计算机视觉设计(6篇)

计算机视觉设计篇1

关键词：危险气体罐车；液位检测；计算机视觉；报警系统

中图分类号：TN948.64?34；TP216文献标识码：A文章编号：1004?373X（2016）22?0067?0

0引言

随着自动化测试技术的发展，采用智能测试和计算机视觉方法进行液位检测和监控，借助的物理场有超声波、微波雷达、射线及激光等，能实现高低位报警功能，在工业控制场合中，固定位置处的液位监控是保障工业控制安全的重要技术，特别是在危险光车的运输过程中，需要对危险气体罐车的液位进行实时监控和识别，通过感应元件实现对液位的准确检测，通过检测发射和接收的时延来确定液位的高度。随着计算机视觉处理技术的发展，以及图像处理技术的应用，采用计算机视觉部监控方法进行危险气体罐车的液位监控识别成为未来实现液位准确监测和定位的重要发展方向，研究基于计算机视觉的危险罐车的液位检测监控报警系统，在保障危险罐车运输安全方面具有重要意义，相关的系统设计方法受到人们的重视[1?3]。

目前，对液位的检测方法按照测量液位的感应元件与被测液体是否接触，其可分为接触型和非接触型两大类。通过人工检尺法[4?6]，加装浮子测量装置进行液位检测，微波雷达、射线及激光主要是应用在检测罐体为危险物质，将微波发射器和接收器安装在罐顶，利用超声技术并结合数字信号处理算法进行液位检测[7?9]。但是，上述设计方案因无法找到超声信号为零的位置，所以考虑使用灵敏度相同的另一液位检测传感器作为参考通道进行自适应噪声抵消，参考液位检测传感器应放置在对目标反射信号较小，更多的反映液位反射的超声信号的位置，但是对电磁波、光波等超声无法穿过的介质，液位检测的精度不高[10]，难以实现有效的监控识别和报警。针对上述问题，本文进行危险气体罐车液位监控识别报警系统的改进设计，首先进行了液位检测原理分析，构建系统装置的总体结构模型，然后进行了危险气体罐车液位计算机视觉监控识别报警系统的硬件模块化设计和软件设计，最后通过实验分析验证了本文设计的液位监控识别报警系统的优越性能，得出有效性结论。

1液位计算机视觉监控识别报警系统的总体设计

根据上述液位检测弊端分析，进行危险气体罐车液位计算机视觉监控识别报警系统设计，首先分析系统设计的总体架构模型，系统设计包括了系统的硬件设计和软件设计部分。硬件设计中，主要是在计算机视觉环境下完成液位视觉特征的获取，并对接收到的视觉特征进行相应的处理。本系统的硬件部分主要是数据采集和数字信号处理。接收探头采集的视觉特征通过信号采集电路进行高分辨率的A/D采样，液位视觉的差异性可以通过对分辨率和采样率的大小来判断。在对液位检测的超声信号检测的基础上，设计自适应滤波器进行信号滤波，通过自适应均衡方法得到基于视觉传感器的液位检测特征，为系统设计提供了准确的数据基础。因此，采集电路的设计必须采用高分辨率，硬件电路设计中，包括确定DSP处理器型号、VisualDSP++集成开发环境、器件以及连接关系。根据I/O设备的数据采集量确定液位监控识别系统的分辨率和基线恢复性能，采用ADI公司的ADSP21160处理器系统作为计算机视觉监控识别的主控芯片，数字信号处理器主要完成对整个硬件系统的电路控制，根据设计的功能指标得到本文设计的监控系统的计算机视觉的像素值的系统最低采样率为1024MHz，则DSP的最低速度应大于[25×20=500MHz]。

在进行罐体液位监控中，研究的罐体的厚度分别为5mm平面罐体，20mm平面罐体。由于本文构建的系统是一个高采样率的数据采集系统，在进行液位监控识别报警中，需要利用C8051F处理器发射频率为120kHz左右的脉冲序列，作为原始声信号数据存入计算机系统，以此进行监控识别，根据上述描述，得到系统设计的模块构架如图1所示。

2系统的设计与实现

2.1硬件电路设计的指标分析

在上述进行了危险气体罐车液位计算机视觉监控识别报警系统的液位检测原理分析和系统设计总体构建描述的基础上，进行系统的硬件设计，系统的硬件模块主要包括了超声信号A/D采样电路、时钟电路、滤波电路、程序加载电路和电源电路等。系统的设计指标描述如下：

（1）危险气体罐车液位计算机视觉监控识别报警系统的输出信号幅度

（2）监控系统的整体功耗

（3）计算机视觉监控接收机采样率不低于12MHz；

（4）CAN总线对无液状态采集数据采样分辨率不低于8位；

（5）有液状态采集数据中具有高压控制功能；

（6）具有基线恢复功能。

根据上述设计的指标，进行硬件模块化设计。

2.2系统硬件模块化设计与电路实现

首先设计图像信号A/D采样电路，A/D采样电路是实现罐车液位计算机视觉监控识别报警系统设计的基础，通过A/D采样电路上传图谱数据，使用AD公司一款高性能A/D芯片AD9225对上一个缓冲区数据进行峰值检测，利用A/D芯片内的采样保持器和参考电压进行计算机视觉特征监测和液位脉冲数据采样，结合视觉特征在危险气体罐车中传播可以进行信号转换，通过A/D采样电路转化为计算机视觉监控系统能识别的数字信号，A/D芯片通过时钟把脉冲信息输入到罐体液位监测系统的中央处理单元，数字输出包括12位数字输出和一个溢出指示位，采用多样化的数据捕捉和传送模式，罐车液位计算机视觉监控识别报警系统的PPI的所有操作与A/D、D/A转换器、视频编码/解码器进行并行串口通信，由此实现控制信号的无帧同步、内部触发。根据上述设计，得到罐车液位计算机视觉监控识别报警系统A/D采样的时序逻辑如图2所示。

罐车液位计算机视觉监控识别报警系统的输入超声信号采用的是单端输入，耦合方式可以是交流耦合，通过上述逻辑结构，构建A/D采样电路如图3所示。

图4中，WDO引脚产生的超声波将发生反射纵波（或横波），利用多层介质中超声波的传播规律进行计算机视觉监控识别，实现对罐体液位状态的检测。

2.3软件算法的设计

由于是单峰液位突变特征，因此，可结合角点检测的特点，利用Harris角点检测方法能够实现丙烯聚合过程中非正常液位的检测和识别。角点能够描述液位图像中两个边缘的相交点，Harris角点检测方法主要通过液位图像中的特征点形状进行非正常液位的检测和识别，即使液位的颜色发生变化仍能进行有效的检测。

设置液位图像[I（x，y）]，对其进行平移[（Δx，Δy）]后图像具有自相似性，这种自相似性能够用自相关函数进行评价，其公式如下：

[c（x，y；Δx，Δy）=（u，v）∈W（x，y）ω（u，v）[I（u，v）-I（u+Δx，v+Δy）]2]（1）

式中：[W（x，y）]为以[（x，y）]为中心模板的窗口；[ω（u，v）]为加权函数，可以将其设置为常数或者高斯函数。对泰勒公式进行展开，能够得到：

[I（u+Δx，v+Δy）≈I（u，v）+Ix（u，v）Δx+Iy（u，v）Δy=I（u，v）+[Ix（u，v）Iy（u，v）]ΔxΔy]（2）

则：

[c（x，y；Δx，Δy）=ω（u，v）[I（u，v）-I（u+Δx，v+Δy）]2≈[Ix（u，v）Iy（u，v）]ΔxΔy2ω（u，v）=[Δx，Δy]M（x，y）ΔxΔyω（u，v）]（3）式中：

[M（x，y）=Ix（u，v）2Ix（u，v）Iy（u，v）Ix（u，v）Iy（u，v）Iy（u，v）2=ACCB]（4）

因此，对液位图像进行平移后得到的自相关函数能够近似于下述二次项函数：

[c（x，y；Δx，Δy）≈[Δx，Δy]M（x，y）ΔxΔy]（5）

进而能够得到丙烯聚合过程中液位的视觉方程：

[Δx，ΔyM（x，y）ΔxΔy=1]（6）

图像中液位图像的尺寸是由[M]矩阵的特征值决定的，特征值能描述液位图像中灰度变化的速度和方向。Harris角点法无需对[M]的特征值进行计算，只要计算出一个角点的响应即可，其计算公式如下：

[R=detM-α（traceM）2]（7）

式中，[α]为经验参数，通常取值为0.04～0.06。利用上述方法取得的全部Harris角点，计算全部的角点纵坐标的均值进行计算即可得到实际的液位高度，从而实现丙烯聚合过程中非正常液位的准确检测与识别。

3系统软件开发仿真环境描述和系统调试结果分析

危险气体罐车液位计算机视觉监控识别报警系统的软件开发建立在嵌入式Linux开发系统基础上，系统软件需要实现的功能包括危险气体罐车液位超声采集、能谱测量、计算机视觉图像控制、CAN通信以及A/D采样E2PROM烧写。SPIE2PROMAT25HP512用于DSP的程序加载，正确配置DSP的SPI寄存器，采用DIP封装实现程序加载，根据上述软件开发环境，发送WREN指令直接通过烧写器烧写，进行危险气体罐车液位计算机视觉监控识别报警系统的仿真测试。首先采用层次聚类方法在计算机视觉环境下进行液位状态数据采集，然后进行信号转换，得到有液状态和无液状态下的采集结果如图5所示。

对上述原始数据进行信号处理，采用自适应滤波电路进行有用信息提取，得到提取结果如图6所示。

监控识别，由图6可见，采用本文设计的系统进行危险气体罐车的液位检测，在计算机视觉下能实时准确检测液位值，实现准确的监控识别和报警，性能可靠稳定。

4结语

本文进行了危险气体罐车液位计算机视觉监控识别报警系统优化设计，利用不同液位状态下声波在不同罐体环境中的传播特征的差异性，进行声波在不同罐体环境中的传播的差异性特征提取，判定液位状态。进行系统的硬件设计和软件设计，包括A/D采样电路、时钟电路、滤波电路、程序加载电路和电源电路等。通过危险气体罐车液位检测系统输入的参考信号对有液和无液的状态进行区别检测，采用计算机视觉监测方法，进行危险气体罐车液位内部状态特征的视觉监测。研究表明，该系统具有较好的液位检测性能，实现危险气体罐车液位的有效监控识别报警，具有较好的应用价值。

参考文献

[1]刘茂旭，何怡刚，邓芳明，等.融合RFID的无线湿度传感器节点设计研究[J].电子测量与仪器学报，2015，29（8）：1171?1178.

[2]吕富勇，周瑞卿，阮世阳，等.高频磁场检测中采样保持器的设计及其性能分析[J].电子测量技术，2015，38（8）：13?16.

[3]郭静波，谭博，蔡雄.基于反相双峰指数模型的微弱瞬态极低频信号的估计与检测[J].仪器仪表学报，2015，36（8）：1682?1691.

[4]JAFARSA.Interferencealignment：Anewlookatsignaldimensionsinacommunicationnetwork[J].Foundationsandtrendsincommunicationsandinformationtheory，2011，7（1）：129?134.

[5]GOMA/DAMK，CA/DAMBEVR，JAFARSA.Adistributednumericalapproachtointerferencealignmentandapplicationstowirelessinterferencenetworks[J].IEEEtransactionsoninformationtheory，2011，57（6）：3309?3322.

[6]PATCHARAMANEEPAKRONP，ARMOURS，DOUFEXIA.Coordinatedbeamformingschemesbasedonmodifiedsignal?to?leakage?plus?noiseratioprecodingdesigns[J].IETcommunications，2015，9（4）：558?567.

[7]KALEVAJ，TOLLIA，JUNTTIM.Weightedsumratemaximizationforinterferingbroadcastchannelviasuccessiveconvexapproximation[C]//ProceedingsofIEEEGlobalCommunicationsConference.Anaheim，USA：IEEE，2012：3838?3843.

[8]LIUH，DINGZG，FANPZ，etal.Precodingdesignforinterferencesuppressioninmulti?cellmulti?usernetworks[J].IETcommunications，2014，8（9）：1534?1540.

[9]RATHEESHM，DAVIDMJ.System?levelperformanceofinterferencealignment[J].IEEEtransactionsonwirelesscommunications，2015，14（2）：1060?1070.

计算机视觉设计篇2

关键词：单目;视觉里程计;SURF算法;卡尔曼滤波

中图分类号：G642.0文献标志码：A文章编号：1674-9324（2016）43-0257-03

移动机器人的自主定位导航是机器人运动的前提之一，随着计算机技术和图像处理技术的发展，利用机器视觉进行导航逐渐成为热点之一[1]。视觉里程计（VO）通过轨迹推算，累加运动矢量，得出当前位置的相对定位，从而帮助机器人感知周围环境和自由移动。对比双目里程计，单目里程计仅使用单个相机作为图像获取载体，使获得信息的要求更低，实时性好，成本也更少，因此具有更广的应用前景[2]。本研究课题引入机器学习算法，对传统单目视觉里程计进行改良，提出了一种新的解决方案，优化单目视觉里程计，对后期的工程应用有一定的实践意义。

一、设计单目视觉里程计系统模型

单目视觉里程计模型设计分为：硬件设计和软件设计。硬件设计就是安装在机器上带有调节机构的单个相机。软件模型设计包括：图像的采集和预处理、目标的选取特征与运动估计等模块，其软件设计工作流程如图1所示：

图1中，在采集到图像后，要进行滤波、图像矫正、标定参数等预处理，相机参数标定获得的参数能将现实三维与相机二维图像联系起来，是单目里程计能否准确定位的关键[3]，本课题采用张友正的棋盘标定法，较其他算法实现起来更简单，准确度较高。

图片在成像过程中会出现畸变、失真等情况，可以采用灰度插值法或双线条插值法进行矫正，以起到减小里程计误差的作用。由于估算图像特征的运动参数是估算相机运动的关键，因此特征的选取显得尤为重要。选择具体的物体作为特征，在复杂的外部环境中是不现实的，所以，应该尽可能的选择简单，明显的点线面、角点、特定区域作为特征。在计算图像特征运动时，需要检测出两幅连续的图像中对应的特征点，然后找出所有特征点之间的对应关系进行匹配[4]。常用的特征点提取算法有Harris角点检测算法，SUSA（smallestunivalvesegmentassimilatingnucleus）角点检测算法，SIFT，SURF，FAST角点算法等。Harris算法定义局部领域内极大兴趣值对应的像素点为检测的特征点，并不如SURF（SpeededUpRobustFeatures）算法选取的特征点明显[5]，所以相较于两者SURF更适合于本课题的研究，SURF基于积分图像提取特征点，通过Haar小波滤波器描述特征点，是一种集特征提取和描述于一体的算法，其抗干扰能力强，运算量低于SIFT算法，运算速度却更快，并且结合了SIFT算法的许多优点，因此本文选用SURF算法进行特征提取和匹配。由于SURF算法具有平移、旋转时尺寸不变的优势，因此所检测出的特征无论在哪个角度都是同一个特征，首先给特征点确定一个主方向，以特征点为原点，建立二维直角坐标系，获得一个64维特征向量r来描述特征点。之后SURF对特征点的匹配就可分为两步：第一步，快速索引进行初步匹配，但是会存在较大的误差，第二步进行最近邻匹配算法运算，若最近邻欧氏距离与次近邻欧式距离的比值在一定阈值范围内，则认为特征点匹配正确，反之则是匹配错误[6]，能快速有效的剔除错误的匹配点。SURF算法的流程图如图2所示：

SURF最近邻欧式距离算法如式1所示：

dis（j）=（dis（rr））（式1）

SURF次近邻欧氏距离算法如式2、式3所示：

dis（j）=（dis（rr））（式2）

R=（式3）

式（1）中，dis（j）――两个特征点间的最近邻欧氏距离，r中第j个向量与r中第i个向量的欧式距离最小;

式（2）中，dis（j）――两个特征点间的次近邻欧氏距离，r中第j个向量（除第j个向量外）与r中第i个向量的欧式距离最小;

式（3）中，R为最近邻欧氏距离与次近邻欧氏距离之比。设阈值为R，当R≤R时，特征向量匹配成功，反之则失败。

二、单目视觉里程计目标定位：

在设计完单目视觉里程计的模型后，进行计算，得出现实中的点的三维坐标;首先先确立相机的位置关系，就是在本质矩阵E（一个有5个自由度，秩为2的三阶矩阵）中分解出旋转矩阵R和平移向量T，可以由E=UDV，计算出R=UGV，其中G=，

Z=。而得到的平移向量T是一个比例值，只能根据现实数据计算出，因此平移向量还是一个未知数。在现实相机标定时可直接选用张友正的棋盘标定算法，使用ROS下的标定库，通过camera_calibration直接标定插入电脑的相机，当拍摄照片达到一定量之后，标定程序会自动开始计算各种参数，我们只需要选定焦距值，图像尺寸大小，主点坐标（u，v）。知道两张相片的坐标分别为A=（x，y，z），A=（x，y，z），可以通过数学计算来获取目标的三维坐标，由先前得到的相机坐标位置关系可得式4：

A=RA+T（式4）

由于（u，v）和（u，v），R，T均可得出所以可以求出x，y如式5所示：

x=y=（式5）

z和平移系数可由最小二乘法得出。算出结果后我们可以的得出A=（x，y，z）为当前相机坐标系下算出的目标点的三维坐标，因此目标点被定位成功。

三、基于机器学习算法的Kalman滤波改良设计

卡尔曼滤波器（KalmanFiltering）是一种软件滤波方式，以最小方差估计为算法基础，通过状态方程来描述被估计量的动态变化过程，利用相机上一时刻的状态和当前时刻传感器的测量值来估计当前的状态值[7]。基本卡尔滤波器算法，适用于解决随机线性离散系统的参数估计问题，卡尔曼滤波器在滤波过程中不需要存储历史数据，有效地减少了计算量，大大节省了运算时间。但是基本卡尔曼滤波器会因为实际噪声和其使用的噪声不相符，而导致滤波运算精度低，甚至会出现滤波器发散的现象。为了直观地理解卡尔曼滤波器的应用，可给出其运行流程图如图3所示：

研究者们曾提出自适应卡尔曼滤波器（AKF）来克服这一缺点，其中Sage-Husa自适应滤波器算法因为原理简单，实时性好，受到广泛的关注，但存在着时间窗口难以设置的问题，时间窗口是指测量数据选取的时间长度，若设得过大，算法效率会变得很低，动态性能也变差;若过小，算法中用到的数据就显得过少，估算出的当前相机状态值会发生偏差。所以本文介绍了一种基于机器学习算法SVM（支持向量机）的自适应卡尔曼滤波设计方法。支持向量机（SVM）是一种将结构风险最小化的机器学习算法[8]，在解决非线性问题领域有着极大的优势，恰好在基于SVM的新型自适应卡尔曼滤波算法中，正是运用SVM的回归预测分析（SVR），将原本复杂的非线性问题通过构造线性函数转化成线性问题，进而动态的调节卡尔曼滤波器算法中的噪声矩阵参数。巧妙地避开了选取时间窗口的难题，并且这一新型的算法增加了单目里程计的稳定性和准确性。

四、提高单目里程计算法的研究

如何提高单目里程计算法，可以从三个角度进行分析：鲁棒性、实时性和精确度。

1.提高系统的鲁棒性。鲁棒性可以是指，控制系统在参数摄动情况下保持系统某个性能指标保持不变，即抗干扰能力。在视觉里程计中，局部视觉特征能有效的提高系统的鲁棒性，局部视觉特征有尺寸不变特性，并且对复杂的外部环境有很好的检测能力，适用于室外等复杂场地，若与GPS等设备结合使用，实现多传感器信息融合。

2.提高系统的实时性。在特征检测和匹配时，选取有效的少量特征进行检测和匹配，并运用好的数据加以描述，能有效的提高系统的实时性，简而言之，特征的选取要易跟踪，匹配算法要高效可行。可以从两个角度提高算法的实时性：数据处理并行优化和数据降维。数据降维能高效利用有限的计算能力，主成分分析PCA（Principlecomponentanalysis）方式已有效的运用于SIFT数据降维中，可以在大大降低计算量的情况下，达到了相同的特征匹配效果。

3.提高系统的精确度。视觉里程计是一个数据迭代累加的过程，但在迭代累加过程中，都会存在误差的累积，如何有效地减少误差的累加，就成了视觉里程计特高精确度的关键。减少误差的累加，应该从选取特征点这一源头开始。由此特征的选取，检测和匹配都要选择合适的方式[9]。特征点的选取应尽量选择静止物体的显著特征，减少特征带来误差和大量的无用外点。运用图的最大团内点检测方法对错误匹配有很强的制约能力。

视觉里程计作为移动机器人自主导航的重要组成部分，已成功运用于海陆空及宇宙探索中，本文主要研究了一种基于机器学习算法的单目里程计算法，仅使用一个摄像机，在不借助于其他传感设备的帮助下，实现机器的自主定位。本课题引入SURF算法对目标进行特征匹配，提高了系统的鲁棒性，同时较SIFT算法提高了运算速度。利用机器学习改善传统的卡曼滤波，有效的抑制了噪声发散。通过上述改善，本课题所研究设计的单目里程计在鲁棒性、实时性和精准性上有了一定的提高。

参考文献：

[1]姜国权，何晓兰，杜尚丰，柯杏.机器视觉在农业机器人自主导航系统中的研究进展[J].农机化研究，2008，（3）：9-11.

[2]罗堪.基于复眼模型的视觉里程计方法研究[D].湖南大学，2014.

[3]刘晓利，田媛，童飞，唐舰，隋国荣，陈抱雪.双目立体视觉的光学标定技术[J]光学仪器，2013，（3）：11-15.

[4]苏宇，郭宝龙.一种基于曲率尺度空间的图像拼接算法[J].计算机工程与应用2008，（1）：39-41.

[5]相阳.基于点特征的图像配准技术研究[D].东北大学，2010.

[6]白廷柱，侯喜报.基于SIFT算子的图像匹配算法研究[J].北京理工大学学报，2013，（6）：622-627.

[7]戴洪德，陈明，周绍磊，李娟，彭贤.基于支持向量机的自适应卡尔曼滤波技术研究[J].控制与决策，2008，（8）：949-952.

[8]张泼簦汪艳，郭天太，洪博，刘焱煜.支持向量回归机的参数择优算法[J].中国科技信息，2015，（13）：26-27.

[9]李宇波，朱效洲，卢惠民，张辉.视觉里程计技术综述[J].计算机应用研究，2012，（8）：2801-2805，2810.

AStudyonMonocularMileagebasedonMachineLearningAlgorithm

GUHai-yan2，CHENYing-jie1，DINGYao1

（1.NanjingUniversityJinlingCollege，Nanjing，Jiangsu210089，China;2.JiangsuPoliceInstitute，Nanjing，Jiangsu210000，China）

计算机视觉设计篇3

关键词：计算机视觉技术；食品工业；分级；图像处理

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%。MertensK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]BlascoJ，AleixosN，Moltoputervisiondetectionofpeeldefectsincitrusbymeansofaregionorientedsegmentationalgorithm[J].JournalofFoodEngineering，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]MertensK，DeKetelaereB，KamersB，etal.Dirtdetectiononbrowneggsbymeansofcolorcomputervision[J].PoultryScience，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]LawlessC，WilkinsonDJ，YoungA，etal.Colonyzer：automatedquantificationofmicro-organismgrowthcharacteristicsonsolidagar[J].BMCBioinformatics，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]BayraktarB，BanadaPP，HirlemanED，etal.Featureextractionfromlight-scatterpatternsofListeriacoloniesforidentificationandclassification[J].JournalofBiomedicalOptics，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.

计算机视觉设计篇4

由于人们对于信息的获得和感知绝大多数都是通过视觉，因此视觉传达是一项十分重要的信息传递方式。人们通过对文字、图像、色彩等基本元素的观察，来获取相关的信息。因此信息的发送者利用发送相关的文字、图像、数字、视频、摄影、模型等具体内容，向人们进行信息的传递。而视觉传达设计就是将以上这些内容进行修饰和美化，使其具有更高的艺术性和观赏性，让人们在观察这些内容的同时保持愉悦的享受，以便更好的获取信息。视觉传达设计涉及到很多的领域，例如街道上的广告牌、产品的包装盒、舞台效果的设计、网络媒体的宣传等。所包含的元素有字体、图形、色彩、标志、排版、印刷等。例如，在中央电视台播放的公益广告“FAMILY”当中，设计者将字母进行拟人化的设计处理，用这些字母来比喻家庭当中的爸爸、妈妈和孩子。利用时间的快速流逝，将父母变老、孩子长大的过程体现了出来。通过设计的动画内容，让人们看到了小时候孩子不懂事，经常顶撞父母，让父母伤心。而长大后明白了生活的责任，照顾父母并成为了父母的依靠。广告中对于字母的图形设计和动画的形象设计，起到了很好的视觉传达效果，给人们带来了极大的视觉冲击。通过对家庭内涵的诠释，激起了很多人对亲情的渴望和重视。而如果仅仅使用文字和图片，是无法达到这种效果的[2]。因此，视觉传达设计在信息传递当中具有很重要的意义。

2计算机图形图像设计和视觉传的设计的关系

2.1二者的共同点。从某种意义上来讲，计算机图形图像设计和视觉传达设计之间使相同的。二者在应用的过程中都会应用到色彩、绘画、平面设计等方面的技术。而二者不但具有十分相似的发展经历，其对于现代的设计风格和设计方式都是共通的。在美学赏析的角度，对于点、线、面、体、光、形等方面的排列原则也是相同的。在对于符号的创造和运用，也是基于相同的文化基础。

2.2二者的不同点。在某些方面，计算机图形图像设计和视觉传达设计又存在着很多的不同之处。具体可分为以下几个部分：（1）设计背景。计算机图形图像设计则是在上个世纪中后期，随着计算机技术和多媒体技术的不断发展，才逐渐开始兴起和推广，并且从二维领域向三维领域进行过渡。而设觉传达设计是在二战之后，利用绘画和广告的方式，逐渐得到发展，使沟通系统发生了改变。（2）设计目标。计算机图形图像设计的目的使将动态与静态进行有机的融合，形成相应的造型，同时实现对二维空间以及三维空间的塑造。而视觉传达设计则是为了增强目标形象的艺术感和美感，提高其欣赏价值，同时对媒体动态进行掌握。（3）设计原则。计算机图形图像设计使进行色彩与图形、动态与静态的有机融合，注重的是相关素材的开发和软件技术的应用。而视觉传达设计则是目标的形、意、像等元素进行转换，使其呈现在点、线、面、体之上，从而带来更好的视觉效果。（4）设计技术。计算机图形图像设计需要具备熟练的计算机操作技术和相关软件的实用技巧，包括制图软件、绘画软件、视频编辑、照排印刷等口技术。而设觉传达设计不但重视广告设计、包装设计等方面的技术，还对相关的理论知识非常重视。

3计算机图形图像设计和视觉传达设计的结合应用

3.1文字设计。在图形图像的设计中，文字设计是最为基本的应用。传统的文字设计中，很多制图软件和文字处理软件都能够实现对字体、字号、颜色、造型等简单的艺术处理[3]。而图形图像设计的应用，带来了不同的效果。通过专业的图形图像设计软件，可以使文字发生不同的变化，而不同的文字形象可以带来不同的视觉传达效果，以应对不同的需求。例如，一些商家在进行节日促销时所使用的文字宣传广告，可以体现出很强的节日气息，大大提高了广告的效果。

3.2包装设计。人们在商场或超市逛街购物的时候，能够吸引人们兴趣的主要是独特的包装设计。而这些包装的设计需要计算机图形图像设计和视觉传达设计的应用，才能达到更好的效果。包装是商品实现其价值和使用价值的重要渠道，要想吸引人们的注意，达到更好的视觉传达效果，就需要利用计算机图形图像设计对其进行改造，使其更具艺术性和视觉冲击力，进而提高人们对其的关注，以达到视觉传递信息的效果。

3.3插图绘画设计。在计算机图形图像设计的相关软件当中，通常都具有绘画和调色的功能。因此，很多设计师在进行插图绘画设计的时候，先利用铅笔绘制草稿，然后利用这些软件进行艺术设计和调色处理。此外，世界上很多像素画设计师也是利用计算机图形图像技术来进行创作，结合视觉传的设计的要点，创作出了很多优秀的绘画作品。

3.4界面设计。在很多计算机、平板电脑、手机等电子产品的应用界面当中，都运用到了计算机图形图像设计和视觉传达设计。这两项技术的结合应用，使得这些电子产品的界面具有很强的观赏性和艺术感。在保持原有功能和可操作性的基础上，体现出了更高的艺术品质，使人们在使用这些电子产品的同时，也能获得视觉上的享受。

4结束语

计算机视觉设计篇5

【关键词】计算机视觉图像处理技术

一、引言

随着计算机技术的不断发展，在20世纪60年底产生了计算机视觉学这一学科。计算机视觉是借助计算机以及各种设备，进行生物视觉模拟的一种技术。计算机视觉学的主要任务，是借助已掌握的图片、视频等资料，进行计算与处理，和人类及其他生物的视觉过程一样，

得到相应形式的三维数据信息。计算机视觉学的发展，在工业、农业的生产中，地质勘探、天文、医学观察等领域也有着重要的应用价值。因此，视觉学的研究和应用转化受到了越来越多的重视。

二、计算机视觉学的图像分割研究

（一）数据驱动的分割研究

在计算机视觉学应用过程中，经常进行的数据驱动分割有下面几项内容：第一种是边缘检测的分割、第二种是区域分割、第三种是边缘和区域相互结合的分割。第一种基于边缘检测的分割，这种分割的基本方法：首先对检测图像的边缘点进行检测，然后根据一定的法则进行轮廓的连接，获得分割的区域。基于边缘检测的分割其难点是边缘检测时如何处理好抗噪声性能、检测的精度之间的矛盾。所以，在研究的过程中，提出了多种多尺度边缘检测的方法，按照实际问题进行多尺度边缘信息设计等方案，以获得更为合适的抗噪性能和检测的精度。第二种基于区域的分割，它的基本思想是按照图像数据的特点，将整个图像的空间划分成为几个不同的区域进行图像处理。

（二）计算机视觉学模型驱动的分割

经常使用的模型驱动分割有下面三种，第一种模型是基于动态轮廓的模型、第二种模型是组合优化模型、第三种模型是目标几何与统计模型。第一种是基于动态轮廓的模型用在进行分割目标的动态轮廓，因为其能量函数使用的是积分运算，有着很好的抗噪性能，对于目标的局部模糊也不敏感，所以其适用性很广。但这种分割方法容易收敛到局部最优，因此要求初始轮廓应尽可能靠近真实轮廓。通过组合优化的方法进行分割问题的处理，是使用一目标函数综合表示分割的相关要求以及约束，把分割变为目标函数的优化求解。因为目标函数多数情况下作为多变量函数存在的，因此可以通过使用随机优化的方法来实现。

（三）计算机视觉学图像分割的半自动方法

通过对人工参与程度的分，我们可以得出图像分割，主要有三种类型即：人工图像分割、半自动图像分割、自动图像分割等。人工图像分割指的是操作者使用鼠标，将分割区域的轮廓进行勾画的方法，人工图像分割的缺点是费时费力，而且很容易就会受到一些主观因素的影响，并且人工图像分割的可重复性较差。自动图像分割不需要借助人机交互就能完成，但是也很难实现同一批图像处理的满意分割效果。半自动分割这种形式指的是将人机交互同自动分割结合在一起，半自动分割可以实现对不同图像与处理需求的适应，并且可以大大降低计算过程的复杂性。在计算机技术不断发展的背景下，计算速度和容量有了大幅度的提升，计算机图像处理及视觉应用取得了丰硕的成果。

三、计算机视觉技术的分析

（一）以模型为研究对象的处理方法

在以模型世界作为研究对象的视觉学研究过程中，以Roberts的开创性工作作为一种标志，在他的工作过程中，引进了三维物体与二维物体成像的关系，使用较为简单的边缘特征提取、组合线段等手段和方法。他对三维关系的分析只是按照简单的边缘线段的约束关系，缺乏对人类或其他动物视觉系统感知三维空间关系的充分考虑。但是早期的这些研究工作，对计算机视觉学的研究和发展发挥了良好的促进意义，但是对于较为复杂的景物就不能够奏效。

（二）以计算理论为主体的视觉模型

随着计算机视觉研究的不断深入，在二十世纪七十年代，计算机视觉技术的研究，开始向着更为理性的阶段发展，主要表现在：不同本征特性的恢复，恢复的内容有三维形状恢复、运动恢复、光源恢复等等。研究的出发点是光学、生理学以及射影几何的视角出发，对成像及其逆等问题进行研究。在这个过程中，一些学者提出了以表示作为核心、通过算法作为中间转换过程的视觉处理模型，例如：著名的计算机视觉学研究者Marr就提出了这些观点，在他的理论里面，对表示的重要意义进行强调，并且从不同层面上对信息处理问题进行了研究。

（三）计算机视觉的应用研究

在现实生活和生产的过程中，计算机视觉主要应用在照片资料、视频资料处理上，例如：航空照片的处理、卫星照片的编译、医学领域的辅诊断、移动机器人视觉导航等等。其中，工业机器人手眼系统的研发，成为计算机视觉应用最具代表性的成果之一。因为工业生产、施工等现场等因素具有一定的复杂性，这种环境下的光照、成像特点等等可以控制，这就使得计算机视觉的应用更为简单，对于系统的实际构成有着很好的作用。移动机器人与工业机器人不同之处就是移动机器人具有一定的行为能力，这就需要研究者解决机器人的行为规划问题。在移动机器人种类、智能化水平不断提升的背景下，对视觉能力的要求也越来越高，这也使得计算机视觉有了更为广阔的应用前景。

四、结语

综上所述，计算机视觉学作为人类科技发展和社会进步的一种学科体现，在前进和发展的过程中，通过研究者和应用者的不断总结和探究，取得了丰硕的成果。在未来视觉技术发展的道路上，仍然有大量的工作需要进行研究。

参考文献：

[1]韩祥波，刘战丽.计算机图像处理技术在农产品检测分级中的应用[J].安徽农业科学，2013，（34）

[2]赵萍，李永奎，林静，白雪卫.数字图像处理技术在农产品方面的应用[J].农机化研究，2012，（11）

计算机视觉设计篇6

考生号

姓名

专业

16342813910007

白君君

汉语言文学

16343845910433

曹鸿宇

汉语言文学

16341061910656

曹涌泉

汉语言文学

16344273910099

陈雨亭

汉语言文学

16342073910509

楚青楠

汉语言文学

16341305910517

丁兰兰

汉语言文学

16341305910327

丁亚茹

汉语言文学

16341305910337

洪晨菲

汉语言文学

16340959910021

胡田野

汉语言文学

16342814910075

黄旭东

汉语言文学

16341305910290

季成

汉语言文学

16341305910301

李梦真

汉语言文学

16340377910143

刘芳

汉语言文学

16341305910044

刘京晶

汉语言文学

16341305910364

吕慧慧

汉语言文学

16341305910512

毛禹哲

汉语言文学

16341305910029

梅陈福

汉语言文学

16343846910180

明瑞雯

汉语言文学

16341305910560

尚梦园

汉语言文学

16343760910116

邵冠男

汉语言文学

16343760910256

沈爱玲

汉语言文学

16341305910047

孙丹阳

汉语言文学

16341305910334

童慧娟

汉语言文学

16341305910363

王娇娇

汉语言文学

16341305910408

王敬勋

汉语言文学

16341305910046

王倩

汉语言文学

16342219910199

王思红

汉语言文学

16343849910019

王悠然

汉语言文学

16341305910519

魏娟

汉语言文学

16341305910031

翁路

汉语言文学

16341305910166

夏菁

汉语言文学

16341305910394

殷涛涛

汉语言文学

16341305910042

殷星

汉语言文学

16343760910242

詹诗雯

汉语言文学

16340869910003

张猛

汉语言文学

16342334910224

赵飞飞

汉语言文学

16344273910075

钟雨彤

汉语言文学

16343849910114

周继洋

汉语言文学

16341305910001

周曼宁

汉语言文学

16343760910062

朱玲珊

汉语言文学

16343339910104

曹广政

机械设计制造及其自动化

16342816910260

陈建奇

机械设计制造及其自动化

16342073910268

陈文

机械设计制造及其自动化

16342217910216

陈文杰

机械设计制造及其自动化

16341305910388

程锦

机械设计制造及其自动化

16343339910002

程闪

机械设计制造及其自动化

16343339910052

程闪闪

机械设计制造及其自动化

16343339910046

崔威

机械设计制造及其自动化

16342816910238

丁睿

机械设计制造及其自动化

16342073910366

方德祥

机械设计制造及其自动化

16342073910279

何加劲

机械设计制造及其自动化

16341305910632

胡峰豪

机械设计制造及其自动化

16343337910027

黄炜田

机械设计制造及其自动化

16341305910606

黄小芮

机械设计制造及其自动化

16343340910298

李鑫

机械设计制造及其自动化

16343339910086

刘国

机械设计制造及其自动化

16343339910216

刘申

机械设计制造及其自动化

16341061910230

罗兵兵

机械设计制造及其自动化

16343344910087

倪玮奇

机械设计制造及其自动化

16343339910239

潘吴建

机械设计制造及其自动化

16340869910173

任成

机械设计制造及其自动化

16343339910087

施龙胜

机械设计制造及其自动化

16341305910222

宋和义

机械设计制造及其自动化

16343339910273

汤超

机械设计制造及其自动化

16344132910158

王兵

机械设计制造及其自动化

16340869910341

王震

机械设计制造及其自动化

16342816910013

温博伦

机械设计制造及其自动化

16341306910012

吴涛

机械设计制造及其自动化

16340959910071

武子磊

机械设计制造及其自动化

16341305910597

徐朝祥

机械设计制造及其自动化

16340959910129

徐永铭

机械设计制造及其自动化

16341061910202

薛琪琪

机械设计制造及其自动化

16343339910003

杨冯奇

机械设计制造及其自动化

16341305910386

杨燕

机械设计制造及其自动化

16342816910237

袁庆

机械设计制造及其自动化

16344192910053

翟小敏

机械设计制造及其自动化

16343060910050

张衡

机械设计制造及其自动化

16343344910088

张世杰

机械设计制造及其自动化

16341305910160

张鑫

机械设计制造及其自动化

16341305910389

张严芬

机械设计制造及其自动化

16340869910141

张种种

机械设计制造及其自动化

16341061910198

周培月

机械设计制造及其自动化

16343343910030

周文

机械设计制造及其自动化

16340869910385

周祥锁

机械设计制造及其自动化

16342220910076

朱纪铭

机械设计制造及其自动化

16341305910192

曹琴

计算机科学与技术

16342072910073

丁云

计算机科学与技术

16340959910154

方洁

计算机科学与技术

16341305910199

付梅雪

计算机科学与技术

16341305910193

高萍

计算机科学与技术

16342073910218

何凯

计算机科学与技术

16341305910178

黄影

计算机科学与技术

16342815910031

李国豪

计算机科学与技术

16341305910126

李妍

计算机科学与技术

16341305910009

廖芳芳

计算机科学与技术

16341305910116

刘阳

计算机科学与技术

16341305910189

卢慧芳

计算机科学与技术

16341305910225

罗迅

计算机科学与技术

16343846910001

裴健

计算机科学与技术

16343340910250

钱新胜

计算机科学与技术

16341305910638

桑雪纯

计算机科学与技术

16341061910626

孙良军

计算机科学与技术

16342816910049

孙锐

计算机科学与技术

16341061910154

檀基亮

计算机科学与技术

16341305910503

万莹

计算机科学与技术

16342072910376

汪磊

计算机科学与技术

16343340910063

王可

计算机科学与技术

16340959910153

王丽

计算机科学与技术

16341061910137

王相茜

计算机科学与技术

16340581910081

王鑫鑫

计算机科学与技术

16341305910163

王盈雪

计算机科学与技术

16342072910320

翁琳

计算机科学与技术

16341061910026

吴连伟

计算机科学与技术

16341305910183

伍梦婷

计算机科学与技术

16341305910138

伍雪婷

计算机科学与技术

16341305910379

相可宏

计算机科学与技术

16341305910397

尤禹诺

计算机科学与技术

16341061910002

余成林

计算机科学与技术

16341305910137

俞娟

计算机科学与技术

16341305910197

张基喜

计算机科学与技术

16341305910644

张润发

计算机科学与技术

16340869910009

张炀炀

计算机科学与技术

16340963910045

张振宇

计算机科学与技术

16343340910194

钟云云

计算机科学与技术

16343845910501

周沫

计算机科学与技术

16341305910374

曹苗苗

食品科学与工程

16343059910132

曹宇捷

食品科学与工程

16341305910446

陈剑

食品科学与工程

16341305910534

丁琳

食品科学与工程

16341305910240

丁娜

食品科学与工程

16341305910433

高必红

食品科学与工程

16340869910409

桂露

食品科学与工程

16341305910299

郭真真

食品科学与工程

16341305910136

胡田

食品科学与工程

16341305910065

季金今

食品科学与工程

16341305910060

李锦绣

食品科学与工程

16340869910443

李明珠

食品科学与工程

16341305910134

李斯宇

食品科学与工程

16341305910576

李婷婷

食品科学与工程

16343345910049

李越

食品科学与工程

16341305910297

凌瑜

食品科学与工程

16341305910432

刘梦珠

食品科学与工程

16341305910589

龙莲莲

食品科学与工程

16342926910080

陆冉冉

食品科学与工程

16341305910174

沈晨

食品科学与工程

16341305910004

石慧

食品科学与工程

16341305910187

孙童童

食品科学与工程

16341305910008

孙小婷

食品科学与工程

16341305910053

孙秀权

食品科学与工程

16342216910174

唐梦婷

食品科学与工程

16342216910348

汪苗苗

食品科学与工程

16341305910014

王素华

食品科学与工程

16340869910410

夏真茹

食品科学与工程

16341305910488

徐芳

食品科学与工程

16341305910361

徐齐齐

食品科学与工程

16341305910007

许明明

食品科学与工程

16343338910206

杨梦琳

食品科学与工程

16341305910062

杨雪

食品科学与工程

16341305910061

杨珍

食品科学与工程

16341305910173

姚倩

食品科学与工程

16342813910031

叶婷

食品科学与工程

16341305910054

余琴琴

食品科学与工程

16341305910068

张钰

食品科学与工程

16341305910447

赵雨繁

食品科学与工程

16341305910592

卓章林

食品科学与工程

16344058910076

蔡雨

市场营销

16343340910344

陈慧敏

市场营销

16342220910120

段平

市场营销

16342072910552

范震俊

市场营销

16343760910020

宫丽丽

市场营销

16340379910018

哈传威

市场营销

16343340910007

韩镇

市场营销

16343065910456

何甜甜

市场营销

16341305910260

黄孟茹

市场营销

16343845910543

焦文靓

市场营销

16341305910448

康辉

市场营销

16342072910505

梁晓彤

市场营销

16342334910143

刘菊

市场营销

16341308910092

刘梦羽

市场营销

16342072910392

卢星星

市场营销

16340963910054

路畅

市场营销

16343845910563

吕蒙

市场营销

16344058910056

吕雪松

市场营销

16342334910296

闵曼曼

市场营销

16343340910041

潘珊

市场营销

16342072910379

齐奥丽

市场营销

16341308910018

任龙飞

市场营销

16341305910346

施婕

市场营销

16342925910099

司博文

市场营销

16343846910206

宋梦瑶

市场营销

16343339910094

孙丹

市场营销

16341305910581

王静

市场营销

16343062910231

王珊

市场营销

16342219910130

王圣涛

市场营销

16341305910154

王戌秋

市场营销

16343851910076

吴芳慧

市场营销

16341305910211

吴丽

市场营销

16340581910170

熊星

市场营销

16342219910106

徐菊

市场营销

16340869910152

徐敏

市场营销

16340959910020

徐颖

市场营销

16341305910344

许瑶瑶

市场营销

16342216910210

殷平

市场营销

16342073910200

虞银婵

市场营销

16341305910437

张帆

市场营销

16341305910281

张思佳

市场营销

16341308910022

张晓晨

市场营销

16343340910157

张艳红

市场营销

16342072910489

朱凤侠

市场营销

16343845910782

朱露璐

市场营销

16343058910045

安传娟

视觉传达设计

16343340910316

蔡维珍

视觉传达设计

16343058910109

陈海

视觉传达设计

16340869910225

陈梦

视觉传达设计

16342216910075

陈银平

视觉传达设计

16340869910382

丁俊囡

视觉传达设计

16340869910041

韩璐

视觉传达设计

16343341910028

何丹娜

视觉传达设计

16343760910277

刘念心

视觉传达设计

16343845910724

马云清

视觉传达设计

16343341910042

屈秋晨

视觉传达设计

16342926910083

桑帅

视觉传达设计

16343340910320

尚晓伟

视觉传达设计

16340869910516

汪佩

视觉传达设计

16342814910014

汪其伟

视觉传达设计

16343345910033

王欢

视觉传达设计

16343760910383

王雪沁

视觉传达设计

16343339910182

王宇辰

视觉传达设计

16344273910145

王子薇

视觉传达设计

16344273910067

翁喆

视觉传达设计

16343346910011

吴昕然

视觉传达设计

16343338910135

夏媛

视觉传达设计

16340581910012

谢梦怡

视觉传达设计

16343760910386

徐畅

视觉传达设计

16343760910264

杨建姗

视觉传达设计

16342072910137

杨君

视觉传达设计

16340959910048

杨梦蝶

视觉传达设计

16343340910185

尹小云

视觉传达设计

16342814910072

张娜

视觉传达设计

16341305910663

郑礼君

视觉传达设计

16343760910200

程路遥

数学与应用数学

16341305910582

程青青

数学与应用数学

16341305910219

单诗雨

数学与应用数学

16343760910225

刁静

数学与应用数学

16341305910524

董玉廷

数学与应用数学

16342926910112

段钰莹

数学与应用数学

16341305910501

黄龙姣

数学与应用数学

16341305910660

金晓敏

数学与应用数学

16343760910198

琚小群

数学与应用数学

16343760910101

李春平

数学与应用数学

16341305910200

李翠芳

数学与应用数学

16341305910583

李会娟

数学与应用数学

16341305910554

刘梦

数学与应用数学

16343760910205

刘西云

数学与应用数学

16341305910151

蒲瑞思

数学与应用数学

16341305910319

石婷

数学与应用数学

16341305910391

宋曼丽

数学与应用数学

16341305910611

孙畅

数学与应用数学

16342073910378

孙康

数学与应用数学

16341305910533

孙秀秀

数学与应用数学

16341305910258

王甫

数学与应用数学

16341305910234

王吉祥

数学与应用数学

16341305910205

王婉军

数学与应用数学

16341305910555

王雅欣

数学与应用数学

16342073910164

吴伟煌

数学与应用数学

16343760910220

徐明月

数学与应用数学

16341305910215

许燕

数学与应用数学

16343849910201

叶晚霞

数学与应用数学

16341305910393

余成刚

数学与应用数学

16341305910048

袁凡

数学与应用数学

16341305910557

张蕾

数学与应用数学

16343760910221

张玲玲