基于多源信息融合技術(shù)的板栗分級(jí)檢測(cè)方法研究.pdf

1、板栗營(yíng)養(yǎng)豐富,是重要的經(jīng)濟(jì)作物,霉?fàn)€、蟲害等缺陷粒嚴(yán)重影響了板栗的整體質(zhì)量。目前,對(duì)缺陷板栗的剔除主要靠人工分選,費(fèi)時(shí)耗力效率低,且板栗形狀組織復(fù)雜,尤其是內(nèi)外部病蟲害和霉變等缺陷板栗不易識(shí)別。因此尋求一種快速、準(zhǔn)確、無(wú)損識(shí)別缺陷板栗的檢測(cè)方法具有重要的科學(xué)意義和實(shí)用價(jià)值。
　　 論文以湖北京山板栗為試驗(yàn)材料,研究了近紅外光譜分析技術(shù)與機(jī)器視覺技術(shù)的板栗分級(jí)檢測(cè)方法。用近紅外光譜分析技術(shù)對(duì)缺陷和合格板栗進(jìn)行了分析,比較了5種光譜

2、數(shù)據(jù)預(yù)處理方法對(duì)建模結(jié)果的影響,建立了基于近紅外光譜分析技術(shù)的板栗分級(jí)檢測(cè)模型:構(gòu)建了板栗圖像采集系統(tǒng),建立了基于機(jī)器視覺技術(shù)的板栗分級(jí)檢測(cè)模型；為提高識(shí)別精度,提出了近紅外光譜和機(jī)器視覺的多源信息融合技術(shù)板栗分級(jí)檢測(cè)新方法,建立了基于多源信息融合技術(shù)的板栗分級(jí)無(wú)損檢測(cè)模型。主要研究結(jié)論如下:
　　 1.建立了基于近紅外光譜分析技術(shù)的板栗分級(jí)檢測(cè)模型。用主成分分析法(PCA)提取板栗光譜特征參數(shù)。以訓(xùn)練集中的240個(gè)板栗樣本的光

3、譜特征參數(shù)為輸入,建立了基于近紅外光譜和BP神經(jīng)網(wǎng)絡(luò)的板栗分級(jí)檢測(cè)模型,采用測(cè)試集中80個(gè)板栗樣本對(duì)模型進(jìn)行驗(yàn)證。試驗(yàn)結(jié)果表明:該模型對(duì)訓(xùn)練集中樣品的回判率為96.25％,模型對(duì)測(cè)試集中樣品的識(shí)別率為86.25％。
　　 2.構(gòu)建了基于機(jī)器視覺技術(shù)的板栗圖像采集系統(tǒng)。通過MATLAB編寫圖像處理與分析程序,確定中值濾波為板栗圖像消噪的最優(yōu)方法；用邊緣檢測(cè)與灰度閾值分割相結(jié)合的混合分割方法實(shí)現(xiàn)了板栗與背景的分割；提取板栗圖像的顏色

4、特征(L*、a*、b*)、紋理特征(角二階矩、對(duì)比度、熵、逆差矩、相關(guān))及缺陷特征參數(shù)能有效地表征缺陷和合格板栗在色澤、紋理等特征的差異。
　　 3.采用訓(xùn)練集中的240個(gè)板栗樣本,以主成分分析法(PCA)提取的板栗圖像特征參數(shù)為輸入,建立了基于機(jī)器視覺和BP神經(jīng)網(wǎng)絡(luò)的板栗分級(jí)檢測(cè)模型,采用測(cè)試集中80個(gè)板栗樣本對(duì)該模型進(jìn)行驗(yàn)證。試驗(yàn)結(jié)果表明:模型對(duì)訓(xùn)練集中樣品的回判率為96.67％,模型對(duì)測(cè)試集中樣品的識(shí)別率為83.75％。<

5、br>　　 4.運(yùn)用數(shù)據(jù)融合技術(shù)對(duì)板栗分級(jí)檢測(cè)方法進(jìn)行研究,研究了基于近紅外光譜分析與和機(jī)器視覺技術(shù)的多源信息融合板栗分級(jí)檢測(cè)新方法,選取特征層信息融合方式對(duì)板栗光譜特征參數(shù)和圖像特征參數(shù)進(jìn)行融合,融合算法選擇BP神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機(jī)的方法,分別建立BP神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機(jī)的板栗分級(jí)多源信息融合模型。
　　 采用訓(xùn)練集中的240個(gè)板栗樣本,以主成分分析法(PCA)提取的板栗光譜和圖像特征參數(shù)為輸入,建立了網(wǎng)絡(luò)結(jié)

6、構(gòu)為9-15-2的3層BP神經(jīng)網(wǎng)絡(luò)板栗分級(jí)多源信息融合模型。采用測(cè)試集中80個(gè)板栗樣本對(duì)該模型進(jìn)行驗(yàn)證。試驗(yàn)結(jié)果表明:通過BP神經(jīng)網(wǎng)絡(luò)建立的板栗分級(jí)多源信息融合模型對(duì)訓(xùn)練集中樣品的回判率為97.92％；模型對(duì)測(cè)試集中樣品的識(shí)別率為90％。
　　 采用訓(xùn)練集中的240個(gè)板栗樣本,以主成分分析法(PCA)提取的板栗光譜和圖像特征參數(shù)為輸入,建立了基于最小二乘支持向量機(jī)的板栗分級(jí)多源信息融合模型,確定當(dāng)C為5.6840,σ2為14.2