模型，采用数字图像处理技术、计算机识别技术实现了对贝类和虾类等海产品的无损检测和自动化分类、分级和质量评估，并通过实例详细阐述了该技术的实现方法，证实了此项技术的有效性。计算机视觉技术还可以检验玉米粒形和玉米种子质量、识别玉米品种和玉米田间杂草[31]。晁德起等[32]通过x射线照射获取毛叶枣的透视图像后，运用计算机视觉技术对图像进行分析评估，毛叶枣可食率的评估结果与运用物理方法测得的结果平均误差仅为1.47%，因此得出结论：计算机视觉技术可以应用于毛叶枣的自动分级。Gokmen，V等通用对薯片制作过程中图像像素的变化来研究薯片的褐变率，通过分析特色参数来研究薯片中丙烯酰胺的含量和褐变率也关系，结果显示两项参数相关性为0.989，从而可以应用计算机视觉技术来预测加热食品中丙烯酰胺的含量，该方法可以在加热食品行业中得到广泛应用。韩仲志等人拍摄和扫描11类花生籽粒，每类100颗不同等级的花生籽粒的正反面图像，利用计算机视觉技术对花生内部和外部采集图像，并通过图像对其外在品质和内在品质进行分析，并建立相应的数学模型，该技术在对待检样品进行分级检测时的正确率高达92%。另外，郭培源等人以国家标准为依据，通过数字摄像技术获取猪肉的细菌菌斑面积、脂肪细胞数、颜色特征值以及氨气等品质指标来实现猪肉新鲜程度的分级辨认。
3 展望
新技术的研究与应用必然伴随着坎坷，从70年代初计算机视觉技术在食品工业中进行应用开始，就遇到了很多问题。计算机视觉技术在食品工业中的研究及应用主要存在以下几方面的问题。
3.1 检测指标有限
计算机视觉技术在检测食品单一指标或者以一个指标作为分级标准进行分级时具有理想效果，但以同一食品的多个指标共同作为分级标准进行检测分级，则分级结果误差较大。例如，Davenel等通过计算机视觉对苹果的大小、重量、外观损伤进行分析，但研究结果显示，系统会把花粤和果梗标记为缺陷，还由于苹果表面碰压伤等缺陷情况复杂，造成分级误差很大，分级正确率只有69%。Nozer等以计算机视觉为主要技术手段，获取水果的图像，进而通过分析图像来确定水果的形状、大小、颜色和重量，并进行分级，其正确率仅为85.1%。
3.2 兼容性差
计算机视觉技术针对单一种类的果蔬分级检测效果显著，但是同一套系统和设备很难用于其他种类的果蔬，甚至同一种类不同品种的农产品也很难公用一套计算机视觉设备。Reyerzwiggelaar等利用计算机视觉检查杏和桃的损伤程度，发现其检测桃子的准确率显著高于杏的。Majumdar.S等利用计算机视觉技术区分不同种类的麦粒，小麦、燕麦、大麦的识别正确率有明显差异。
3.3 检测性能受环境制约
现阶段的计算机视觉技术和配套的数学模型适用于简单的环境，在复杂环境下工作时会产生较大的误差。Plebe等利用计算机视觉技术对果树上的水果进行识别定位，但研究发现由于光照条件以及周边环境的影响，水果的识别和定位精度不高，不能满足实际生产的需要。
综上所述，可看出国内外学者对计算机视觉技术在食品工业中的应用进行了大量的研究，有些研究从单一方面入手，有些研究综合了多个学科，在研究和应用的过程中，取得了较大的经济效益，也遇到了很多问题，在新的形势下，计算机视觉技术和数码拍摄、图像处理、人工神经网络，数学模型建设、微生物快速计量等高新技术相融合的综合技术逐渐成为了各个领域学者的研究热点，以计算机视觉为基础的综合技术也将在食品工业中发挥更加重要的作用。
参考文献
[1] 宁纪锋，龙满生，何东健.农业领域中的计算机视觉研究[J].计算机与农业，2001（01）：1-3.
[2] 李峥.基于计算机视觉的蔬菜颜色检测系统研究[D].吉林：吉林大学，2004.
[3] 曾爱群.基于计算机视觉与神经网络的芒果等级分类研究[D].桂林：桂林工学院，2008.
[4] 韩伟，曾庆山.基于计算机视觉的水果直径检测方法的研究[J].中国农机化，2011（05）：25-29.
[5] 李庆中.苹果自动分级中计算机视觉信息快速获取与处理技术的研究[D].北京：中国农业大学，2000.
[6] 孙洪胜，李宇鹏，王成，等.基于计算机视觉的苹果在线高效检测与分级系统[J].仪表技术与传感器，2011（06）：62-65.
[7] 刘禾，汀慰华.水果果形判别人工神经网络专家系统的研究[J].农业工程学报，1996，12（0l）：171-176.
[8] 应义斌，景寒松，马俊福.用计算机视觉进行黄花梨果梗识别的新方法[J].农业工程学报，1998，14（02）：221-225.
[9] 杨秀坤，陈晓光，马成林，等.用遗传神经网络方法进行苹果颜色白动检测的研究[J].农业工程学报，1997，13（02）：193-176.
[10] 陈育彦，屠康，柴丽月，等.基于激光图像分析的苹果表面损伤和内部腐烂检测[J].农业机械学报，2009，40（07）：133-137.
[11] 冯斌，汪憋华.基于计算机视觉的水果大小检测方法[J].农业机械学报，2003，34（01）：73-75.
[12] 朱伟，曹其新.基于模糊彩色聚类方法的西红柿缺陷分割[J].农业工程学报，2003，19（03）：133-136.
[13] 曹乐平，温芝元，沈陆明.基于色调分形维数的柑橘糖度和有效酸度检测[J].农业机械学报，2009，41（03）：143-148.
[14] 刘刚，王立香，柳兆君.基于计算机视觉的苹果质量检测[J].安徽农业科学，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] 赵广华，飞，陆奎荣，等.智能化苹果品质实时分选系统[J].中国科技信息.
[17] 王江枫，罗锡文，洪添胜，等.计算机视觉技术在芒果重量及果面坏损检测中的应用[J].农业工程学报，1998（12）：186-189.
[18] 欧阳静怡，刘木华.基于计算机视觉的鸡蛋裂纹检测方法研究[J].农机化研究，2012（03）：91-93.
[19] 汪俊德，郑丽敏，徐桂云，等.基于计算机视觉技术的双黄鸡蛋检测系统研究[J].农机化研究，2012（09）：195-199.
[20] 郑丽敏，杨旭，徐桂云，等.基于计算机视觉的鸡蛋新鲜度无损检测[J].农业工程学报，2009，25（03）：335-339.
[21] 潘磊庆，屠康，詹歌，等.基于计算机视觉和声学响应信息融合的鸡蛋裂纹检测[J].农业工程学报，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.基于计算机视觉的食品中大肠杆菌快速定量检测[J].吉林大学学报（工学版），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，毕松，袁芳.猪肉新鲜度智能检测分级系统研究[J].食品科学，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.基于计算机视觉的蔬菜中活菌总数的快速检测[J].农业工程学报，2009，25（07）：249-254.
[28] 鲁静.乳品微生物自动检测系统的设计[J].湖北第二师范学院学报，2010，27（08）：115-117.
[29] 刘侃.鲜奶含菌量快速检测系统[D].华中科技大学，2008.
[30] 里红杰，陶学恒，于晓强.计算机视觉技术在海产品质量评估中的应用[J].食品与机械，2012，28（04）：154-156.
【关键词】农产品 计算机视觉技术 品质检测
农产品品质检测工作中除了采取人工检测法以外，还可以采取半自动或自动检测法，如在水果分级检测工作中的质量分级检测法、光电分选法以及大小分级法等。然而农产品品质会受到自然生长环境或人为因素等方面的影响，农产品的色泽、大小及形状等并不相同，无法采取单一指标进行检测。因此充分应用计算机视觉技术，对农产品的品质进行检测，极为重要。
1 计算机视觉技术
计算机视觉技术又被称为机器视觉技术，指的是通过人类设计，在计算机环境下，达到再现或模拟人类视觉相关的职能行为的一种技术，包括了印刷和手写文字的识别技术，图像模式识别技术，物体三维表面形状识别技术、距离识别以及速度感知等技术。该技术是诸多学科的结合与交叉，涉及到数学、生理学、信息处理、物理学、光学以及计算机等多种学科。探究计算机视觉技术的目的在于实验人类视觉的再现及延伸，即再现高等动物的视觉系统，并对物体形状以及类别进行识别。
此外，计算机视觉技术处理的原始资料多是图像，所以该技术和图像处理以及模拟识别等有着紧密的联系。现阶段，计算机视觉技术在诸多领域有着较为广泛的运用，包括了医学辅助诊断、资源调查、卫星图像解释、军事指导、灾害监测、气象以及工业产品的外观筛选及检测等。同时研究该技术在农业工程领域中的应用，也成为了热门话题。
2 在农产品品质检测中，计算机视觉技术的具体应用
笔者在查阅相关文献资料的基础上，探究在农产品品质检测工作中，计算机视觉技术在产品表面缺陷以及损伤识别工作中的具体应用；果形识别工作中的具体应用；农产品尺寸以及面积检测工作中的具体应用。
2.1 在产品表面缺陷以及损伤识别工作中的具体应用
在对农产品进行分级的过程中，依然存在着一大问题，即农产品表面缺损以及损伤识别。而早在1984年就已经出现了采取线扫描和模拟摄像机针对苹果表面损伤进行检测的实验报道，实验结果显示，采取数据技术能够检测出苹果表面损伤，其检测结果完全能够达到人工分级的精度。与此同时，还出现了一种机器视觉系统，该系统将不规则的图像信息与正常的图像信息区分开来，在去除蔬菜内的杂物以及检测农产品的污点等方面能够取得较好的应用效果。此外，在1989年，国外出现了一种全新的计算方法，即运用红外线扫描摄像机，处理苹果表面的灰度图像，既能够确定苹果表面的损伤面积，还能够区分不同损伤区。然而还技术是以机械装置的设定为基础，需要消耗2s的时间，对一个苹果进行检测，苹果表面缺陷分级精度以及损伤分级进度并不高。
我国在1997年，出现了运用计算机图像处理技术对苹果损坏自动化检测的试验研究，该试验结果显示，该技术的损坏检出率较高，能够规避果梗区以及花萼区对于坏损区域识别的具体影响，且该检测技术的鲁棒性较强。
2.2 在果形识别工作中的具体应用
果形识别是影响水果质量的重要因素之一，对于水果品质检测有着重大意义。当水果成熟后，水果的外形将会发生巨大的改变，且无法采取数学方法进行鉴别，采取其他方式进行果形识别极为重要。
在1981年，有研究人员就针对形状识别中的图像特征进行了探讨，提倡采取结构分析法以及外形轮廓曲线检测法，针对水果外形进行识别。并在1985年，以数字图像分析技术以及模式识别技术为依据，针对番茄定向、番茄形状、表面缺陷以及尺寸进行分类的特殊算法，运用灰度梯度曲线，明确番茄表面缺陷以及花萼位置等。而我国则在2000年，按照果实形状分析，通过连续性指标、半径指标、连续指标对称性、半径指标对称性等特征参数，表示果形，并首次采取参数形状分析法。
2.3 在农产品尺寸以及面积检测工作中的具体应用
农产品分级中，以农产品外形尺寸为依据。在1987年，国外就已经开始研究机械视觉技术在牡蛎肉分级以及尺寸检测工作中的具体应用。并在1992年，针对人工检测以及机器视觉检测进行进行了对比分析，试验结果显示，和人工检测技术相比，采取视觉检测技术，能够提高检测的精确度，减少检测消耗时间；同时在评价以及推广种质资源中，准确的测量以及详细的记录种质形态的指标，有着极为重要的意义。为了能够精确、快速地计算出玉米种质尺度，在1995年，有研究人员就提出了自动化选择技术，该技术在处理玉米种质图像中，其辨别精度极高。
而我国在2002年，有研究人员就针对水果品质进行动态、实时监测的智能化分级生产线进行了研究，该生产线，首先通过水果输送翻转系统，利用滚筒式输送翻转装置，将水果往前输送，在输送过程中，以水平轴为中心，保证水果表面能够被系统检测到，以此获得图像信息。然后利用计算机视觉识别系统，对水果等级进行判断，明确图像信息。该系统具备了视觉识别功能。最终通过分级系统，完成水果分级工作。
3 结语
在二十世纪七十年代以后，计算机视觉技术就已经得到了较为迅速的发展，在我国，该技术在农产品品质检测中的具体应用也得到了人们的高度关注，同时也取得了一定的成效。计算机视觉技术作为人眼的延伸技术之一，其具备了人脑功能，运用该技术代替以往的人工操作技术，已经成为了农产品品质检测工作的必然发展趋势。
参考文献
[1]朱从容.计算机视觉技术在水产养殖中的应用[J].浙江海洋学院学报（自然科学版），2008，10（04）：191-192.
[2]王勃，徐静.计算机视觉技术在苹果叶片营养诊断上的应用[J].农机化研究，2008，（03）：887-888.
[3]李朝东，崔国贤，盛畅，等.计算机视觉技术在农业领域的应用[J].农机化研究，2009，10（12）：667-668.
作者简介
陈超（1995-），男，福建省福州市人。现为北京交通大学在校学生。研究方向为电子科学与技术。
关键词：计算机视觉图像 精密测量 构造几何模型 信号源的接收
中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2013）05-1211-02
新型计算机视觉图像精密测量是一种基于计算机程序设计以及图像显示的高精度的关键技术，它广泛用于测量的领域，对于测量的准确性有很好的保证。这种关键技术是几何了光学的特性，发挥了图像学的显影性，把普通的测量技术瞬间提升到了一个新的高度。在这项关键技术中包含了物理学中光的效应，图像中的传感器以及计算机中的编程软件，这还不完全，还有一些其他科学领域知识的辅助，可以说这项关键技术是一个非常有技术含量的技术，很值得学者进行研究。
1 计算机视觉图像精密测量的关键技术的具体形式
在以往的测量中，选择的测量方式还是完全采用机械的形式，但是在使用了计算机视觉图像精密测量后，完成了许多以往技术所不能达到的任务。在我们的研究中，计算机视觉图像测量的原理是通过摄像机将被处理的对象采集进行影像采集，在多个控制点的数据采集完成后，系统会自动将这些图像进行整合，得出相关的几何多变参数，再在计算机上以具体的数据显示出来，以供技术人员使用参照。
在上面所说的摄像机并不是我们通常意义上生活中使用的摄像机。它是一种可视化较强，表针比较敏感的测试仪。可以将视觉中的二维形态通过显影，记录在机械的光谱仪上，再将这种的二维图像做数学处理，有二阶矩阵转换为三阶矩阵，通过播放仪呈现出三维的影像。这时的图像变为立体化，更有层次感，效果上也有了明显的变化，这是一种显示方法。此外还有一种造价较高的仪器，我们不常使用，就是图像提取器。同样是采集控制点的数据，将数据整合在系统之内，然后对于原始的图像进行预处理，不再经过有曝光这个程序，将图像中关键点的坐标在整个内部轴面上体现出来，提取数据帧数，再运用机器的智能识别系统，对控制点的坐标进行数据分析，自动生成图形，这也可以用于精密测量。它的优点就是使用上极其的方面，基本只要架立仪器和打开开关，其他的工作机械系统都会自动的完成。使用的困难就是造价极其的高，不适合一般企业使用。在基于计算机视觉图像测量中使用上的原理如下：
1） 计算出观察控制点到计算机视觉图像测量仪器的有效距离；
2） 得出观察点到目标控制点之间的三维的运动几何参数；
3） 推断出目标控制点在整个平面上的表面特征（ 大多时候要求形成立体视觉）；
4） 还通过观察可以判断出目标物体的几何坐标方位。
在整个计算机视觉图像精密测量的关键技术中最关键的元件就是压力应变电阻仪，这也是传感器的一部分。压力应变电阻仪的使用方式是将应力片粘贴在控制点位上，事先在物体表面打磨平整，清理干净后，涂抹丙酮试剂，在液体完全风干后就可以黏贴应力片，通过导线的联接，形成了一小段闭合的电路，时刻让计算机视觉图像系统可以感应到并作跟踪观察。因受到来自不同方面谐波的影响后，应力片会产生一定数值的电阻，在电路中，这些电阻会转化为电流，视觉图像系统接收到了电流后就会显示在仪表盘上相应的数据，我们就可以根据仪表盘中的数据记录测量中的数据，很好的解决了原始机械在使用过程中大量的做无用功所消耗资源的现象。传感器对每个应点都进行动态的测量，将数据模转换成现实中的图像，精确的成像可以测算出控制点的位置，用计算机视觉图像精密测量结合数据方面的相关的分析，得出施工中的可行性报告分析，减低了施工中的成本，将施工的预算控制在一个合理的范围之内。
当无法观察到控制点是，计算机视觉图像精密测量可以通过接收信号或是相关的频率波段来收集数据，不会因为以往测量的环境不好，距离太远，误差太大的影响。
2 计算机视觉图像精密测量的关键技术分析
在计算机视觉图像精密测量的关键技术中解决了很多以往很难完成的任务，但是在使用过程中还是发生了很多的问题。尤其在视觉图像的选择中，无法使用高帧数的图片显示，无法将计算机视觉图像精密测量的关键技术的优点发挥出来。我们就计算机视觉图像精密测量的关键技术中常见的问题进行讨论。
2.1 降低失误的概率
在很多的数据误差中，有一部分是出现在人为的因素上面。对于机器的不熟悉和操作中的疏忽都会在一定程度上对图像的视觉感模拟带来麻烦。对于网络设备的配置上，要经常性的学习，将配置在可能的情况下设置的更加合理和使用，保证网络连接系统的安全性。为防止更多因操作带来的误差，选用系统登入的制度，用户在通过识别后进入系统，在采集数据后，确定最终数据上又相关的再次确定的标识，系统对本身有的登录服务器和路由器有相关的资料解释，记录好实用操作的时间，及时备份。
2.2 对于权限的控制
权限控制是针对测量关键所提出的一种安全保护措施，它是在使用计算机视觉图像精密测量的关键技术中对用户和用户组赋予一定的权限，可以限制用户和用户组对目录、子目录、文件、打印机和其他共享资源的浏览和更改。图像中的运行服务器在停止的情况下可以做出不应答的操作指令，立刻关闭当前不适用的界面，加快系统的运行速度，对于每天的日志文件实时监控，一旦发现问题及时解决。对于数据终端的数据可采用可三维加密的方法，定时进行安全检测等手段来进一步加强系统的安全性。如果通过了加密通道，系统可以将数据自动的保存和转换为视图模式，对于数据的审计和运行可以同时进行，这样就可以很好的保证大地测量中的图像数据安全，利用防护墙将采集中废弃的数据革除在外，避免数值之间发生紊乱的现象，进一步改善计算机视觉图像精密测量的关键技术。
2.3 开启自动建立备份系统
计算机视觉图像精密测量的关键技术的完善中会常遇到系统突然崩溃或是图像受到严重干扰导致无法转换的一系列情况，发生这种情况最大的可能性就是系统在处理多组数据后无法重新还原成进入界面。这时为保证图片转换成数字的系统数据不丢失，我们对系统进行备份。选定固定的磁盘保存数据，定期将产生的数据（转换前的图像和转换后的数值）导出，保证程序的正常运行。当系统一旦发生错误，可以尽快的恢复数据的初始状态，为测量任务的完成争取更多的时间。我们还要减少信号源周围的干扰，定期的更新系统数据库，保持数据采集的稳定性，把摄像机记录出的数据节点保存在相应的技术图纸上，用这样的方式来知道测量工作。系统备份的数据还可以用于数据的对比，重复测量后得出的数据，系统会自动也备份的数据进行比对，发现误差值在规定以外，就会做出相应的预警，这样也能在工作中降低出现误差的概率。
3 计算机视觉图像精密测量的关键技术遇到的困难和使用前景
计算机视觉图像精密测量的关键技术作为一种新兴技术在使用时间上不过十几年，其使用的程度已经无法估算。正是因为它的简单、使用、精度高以及自动化能力卓越的特点受到了测量单位的广泛青睐。在测量方面的这些可靠性和稳定性也是有目共睹的。在土木和机械测量的行业计算机视觉图像精密测量的关键技术都会有广泛和良好的使用，前景也是十分的广阔。但是不容忽视该技术也有一些弊端。这项关键技术中涵盖的学科非常的多，涉及到的知识也很全面，一旦出现了机器的故障，在维修上还是一个很大的问题，如何很好的解决计算机视觉图像技术的相关核心问题就是当下亟待解决的。
我们都知道，人的眼睛是可以受到吱声的控制，想要完成观测是十分简单的，但是在计算机视觉图像技术中，毕竟是采取摄像机取景的模式，在取得的点位有的时候不是特别的有代表性，很难将这些问题具体化、形象化。达不到我们设计时的初衷。所以在这些模型的构建中和数据的转换上必须有严格的规定和要求，切不可盲目的实施测量，每项技术操作都要按规程来实施。
上文中也谈到了，计算机视觉图像精密测量的关键技术中最主要的构建是传感器，一个合理的传感器是体统的“心脏”，我们在仪器的操作中，不能时时刻刻对传感器进行检查，甚至这种高精度的元件在检查上也并不是一件简单的事情，通过不断的研究，将传感器的等级和使用方法上进行一定的创新也是一项科研任务。
4 结束语
在测量工程发展的今天，很多的测量技术已经离不了计算机视觉图像技术的辅助，该文中详细的谈到了基于计算机视觉图像精密测量的关键技术方面的研究，对于之中可能出现的一些问题也提出了相应的解决方案。测量工程中计算机视觉图像精密测量的关键技术可以很好的解决和完善测量中遇到的一些问题，但是也暴露出了很多的问题。
将基于计算机视觉图像精密测量的关键技术引入到测量工程中来，也是加强了工程建设的信息化水平。可以预见的是，在未来使用计算机视觉图像技术建立的测量模型会得到更多、更好的应用。但作为一个长期复杂的技术工程，在这个建设过程中定会有一些困难的出现。希望通过不断的发现问题、总结经验，让计算机视觉图像精密测量的关键技术在测量中作用发挥的更好。
参考文献：
[1] 汤剑，周芳芹，杨继隆.计算机视觉图像系统的技术改造[J].机电产品开发与创新周刊，2005，14（18）：33-36.
[2] 段发阶，等. 拔丝模孔形计算机视觉检测技术[J]. 光电工程时报， 1996，23（13）：189-190.
关键词：计算机工程；视觉领域；深度学习技术
引言
计算机视觉简言之即是依靠电子设备成像来代替生物视觉系统，随后依靠提前写好的程序对获取的图像信息实施处理。该技术的短期应用目的在于完成相对简单的智能视觉工作，而深度学习技术在计算机视觉领域的应用，在很大程度上丰富了其功能，提高了识别效率，让其能够在更多行业发挥出自身价值。
1计算机视觉领域的深度学习技术
1.1图像分类中的深度学习技术
基于深度学习技术，卷积神经网络得到了进一步的发展，其应用范围也更为宽泛，例如说在图像分类中的运用。图像分析需要对图像实施扫描分析，随后对其具体类别予以划分，更加注重其整体语义。目前相对普遍进行图像分类的数据集为ImageNet，其中囊括了非常丰富的内容，存储了近1500万个图像的URL并将图像划分为数万余个类型。ImageNet每年组织开展的大规模视觉识别挑战赛（ILSVRC）中，图像分类算法与技术也不断创新，图像分类的准确性也持续提升。ImageNet数据集表现出规模大、类型多的突出特点，所以更加适用于迁移学习，即是把部分核心技术或结构拓展应用到各个领域，对于视觉领域的深度模型来说，能够把模型内的网络结构和参数直接共享到其他数据集，从而对数据实施微调。图像分类属于计算机视觉领域最为基础的环节，对于图像分类模型创建和数据分析处理经验也能够迁移应用到其他领域中。
1.2目标检测中的深度学习技术
目标检测相对于图像分类而言表现出更多的复杂性，主要任务是在囊括多种不同类型物体的图像内精确定位和识别某一物体，恰恰是出于这一目的，深度学习技术在目标检测中的应用更为复杂，要实现更加精准的效果也相对更难。近年来针对目标检测的算法日益更新，如优化后的R-CNN算法，是借助于卷积神经网络思想，对物体进行分类，提取物体特征。而SelectiveSearch算法的出现有了进一步的创新和突破，有效促进了检测准确性的提高，这也给通过卷积神经网络进行目标检测带来了更多可能性，随后的FastR-CNN算法极大地促进了目标检测效率的提升，该算法对提取候选区的问题予以优化，大大减少了候选区提取和目标检测过程的时间。目标检测网络以FastR-CNN算法作为支撑，于输出位置设置滑动窗同时和候选区域网络实施连接，目标检测的关键在于卷积神经网络，依靠它把各个点的特征进行提取，再借助回归算法获得对应范围出现目标的概率[1]。
1.3人脸识别中的深度学习技术
人脸识别主要是借助相应算法对人脸特征实施提取，因为其建立的人脸模型表现出一定的不稳定性，因此模型建立往往也表现出一定的难度，相对于建立刚体模型而言更为困难。人脸识别通常来说涉及人脸检测定位以及特征提取两个方面，人脸检测定位是基于背景图像中将人脸目标分割出来，实施归一化处理，而人脸特征提取算法不变。前者存在的技术难点是人脸目标具有多样性以及背景图像具有复杂性，所以对背景情境实施合理假设并予以简化是十分关键的。与此同时，高维空间人脸模型的建立较为复杂，精确度估算难度较大，人脸特征提取的技术难度是因为人脸属于弹性模型，其难度超过刚体模型。一般来说，较为常见对人脸特征实施提取与识别的方法有几何特征法、特征脸算法以及弹性模型法，CNN算法和过去的特征提取算法比起来表现出更高的稳定性和适用性，同时能够有效抵抗外部干扰，促进人脸识别技术的推广应用。
2应用实例
2.1安防领域的应用
深度学习技术在计算机视觉领域中的应用可以为安防行业提供更佳的解决方案，比如说人脸识别技术的应用，很多大型企业如Facebook、腾讯、阿里巴巴等都将非常关注和重视。作为深度学习技术在计算机视觉领域应用的重要内容，人脸识别在安检以及反恐等领域中也能够发挥出很好的效果。与此同时，对行人角度的REID技术实施研究，依托于深度学习强化目标检测，对目标特征实施提取和刻画，能够为异常行为监控和跟踪带来支持[2]。
2.2无人驾驶领域的应用
对于无人驾驶领域来说，选择激光或雷达这类传感器的成本更高，基于深度学习的计算机视觉技术也能够提供新的解决方案。依靠摄像机对视频画面进行采集，对获取到的图像实施分析，提供类似于前车碰撞预警等功能。在这一过程中，计算机视觉技术可以实现对目标的检测识别、对目标车辆的跟踪分析、对车道线是否偏离进行检测等。基于深度学习技术的检测识别表现出更加强大的优势，现阶段深度学习芯片日益增多，对于无人驾驶技术的发展也带来了更加有力的支持。
2.3智能家居领域的应用
过去的很多智能家居产品一般都是依靠智能手机蓝牙或者WiFi等途径来实现对家居产品的控制，这一方案即便能够做到家居智能化，但其水平依旧有待提高。基于深度学习技术，能够有效促进智能家居行业的更新发展，除开语言、语音识别之外，还能够利用计算机视觉技术实现人际交流与互动，比如说手势识别控制。2.4教育领域和图片搜索领域的应用基于深度学习的计算机视觉技术也能够在智慧教育中得以普及应用，如近年来很多新的拍照解题App，使用者只需要利用手机相机拍照上传即可获得相关题目的分析解答，促进学习者学习效率的提升。此时视觉技术包括了对文字的检测与识别，另外针对个人简历识别、文档识别等方面也能够进行拓展应用。同时计算机视觉技术还可以在图片搜索领域中得以应用，使用者通过拍摄上传相应的图片，即可从数据库中找出与原图相似的图片，深度学习属于一种非常高效的技术手段，能够提供更加快速高效的图像检测功能，结合图像搜索引擎，为用户带来更加便捷的服务[3-5]。
2.5医疗影像数据中的应用
医学影像直接关系到对患者疾病诊断的准确性，对于放射科的医务人员来说，依靠医学影像能够促进诊断效率的提升。现阶段国内外诸多医学专家队伍，在心血管、肿瘤、神经内科以及五官科等都建立了精准深度学习模型，极大地推动医疗水平的提升，为广大患者带来了更加便捷和高效的医疗服务。基于深度学习技术的计算机视觉在医疗影像数据中的应用主要集中在如下几个方面：（1）能够提供临床诊断辅助等医疗服务；（2）依靠数据分析技术，能够在很大程度上促进医疗机构经营管理水平的提升；（3）在医学影像中的应用，能够让医务工作者更加直观便捷地获取患者影像；（4）深度学习技术能够为医疗大数据的可视化带来便利；（5）在药企研发工作中的应用，可以处理好过去一直以来药物研发周期长和成本居高不下的问题；（6）在健康管理领域中的应用，借助于可穿戴设备来对个人健康数据实施监测，进而对疾病风险予以提前预测。
电力系统是我国国名经济的基石。电力系统是由发电、变电、输电、配电和用电等环节组成的电能生产与消费系统。现代社会需要的是安全可靠经济的电能。电力系统主要由发电输电变电配电及用电等5部分组成。电力系统是一个具有复杂的大系统由于用户的不断增加的需求,电网对于技术的要求水平也提出了越来越高的要求。
1 电力系统自动化的发展趋势总的发展趋势的特点研究
1.1 电力系统自动化的图形化特点
因为电力系统联网工程的正式启动,电力系统的调度管理、数据计算分析呈现出传输路径的交叉性,信息更新越来越高速这样的几种特点。在计算机技术和通信技术的快速发展下,电力系统技术整合也在蓬勃发展着。电力系统信息数据处理上已经不再使用传统的处理方式,而是使用图形化处理这样的新技术,这样看到图形,电力系统管理者就能了解电力系统的变化发展趋势,也就能对未来电力系统软件开发带来丝丝先机。
1.2 电力系统自动化的远程化特点
过去电力系统的硬件平台大部分是计算机,外加使用扩展测控法对接口电路工作开展监测。此类的设计有很多的优势,这种类型的设计的周期很长,扩展性也很好。但是这样的设计方式也具有着高成本、大体积、大功耗以及灵动性差的多种缺点。现在,正是有着网络技术的不断更新和电子技术的不断进步,远动终端设备已经变为越来越接近最优化、智能化和小型化、协调化。因此,建立在此基础之上的电力系统也具备了远程化的特点,使电力系统自动化在控制系统方面的发展更加贴近智能化。
1.3 电力系统自动化的分布化特点
发电率范围在几十兆瓦至几千瓦之间并且模型较小的发电单元,它的地点处于用户周围还有有高效和可靠特点的称为电力系统自动化技术分布化。分布式发电主要包括以液体或气体为燃料的内燃机、太阳能发电、微型燃气轮机和风力发电等等的其他一些发电方式。这种发电技术具有很好的灵活性,能够给与用户各不相同的感受。还能为边远商业区域提供可靠的电力资源,让他们使用具有再生特点的资源进行多次发电,这样的电能还具有稳定度高的特点,是具有分度化的特色。极端及技术、新材料技术和电力电子技术都要作为支柱技术被在其中使用。
2 电力系统与新技术的结合
2.1 与智能计算机的结合
计算机视觉技术就是与智能计算机的结合之一。使用计算机视觉技术能够方便的获得多种图像信息。在电力系统中应用计算机视觉技术。目前,计算/！/机视觉技术使用在电力系统中的作用是修改遥控系统在此同时提高它的性能。这主要表现在使用在线监测和开展无人操作或者环境监视,红外图像监测是电力设备在线监测常用方法中效果最好的。它既有这使用方便,又有着精准度较高的特点。红外图像识别方面主要就是使用计算机视觉技术,这样能取得较好的效果。计算机视觉技术的工作原理是在科学获取电力设备实时红外图像和电力设备正常工作时图像后,将两者开展对比。如果出现不正常。也就因此能够证明电力设备出现问题。第开展无人操作或者环境监视是使用微波双鉴探测器进行协助,将差分图像以及流光法一起使用对移动物体开展监测。如果出现不正常现象,那么系统就可以识别出来,并且警告我们。因为计算机视觉技术还处于起步阶段,其存在一定的不足之处。虽然计算机视觉技术发展迅速,但计算机视觉技术发展的并不完善,因为图像识别自身的复杂性的原因,所以现阶段还不能实现完全的无人操作。正是因为有着这些原因,在大多数情况下,计算机视觉技术只能够作为一种辅助技术。
2.2 与微机保护系统的结合
在电力系统自动化技术发展速度过快并且伴随着相关微机设备应用范围越来越普遍的情况下。人们越来越严格的要求微机保护系统。更简单的说,也就是原有的电力系统自动化技术当中的微机保护系统已经无法满足社会发展的需要。人们需要的微机保护系统应该具备更加牢靠与稳定的可以对通信进行保护的能力。这样才能够达到人们希望人机互动的效果。这样的系统在对硬件提高出高要求的同时也对软件业产生了更加具体的要求。例如,我国在上世纪末将第一套微机线路保护设备投入使用,并且该设备因为性能占据极大的优势从而获得世界各国用户的普遍认可。
在继电保护设备中,我们更加需要完善的问题就是设备的实时性。设备的实时性直接关乎电网的安全稳定,它直接受到其影响。假如设备实时性出现缺陷,会给电力系统带来难以补救损失的可能性。现阶段在我国电力系统中应用的嵌入式系统通常来说主要为C/C++语言。这是因为该系统不仅灵活性高并且可移植性也很强。同时该系统还使用了能够随时改变的模块化,目的在于处理好各种存在可能性会产生的问题但是却又不能够进行更换的难题。在提供便利的同时也能够尽最大的努力满足用户各种要求。
关键词：计算机视觉系统 工业机器人 探究
中图分类号：TP242 文献标识码：A 文章编号：1007-9416（2015）05-0000-00
计算机视觉系统主要是为了工业机器人更好的工作而研发出来的，是一套装有摄像机视场的自动跟踪与定位的计算机视觉系统。近年来，机器人已经广泛使用于工业生产，但是多数机器人都是通过“示教-再现”的模式工作，在工业机器人工作是都是由操作员进行操作示范再由机器人跟着示范进行工作。由于机器人缺乏对外界事物的识别能力，工作中经常发生偏差或者位移等情况。由于工作环境的恶劣以及各种阻碍，为了提高工业机器人的工作效率、灵活性、适应性等，让机器人更好的识别外部环境并及时调整运作方向，能更好的发挥其作用，在原有的机器人系统中添加了一套计算机视觉系统，利用计算机视觉图像装置的信息，通过图像使机器人进行外部环境的识别处理，采用三维的重建，通过作业中利用三维图像的信息进行计算，采用Motocom32软件和机器人控制柜通讯等设备，对工业机器人进行控制，更好的实现机器人对空间特点的跟踪与定位。
1系统的结构与原理
本文主要针对Motoman UP6工业机器人系统的二次研究，在原有的工业机器人的系统中，增加了一套计算机视觉系统， 使工业机器人更好的识别外界环境的系统。计算机视觉系统主要包括：Panasonic CCD摄像机、Motoman UP6工业机器人系统、工控机、OK C-50图像采集卡等外部设备。工业机器人的整个系统由原有系统与计算机视觉系统组成，在原有的系统中包含了YASNAC-XRC- UP6机器人控制柜、Motoman UP6工业机器人本体、示教编程器、Motocom32系统以及相关的外部设备等[1]。计算机视觉系统的设备主要有Panasonic CCTV摄像机、AVENIR TV镜头、OK系列C-50图像采集卡、工控机、AVENIR TV镜头、Panasonic CCD摄像机、OK系列C-50图像采集卡形成的视频采集系统主要是捕获物体的图像，该功能主要是分三个层次进行图像处理、计算、变换以及通信等功能来实施工控机。利用远程控制来对工业机器人进行Motocom32系统进行通信。
2计算机视觉系统的构建
2.1硬件的组成
CCD摄像头：选用的CCD摄像机采用PAP-VIVC810AOZ型彩色摄像头，如图1。摄像机的像素为P：500（H）x582（V），N：510（H）x 492（V），摄像机的分辨率为420。摄像机的成像器使用1/33"CCD，信噪>48 dB，同时摄像机具有自动背景光补偿、自动增益控制等功能。
图像采集卡：图像采集卡主要采用CCD摄像头配套的MV-200工业图像处理。如图2所示。MV-200图像采集卡的分辨率、图像清晰度具有较高的稳定性，其真彩色实施工业图像采集卡，该图像采集卡的硬件构造、地层函数都具有稳定性，同时在恶例的环境中都可以稳定运行[2]。图像采集卡的图像采集效果非常好，画面效果非常流畅。
MV-200图像采集卡性能特点：其分辨率为768 x 576，具有独特的视频过滤技术，使图像质量的采集、显示更加清晰流畅。主要支持的系统为Win98 /2K/XP，主要用于人工智能、事物识别、监控等多种领域。
工控机：工控机以奔4系列为主。
2.2软件组成
图像匹配软件。
图像处理与获取软件。
定标和定位算法软件，功能分布如图3所示。
3视觉系统的原理及流程图
工业机器人的主要系统包括是由工业机器人本体、相关的外部设备、控制器（供电系统、执行器等）计算机视觉系统主要由三部分组成：图像处理和获取、图像匹配、摄像机的定位等组成。通过借助OpenCV的视觉库进行VC++.NET实行，流程如下图表4所示。
在本视觉系统运行中，需要对摄像机实行定标，建立实际空间点和摄像机的对应点。在定标的过程中，就需要标记基准点，使摄像机在采集图像时可以准确的把这些基准点投放到摄像机的坐标上[3]。同时在采集卡的图像中，对图像进行处理并计算出该基准点图像的坐标，通过定标计算法，从而得出摄像机的参数。
在机器人系统中的反馈，计算机通过C语言的调节图像采集卡进行动态链接来控制函数[4]。同时，对摄像机中的数据、视频信号进行采集，构成数字化的图像资料，采用BMP格式存储进行计算，在计算机上显示活动视频，然后系统对获取的图像进行分析处理，以及对噪声的去除、图像的平滑等进行处理，利用二值化处理对那些灰度阀值的图像进行处理，同时检测计算机获取图像的特征量并计算[5]。在完成图像的处理后，就需要确立图像的匹配特征，对图像进行匹配[6]。如果两个图像不重叠，就需要建立3D数据库进行模型重新选择，再把模型进行计算、投影计算、坐标更换等指令，直到找到与图像相匹配的数据模型，才能真正得到真实有效的图像。重叠时，要获得有效的图像，以工业机器人识别物体为目的，才能建立机器人系统之间的通信。同时，通过三维图像重建，进行机器人空间定位[7]。如下图表5所示。
4结语
综上所述，计算机视觉系统主要是为了工业机器人更好的工作而研发出来的，是一套装有摄像机视场的自动跟踪与定位的计算机视觉系统。通过3D数据模型指定目标，机器人系统利用计算机视觉图像的采集装置来识别外界环境的数据，经过图像的姿态预算、影像的投影计算产生图像，通过图片的合成比较，以此来实现机器人在工作中对物体的识别。利用计算机系统对机器人进行有效的控制，在工业机器人工作中对事物目标的搬运、跟踪、夹持等指令。计算机视觉系统具备清晰的视觉功能，有利于提高工业机器人的灵活性以及适应性。
参考文献
[1]夏群峰，彭勇刚.基于视觉的机器人抓取系统应用研究综述[J].机电工程，2014（06）：221-223.
[2]华永明，杨春玉.机器人视觉系统在立体编织自动铺纱过程中的应用研究[J].玻璃纤维，2011（01）：189-191.
[3]王培屹.基于多传感器多目标实时跟踪视觉系统在全自主机器人上的应用[J].软件导刊，2011（01）：263-264.
[4]谭民，王硕.机器人技术研究进展[J].自动化学报，2013（07）：123-125.
[5]鲍官军，荀一，戚利勇，杨庆华，高峰.机器视觉在黄瓜采摘机器人中的应用研究[J].浙江工业大学学报，201（01）：93-95.
关键词：OpenCV；人脸检测；实时
中图分类号：TP391.41
人脸检测（Face Detection）是指对于给定的图像或视频，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果是则返回一脸的位置、大小和姿态。人脸检测是人脸识别的重要环节，运用摄像机或摄像头采集含有人脸的视频流，并进行实时的人脸检测是目前主流的应用。
OpenCV（Open Source Computer Vision Library）是开源的计算机视觉代码库，它轻量级而且高效，由一系列C函数和少量C++类构成，实现了图像处理和计算机视觉的接口，实现了图像处理和计算机视觉方面的很多通用算法[1]。
1 系统设计
本系统采用了OpenCV的基于boost筛选式级联Haar分类器，该分类器是通过成千上万的物体各个角度的训练图像训练出来的，它先对图像进行直方图均衡化处理，并将图像归一化到同样大小，然后标记是否包含要检测的物体，在人脸检测方面比较擅长。系统加载分类器后，利用OpenCV的视频捕获函数实时捕获连接在电脑上的摄像头读入的视频流，并将抓取的视频帧转换为图像，然后对图像进行人脸检测和标定，具体流程图如图1所示：
图1 系统流程图
2 系统实现
本系统在WindowsXP操作系统下使用VC++6.0基于OpenCV1.0进行开发。系统具体实现如下：
（1）初始化声明。通过CvMemStorage*captureFaceStorage=cvCreateMemStorage（0）；语句创建一个内存存储器，来统一管理各种动态对象的内存，参数为0时创建的内存块默认大小为64k。然后分别声明分类器对象、图像对象级联名称及识别函数等成员：
Static CvHaar Classifier Cascade* cascade=0；
Ipl Image *frame，*frame_copy=0；
Char* capture Face Cascade_name=haarcascade_frontalface_alt2.xml；
（2）加载分类器。通过cvLoad函数，加载调用CvHaarClassifierCascade类的分类器文件“haarcascade_frontalface_alt2.xml”：
cascade=（CvHaarClassifierCascade*）cvLoad（captureFaceCascade_name，0，0，0）；
（3）捕获视频。通过cvCreateCameraCapture函数捕获摄像头，捕获视频后循环执行抓取帧操作cvGrabFrame（cap）和获取图像操作cvRetrieveFrame（cap）操作，从而将帧转换成图像，以便于处理。
（4）图像格式转换。一般从硬盘读入的图片或者通过cvCreateImage方法创建的IplImage图片默认的origin属性为0，即显示的时候都是正的。而由摄像头或者视频文件获取的帧图像origin属性为1，此时显示的图像扫描顺序是从下到上，它会将帧图像的第i行赋值给图像的第height-i行，因此采集的图像会出现倒立现象，为此，应将复制的图像的origin属性调整为与帧图像的origin属性一致。此时需要使用cvFlip（frame，frame_copy，0）函数，实现对帧图像沿X轴的翻转。
（5）识别与检测人脸。本部分主要实现人脸检测功能，首先将从实时视频中提取的图像进行灰度化处理：
然后调整新图像gray，使它精确匹配目标small_img的大小，并利用cvEqualizeHist函数进行灰度图像直方图均衡化处理，最终通过cvHaarDetectObjects函数检测出人脸：
（6）标定检出的的人脸。绘制目标圆形区域，标定出检测出的人脸：
最后通过cvShowImage（"result"，img）显示出检测后的图像，如果检测到人脸，显示效果图。
3 结束语
基于的摄像头实时人脸检测系统的实现充分说明了OpenCV技术在实现人脸检测方面的效率高、功能强的特点，OpenCV必将在计算机视觉、图形图像处理领域有着广泛地应用前景。
参考文献：
[1]Gray Bradski，Adrian Kaebler.Learning OpenCV：Computer Vision with the OpenCV Library[M].USA：O Reilly media，2008.
[2]梁路宏.人脸检测研究综述[J].计算机学报，2002（05）：449-458.
作者简介：徐占鹏（1979.01-），男，山东栖霞人，讲师，硕士，研究方向：计算机应用、计算机图形图像处理和计算机视觉。
摘要：研究基于计算机视觉的实时动态手势识别技术，并利用OpenCV计算机视觉库在VS2010平台上设计一个基于该技术在多媒体教学中PPT演示控制方面的应用。首先，利用背景差分法进行手势检测，在背景更新的基础上，通过背景差分图和颜色直方图的反投影图来检测运动手势区域，可以达到较为满意的实时运动手势检测效果；其次，采用基于颜色直方图的粒子跟踪算法进行手势跟踪，基本能满足跟踪的实时性；最后，在手势识别阶段，采用基于Hu不变矩的轮廓匹配算法，得到较好的手势识别效果；使用六种手势，来实现演示文稿中的控制应用。
关键词：计算机视觉；背景差分；粒子跟踪；手势识别；Hu矩
中图分类号：TP391.41文献标识码：A
1引言
随着计算机软硬件技术的发展，人机交互已经由过去的鼠标、键盘方式逐渐向更加灵活生动的语音、姿势等新颖交互方式发展。由于基于视觉方式具有便捷和开销低等优点，因此，利用计算机视觉技术来使计算机理解用户的命令，从而做出控制动作，这一领域的研究得到越来越多的重视。其中，人的手势作为日常生活中最为广泛使用的一种交流方式；因此，国内外许多研究机构开始对手势识别技术进行研究，并已经取得了一些阶段性的成果。较早的有：Freeman和Roth等人提出的基于方向直方图的手势识别系统；国内的高文教授等人于1994年提出了一种静态复杂背景手势目标的捕获与识别。经过二三十年的发展，
人们对运动目标检测及跟踪进行了大量深入的研究：美国MIT实验室通过提取左右手质心的运动轨迹以及手势形状特征参数，结合语法规则识别40个美国手语，准确率达到97%；另外，Microsoft Korea的HyeonKyu Lee，采用HMM的阈值模型，识别9种动态手势命令，平均识别率高达98.19%；国内的任海兵提出了基于DTW的手势识别算法，该算法能准确识别12种手势。
现在，基于视觉的手势识别技术更多的是应用在娱乐、游戏方面，比如微软前段时间推出的Xbox360游戏机体的体感外设Kinect及多款相配套的体感游戏，玩家可以通过手势在游戏中进行操作和互动，使得人机互动娱乐进入了一个新纪元。与此同时，还没有比较成熟的手势识别技术应用在现代教学系统中。因此，本文的研究重点是基于视觉的实时手势识别技术在多媒体教学演示控制中的应用。在基于视觉的手势识别研究中，需要解决的问题主要有两个：一是实时检测运动手势的信息，二是识别运动手势的信息并做出响应。对运动手势检测，本文采用背景差分结合改进颜色直方图特征的运动检测方法[1]；对运动手势跟踪，本文采用粒子滤波算法[2]结合改进颜色直方图信息的方法；手势识别阶段，本文采用了基于Hu不变矩特征[3]的轮廓匹配算法[4]；本文研究基于计算机视觉的手势识别系统，实现了在播放控制中运用手势进行开始、翻页、退出等功能，极大的提高了课堂教学的灵活性。
2手势检测
实时视频图像中的运动手势检测所需要完成的任务是：能够快且准的检测出手势在实时图像中的主要位置，并且能将位置所在的特定区域作为后续跟踪、识别的感兴趣区域。手势检测算法的好坏，直接影响整个系统的跟踪以及识别的效果。
目前，运动目标检测[5]的算法比较常用的有三种方法：光流法、帧间差分法和背景差分法。本文考虑实现环境为固定摄像头采集实时视频图像，背景基本不动，因此采用背景差分结合改进颜色直方图信息的运动检测方法。
2.1背景差分法
本文研究中，选取摄像头启动后的前10帧图像的平均作为最初的背景图像，把以后的实时序列图像当前帧和背景图像相减，进行背景消去。可以得到，运动手势区域的像素点的差分值比较大，背景区域的像素点的差分值比较小。另外，由于真实场景中的背景会因光线等外部条件产生微小的变化，长期的误差积累会造成最后得不到理想的手势区域，因此背景需要进行实时更新，从而能及时反映当前帧的背景图像，背景更新[6]的公式如下：
背景更新操作以后，对当前帧进行背景差分，大于阈值th1的图像点即为运动手势区域的点，并将得到的运动手势区域图像进行二值化操作，公式如下：
3手势跟踪
现在常用的一些跟踪算法主要有：卡尔曼预测算法、粒子滤波算法、均值偏移算法以及Camshift跟踪算法等。考虑到卡尔曼预测算法和均值偏移算法等都是线性跟踪算法，不能很好的应对目标运动的随机性，本文采用了粒子滤波算法。
3.1粒子滤波算法原理
粒子滤波法是指通过用一组带有权值的随机样本，以及基于这些样本的估算来表示动态系统的后验概率密度。当样本很大的时候，这种估计就等同于后验概率密度。这些样本就称为“粒子”。假设在t=0时刻每个粒子都有一个解，每个解与真实解都有一定的相似度，这个相似度可以表示为权重，随着时间的增加，相似度越大的粒子权重越大，而相似度越小的粒子权重就越小，最后趋于0，从而找到真实解（如图2）。
3.2基于改进颜色直方图信息的粒子跟踪
视频图像跟踪方面，目标的运动模型主要表现为目标位置、速度随时间改变的状态转移过程，目标的观测模型主要表现为每帧图像中运动目标的特征（如颜色、轮廓等）与真实目标的相似度的似然过程。在粒子滤波算法中，运动模型可以称为粒子传播或者粒子采样，它是一种随机过程[11]。粒子在经过传播以后，状态会发生改变，但权值没有跟着改变，这就需要系统的观测模型对当前粒子的状态进行计算从而更新粒子的权值。本文的研究中，观测值由目标区域的颜色直方图决定。
基于颜色直方图信息的粒子滤波就是将图像颜色特征的相似度作为粒子滤波算法要求解的后验概率，利用巴氏距离（Bhattacharyya）来计算相似度，得到粒子的权重。巴氏系数[12]如公式（9）：
4.2识别算法过程
本文研究中，首先建立手势模板库，然后通过实时提取手势帧，经过前面第2部分的结合改进颜色直方图信息的手势检测，然后再经过形态学处理之后，得到效果良好手势区域的二值图，再用轮廓提取及跟踪来得到手势的轮廓图，然后计算其7Hu矩特征，最后运用欧氏距离将其与模板库中定义的手势进行特征匹配，完成手势识别。
轮廓提取就是要掏空内部的点：如果其八个相邻的点都是黑色，则可以判定为内部点，然后删除改点。
轮廓跟踪方法：首先找出轮廓中最左下方的点作为搜索的起点，然后按照一定规则来搜索手势轮廓上的其他像素点。由于轮廓是连续的，因此每个轮廓上的点的位置都可以用其前一个点的所张的角度来表示。研究中采用如下跟踪准则，第一个点开始定义搜索方向为左上，如果左上方的点是黑点，则它也是轮廓上的点；如果不是，那么顺时针旋转，直到找到第一个黑点，即轮廓上的下一个点。继续同样的方法搜索，直到返回最初的起点，搜索结束。
下图是轮廓跟踪算法[15]的示意图，搜索方向用箭头表示。
5系统实现
本文的系统是在微软的VS2010平台上，使用C++语言进行软件开发，在图像处理相关方面是基于计算机视觉库（OpenCV）进行研究的。程序界面如下图：
左边底层区的按钮可以观察实时手势跟踪和识别效果的功能（如图4和图7）。
手势识别的结果可以定义成一个变量，不同
的识别结果对应的变量值不同，然后根据变量值调用不同的API接口函数，这样就可以实现实时手势识别技术在演示控制中的应用。本文研究在控制部分挑选了六种手势，分别控制PPT播放中的开始、退出、上下翻页、跳转首末页等功能。手势命令定义如下：手势4控制开始播放；手势3控制退出播放；手势1控制跳转首页；手势2为跳转尾页；手势10为向下翻页页；手势5控制向前翻页。对电脑中某一PPT进行实际的播放控制（列举其中4个手势的控制状态），效果如下：
1）识别手势4，开始播放：
2）识别手势10，向下翻页：
3）识别手势1，跳转到首页：
4）识别手势3，退出：
系统通过笔记本自带30W像素的摄像头，采用DirectShow技术进行实时视频的获取，图像尺寸是320*240，fps可以达到30-60帧/秒，可以很好的满足实时性的要求。
6结语
本文通过研究设计了一个基于视觉的手势识别技术在演示控制中的应用系统，可以看出背景差分结合颜色直方图的运动检测可以得到较好的手势区域效果；采用的基于颜色直方图的粒子跟踪也能基本实现实时跟踪的任务；在识别过程中，基于Hu不变矩的轮廓匹配算法具有很好的鲁棒性，可以得到较好手势识别效果；在应用阶段，使用手势来完成控制命令，基本实现了在播放控制中的应用。
同时，仍存在一些问题：对于光照和人脸微小晃动等外部因素引起的噪声，只能降低而无法消除，这对于手势跟踪与识别的效果还是有一定的影响，在应用时会产生一定的误操作。这些问题仍需继续研究，才能使得基于视觉的手势识别技术得到更成熟的应用。
参考文献
[1]吴晓阳.基于OpenCV的运动目标检测与跟踪[D].杭州：浙江大学，2008.
[2]CHO J U， JIN S H， PHAM X D. Object tracking circuit using particle filter with multiple features [C] / / SICE-ICASE： International Joint Conference. Las Vegas： IEEE， 2006： 1431-1436.
[3]甘志杰.基于Hu矩和支持向量机的静态手势识别及应用[D].青岛：青岛科技大学，2008.
[4]华斌，夏利娜.基于中值滤波和Hu矩向量的手语识别[J].计算机工程与设计，2011，32（2）： 615- 618.
[5]伏思华，张小虎.基于序列图像的运动目标实时检测方法[J].光学术，2004，30（2）： 215- 217.
[6]LINDEBERC T. Scale-space theory： a basic tool for analyzing structures at different scales [J]. Joumal of Applied Statistics. 1994， 21（2）：224-270.
[7]于华平.视频序列中的手势检测与跟踪[D].南宁：广西大学，2010.
[8]QIN WEN， PENG QICONG. An improved particle filter algorithm based on neural network for visual tracking [C] / / International Conference on Communications， Circuits and Systems. Las Vegas： IEEE， 2007：765-768.
[9]龚翔. 基于粒子滤波的视觉跟踪算法研究[D]. 南京：南京理工大学，2009.
[10]YU JIAXIA， LIU WENJING， YANG Y. Improved particle filter algorithms based on partial systematic resambling [C]/ /IEEE International Conference on Intelligent Computing and Intelligent Systems. Las Vegas： IEEE， 2010： 483-487.
[11]朱志宇.粒子滤波算法及其应用[M].北京：北京科学出版社，2010.
[12]FAZLI S， POUR H M， BOUZARI H. Particle filter based object tracking with sift and color feature [C] / / Second International Conference on Machine Vision. Las Vegas： IEEE， 2009：89-93.
[13]侯一明，郭雷，伦向敏，等.运动背景下基于粒子滤波的目标跟踪[J].计算机工程与应用，2007，43（8）： 62- 64.
【关键词】自动控制技术；农业自动化
由于历史、观念和技术等方面的原因， 我国传统农业机械与发达国家相比有很大差距，已远远不能适应农业的科技进步。近些年来， 自动化的研究逐渐被人们所认识， 自动控制在农业上的应用越来越受到重视。例如，把计算机技术、微处理技术、传感与检测技术、信息处理技术结合起来， 应用于传统农业机械， 极大地促进了产品性能的提高。我国农业部门总结了一些地区的农业自动化先进经验（如台湾地区的农业生产自动化、渔业生产自动化、畜牧业生产自动化及农产品贸易自动化）的开发与应用情况， 同时也汲取了国外一些国家的先进经验、技术，如日本的四行半喂人联合收割机是计算机控制的自动化装置在半喂人联合收割机中的应用，英国通过对施肥机散播肥料的动力测量来控制肥料的精确使用量。这些技术和方法是我国农业机械的自动化装置得到了补充和新的发展，从而形成了一系列适合我国农业特点的自动化控制技术。
1.已有的农业机械及装置的部分自动化控制
自动化技术提高了已有农业机械及装置的作业性能和操作性能。浙江省把自动化技术应用于茶叶机械上，成功研制出6CRK-55型可编程控制加压茶叶揉捻机，它利用计算机控制电功加压机构，能根据茶叶的具体情况编制最佳揉捻程序实现揉捻过程的自动控制，是机电一体化技术在茶叶机械上的首次成功应用。
1.1应用于拖拉机
在农用拖拉机上已广泛使用了机械油压式三点联结的位调节和力调节系统装置， 现又在开发和采用性能更完善的电子油压式三点联结装置。
1.2应用于施肥播种机
根据行驶速度和检测种子粒数来确定播种量是否符合要求的装置， 以及将马铃薯种子割成瓣后播种的装置等。
1.3应用于谷物干燥机
不受外界条件干扰， 能自动维持热风温度的装置停电或干燥机过热引起火灾时，自动掐断燃料供给的装置。
2.微灌自动控制技术
我国从20世纪年50代就开始进行节水灌溉的研究与推广据统计。到1992年，全国共有节水灌溉工程面积0.133亿m2，其中喷灌面积80万m2， 农业节水工程取得了巨大的进展。灌溉管理自动化是发展高效农业的重要手段，高效农业和精细农业要求必须实现水资源的高效利用。采用遥感遥测等新技术监测土壤墒性和作物生长情况，对灌溉用水进行动态监测预报，实现灌溉用水管理的自动化和动态管理。在微灌技术领域，我国先后研制和改进了等流量滴灌设备、微喷灌设备、微灌带、孔口滴头、压力补偿式滴头、折射式和旋转式微喷头、过滤器和进排气阀等设备，总结出了一套基本适合我国国情的微灌设计参数和计算方法，建立了一批新的试验示范基地。在一些地区实现了自动化灌溉系统，可以长时间地自动启闭水泵和自动按一定的轮灌顺序进行灌溉。这种系统中应用了灌水器、土壤水分传感器、温度传感器、压力传感器、水位传感器和雨量传感器、电线等。
3.自动控制技术在精准农业中的应用
关键词： 计算机视觉； 手指特征识别； 动态阈值算法； 矩形模版
中图分类号： TN911?34； TP37 文献标识码： A 文章编号： 1004?373X（2017）12?0113?04
Abstract： In order to improve the accuracy and speed of the finger feature recognition in video image， a dynamic threshold algorithm based on rectangle template is proposed. The rectangle template is used in the algorithm to smooth the image， and the gray threshold method is used to extract the edge of the target to recognize the finger feature accurately. The Matlab simulation results show that the algorithm is lightly influenced by environmental noise， and can segment the edge of the finger clearly and accurately. A finger feature recognition system based on computer vision was designed on FPGA platform. Its real?time performance， finger recognition accuracy and other performances were tested. The test results show that the running speed of the system is synchronous with the speed of capturing the image by camera， which can meet the real?time requirement of the system. The coordinates deviation of the finger position recognized by the system is about 3 pixels， which can basically meets the accuracy requirement of the system.
Keywords： computer vision； finger feature recognition； dynamic threshold algorithm； rectangle template
S着科学技术的飞速发展，人与计算机之间的交互活动越来越密切，并逐渐成为人们日常生活的重要组成部分。传统触摸屏是现阶段一种最常见，也是最重要的人机交互方式，其是通过一种附加在显示器表面的透明介质，依赖使用者的手指触摸该介质来实现对计算机的输入控制[1?2]。目前，这种触摸屏技术已经相当成熟，但是，技术上不容易做到大尺寸，且成本相对较高，也易于破损。为了突破传统触摸屏这种人机交互方式的局限，把任何成像平面变成可用手指进行交互的系统，本文提出了一种基于计算机视觉的手指特征识别算法，并在FPGA平台上建立了一套基于计算机视觉的手指特征识别硬件系统。这种基于计算机视觉的手指特征识别方法可为基于视觉的人机互动提供一种新的技术解决途径。其与传统触摸屏的区别在于，不需要在成像屏幕上安装任何特殊介质，使用寿命得到大幅延长，应用范围有了很大扩展。
1 图像采集平台
本文所采用的图像采集平台如图1所示，在任何与计算机连接的显示设备（如投影屏幕、等离子电视等）的左上角、右上角安装两个摄像头，通过这两个摄像头便可确定手指在屏幕上的二维坐标信息（x1，x2）。然后，将此坐标点传至计算机，并与Windows系统的鼠标程序关联即可实现人机交互功能。图2是图像采集平台的侧视图。其中虚线框表示摄像头视野中系统需要处理的区域，即手指出现的区域。
2 手指特征识别算法及仿真
在系统实现过程中，如何从摄像头所拍摄的画面中准确地识别并提取出手指信息是其难点之一。在目前的图像处理技术中，用于识别背景图案中目标物体的算法很多，本文在分析基于色彩聚类的肤色识别算法的基础上，结合课题特殊需求，提出一种基于矩形模板的动态阈值算法，并在Matlab中对上述算法的处理效果进行了仿真。
从图像采集平台可以看出，本系统只关心距屏幕很近的小视野内是否出现区别于背景的目标物体。因此，只需从摄像头拍摄的图像当中截取一部分，如图3中的小矩形框所示。
2.1 基于色彩聚类的肤色识别算法
肤色是人体区别于其他物体的一个重要特征，人体肤色特征不受位置、角度、大小等因素影响，具有较强的稳定性。因此，本文首先选定基于色彩聚类的肤色提取识别算法进行研究。在色彩聚类方法中，Anil K.Jain的Cb，Cr椭圆聚类方法最为典型[3?4]。采用非线性分段肤色分割得到的肤色区域在Cb，Cr空间中近似于椭圆，如下：
由图5可知，利用该算法分割手指信息的效果尚可，能从比较友好的环境中迅速准确地识别出手指信息。图6为利用椭圆聚类肤色分割算法对从图像采集平台读取图像的手指识别效果。可见，该算法在普通环境下对手指的识别效果良好。但当屏幕上的颜色影响手指肤色时，该算法的识别能力就会有所降低。可见，该算法对皮肤颜色的纯度要求较高，适用范围受限。图7为屏幕出现大面积蓝色时对手指识别造成的影响效果。
2.2 基于正方形模板的动态阈值算法
基于正方形模板的动态阈值算法，即采用灰度阈值法，用正方形模板平滑图像[5?6]。图8（a）是3×3模板动态阈值算法平滑图像的过程。
应用基于3×3模板的动态阈值算法对原图4进行边缘提取的仿真效果如图9（a）所示。可见，应用3×3模板可以提取出目标物体的边缘，但不够清晰。虽然可以通过增大模板取得比较理想的效果（图9（b）为采用基于101×101模板的动态阈值算法的处理效果），但会使计算量剧增，同时也缩小了模板所能完全覆盖的范围，使图像边缘产生无效的白色区域。
2.3 基于矩形模板的动态阈值算法
根据课题实际需要，即所要处理的目标区域为长方形窄条区域（如图3所示），本文提出一种基于矩形模板的动态阈值算法。该算法与基于正方形模板算法的区别在于，平滑图像时所用的模板为窄条形，如3×5模板，3×15模板，3×41模板等。图8（b）是3×9模板动态阈值算法平滑图像的过程。
图10给出了采用基于3×9模板、3×14模板、3×81模板、3×101模板动态阈值算法对原图4进行手部边缘提取的仿真效果。由仿真效果可知，基于矩形模板的动态阈值算法在模板取值为3×9的情况下，便能够清晰提取出目标物体的边缘。而且，随着模板取值的增加，目标物体边缘的提取效果更加清晰准确。与基于正方形模板的动态阈值算法相比，基于矩形模板的动态阈值算法计算量较小，节约了系统的计算资源。
3 基于FPGA的手指特征识别算法的系统测试
为了验证本文所提出的基于矩形模板的动态阈值算法能否满足屏幕交互系统的整体要求，本文通过编写软件程序在FPGA开发板上对这种算法进行了硬件实现和系统测试。
3.1 硬件实现
本文所采用的硬件实现系统主要是基于美国Altera公司生产的型号为EFA?CY1C12的“红色飓风”（Red Cyclone）系列FPGA开发板，并另外集成了用Ommvison公司的型号为OV9655的CMOS数字摄像头，以及ISSI公司的型号为IS61LV25616AL的SRAM存储器[7?10]。最终搭建的硬件系统如图11所示。
3.2 系统测试
本文主要对系统的实时性、手指提取精度、资源占用情况等影响系统运行的重要技术指标进行了测试。
（1） 实时性
OV9655摄像头在1 280×1 024分辨率下，能提供15 f/s的图像采集速率，课题所设计的软件程序可以在一帧图像的处理时间内完成了数据的采集、手指边缘的识别等运算，实现了系统执行速度与摄像头拍摄速度的同步，达到了系统对实时性要求。
（2） 手指识别精度
由于课题在软件设计过程中编入了图像采集防抖动处理程序，提高了图像采集的稳定性，也提高了手指识别的精度。经过测试，本系统得到的手指位置信息的坐标偏差为3个像素，基本满足大屏幕交互系统对识别精度的需求。
（3） 资源占用情况
从Quartus Ⅱ的编译报告中可以看出，本系统的软件运行已占用FPGA的9 702个逻辑单元，占逻辑单元总数的80%。可见，该硬件系统的FPGA运算资源基本能满足系统的实际需要。
4 结 语
本文通过对基于矩形模板的动态阈值算法的研究和基于FPGA的手指特征识别硬件系统的实现，建立了一套基于计算机视觉的手指特征识别系统。该算法受环境噪声影响较小，能清晰准确地分割出手指边缘，且随着矩形模版取值的增大，算法的识别效果会更加良好。该系统的实时性、手指识别精度及资源占用情况均可满足系统要求。这种基于计算机视觉的手指识别方法成本低、灵活性好，为基于视觉的人机交互提供了一种新的技术途径。
参考文献
[1] 吕明，吕延.触摸屏的技术现状、发展趋势及市场前景[J].机床电器，2012，39（3）：4?7.
[2] 陈康才，李春茂.电阻式触摸屏两点触摸原理[J].科学技术与工程，2012，12（18）：4525?4529.
[3] MAITRE H.现代数字图像处理[M].北京：电子工业出版社，2006：79.
[4] 帕科尔，景丽.图像处理与计算机视觉算法及应用[M].2版.北京：清华大学出版社，2014：104.
[5] GONZALEZ R C，WOODS R E，EDDINS S L.数字图像处理的Matlab实现[M].2版.北京：清华大学出版社，2013：301.
[6] RUSS J C.数字图像处理[M].6版.北京：清华大学出版社，2014：216.
[7] 于枫.Altera可编程辑器件应用技术[M].北京：科学出版社，2014：68.
[8] 姚智刚，付强.基于低成本CMOS摄像头智能监控系统的设计[J].现代电子技术，2006，29（3）：126?128.
关键词：ARM OPENCV AdaBoost
近年来,功能各异的视频监控设备越来越多,但是,大多只能简单记录视频画面,将监控到的视频信息存储起来,而不能对所监控到的视频做一定的处理分析和预测。基于ARM的人脸检测系统,为我们的视频监控设备提供了一个视频处理的参考解决方案,在一定基础上加以扩充,可以完成人物识别,危险行为检测与报警等,使视频监控设备更加智能化。
1、视频监控的几项关键技术及发展方向
视频监控的关键技术主要有视频采集压缩算法、视频信号可靠地传输、信息存储调用的智能化与系统的集中管理等。视频监控技术发展方向为分布采集集中管理、高品质图象压缩处理、开放标准统一接口、统一认证以确保安全、操作人性化以及功能集成化、结构模块化和传输多样化。随着不断发展的网络技术,基于嵌入式技术的网络数字监控系统不再是处理模拟视频信号,而是把摄像机输出的模拟视频信号通过视频编码器直接转换为IP数字信号。
2、平台的搭建
ARM之所以应用广泛,是因为有较快得运算速度,较低的价格,开发人员也比较容易接触,程序较易移植过来等特点。EmbeddedLinux也是Linux家族的成员,支持广泛的硬件平台,如PPC、ARM、MIPS等,也继承了Linux的优点——开源、免费,同时也有广泛的应用软件支持,能够比较方便的移植操作系统与应用软件。
3、OPENCV简介
OpenCV是一个开源的计算机视觉库,采用C/C++语言进行编写,可以运行在Linux/Windows/Mac等操作系统上,同时还提供了Python、Ruby以及其他语言的接口。其设计目标就是执行速度尽量快,它采用优化的C语言编写,能够充分利用多核处理器的优势。除此之外,另外一个目标就是构建一个简单易用的计算机视觉框架,开发人员可以利用它更便捷地设计复杂的计算机视觉相关应用程序。其中包含的函数有500多个,覆盖了计算机视觉的许多应用领域,如工厂产品检测、医学成像、信息安全、摄像机标定、立体视觉和机器人等。
4、人脸检测的原理
人脸检测技术的研究要追溯到20世纪70年代,早期的研究主要致力于模板匹配、子空间方法、变形模板匹配等,近几年,集中研究基于数据驱动的学习方法,如统计模型方法,神经网络学习方法,统计知识理论和支持向量计算方法,基于马尔可夫[1]随机域的方法,以及基于肤色的人脸检测等。目前在实际中应用的人脸检测方法多为基于Adaboost[2]学习算法的方法。
Viola是AdaBoost算法的一种,主要基于积分图和级联检测器,其方法框架可大至分为以下三大部分:第一部分,使用Harr-like特征来表示人脸,并且使用“积分图”实现特征数值的快速计算;第二部分,使用Adaboost算法挑选出一些最能代表人脸的矩形特征,用弱分类器按照加权投票的方式,构造为一个强分类器;第三部分,为有效的提高检测速度,将训练得到的若干强分类器串联组成一个级联结构的层叠分类器。
人脸检测的目的就是从图片之中找出所有包含人脸的子窗口,对人脸的子窗口与非人脸的子窗口进行区分。第一步,在一个20*20的图片中提取出一些简单的特征（Harr特征）,将白色区域内的像素减去黑色区域,因此在人脸与非人脸图片的相同位置上,有着大小不一样的数值,这些特征就是区分人脸和非人脸的依据。第二步,使用上万张切割好的人脸图片和上万张背景图片作为训练样本。训练图片一般都调到到20*20的大小。在这样大小的图片中,可供haar使用的特征数大概有1万个左右,然后通过机器学习算法也就是Adaboost算法挑选数千个有效的haar特征,用来组成人脸检测器。第三步,学习算法训练出一个人脸检测器后,便可以在各种各样的场合使用了。使用时,依次缩放图像比例,最后在缩放后的图片20*20的子窗口中依次判别是否是人脸。
人脸检测技术在门禁系统、智能监控系统中已经得到了很好的应用。另外,目前的笔记本电脑登录时,也陆续使用人脸识别技术作为凭证。同时,人脸检测算法也在数码相机和手机中起作用,作为一个新新的功能提供用户使用。
5、结语
ARM上进行图像处理以及人脸检测与识别等是可行的方案,可以减少硬件成本。 采用Linux+Qt4+OpenCv+Arm是一个方案合理、技术成熟、成本低廉、应用广泛的人脸检测与图像处理的解决方案。
参考文献
关键词：肉类食品；品质检测；研究
随着经济的快速增长，国民生活的日益提高，我国肉类消费量也在快速增长，由肉类食品所引起的食物安全问题也不断增多，如“禽流感”、 “猪链球菌中毒”等.传统的检测技术费时费力,检测效率低,已经达不到现代检测所需的快速、准确、实时、无损等要求。 现代的肉品检测技术，注重实用性和精确性。仪器微型化、低耗能化、功能专用化、多维化、一体化、成像化；生物技术被大量应用；与计算机技术结合得越来越紧密；不断采用其它领域的新技术；生理学中的感觉器官生理变动规律和电生理学研究学方法等。
1 物理方法
1.1 计算机视觉技术
计算机视觉技术通过计算机模拟人的判别准则去理解和识别图像，用图像分析作出相应结论的实用技术，其中图像处理和图像分析是计算机视觉技术的核心。
计算机视觉技术可对其新鲜度作出判定；基于神经网络分类器的立体颜色直立图可用于分析鸡胴体全身缺陷。李刚等构建了由气体传感器阵列、数据采集单元、神经网络组成的智能检测辨识系统，通过猪肉样本的测试与分析表明，该方法可实时准确地识别肉类新鲜度，辨识准确率可达9 0 % 以上。Malone 等以图像处理方法和专家系统控制为基础，研发了一个分析系统，该系统可以根据图像分析的结果并参照数据库作出正确的判断，确定鱼片脊骨的位置，并操纵高压水切割器剔除鱼片中的脊骨。机器视觉系统也用于研究猪腰肉的品质波动和分级，如用400 ～700nm 的光纤反射测量系统可以检测出明显的PSE 猪腰肉，同时根据猪肉品质优劣进行分级。
1.2 超声波技术
超声波检测技术是利用肉品在超声波作用下的吸收特性、衰减系数、传播速度、本身的声阻抗和固有频率，测定肉品组成成分、肌肉厚度、脂肪厚度的快速无损在线检测、分级方法。
利用超声波可以测定肉品(活体或尸体) 的成分，如牛、羊、猪等的背膘厚度及脂肪含量。Benedito等应用超声波传播速度的变化检测发酵香肠的化学成分，发现在脂肪中温度每升高1 ℃超声波速减慢5.6m/s;在瘦肉中，超声波速随温度上升而上升。
Brondum 等使用超声波在线检测猪胴体的系统，该系统包括1 6 个超声波传感器，可以确定膘厚、肥瘦、产肉率(与胴体重量有关)、 主要切割点等指标，其在线检测速度可达1150 头/h ，能达到较高的准确率。目前较好的产品有丹麦S F KTechnology A/S 公司研制的在线检测产品。
用超声波图像检测脂肪厚度和腰部肌肉易受到操作人员、测量部位、超声波频率、被测物体的不规则性和肥瘦组织分布的不均匀性等因素的影响，而且实时超声波图像一般只能检测某部位的化学成分而不是全身成分。所以，超声波检测技术更多地应用在线自动快速无损检测，它具有适应性强、对人体无害、检测灵敏、使用灵活等特点。该技术在国外已逐渐进入肉品实际检测中，但我国在这方面的研究与应用尚未见报道。
1.3 电磁学检测技术
肉品的组织、成分、结构、状态等和其电磁特性有密切关系。如肉品从新鲜到腐败的过程中。其阻抗值就有一定的变化规律。
电磁扫描的原理是骨头和肌肉这些含水的物质比脂肪有更高的导电率，它和猪、羊的无脂肪瘦肉有较好的相关性。Higbie 等采用测量胴体全身电导率的方法来估计无脂瘦肉和全脂肪含量，通过对不同部位和条件下的猪胴体检测，发现可以用三或四变量公式预测无脂瘦肉重量，而且可以根据公式推算肉类各组分的含量，复相关系数R2>0.66。 测量猪酮体的电特性能有效确定猪肉不正常系水力及PSE 特性等早期衰变，因为系水力、pH 值、三磷酸腺苷(TP)的降低均与生物电阻抗以及相位变化有关。而电磁学检测的变化曲线与计算机视觉技术和超声波检验所得的变化曲线具有相似性。
2 仪器分析方法
2.1 高效液相色谱法
高效液相色谱法( H P L C ) 特别适用于高沸点、不能气化或热稳定性差的有机物的分离分析，在食品行业中常用于食品添加剂、农药残留和生物毒素的分析检测，具有灵敏度高、操作简便、结果准确可靠、重现性好且成本较低的优势。
检测抗生素的传统方法是微生物法，灵敏度较、低耗时较长，一次只能检测一种抗生素。反相HPLC 测定抗生素，简便快速，能同时监测多种抗生素，已成为肉品检测中的常用方法。汤丽芬等用反相HPLC 同时测定广州地区肉类4 种抗生素的残留量，结果表明；各抗生素的线性范围均为0.01～ 1.0 µg/ml，相关系数均为0.99 以上(n=5)；回收率均为95.6% ～ 106.0%； 日内日间变异系数均在允许范围内(小于15%)。
2.2 毛细管电泳安培法
1991 年Jorgenson 和Monnig 首次提出了高速毛细管电泳技术(HSCE 或fast-CE)，使分析时间缩短至几分钟内。毛细管电泳安培法具有灵敏度高、样品体积小的特点。但电泳时间多为5～30min，因此近年来芯片毛细管电泳技术是电泳的一大热点，芯片毛细管电泳技术实质上是将HSCE 的仪器微型化，采用窄内径且短的毛细管和提高分离场强的方式来提高分析速度，因此保持电泳高效的同时提高其分析速度是电泳技术的发展趋势。
杨冰仪等采用高速毛细管电泳安培法对市售肉类中的人工合成雌激素己烯雌酚(DES) 进行了测定，结果表明：参数优化后，DES 在60s 内可以得到较好的分离，检出限为1.0×10-8mol/L，DEC 浓度在1.48× 10-4～3.69 ×10-5mol/L，1.25×10-6～1.85×10-7mol/L 与峰面积分段呈良好的线性关系；迁移时间和峰面积的相对标准偏差分别为0.65%、2.2%。
2.3 近红外光谱分析技术
近红外技术NIR(nearinfrared)具有测量测信号数字化及分析过程绿色化的特点。在肉品检测中，它可以用来测定屠宰分割过程中和肉制品加工中原料肉和成品的水分、蛋白质、脂肪等指标；也能鉴别冷冻肉并测定其保水性、渗透性、肉汁损失率和干物质含量。
Ben-Gera 等采用红外透射技术，研究了肉制品乳浊液中脂肪和水分的含量。Lanza 利用近红外光谱分析研究了生猪肉和牛肉的水分、蛋白质、脂肪和卡路里含量，发现在波长为1100～ 2500nm 时，反射光谱与水分、脂肪和卡路里有较高的相关性(R0.987)，与蛋白质的相关系数(R)为0.885。此外，有研究表明：近红外光通过光纤反射的透射特性与牛肉剪切力相关(R=0.798～0.826)，与水分、蛋白质、脂肪等指标也有较好的相关性。Park 等通过分析近红外反射光谱以确定牛肉嫩度，采用主成分分析法(PCR，principal componen tregression)分析波长在1100～2498nm 处生肉的吸收光谱，发现其与测得的熟肉嫩度存在复相关系数R2=0.692，从而可以建立预测牛肉嫩度(口感)的分析模型。
但该方法成本较高且分析较复杂。目前丹麦、德国已开发出在线检测设备，而我国还没有类似的检测仪器。
2.4 核磁共振波谱分析技术
核磁共振波谱法是根据具有磁性质的原子核对射频磁场的吸收原理，以测定各种有机或无机成分的检测技术。它是一种无损检测技术，可以检测同一样品的不同原子核，以便从不同角度对样品进行观察；另外它还具有结构和动力学信息敏感性，可以观察样品的化学结构特征和分子迁移。31P 因其天然丰度高(100%)，在细胞中的含量高(DNA、磷脂及ATP等)；化学位移范围宽(约30)，共振谱线简单容易识别；在生物体内普遍存在，且与生命过程息息相关，而使31PNMR 技术在生物样品检测中使用最多。
31PNMR可用于检测肉品中添加磷酸盐的水解过程。Rongrong Li 研究了鸡肉中不同磷酸盐的水解过程，经检测发现TSPP 和TKPP 的水解最快，大约1.25h 就可以完全水解为Pi。采用31PNMR 技术可以快速无损地区别和量化肌肉组织中的有机和无机磷酸盐，为进一步解释磷酸盐的作用机理提供了方法。
3 现代分子生物学技术
3.1 核酸探针检测技术
核酸分子杂交可以用于待测核酸样品中的特定基因序列。该技术不仅具有特异性、灵敏度高的优点，而且兼备组织化学染色的可见性和定位性。在肉品检测中，核酸探针技术主要用于致病性病原菌的检测。
目前我国肉品致病菌的检验普遍采用传统的细菌学检验方法和血清学方法，方法繁琐，灵敏度和准确性都不高。核酸探针技术可检测出10-12～10-9 的核酸，可广泛应用于进出口动物性食品的检验，包括沙门氏菌、弯杆菌、轮状病毒、狂犬病毒等多种病原体。
核酸探针技术在实际应用中仍存在一些问题，如放射性同位素标记的核酸探针半衰期短、对人体有危害等（生物素标记的核酸探针虽然对人体无害，但受紫外线照射易分解），所以作为常规诊断特别是食品实验室较不适用。
3.2 生物芯片检测技术
生物芯片使研究中不连续的分析过程都集成在芯片上完成，实现检测的连续化、集成化、微型化、信息化，单位面积内可以高密度排列大量的生物探针，每平方厘米可达5 10 万个， 一次实验就可检测多种疾病或分析多种生物样品，已经广泛用于食品安全检测、食品微生物检测、动物疫病检测、转基因动植物检测等方面。
张庆峰等以卵清白蛋白为载体蛋白合成了雌二醇的结合物，并采用Cy3 新型荧光染料标记结合物，作为雌二醇的竞争物，建立了以竞争法为基础的检测肉品中雌二醇的免疫芯片新方法。该技术用生物芯片点样仪在醛基化玻片表面点样制备免疫微阵列，对雌二醇进行了定性定量检测。结果表明荧光信号随待测物浓度的降低而增强，待测物浓度在0.001～0.4µg/ml 的范围内有较好的线性趋势，检测范围为1 0.001 g/ml。
4 微生物检测技术
当前，微生物电子学、微机技术滤光技术、生物传感器等多项领域的突破，使得微生物快速检测技术得到了改进，正朝着快速、准确、简便及自动化的方向发展。利用传统微生物检测原理，结合先进技术，设计了形式各异的微生物检测仪器设备，正逐步广泛应用于肉品微生物检测。如ATBExpression细菌鉴定智能系统、全自动微生物快速鉴定仪器VITEK、微生物总数快速测定仪、自动菌落计数系统、应用电阻抗技术的全自动微生物监测系统。
参考文献
[1] 陈福生高志贤王建华. 食品安全检测与现代生物技术[M].北京化学工业出版社2004.
[2] 赵杰文孙永海.现代食品检测技术[M].北京中国轻工业出版社2005.
[3] 陈纯.计算机图像处理技术与算法[M].北京清华大学出版社2003.
[4] 孙永海鲜于建川石晶.基于计算机视觉的冷却牛肉嫩度分析方法[J].农业机械学报2003 34(5) 102 105.
[5] 李刚曲世海郭培源张慧.基于神经网络的肉类新鲜度辨识技术[J].传感器技术2004 24(3) 15 17.
[6] 滕炯华袁朝辉王磊.基于气体传感器阵列的牛肉新鲜度识别方法研究[J].测控技术2002 21 (7) 1 2.
