基于机器视觉的红枣表面缺陷检测算法研究

发布时间：2021-09-22 02:31

　　新疆红枣具有极高的营养及药用价值,又被称为“黄金寿枣”,受到消费者青睐,社会需求量不断加大,激发了企业家产业化经营枣树的积极性。但同时,霉烂、虫害、裂纹等缺陷严重影响了红枣的品质和价值,必须进行分拣。机器视觉技术,具有效率高、精度好、检测信息丰富、非接触等优点,在农产品品质分级领域获得了广泛应用。然而,针对红枣表面的缺陷检测研究仍然在不断地探索和提高,其识别技术则更为困难,是检测与识别中的难点问题。本研究在前人的理论研究和实际应用基础上,利用实验采集平台实现对红枣的图像数据采集。一方面研究采用基于颜色、纹理等特征的最佳组合方式实现特征提取,结合合适的机器学习算法实现缺陷红枣的检测。同时,利用卷积神经网络可以自主学习事物间差异的优点,结合强化学习方法,构建新型卷积神经网络,提高缺陷红枣的检测识别率,本文研究内容分为以下部分。首先,基于图像处理技术的红枣分割方法和图像预处理研究。利用机器视觉图像采集系统,实现视频、图像数据采集。摄像机采集到的图像,由于光照问题、采集系统自身问题以及环境影响,会产生阻碍图像分割、提取和识别等因素,因此研究工作主要使用几何变换、中值滤波、图像增强与形态学操作等... 

【文章来源】：石河子大学新疆维吾尔自治区 211工程院校

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

常见缺陷红枣

视频图像采集645a.视频采集系统示意图b.视频采集系统实物图

膨胀运算过程示意图

【参考文献】：
期刊论文
[1]基于卷积神经网络和支持向量机算法的马铃薯表面缺陷检测[J]. 许伟栋,赵忠盖.  江苏农业学报. 2018(06)
[2]柑橘表面缺陷图像快速准确分割方法[J]. 白雪冰,宋恩来,李润佳,许景涛.  沈阳农业大学学报. 2018(02)
[3]基于改进卷积神经网络的多种植物叶片病害识别[J]. 孙俊,谭文军,毛罕平,武小红,陈勇,汪龙.  农业工程学报. 2017(19)
[4]基于深度卷积神经网络的番茄主要器官分类识别方法[J]. 周云成,许童羽,郑伟,邓寒冰.  农业工程学报. 2017(15)
[5]基于卷积神经网络的鲜茶叶智能分选系统研究[J]. 高震宇,王安,刘勇,张龙,夏营威.  农业机械学报. 2017(07)
[6]基于图像显著性分析与卷积神经网络的茶园害虫定位与识别[J]. 杨国国,鲍一丹,刘子毅.  农业工程学报. 2017(06)
[7]新疆红枣产业供应链管理[J]. 李志刚,姚婷婷.  江苏农业科学. 2017(04)
[8]基于梯度分布不均匀性的干瘪红枣识别[J]. 李功燕,任亦立,马丽艳.  农业机械学报. 2016(11)
[9]基于卷积神经网络的T波形态分类[J]. 刘明,李国军,郝华青,侯增广,刘秀玲.  自动化学报. 2016(09)
[10]红枣表面缺陷快速检测方法研究[J]. 张萌,许敏.  江苏农业科学. 2015(07)

博士论文
[1]脐橙表面缺陷的快速检测方法研究[D]. 李江波.浙江大学 2012

硕士论文
[1]智能视频监控中人群密度分析及突发异常行为检测[D]. 张兵.北京交通大学 2016



本文编号：3402959