关键词： MATLAB图像处理   卷烟生产   烟支刺破缺陷   缺陷识别  

摘要： 在卷烟生产过程中，由于生产过程控制、设备磨损、烟丝质量等因素，烟支极易产生刺破缺陷，对烟支刺破缺陷进行识别非常重要。本文利用MATLAB图像处理技术对采集的烟支刺破缺陷图像进行缺陷识别。首先进行灰度化、滤波、增强等预处理，然后对预处理后的缺陷图像进行二值化分割，再去除小面积的二值化区域，实现烟支刺破缺陷区域的定位，接着，使用形态学孔洞填充方法填充刺破缺陷，并将填充前后的图像进行差分运算，最后再用边缘检测对刺破缺陷进行边缘标记，从而识别出烟支刺破缺陷。通过对多种烟支刺破缺陷样本进行缺陷识别验证，结果表明，该方法能较好地识别出烟支烟棒不同位置轻微和严重的刺破缺陷，具有一定的实际应用价值。

关键词： 原子力显微镜   形态分析   快速扫描   图像处理   深度学习  

摘要： 原子力显微镜(Atomic Force Microscopy,AFM)是一种扫描探针显微镜,相较于其他显微技术,AFM不仅具有原子级分辨率和三维成像能力,同时对工作环境和样品导电性没有苛刻的要求,因此在生物医学和纳米材料等领域得到了广泛的应用。基于AFM的形态分析是指对被测样品形状、尺寸、分布等参数的测量和分析,在表征样品特性方面起着非常重要的作用。使用AFM对被测样品进行形态分析的流程主要包括AFM扫描成像、图像预处理、目标分割和形态分析这几个步骤。其中,AFM扫描成像是后续流程得以顺利开展的前提和基础。但是受制于AFM特殊的成像机制,获得一幅高质量图像往往非常耗时,限制了基于AFM快速形态分析的实现。另一方面,受垂直漂移、虚假斜坡等因素的影响,获得的AFM图像往往会不可避免地出现畸变和伪影,影响AFM成像精度以及后续处理流程。最后,目标分割的精度对形态学分析有着重要的影响,不精确的分割结果可能会导致完全相反的结论。目前的AFM图像分割方法基本还停留在传统阶段,鲁棒性差、往往需要大量调参并且难以实现精确分割。 因此,本论文围绕被测样品形态分析这一主题,针对流程中每个环节存在的关键问题和难点,并考虑已有方法存在的不足,分别设计了快速扫描算法、图像畸变校正算法、图像分割算法,解决了流程中每个环节存在的问题,实现了基于AFM图像的自动化形态学分析。具体内容如下: (1)基于平滑轨迹设计的AFM水平快速扫描算法(该部分属于形态分析流程中的AFM扫描成像环节)。扫描成像是基于AFM形态分析流程的前提和基础,而商用AFM大多采用光栅扫描方式,扫描速度慢且快速扫描容易引入畸变和伪影,限制了快速形态分析的实现。针对这个问题,本文设计了一种基于平滑轨迹设计的快速扫描算法,在保持采样数据均匀性的同时弥补了传统光栅扫描轨迹的不足。具体来说,保持光栅轨迹前向信号不变,将反向信号用一段正弦信号代替,并通过位置约束和速度约束,保证了正反向信号的连续性和平滑性。通过这种方式,不仅可以方便地直接利用前向扫描过程中采集的高度数据来重构样品形貌图,还能较好地抑制高速扫描过程中压电扫描器的振动问题,提升了AFM的成像速度。仿真和实验结果验证了所提方法的有效性。 (2)基于鲁棒性线拟合的AFM图像竖直畸变校正算法(该部分属于形态分析流程中的图像预处理环节)。虽然采用平滑扫描算法能够较好地抑制x-y方向压电扫描器的共振现象,但是z轴(竖直)方向的垂直漂移和虚假斜坡等因素仍然会引入畸变和伪影,影响AFM的成像质量,从而影响形态分析后续流程的顺利开展。针对这个问题,本文设计了一种具有鲁棒性的AFM图像畸变校正算法,该算法包括数据预处理和线拟合两个步骤,首先通过AFM扫描过程中获得的激光光斑电压误差信号对样品的形貌高度数据进行预处理,获得适合于线拟合的精细数据;然后通过基于改进的稀疏采样一致性的线拟合算法,准确模拟形貌图像截面中的垂直漂移和虚假斜坡,从而实现对图像畸变的有效校正。实验结果验证了所提方法的有效性。 (3)基于U型网络的AFM自动化形态分析算法(该部分属于形态分析流程中的目标分割和形态分析环节)。基于AFM形态分析流程的关键是准确地把目标区域从复杂背景中分割出来,但是手工分割以及一些常见的自动化分割方法(阈值法、分水岭算法等)均不能很好地胜任该任务。基于上述分析,并考虑到现有方法自动化程度较低的问题,本文设计了一种基于U型网络的AFM自动化形态分析算法,能够实现对样品目标区域的精确分割和形态学参数表征。该算法的核心是一个改进的U型网络,通过引入集中信息交互策略,实现了不同特征层级之间的多尺度信息交互,从根本上避免了空间插值带来的负面影响;另一方面,通过引入全局信息流将高级语义信息引导到自顶向下通路的每一个层级中,确保高级语义信息在向下传输过程中不被稀释,实现对目标区域的精确定位。此外,本文构建了一个包含500张AFM图像及其对应标签的数据集,能够实现对所提网络的训练和测试,同时能够促进其他基于数据驱动的AFM智能算法的发展和应用。通过两组图像分割对比实验,验证了所提算法的分割性能。在此基础上,本文还开展了自动化形态学测量应用实验,实现了对不同样品形态特征参数的准确自动测量,进一步验证了所提算法的有效性。

关键词： X波段导航雷达   噪声干扰   图像处理   海浪参数反演  

摘要： X波段导航雷达具有分辨率高、衰减程度小,探测范围广等优点,可用于进行海浪参数的反演工作。采用传统谱参数方法使用X波段导航雷达进行海浪参数反演存在着经验参数获取困难、海浪参数反演精度低等问题。采用深度学习的方法对海浪参数已标记的X波段导航雷达回波图像进行学习,可以将传统不可见的因素深度挖掘,借助于数据分析和人工智能技术,从雷达回波图像数据库中挖掘海浪运动本身存在的规律,最终构建出海浪参数反演的深度神经网络模型。与传统反演方法相比,数据驱动的智能反演方法能够将此前忽略的诸多因素挖掘出来,使得以往不可见的重要因素和信息变得可见,有效弥补传统反演方法中的不确定性因素。然而,海浪参数标记的X波段导航雷达回波海表面图像存在获取成本高、高海况图像样本少、噪声干扰多等问题,导致海浪参数深度学习的效果不佳。因此本研究针对雷达回波海表面图像小样本深度学习的需求,开展X波段导航雷达回波海表面图像处理,通过消除噪声干扰和修复图像质量,获得高质量的雷达回波海表面图像,提升深度神经网络学习的准确性和泛化性,从而提高海浪参数反演结果的精度。研究内容包括: (1)根据雷达回波海表面图像成像原理,分析图像噪声的类型、成像特点及特征规律。基于同频噪声干扰存在射线状成像特点和强随机性特征规律,探究同频噪声干扰的识别方法和图像修复技术。分析雷达回波海表面图像像素点灰度值的直方图分布特征,开展X波段导航雷达回波海表面图像的质量评价方法研究。通过估值信噪比检验,设计的二层判定中值滤波方法能够有效识别和修复雷达回波海表面图像中的同频噪声干扰。 (2)基于目标物干扰存在高亮成像特点和亮度集中特征规律,开展目标物噪声干扰的识别方法。设计区域生长修复方法进行目标物识别和修复。通过识别准确率和估值信噪比检验,改进的区域生长修复法能够有效的识别目标物噪声干扰区域,并且通过对其精准修复提升了雷达海表面图像的质量。 (3)分析降雨对雷达回波海表面图像的影响机理,开展有雨和无雨情况下雷达回波海表面图像行向量之间的相关性差异分析,根据相关性结果对降雨噪声的干扰的程度进行识别;分析采集异常噪声干扰的特点,设计逐层校对法进行采集异常噪声干扰的识别。通过识别准确率检验,均值皮尔逊相关系数分析法和逐层校对分析法能够对降雨噪声干扰和采集异常噪声干扰进行高效率、高精度识别。 (4)基于Matlab平台开发雷达回波海表面图像的实时图像处理程序,采用开发的实时图像处理程序对雷达回波海表面图像进行处理并形成数据集,分别采用图像处理前后的数据集进行深度神经网络模型的训练,通过分析两组深度神经网络模型反演海浪参数的精度来验证图像处理方法极大地提升了深度学习的准确性。 (5)建立X波段雷达海浪实时测量系统,开展大连周边海域岸基的海浪参数测量试验。将建立的X波段雷达海浪实时测量系统与国际上先进的同类型设备进行试验对比,对比结果表明建立的X波段雷达海浪实时测量系统海浪参数的反演具有更高的精度。 本研究开展的图像处理方法能够对雷达海表面图像中的4类噪声干扰进行准确识别和精准修复。应用实时图像处理程序处理后的雷达回波海表面图像数据集进行训练的神经网络,其波浪高度反演结果平均误差降低至5.68%,均方根误差降低至0.17米,相对精度提升至93.1%,其波浪周期反演结果平均误差降低至2.53%,均方根误差降低至0.34秒,相对精度提升至90.9%。建立的X波段导航雷达测波系统测量得到的有效波高和波周期的相对精度分别为93.4%和87.0%。

关键词： 侧流免疫层析   图像分割   定量检测   智能手机应用程序  

摘要： 侧流免疫层析技术(Lateral Flow Immunochromatography Assay,LFIA)是一种被广泛应用的免疫分析技术。它利用特异性抗原-抗体反应,在试纸条上形成可见的信号线,从而实现目标物质的检测。该技术具有操作简单、灵敏度高、成本低、无需仪器等特点和优势,适用于多种领域,如医学、食品、环境等。随着我国人民生活水平的不断提高,对疾病检测和筛查的需求也日益增加,但如何实现低成本、快速、准确的现场检测仍然是医疗诊断领域的研究难点。因此,LFIA试纸条具有广阔的应用前景和市场潜力。然而,大部分LFIA试纸条只能进行定性或半定量的检测,并依赖于人工肉眼识别,不能满足定量的需求,这影响了试纸条的使用和推广。为了解决这个问题,将便携式检测仪器和智能手机应用程序(Application,App)结合起来,作为试纸条浓度的量化工具,成为了即时检测(Point of Care Testing,POCT)领域的研究热点。本文在前人研究的基础上对LFIA检测技术和图像处理算法进行了深入探索,并设计了一套基于智能手机App的LFIA试纸条智能定量检测系统,包含了硬件平台的搭建与算法的嵌入。本文的主要研究内容如下:a)介绍了 LFIA试纸条的研究背景、研究意义、结构组成及性质特点,并阐述了竞争法和夹心法两种工作模式各自的原理。概述了国内外LFIA检测技术以及定量检测仪器的研究进展与发展现状。b)针对试纸条定量过程中存在的复杂因素,分析并比较了几种现有的常用图像分割算法,结果验证这些算法在LFIA试纸条应用场景下表现并不佳。因此本文提出了 Mobile-UNet创新算法,专门针对试纸条分割定量场景进行了优化并最终采用此算法进行试纸条关键检测区域内控制线(C线)与检测线(T线)的提取。该算法主要包括图像预处理、图像分割定位、标准曲线拟合及稳定性实验。该算法能够有效地抵抗噪声干扰,对于低浓度试条图像能够较大程度地分割出其清晰轮廓,实验结果证明了其优良的分割性能。c)完成了 LFIA试纸条图像采集装置结构上的设计与搭建。该装置结构上采用环形白色发光二极管(Light-Emitting Diode,LED)作为照明光源,选用小型化、高性价比的互补金属氧化物半导体(Complementary Metal Oxide Semiconductor,CMOS)相机作为系统的图像传感器进行试纸条图像采集。该装置在保证图像质量和检测精度的同时,有效地缩小了体积,提高了便携性,大幅度降低了成本,适应了产品普及和远程医疗的需求。d)设计开发了 一款与图像采集装置和算法相配合的终端App,支持在iOS和Android手机上安装运行,实现人绒毛膜促性腺激素(Human Chorionic Gonadotropin,HCG)等生物标志物的快速检测和定量分析。以HCG为例进行加样检测表明,该App能够准确地测量加标尿液中的HCG含量(R2=0.978),显示出尿液中分析物浓度的真实水平,说明该App可以作为一种实时诊断的定量工具。图像处理算法、图像采集装置和手机App这三个组件的协同工作,可集成一个完整的、高效的LFIA试纸条定量检测系统。本文提出的检测系统已在杭州墨炬生物科技有限公司投入实际生产与应用,并已获准第一类医疗器械备案注册。该系统为LFIA试纸条的定量检测与疾病预判提供了新思路,有助于推动其在体外诊断(In Vitro Diagnosis,IVD)领域的广泛应用。

关键词： 机器学习   数字图像处理   图像识别   散射光分析   等离子纳米颗粒  

摘要： 局部表面等离子共振(LSPR)效应在纳米等离子体颗粒上引起的关注主要源于其在生物标志、成像和药物输送等领域展示的潜能。通过结合暗场显微镜技术,等离子体共振散射成像在分析检测和动态响应监控中显示出卓越的性能,为生物学、化学和光子学等领域的发展提供了广泛的可能性。但是在分析等离子体纳米单颗粒的成像分析中,该成像技术仍存在一定的局限性,如:在动态反应过程的检测中,等离子纳米单颗粒成像分析往往面临着置信度不高的挑战。这主要是因为成像结果的解读和分析在很大程度上依赖于研究者的经验,导致分析结果存在一定的随机性和主观性;在等离子纳米单颗粒散射信号微弱的情况下,信号的提取和解析变得异常困难,往往难以进行有效的分析,从而影响了结果的准确性和可靠性。 因此,为了解决等离子体纳米单颗粒散射成像的局限性问题,针对上述两个问题,本文提出了对应的机器学习与数字图像处理的算法,主要工作有以下三点: 1.针对单颗粒散射成像数据集匮乏的问题,本文构造等离子体纳米单颗粒数据集。建立等离子体纳米粒子数据集的过程开始于等离子体纳米粒子实验制备阶段,采用DFM成像技术收集必要数据。针对实验需求,不断优化数据采集系统及其过程,对收集的数据进行整理、分割和标记,创建了完整的等离子体纳米单颗粒数据集。这一数据集将为进一步的单粒子散射分析模型提供稳定的数据基础。 2.针对单颗粒选择存在随机性的问题,本文提出CGM(CAE-GMM-MDS)算法。本文使用所提出的机器学习算法来选择具有代表性和多样性的粒子。通过卷积神经网络自动编码器(CAE)自动有效地识别散射光并进行特征提取。并将基于池顺序主动学习的采样方法结合无监督学习来选择样本,本文使用高斯混合模型(GMM)对散射光的特征进行聚类并标记样本特征。最后,可以根据多维尺度(MDS)空间中每个簇与特征中心之间的距离来选择具有代表性和多样性的单颗粒。本文模型可以有效地识别单颗粒散射光,监测电流交换过程,从而对反应进行更精确的分析和跟踪。此外,应用于DFM成像汞离子的检测,可以有效降低实验分析误差。 3.针对单颗粒信号微弱造成分析困难的问题,本文采用Canny清晰度引导的随机共振增强算法(Canny Sharpness-Guided Stochastic Resonance Enhancement,CSG-SRE)的算法。通过计算机模拟随机共振以达到增强成像信号的效果。将每个像素视为离散粒子,转化RGB图像为HSV颜色空间,其强度值V作为双势阱系统中粒子运动的动力学参数。设置双势阱函数的初始参数,使用Euler–Maruyama迭代离散化方法迭代求解双势阱函数,解得为模拟随机共振增强后的图像,并设计图像清晰度指标限制迭代次数以确保图像质量。本文将该算法应用于等离子纳米单颗粒粒径分析,提高了图像的可见性和成像质量,有助于提升分析效果,并通过机器学习算法进行分类,有效提升了分类精度。

关键词： 硫化物   UiO-66-NH2   原卟啉   比率荧光   机器学习  

摘要： 硫化物要么具有高毒性,要么具有依赖剂量的重要生理作用,如内源性气体信号分子,因此对其快速灵敏和高选择性的浓度检测具有重要意义。荧光法以其灵敏度高、选择性好、实时监测、仪器设备简单等优势,在生态环境、食品工业和生物医学等领域的硫化物检测中具有广泛的应用前景。针对目前荧光探针合成程序复杂、无法实现即时检测等痛点问题,本论文以简单可靠、快速准确的检测策略为研究目标,结合智能手机辅助和机器学习算法的强大优势,提出了一种可在线比率检测硫化物的新方法,该新思路预期在大规模筛查和现场快速检测环境污染物方面展现巨大潜力。 硫化物荧光探针的设计及应用可总结为四个关键问题:构建模式、响应机理、材料选择和传感技术。材料选择重点介绍了有机荧光探针和六种荧光纳米材料（金属纳米材料、金属有机框架、量子点、碳点、上转换发光材料和硅基纳米材料）在硫化物检测中的应用;而在传感技术方面突出强调了机器学习在荧光传感平台和数据分析中的强大优势。 利用纳米金属有机框架（UiO-66-NH2）和光敏剂原卟啉IX（Ppix）,设计了一种用于硫化物检测的比率荧光传感器。该传感器性能优异,具有宽的线性范围（10～90μM）,检测限低至35 n M,展现出快速响应、高灵敏性、高选择性及可逆性等优点。进一步发现,添加硫化物离子后,传感器的荧光颜色由蓝变红,从而产生相应硫化物浓度的红-绿-蓝（RGB）特征值。在荧光图像指纹提取和机器学习算法的基础上,建立了一种在线数据分析模型,以提高硫化物测定的精密度和准确度。所建立的模型采用线性判别分析（LDA）,进行了严格的交叉验证以确保其稳健性。通过分析RGB特征值与硫化物浓度之间的相关性,突出了红色特征值与硫化物浓度之间的显著正相关关系。 总之,机器学习技术在UiO-66-NH2/Ppix探针比率荧光信号上的应用表明,它具有智能定量测定硫化物的潜力,为污染检测和实时快速环境监测提供了一种有价值的高效工具。结合高质量荧光探针、荧光图像处理和机器学习的智能传感器是分析领域发展的趋势,适用于环境中污染物的便携式诊断、现场准确监测和预警。

关键词： 玉米   深度学习   数字图像处理  

摘要： 玉米作为全球最重要的粮食作物之一,在全球粮食供应中占据了核心地位,其产量约占全球粮食总产量的三分之一。在我国,玉米不仅是重要的粮食作物,同时也是畜牧业的主要饲料来源,对确保国家粮食安全和促进农村经济发展具有不可替代的作用。传统上,农业生产者依靠人力进行田间出苗率调查和玉米果穗、籽粒特征提取,然而,随着计算机技术,尤其是深度学习和数字图像处理技术的飞速进步,现代农业研究已能借助这些技术来提高效率和精确度。本项研究通过深入应用深度学习与图像处理技术,对无人机捕获的玉米苗期高分辨率图像实施了精细的目标检测分析,并对其果穗和籽粒的细节特征进行了详尽评估。论文的结果如下: （1）本研究通过对无人机捕获的玉米苗期高分辨率图像,应用了多种深度学习模型进行了深入分析和比较。我们比较了九种目标检测模型,包括YOLOv8n、YOLOv5n、SSD、FCOS、YOLOv3-tiny、Retina Net、Deformable DETR、Cascade R-CNN和Faster R-CNN评估其在检测玉米幼苗方面的表现。在众多模型中,YOLOv8n以0.979的AP50和0.647的AP50:95指标表现最优,明显超越其他模型,其参数量和计算量分别为3.2M和8.7G,仅次于YOLOv5n。无人机高分辨率苗期图像的目标检测任务中,YOLOv8n模型因其出色的性能和高效的资源使用,成为了最优选择。 （2）选择了较为典型的四种目标检测（YOLOv8n、YOLOv3-tiny、Faster R-CNN、Defomermable DETR）算法在不同种植密度、不同叶龄、不同飞行高度下对玉米幼苗的检测和计数进行评估。随着种植密度的增加,所有模型的检测精度普遍下降,YOLOv8n在低密度时展示了较强的性能和鲁棒性。而Faster R-CNN在高密度环境下的检测和计数表现下降最为明显,13.5万株/hm2表现最差r RMSE为33.04%。不同叶龄阶段对检测算法的影响差异显著,其中YOLOv8n在中期叶龄阶段展现出优越的稳定性和准确度,V4为最优时期r RMSE为1.2%。随着叶龄的增长,大多数模型的性能呈现下降趋势。飞行高度的增加对所有模型的检测性能均有影响,尤其是在较高飞行高度,检测精度显著下降在此条件下,YOLOv8n相比其他模型展现了更好的适应性和性能稳定性。 （3）本文构建的玉米果穗、籽粒特征提取算法以实时对采集的果穗图像进行处理分析,实现对果穗长、宽、颜色特征、单面籽粒数量、籽粒数目、籽粒长度、籽粒宽度等参数的测量,结果显示黑、黄和白玉米果穗长的r RMSE分别为4.12%、6.91%和9.68%,穗宽的r RMSE分别为8.14%、5.65%和9.31%。单面籽粒计数的r RMSE分别12.00%、9.25%和9.58%。结果表明该方法准确率较高,性能好,对不同颜色的玉米也有良好的稳定性。并且通过算法提取的颜色特征分析发现,黄色、白色玉米品种的颜色特征在各个颜色通道上随时间的变化相对稳定,黑色玉米品种在随着时间变化所有颜色通道上的颜色值均显示出显著下降,在生育期间颜色变化最为显著。

关键词： 烟支夹末缺陷   MATLAB图像处理   缺陷识别   连通域分析  

摘要： 在卷烟生产过程中，由于生产工艺、系统负压、烟丝质量、生产环境等因素，在烟条成型和接装时烟丝碎末易夹在烟支或滤嘴搭口处，产生烟支夹末缺陷质量问题。本文利用MATLAB图像处理技术对烟支夹末缺陷进行图像识别与分析。首先对缺陷图像进行灰度化、滤波、增强等预处理；然后对预处理后的缺陷图像进行二值化阈值分割；再对其进行数学形态学处理，运用膨胀和腐蚀方法来平滑图像和增强缺陷区域的特征，最后通过连通域分析标记夹末缺陷区域，实现烟支的夹末缺陷识别。通过对多种烟支夹末缺陷样本进行验证，结果表明，连通域分析标记方法能快速且准确地判断烟支夹末的缺陷类型。

关键词： 图像处理技术   钢卷尺   检定   不确定度  

摘要： 针对传统钢卷尺检测过程中在自然环境下对人工依赖大的问题，设计了一种基于图像处理技术的自动检定钢卷尺装置，装置由视觉采集单元、控制单元和数据处理单元三部分构成，通过软件程序自动控制视觉采集单元采集图像数据，进行图像预处理，提取出图像检测区域，进行阈值分割后，确定线纹检测位置，最终计算出被检钢卷尺与标准钢卷尺测量位置的示值误差。依据测量不确定度评定模型，计算不确定度分量，得到示值误差的扩展不确定度U=0.06 mm,k=2。装置通过自动处理数据将有效提高检测速度，提高检测准确度，减轻工作强度。