基于機(jī)器視覺的大豆外觀品質(zhì)檢測(cè)技術(shù)研究.pdf

1、農(nóng)產(chǎn)品品質(zhì)檢測(cè)與分級(jí)，是農(nóng)產(chǎn)品流通和加工過程中的重要環(huán)節(jié)之一。研究農(nóng)產(chǎn)品品質(zhì)檢測(cè)技術(shù)，對(duì)于提高農(nóng)產(chǎn)品質(zhì)量和市場(chǎng)競(jìng)爭(zhēng)力、降低勞動(dòng)強(qiáng)度有著重要價(jià)值。論文選擇農(nóng)產(chǎn)品中重要的油料、飼料作物大豆為研究對(duì)象，結(jié)合相關(guān)標(biāo)準(zhǔn)，應(yīng)用機(jī)器視覺檢測(cè)手段首次對(duì)大豆籽粒外觀品質(zhì)檢測(cè)系統(tǒng)進(jìn)行研究，重點(diǎn)對(duì)大豆圖像預(yù)處理中的背景分割、特征提取以及特征篩選、神經(jīng)網(wǎng)絡(luò)分類器設(shè)計(jì)三個(gè)環(huán)節(jié)進(jìn)行了比較深入的探討。 論文針對(duì)靜態(tài)大豆籽粒圖像特點(diǎn)，探討了多種圖像預(yù)處理算法，

2、確定了適合大豆外觀品質(zhì)檢測(cè)的低層信息處理算法，為下一步大豆特征提取打下良好基礎(chǔ)。在背景分割時(shí)提出了利用彩色圖像分割技術(shù)中的基于H分量閾值分割法來分割目標(biāo)和背景，取得了良好的分割效果；在去除噪聲處理中，提出采用數(shù)學(xué)形態(tài)學(xué)的方法對(duì)圖像進(jìn)行去噪處理，較好地去除圖像處理過程中產(chǎn)生的各種噪聲；最后在個(gè)體提取中，利用連通域標(biāo)記方法，有效將大豆籽粒單個(gè)提取出來。 文中研究分析了傳統(tǒng)特征提取的方法，針對(duì)大豆籽粒圖像并結(jié)合有關(guān)標(biāo)準(zhǔn)，提出了用區(qū)域標(biāo)

3、記、輪廓跟蹤方法結(jié)合圖像矩提取大豆籽粒特征參數(shù)，共提取出了16個(gè)形態(tài)特征參數(shù)；提出了用顏色矩法提取了大豆籽粒的顏色特征參數(shù)，共提取出了20個(gè)顏色特征參數(shù)。然后對(duì)抽取出的36個(gè)特征參數(shù)進(jìn)行了分析，分別給出這36個(gè)特征參數(shù)的xy分布圖，最終篩選出能有效定量描述大豆籽粒的4個(gè)形態(tài)和顏色特征參數(shù)。 論文首次將粒子群優(yōu)化算法引入到對(duì)大豆品質(zhì)檢測(cè)中，建立前饋三層神經(jīng)網(wǎng)絡(luò)作為大豆外觀品質(zhì)檢測(cè)的分類器，采用粒子群優(yōu)化算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化訓(xùn)練，

4、用于對(duì)大豆外觀品質(zhì)進(jìn)行判別。通過與基于標(biāo)準(zhǔn)BP算法訓(xùn)練以及改進(jìn)L-M算法訓(xùn)練的同一神經(jīng)網(wǎng)絡(luò)進(jìn)行比較。實(shí)驗(yàn)結(jié)果表明利用基于粒子群優(yōu)化算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)對(duì)大豆外觀品質(zhì)進(jìn)行檢測(cè)，可以取得更快的收斂速度和更高的識(shí)別精度。 基于MATLAB7.1平臺(tái)所開發(fā)的的大豆外觀品質(zhì)檢測(cè)系統(tǒng)驗(yàn)證可知，論文提出的基于機(jī)器視覺的大豆外觀品質(zhì)檢測(cè)技術(shù)能夠?qū)崿F(xiàn)大豆外觀品質(zhì)的自動(dòng)檢測(cè)。與人工檢測(cè)結(jié)果相比，平均訓(xùn)練準(zhǔn)確率為94.06％，平均測(cè)試準(zhǔn)確率為92.61