基于流形学习的薯类机械损伤检测研究

发布时间：2022-09-27 21:01

　　薯类作物采用机械收获时,会产生机械损伤。这些机械损伤因为收获环境复杂,薯类形状各异等限制一直没有很好的智能化检测方法。本文针对薯类的工业检测背景进行机器视觉检测的方法研究,论文的主要研究内容包括:（1）搭建薯类机械损伤视觉检测平台对光源、相机、镜头、实验支架和计算机等硬件进行选型,搭建了薯类机械损伤图像采集平台用于后续方法的验证。（2）提出基于改进边缘检测算法的薯类区域分割方法针对条状背景的特定边缘信息,选择了具有局部边缘检测能力的GM（1,1）预测模型的边缘检测算法,采用累积法对传统边缘检测算法进行改进,构建针对传送带条状背景的垂直检测模板,提出了一种快速有效的薯类区域分割方法。（3）提出KPCA-LLSVM的薯类机械损伤分类方法针对薯类特征多样,提出一种薯类的图像归一化方法,构建了薯类机械损伤训练集。针对高维薯类图像,采用KPCA算法对其进行降维,LLSVM算法进行分类,PSO进行参数优化,提出了KPCA-LLSVM薯类机械损伤分类模型。并将本文模型和PCA-LLSVM和LLE-LLSVM的分类模型进行比较,验证本文方法的精度更高,利于应用的优势。（4）设计薯类机械损伤检测系统方案... 

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 课题背景及研究意义
    1.2 国内外研究现状及分析
        1.2.1 流形学习国内外研究现状及分析
        1.2.2 薯类视觉检测国内外研究现状及分析
    1.3 主要工作内容和章节安排
        1.3.1 主要工作内容
        1.3.2 章节安排
第二章 薯类机械损伤视觉检测平台
    2.1 硬件选型
        2.1.1 相机的选型
        2.1.2 镜头的选型
        2.1.3 光源的选型
        2.1.4 计算机选型
        2.1.5 实验平台的选型
    2.2 薯类机械损伤视觉检测平台
    2.3 本章小结
第三章 基于改进边缘检测算法的薯类区域分割
    3.1 基于累积法改进的GM(1,1)模型
        3.1.1 传统的GM(1,1)预测模型
        3.1.2 累积法改进的GM(1,1)预测模型
    3.2 基于累积法的GM(1,1)预测模型的边缘检测算法
        3.2.1 原始数据处理
        3.2.2 预测模板构造
        3.2.3 算法步骤
    3.3 基于改进的边缘检测算法的薯类区域分割方法
        3.3.1 垂直检测模型
        3.3.2 算法步骤
    3.4 实验过程与结果分析
        3.4.1 累积法改进的GM(1,1)预测模型的边缘检测算法
        3.4.2 基于改进边缘检测算法的薯类区域分割方法
    3.5 本章小结
第四章 基于KPCA-LLSVM的薯类机械损伤分类方法
    4.1 薯类图像处理
        4.1.1 薯类图像归一化
        4.1.2 薯类机械损伤样本库
    4.2 核主成分分析(KPCA)
        4.2.1 核函数
        4.2.2 核主成分分析
    4.3 最小二乘支持向量机(LLSVM)
        4.3.1 支持向量机的原理
        4.3.2 最小二乘支持向量机
    4.4 KPCA-LLSVM的薯类机械损伤分类模型
        4.4.1 分类器训练步骤
        4.4.2 新数据检测步骤
    4.5 实验过程与结果分析
    4.6 本章小节
第五章 薯类机械损伤检测算法的应用
    5.1 薯类机械损伤检测应用概论
    5.2 薯类机械损伤检测系统方案
    5.3 软件检测平台
        5.3.1 设计思路
        5.3.2 功能描述
    5.4 本章小结
第六章 总结与展望
    6.1 本文工作总结
    6.2 展望
参考文献
攻读硕士期间的学术活动及成果情况


【参考文献】：
期刊论文
[1]人机共享环境下基于Wi-Fi指纹的室内定位方法[J]. 赵林生,王鸿鹏,刘景泰.  机器人. 2019(03)
[2]基于深度学习的马铃薯机械损伤检测方法应用研究[J]. 汪成龙,陈均泳,陈国壮,姚启晨,钟智威.  电子测量技术. 2018(20)
[3]基于人工蜂群优化核主元分析故障检测方法[J]. 石怀涛,赵纪宗,宋文丽,李颂华,刘建昌.  控制工程. 2018(09)
[4]基于新息优先累积法的GM（0,N）模型及其应用[J]. 袁泉,曾祥艳.  统计与决策. 2018(12)
[5]基于核主成分分析和粒子群优化支持向量机的统计数据缺失值插补[J]. 吴桐雨,吴少雄.  统计与决策. 2018(08)
[6]最小二乘支持向量机和内标法的乐果农药含量LIBS检测[J]. 孙通,刘津,甘兰萍,吴宜青,刘木华.  光谱学与光谱分析. 2018(04)
[7]利用近红外光谱与PCA-SVM识别热损伤番茄种子[J]. 彭彦昆,赵芳,李龙,邢瑶瑶,房晓倩.  农业工程学报. 2018(05)
[8]基于向量变换的离散GM（1,1）模型病态性[J]. 郭金海,杨锦伟,李军亮,杨明合,孙玉秋,黎雄.  控制与决策. 2017(01)
[9]基于机器视觉图像特征参数的马铃薯质量和形状分级方法[J]. 王红军,熊俊涛,黎邹邹,邓建猛,邹湘军.  农业工程学报. 2016(08)
[10]GM（1,1）模型的病态性问题再研究[J]. 荆科,刘业政.  控制与决策. 2016(05)

博士论文
[1]基于机器视觉的马铃薯外部品质检测技术研究[D]. 郝敏.内蒙古农业大学 2009
[2]流形学习理论与算法研究[D]. 孙明明.南京理工大学 2007

硕士论文
[1]基于机器视觉的马铃薯疮痂检测方法[D]. 祁雁楠.中国农业机械化科学研究院 2019
[2]基于计算机视觉的马铃薯外部缺陷检测方法研究[D]. 王福香.内蒙古农业大学 2015
[3]基于机器视觉的马铃薯表面缺陷检测算法的研究[D]. 刘韦.黑龙江八一农垦大学 2013



本文编号：3681615