基于机器视觉的红枣外观品质分级方法研究

发布时间：2017-08-24 06:37

  本文关键词：基于机器视觉的红枣外观品质分级方法研究

  更多相关文章： 红枣 分级 机器视觉 褶皱 缺陷

【摘要】：枣是营养与医疗保健集于一体的优质滋补品。近年来红枣产业发展迅猛,但枣采后商品化过程中的分级手段绝大数还处在初级的机械式分级阶段。为进一步提高红枣产品质量和附加值,应进一步对其黑头、霉变、裂纹等表面缺陷,以及非正常果形、颜色红枣进行分级鉴定,目前主要依靠人工分级,生产效率不高且增大了分级成本。因此,迫切需要寻找高效、快速的红枣缺陷检测手段。本文以新疆骏枣为研究对象,利用机器视觉技术对红枣的大小、表面褶皱、表面病害、裂纹等主要外部品质进行分级方法的研究。本研究主要研究内容和结论如下:(1)红枣外观品质的分级标准研究。通过查阅资料和调研,了解红枣的种植和采后加工现状,针对现有分级标准的不足,结合基于机器视觉在红枣分级的优势,进一步确定了红枣采后加工过程中的分级标准。(2)基于机器视觉的红枣大小及褶皱分级方法的研究。测得正常枣样本真实横径值,然后对分割后图像利用四线扫描法测到枣短轴的像素值;用最小二乘法直线拟合短轴的真实值与检测的像素值的函数关系,建立红枣大小分级模型,分级正确率为95.65%。以灰度共生矩阵描述红枣表面褶皱纹理,确定了描述红枣表面纹理的灰度共生矩阵的三个构造因子,即生成方向取0°、45°、90°、135°下灰度矩阵特征参数的均值、生成步长取12个像素值、图像灰度级取64级,然后以此灰度矩阵的对比度、相关性、能量、一致性、熵和灰度图标准差共6个参数作为红枣纹理特征,基于BP神经网络和SVM建立了红枣褶皱的分级模型,分级正确率分别为94.29%和95.23%。(3)基于机器视觉的红枣表面病害及裂纹识别方法研究。在H分量图中,依据半干枣在病害和非病害区域色调值差异提取病害区域,以提取的病害区域与枣表面积的比作为阈值确定较高的病害面积识别精度,可正确识别的感兴趣病害面积为16.87mm2;为进一步提高在该病害面积识别精度的正确率,结合红枣区域颜色特征值H的均值和均方差,用SVM方法建立枣病害的识别模型,训练集和测试集的识别正确率分别为95.77%和95.79%。在I分量图中,对红枣区域进行Otsu’s阈值分割、图像局部属性统计和形态学处理,提取裂纹二值图像,依据裂纹图像不变距方法建立裂纹识别模型,训练集和测试集的识别正确率分别为94.90%和94.55%。(4)红枣外观品质自动分级软件系统设计。设计了具有友好界面的基于机器视觉的红枣外观品质自动分级系统,实现了红枣的图像读取,对红枣的大小、病害、褶皱、裂纹进行分级,显示最后的分级结果,并可以对分级结果进行统计。
【关键词】：红枣 分级 机器视觉 褶皱 缺陷
【学位授予单位】：西北农林科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;S665.1
【目录】：

• 摘要6-7
• ABSTRACT7-12
• 第一章 绪论12-19
• 1.1 研究背景及意义12
• 1.2 红枣种植现状及采后加工12-14
• 1.2.1 种植现状12-13
• 1.2.2 采后加工13-14
• 1.3 研究现状14-17
• 1.3.1 大小形状检测研究现状14-15
• 1.3.2 纹理检测研究现状15-16
• 1.3.3 表面缺陷检测研究现状16-17
• 1.4 研究目标、内容及技术路线17-19
• 1.4.1 研究目标17
• 1.4.2 主要研究内容17-18
• 1.4.3 技术路线18-19
• 第二章 红枣外观品质的分级标准研究19-24
• 2.1 红枣现有分级标准的不足19-21
• 2.1.1 分级标准可操作性差19-20
• 2.1.2 以红枣干制后的分级标准的局限性20-21
• 2.2 基于红枣采后加工过程中的分级标准21-22
• 2.3 本章小结22-24
• 第三章 基于机器视觉的红枣大小及褶皱分级方法研究24-45
• 3.1 材料及方法24-29
• 3.1.1 试验样本24
• 3.1.2 红枣机器视觉采集系统搭建24-26
• 3.1.2.1 图像采集硬件24-26
• 3.1.2.2 图像处理软件26
• 3.1.3 图像去噪及阈值分割26-28
• 3.1.3.1 图像去噪26-27
• 3.1.3.2 阈值分割27-28
• 3.1.4 方法步骤28-29
• 3.1.4.1 大小分级方法步骤28
• 3.1.4.2 褶皱分级方法步骤28-29
• 3.2 红枣大小的图像处理及分级研究29-32
• 3.2.1 红枣轮廓图像获取29
• 3.2.2 红枣大小分级数学模型建立29-31
• 3.2.2.1 四线扫描法提取红枣横径像素值29-30
• 3.2.2.2 四线扫描法与最小外接矩形法处理速度比较30
• 3.2.2.3 枣横径的真实值与检测的像素值的函数关系拟合30-31
• 3.2.3 结果分析31-32
• 3.3 红枣外观褶皱的图像处理及分级研究32-44
• 3.3.1 红枣表面褶皱纹理特征参数获取32-39
• 3.3.1.1 灰度共生矩阵及其特征参数32-33
• 3.3.1.2 构造因子对红枣表面褶皱纹理特征参数的影响33-38
• 3.3.1.3 红枣表面褶皱纹理特征参数获取38-39
• 3.3.2 红枣褶皱分级数学模型建立39-43
• 3.3.2.1 BP神经网络模型39-41
• 3.3.2.2 SVM模型41-43
• 3.3.3 结果分析43-44
• 3.4 本章小结44-45
• 第四章 基于机器视觉的红枣表面病害及裂纹识别方法研究45-57
• 4.1 材料及方法45-47
• 4.1.1 试验样本45
• 4.1.2 方法步骤45-47
• 4.1.2.1 红枣表面病害识别方法步骤45-46
• 4.1.2.2 红枣表面裂纹识别方法步骤46-47
• 4.2 红枣表面病害的图像处理及识别分析47-52
• 4.2.1 红枣病害区域图像提取47-49
• 4.2.1.1 图像预处理47
• 4.2.1.2 非病害红枣色度范围确定及病害区域提取47-49
• 4.2.2 病害识别数学模型建立49-51
• 4.2.2.1 病害面积阈值确定49-51
• 4.2.2.2 基于SVM的病害识别模型建立51
• 4.2.3 结果分析51-52
• 4.3 红枣表面裂纹的图像处理及识别分析52-56
• 4.3.1 红枣裂纹区域图像提取52-53
• 4.3.2 裂纹识别数学模型建立53-55
• 4.3.2.1 裂纹区域的不变矩组53-55
• 4.3.2.2 基于SVM的裂纹识别模型建立55
• 4.3.3 结果分析55-56
• 4.4 本章小结56-57
• 第五章 红枣外观品质自动分级软件系统设计及试验测试57-66
• 5.1 系统总体设计方案57-60
• 5.1.1 系统运行环境57
• 5.1.2 设计的总体方案57-58
• 5.1.3 系统设计关键点58-60
• 5.1.3.1 句柄的获取58-59
• 5.1.3.2 回调函数59-60
• 5.2 系统功能模块设计60-64
• 5.2.1 主界面60
• 5.2.2 文件载入模块60-62
• 5.2.3 参数配置模块62
• 5.2.4 加工运行模块62-63
• 5.2.5 分级结果统计模块63-64
• 5.3 在线试验测试64-65
• 5.3.1 在线检测试验装置64-65
• 5.3.2 在线测试结果及分析65
• 5.4 本章小结65-66
• 第六章 结论与展望66-68
• 6.1 结论66
• 6.2 创新点66-67
• 6.3 展望67-68
• 参考文献68-73
• 附录73-80
• 致谢80-81
• 作者简介81

【相似文献】

中国期刊全文数据库 前10条

1 孙海霞;张淑娟;薛建新;周靖博;;基于机器视觉和光谱技术水果分级的研究进展[J];农机化研究;2014年01期

2 陈丽君;赵凤芹;;基于机器视觉的变量机械系统的关键技术[J];农机化研究;2005年06期

3 郭海针;马俊龙;徐海刚;;基于机器视觉的农业机械无人驾驶系统[J];农机化研究;2009年06期

4 毛璐;赵春江;王开义;张水发;;机器视觉在农产品物流分级检测中的应用[J];农机化研究;2011年07期

5 冯世杰;王艳平;;基于机器视觉的温室作物行间杂草的识别[J];信阳农业高等专科学校学报;2012年02期

6 李谦;蔡晓华;;机器视觉在除草机器人中的应用[J];农机化研究;2014年07期

7 黎萍,朱军燕,刘燕德,严霖元;机器视觉在农产品检测与分级中的应用与展望[J];江西农业大学学报;2005年05期

8 王静娜;贺园园;陈雄飞;冯春贵;祝诗平;;机器视觉在农产品品质检测和采收包装中的应用[J];农机化研究;2011年07期

9 王润涛;张长利;房俊龙;王树文;杨方;田磊;;基于机器视觉的大豆籽粒精选技术[J];农业工程学报;2011年08期

10 黄星奕;钱媚;徐富斌;;基于机器视觉和近红外光谱技术的杏干品质无损检测[J];农业工程学报;2012年07期

中国重要会议论文全文数据库 前10条

1 赵磊;董吉文;李金屏;;拓扑理论在机器视觉中的研究进展[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

2 张彦东;;基于机器视觉的连接器装配机床改造研究[A];首届珠中江科协论坛论文集[C];2011年

3 蔡小秧;陈文楷;;机器视觉中的鲁棒估计技术[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

4 刘雅举;李娜;张莉;李东明;;机器视觉在药用玻璃瓶质量检测中的研究[A];2007年河北省电子学会、河北省计算机学会、河北省自动化学会、河北省人工智能学会、河北省计算机辅助设计研究会、河北省软件行业协会联合学术年会论文集[C];2007年

5 吴庆华;代娜;黄俊敏;程志辉;何涛;;基于机器视觉的轴承二维尺寸检测[A];第六届全国信息获取与处理学术会议论文集（1）[C];2008年

6 马连峰;张秋菊;;基于机器视觉的彩色套印检测技术研究[A];第十一届全国包装工程学术会议论文集（二）[C];2007年

7 金守峰;张慧;;面向机器视觉的织物纬斜检测方法[A];全国先进制造技术高层论坛暨第九届制造业自动化与信息化技术研讨会论文集[C];2010年

8 管庶安;周龙;陈永强;廖明潮;;机器视觉在粮食品质检测中的应用研究[A];中国粮油学会第三届学术年会论文选集（下册）[C];2004年

9 张伟华;陈军;连世江;贾海政;;机器视觉及其在农业机械中的应用综述[A];2007年中国农业工程学会学术年会论文摘要集[C];2007年

10 沈宝国;陈树人;尹建军;;基于机器视觉的棉田杂草精确定位研究[A];纪念中国农业工程学会成立30周年暨中国农业工程学会2009年学术年会（CSAE 2009）论文集[C];2009年

中国重要报纸全文数据库 前10条

1 本报记者 李剑琦;机器视觉行业整合正热 中国市场尚处萌芽期[N];机电商报;2005年

2 本报记者 董碧娟;解密机器视觉“第三只眼”[N];经济日报;2013年

3 本报记者 郭涛;机器视觉：为机器装上“眼睛”和“大脑”[N];中国高新技术产业导报;2014年

4 张均;德国机器视觉传感器市场前景好[N];中国贸易报;2007年

5 金刚;给机器一双慧眼[N];计算机世界;2007年

6 朱广菁;机器视觉怎样“看”不合格产品[N];大众科技报;2008年

7 宋昆;用机器视觉控制烟草质量[N];计算机世界;2007年

8 张栋;西安光电子专业孵化器举办专业展览会[N];中国高新技术产业导报;2007年

9 王遐;机器视觉:药品包装在线检测系统开发成功[N];中国包装报;2010年

10 点评人 高炎 黄牧青 刘笑一 李士杰 北京大学技术转移中心;机器视觉辅助冬季道路状况监测[N];科技日报;2014年

中国博士学位论文全文数据库 前10条

1 梁卓锐;机器视觉手势交互的交互映射研究[D];华南理工大学;2015年

2 孟庆宽;基于机器视觉的农业车辆—农具组合导航系统路径识别及控制方法研究[D];中国农业大学;2014年

3 葛动元;面向精密制造与检测的机器视觉及智能算法研究[D];华南理工大学;2013年

4 饶洪辉;基于机器视觉的作物对行喷药控制系统研究[D];南京农业大学;2006年

5 龚爱平;基于嵌入式机器视觉的信息采集与处理技术研究[D];浙江大学;2013年

6 陈丽君;基于机器视觉的变量喷雾控制系统研究[D];沈阳农业大学;2009年

7 徐晓秋;机器视觉球面孔位快速精密测量系统的研究[D];四川大学;2006年

8 成芳;稻种质量的机器视觉无损检测研究[D];浙江大学;2004年

9 程洪;面向园艺应用的机器视觉目标辨识方法创新[D];中国农业大学;2015年

10 许海霞;机器视觉标定与目标检测跟踪方法及其应用研究[D];湖南大学;2011年

中国硕士学位论文全文数据库 前10条

1 冼志军;锡膏印刷机误差与锡膏印刷质量检测技术研究[D];华南理工大学;2015年

2 孙斌;基于FPGA的压力表盘机器视觉研究与实现[D];昆明理工大学;2015年

3 许哲;基于机器视觉的快速测温热电偶焊接技术研究[D];河北联合大学;2014年

4 李鹏;基于机器视觉的PCB工业在线检测系统研究[D];昆明理工大学;2015年

5 佘燕玲;以用户为中心的机器视觉手势交互空间映射关系研究[D];华南理工大学;2015年

6 孙中国;基于机器视觉的面粉袋码垛机器人研究[D];山东建筑大学;2015年

7 漆静;基于机器视觉集装箱吊具智能定位系统研究[D];西南交通大学;2015年

8 张文;基于机器视觉的通信装备故障识别研究[D];西南交通大学;2015年

9 冉宝山;基于机器视觉的装料系统试验研究[D];长安大学;2015年

10 冯康;基于机器视觉的棉花识别与定位技术的研究[D];石河子大学;2015年

，

本文编号：729784