基于機器視覺和光譜成像技術的蘋果外部品質檢測方法研究.pdf_第1頁
已閱讀1頁,還剩179頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、蘋果的外部品質是蘋果最直觀的品質特征,直接影響蘋果的價格和消費者的偏愛。針對蘋果外部檢測的難點和關鍵點,基于機器視覺技術、高光譜成像技術和多光譜成像技術,綜合圖像處理技術、模式識別方法、化學計量學方法和光譜分析技術研究了蘋果外部物理品質(形狀和尺寸)和表面常見缺陷的檢測方法?;谏鲜鲅芯康幕A上開發(fā)的檢測系統(tǒng)和算法為我國研發(fā)基于機器視覺技術和多光譜機器視覺技術的蘋果外部品質快速在線檢測分級裝備奠定了基礎。
  主要研究內(nèi)容和結論為

2、:
 ?。?)基于圖像處理技術的蘋果形狀檢測中形狀特征提取與果梗去除方法研究。重點研究了基于Sobel算子的邊緣檢測算法、形狀檢測中常用的特征提取算法、基于形態(tài)學特征的蘋果圖像中突出果梗的檢測算法和基于形態(tài)學運算的突出果梗消除算法。并編寫了形狀檢測軟件。結果表明,突出果梗消除后可以提高水果形狀檢測的精度,為后續(xù)帶有果梗的水果的形狀檢測提供參考。
 ?。?)基于機器視覺技術的蘋果體積與重量的非接觸式測量方法研究。利用機器視覺技

3、術和近紅外線陣結構光技術搭建了蘋果3D信息采集系統(tǒng),并基于蘋果3D高度圖像提取蘋果投影面積、50個環(huán)狀像素高度信息和50個列狀像素高度信息,并利用偏最小二乘(PLS)和最小二乘支持向量機(LS-SVM)建立了蘋果重量和體積的單變量和復合變量的非接觸式測量模型。結果表明,基于蘋果投影面積和50個列狀像素高度信息為圖像特征的LS-SVM復合變量模型對蘋果重量和體積測量具有較高的精度。重量測量模型的Rc為0.9838,RMSEC為6.5741

4、,Rp為0.8234,RMSEP為11.4991;體積測量模型的Rc為0.9733,RMSEC為10.0254,Rp為0.9032,RMSEP為10.1155。
 ?。?)基于機器視覺和結構光技術進行了蘋果3D重建與果?;ㄝ嘧R別研究。果?;ㄝ嗪腿毕菰趫D像中很相似,它們的存在使蘋果表面缺陷的自動化檢測成為一種挑戰(zhàn)。本文基于果梗花萼的凹陷性特征,基于機器視覺系統(tǒng)、近紅外線陣結構光和3D重建技術實現(xiàn)了果?;ㄝ嗟臋z測。通過可見近紅外相機、

5、近紅外線陣結構光和傳送帶的配合可以逐行提取蘋果的3D輪廓的高度信息,經(jīng)過圖像拼接可以獲取蘋果上表面的高度圖像。果?;ㄝ嗟陌枷菪蕴卣魇蛊涓叨鹊陀谥車=M織區(qū)域的高度信息。為了開發(fā)便于計算機進行識別的算法,本文提出了可根據(jù)被檢測蘋果的大小、形狀和位置自適應建立的高度球模型。結果表明,通過3D重建模型和蘋果的自適應高度球模型之間的差異便可以實現(xiàn)果?;ㄝ嗟淖R別,利用100個獨立樣本,200個圖像進行了算法的有效性驗證,總體識別精度為97.5%

6、。
 ?。?)基于機器視覺技術進行了缺陷蘋果識別方法研究。為了消除蘋果表面亮度分布不均、區(qū)分真實缺陷和果?;ㄝ?,本文提出了一種基于亮度校正算法、缺陷候選區(qū)統(tǒng)計和加權相關向量機算法的缺陷蘋果檢測算法。亮度校正算法從一定程度上消除了蘋果表面亮度不均分布,尤其是邊緣區(qū)域的亮度。基于果梗和花萼不能同時出現(xiàn)在相機視野中的常識,可以根據(jù)分割出來的缺陷候選區(qū)數(shù)目對蘋果進行初步分類,對于只分割出一個缺陷候選區(qū)的蘋果,提取候選區(qū)域的顏色特征、統(tǒng)計學

7、特征和紋理特征,通過I-RELIEF算法計算特征的權重,通過訓練加權相關向量機進行缺陷候選區(qū)的類別判斷。通過對160個樣本進行檢測實驗,總體識別精度為95.63%。結果表明,本研究提出的方法可以消除蘋果表面亮度分布不均現(xiàn)象,缺陷候選區(qū)統(tǒng)計可以對蘋果類別進行初步判斷,利用加權相關向量機對缺陷候選區(qū)的進一步判斷,效果令人滿意。
 ?。?)基于高光譜成像技術進行了蘋果表面隱性缺陷識別方法研究。本文基于高光譜成像技術和連續(xù)投影算法開發(fā)了蘋

8、果表面早期腐爛檢測算法,提取了蘋果正常表皮和早期腐爛表皮各80個矩形感興趣區(qū)域(ROIs)的平均光譜,利用連續(xù)投影(SPA)算法進行光譜域處理,挑選出563、611、816和966 nm為識別早期腐爛的有效波長,并用偏最小二乘判別分析法(PLS-DA)分類器評估了利用SPA優(yōu)選出來的四個波長。最后基于有效波長和MNF算法開發(fā)了早期腐爛識別算法。利用本研究開發(fā)的算法對測試集中20個正常蘋果和80個早期腐爛蘋果的最優(yōu)波長處的圖像進行了識別處

9、理,檢測的總體正確率為98%。利用I-RELIEF算法挑選了識別早期輕微損傷的識別算法,挑選的有效波長為590、660、720、820及960 nm,并基于有效波長處的圖像和 MNF開發(fā)了適合于蘋果表面早期輕微損傷識別的圖像處理算法,利用80個蘋果樣本進行了算法的驗證,總體識別率為98.75%。結果表明,基于高光譜成像技術和有效波長可以實現(xiàn)蘋果表面早期腐爛、早期輕微損傷的檢測,為后續(xù)開發(fā)多光譜視覺檢測系統(tǒng)奠定了基礎。
 ?。?)基

10、于高光譜成像技術進行了水果表面常見缺陷檢測方法研究。為了消除蘋果亮度分布不均和顏色的影響,實現(xiàn)蘋果表面常見缺陷(風傷、蟲傷、日灼傷、斑點、褐斑等)的精確檢測,分析了正常區(qū)域和常見缺陷區(qū)域的特征光譜曲線走勢,挑選了730和925 nm波長為特征波長,并基于特征波長處的圖像開發(fā)了波段運算圖像處理算法。由于相同位置受到的光強度的影響相似,因此像素對像素的減法和除法運算可削弱由于顏色、形狀而引起的蘋果表面亮度不均影響,同時基于波段運算的圖像處理

11、算法提高了缺陷和正常蘋果組織之間的對比度,使缺陷提取變得容易、準確。本研究從109幅帶有各種缺陷的蘋果高光譜圖像中提取了730和925 nm波長處的圖像,并基于波段運算處理思路利用式6-10對特征波長處的圖像進行了處理,總體識別率為93.6%。結果表明,波段運算方法簡單有效,在一定程度上消除了顏色、形狀、果梗等引起的亮度不均對缺陷識別的影響,提高了常見缺陷的識別精度。
 ?。?)基于多光譜成像技術進行了蘋果表面缺陷檢測方法研究。高

12、光譜成像技術圖像獲取和處理需要很長的時間,不利于在線快速檢測。為了繼承和發(fā)展高光譜成像技術的研究成果,基于挑選出的有效波長,用SolidWorks2011設計了轉輪和封裝箱,利用相機、濾光片、濾光片輪搭建了多光譜成像系統(tǒng),并基于VS2010和OpenCV開發(fā)了實時檢測軟件。本研究是實現(xiàn)從高光譜視覺檢測的基礎性研究向多光譜視覺檢測的快速應用研究轉變的關鍵內(nèi)容。本研究對68個帶有各種常見缺陷的蘋果進行檢測,根據(jù)每個蘋果的缺陷種類及分布情況,

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論