含杂马铃薯中土块和石块的激光背向散射成像检测方法研究

发布时间：2020-07-23 04:36

【摘要】：马铃薯作为世界四大主粮作物之一,其收获后的异物检测和剔除作为产业难题一直以来未得到有效解决。随着我国马铃薯主粮化战略的实施,收获后的马铃薯中的异物检测和剔除成为制约我国马铃薯产业发展的关键问题。本研究首先,采用彩色图像技术对机械化收获后的马铃薯中掺杂的大小与其相近的土块和石块的检测进行了研究,表明彩色图像技术可对异物进行有效识别,然而特征提取步骤繁琐,效率低;其次,基于马铃薯和异物在光的散射方面的差别,采用激光背向散射成像(Laserbackscattering imaging,LBI)技术对马铃薯异物检测进行了探索,包括检测优化和普适性研究;最后马铃薯的抛落运动轨迹进行研究,对检测系统的进一步优化提出建议。本研究的主要内容和研究结论如下:(1)基于彩色图像技术检测马铃薯中土块和石块的方法研究利用彩色图像技术分别提出了基于小波变换的图像分块颜色特征和基于轮廓高斯滤波的形状特征对马铃薯中的土块和石块采用支持向量机(Support vector machines,SVM)进行二分类和三分类识别研究。在分析颜色特征参数对利用颜色特征分类的结果产生的影响时,发现分块方式为4X4时结果较好,对于2016和2017年的样本利用颜色特征进行二分类识别的整体分类正确率分别为98.07%和97.80%。在分析形状特征参数对二分类结果的影响时,发现当距离阈值为5,高斯滤波模板为5,方差为30时获得的结果较好。对2016年和2017年样本的利用形状特征进行二分类识别的整体分类正确率分别为95.32%和96.34%。对于2016和2017年样本利用颜色形状融合特征进行二分类识别的整体分类正确率分别为97.94%和99.08%,且通过对颜色形状融合特征进行主成分分析(Principalcomponentanalysis,PCA)发现颜色特征的贡献率比形状特征贡献率大,因此在利用提出颜色特征和形状特征进行检测时,三种特征方法的效果顺序依次是:颜色形状融合特征、颜色特征、形状特征。利用颜色特征识别石块的鲁棒性较差,且利用三种特征进行三分类识别的结果均比二分类的结果差,因此针对检测土块和石块而言,选用二分类方法更符合实际情况。(2)基于激光背向散射成像技术检测马铃薯中土块和石块的方法研究为克服彩色图像技术在检测收获马铃薯中土块和石块的特征提取步骤繁琐,效率低的缺点,基于马铃薯和异物组织结构的特异性差异导致光的散射现象存在差别,采用激光背向散射成像(Laser backscattering imaging,LBI)技术对马铃薯中的异物进行检测研究。通过参考脉冲信号参数的定义方法在散射剖面线上提取特征,并利用马氏距离判别分析方法(Mahalanobisdistancediscrimination,MDD)对马铃薯、土块、石块三者分别进行二分类和三分类识别,结果二分类的5种分类正确率均在99%以上,确定使用LBI技术检测马铃薯中土块和石块的可行性。将结果与利用彩色图像方法识别2017年样本的结果进行对比,该利用LBI方法可以达到与使用颜色形状融合特征相一致的结果,但是该方法图像处理过程简捷、数据量小,适合应用于异物快速快速在线检测。为了对LBI系统的波长进行优选,提出了分别利用散射线宽度和洛伦兹函数、指数函数的拟合系数作为特征对马铃薯、土块、石块进行识别,依据识别结果优选波长的方法。一方面通过直接对散射线宽度确定阈值进行识别,另一方面通过对每个样本提取的多条散射剖面线特征的分类结果构造概率分类器确定概率阈值进行识别,两种方法均利用受试者工作特征曲线(Receiver operating characteristic curve,ROC)和 ROC 曲线下面积(Areaunderthecurve,AUC)评价不同波长下的分类结果,发现两种方法选择的波长具有一致性,均表明780、830、850 nm波长下的分类结果较好,5种分类正确率均在98%以上,其中对土块和石块的识别结果均达到了 99%以上。为了证实提出的LBI技术具有适应性,通过分别对不同产地和不同马铃薯品种的4组样本进行特征选择以达到降低特征维度的目的,并将选择出的特征应用于混合模型中以适用于不同含杂率下,不同产地和品种的马铃薯检测中。分别使用5种过滤式特征选择方法对全部的44个特征进行排序,并使用波达计数法对每组样本选择出的特征打分排序得到总排序。通过观察每组样本下依次增加总排序中的特征个数后的分类结果的变化,选择出4组样本中分类结果达到稳定之后的共同特征作为特征选择的结果。选择出的特征与通过分析利用单个特征的三种分类器SVM、MDD、LDA(lineardiscriminant analysis,LDA)得到的平均结果的较优特征相一致,且用共同选择出的8个特征对4组样本进行识别后得到的整体分类正确率与特征选择之前的结果相同。在对4组样本进行混合建模时,发现分类结果与含杂率有较大关系,且在含杂率较低时,分类结果较差。为了解决该问题,通过分析设定训练集中的含杂率为40%、50%、60%时,发现预测集在不同含杂率下的三种分类器的分类结果均可在90%以上,在训练集的含杂率为60%训练的SVM模型对不同含杂率的预测集识别的整体分类正确率基本可以达到97%以上,可以满足实际生产的需要。(3)马铃薯的抛落运动轨迹的关键参数研究为了研究马铃薯抛落过程中运动轨迹的规律,通过定义不同的初始姿态,采用机器视觉系统采集在不同初始速度和姿态下的抛落图像分析运动轨迹,发现马铃薯初始姿态对运动轨迹存在影响,原因是马铃薯在抛落过程中发生了旋转,且影响的大小与初始速度有关。通过分析不同初始速度和姿态下的轨迹组,提出了在不同下落高度下计算异物剔除机构-导向机构的最小长度和卸料输送带的安装位置的方法,在初始速度为1.0m/s,下落高度为200mm处进行剔除时,导向机构的长度为200mm较为合适。当在下落高度为400mm处安装卸料输送带时,忽略马铃薯初始姿态的影响,计算得到的卸料输送带与上料输送带的水平距离为174 mm。
【学位授予单位】：浙江大学
【学位级别】：博士
【学位授予年份】：2019
【分类号】：S532;TP391.41
【图文】：

马铃薯,国家,面积,数据

薯营养价值极高，基本包含粮食、蔬菜、水果中所包含的大部分营养成分ｉ４］。据逡逑世界粮食及农业组织（ＦＡＯ）统计，２００７－２０丨６年的十年间我国马铃薯总产量和逡逑种植面积均稳居世界第一位，如图１－１所示，且２００７－２０１６年国内马铃薯的种植逡逑面积和总产量基本上呈现逐渐上升趋势，２０１６年分别为５６２６千公顷和１９４７．７０逡逑万吨（折粮），比２００７年增长了约２７％和５０．３％。逡逑１００邋逦邋７０００邋逦逡逑８０邋．W逦６０００＇逦＾邋．－？－雨一ｉ逡逑Ｉ邋６０邋＇邋Ｉ逦４０００邋－灄W邋１逡逑ｉ邋４０逦｜邋Ｉ逦３０００邋｜逡逑０邋Ｎ邋Ｈ邋Ｈ邋ｉ邋Ｍ邋§邋ｒｎ邋ｍ邋ｍ邋ｍｌ邋ｌ０：邋Ｉｆ邋ＭＭＭＭＭＭＩｍＭ逡逑＾邋＾邋＾邋＾逦＾邋＾逦２００７邋２００８邋２００９邋２０１０邋２０１１邋２０１２邋２０１３邋２０１４邋２０１５邋２０１６逡逑令々逦Ｃｆ＂邋＾逦＾逦＾逦Ｔｉｍｅ邋（ｙｅａｒ）逡逑＾逦（２００７－２０１６）邋Ｅ２邋ｐｌａｎｔｉｎｇ邋ａｒｅａ邋（１０００邋ｈｅｃｔａｒｅｓ）邋＾邋Ｔｏｔａｌ邋ｐｒｏｄｕｃｔｉｏｎ邋（ｌＯＯＯＯｔｏｎｓ）逡逑图１－１邋（ａ）马铃薯总产董前十的国家（ｂ）我国马铃薯种植面积和产董（数据来自ＦＡＯ）逡逑Ｆｉｇｕｒｅ邋１－１邋（ａ）邋ｐｒｏｄｕｃｔｉｏｎ邋ｏｆ邋ｐｏｔａｔｏｅｓ：邋ｔｏｐ邋１０邋ｐｒｏｄｕｃｅｒｓ邋（ｂ）邋ｐｌａｎｔｉｎｇ邋ａｒｅａ邋ａｎｄ邋ｐｏｔａｔｏ邋ｙｉｅｌｄ邋ｏｆ逡逑Ｃｈｉｎａ邋（ｓｔａｔｉｓｔｉｃｓ邋ｆｒｏｍ邋ＦＡＯ）逡逑１．１．２马铃薯主粮化的含义逡逑马铃薯作为重要的粮食安全作物，是我国广大地区老百姓喜爱的重要副食或逡逑主食

马铃薯,分选机

逦ＭｃＧｌｏｕｇｈｌ邋ｉｎｌ５４］在利用机器视觉技术对根茎类物料进行异物识别时，为了检逡逑测出马铃薯中的异物，对采集到的目标图像进行如下处理：提取彩色图像中的目逡逑标，对目标像素进行提取颜色特征进行识别，统计出目标中马铃薯像素的占比，逡逑若目标占比高于阈值，判断目标为马铃薯，否则判断为土块或石块。阈值的大小逡逑与马铃薯表面泥土覆盖的面积相关，当马铃薯表面覆盖泥土面积较大时，阈值较逡逑大，反之阈值较小。为了识别图像中的像素，还可以利用高光谱图像信息对每个逡逑像素的谱轮廓与正常马铃薯像素的谱轮廓进行相关性分析以达到识别图像像素逡逑的目的，然后再根据统计目标中马铃薯像素的占比来判断目标是否为马钤薯。逡逑挪威的ＴＯＭＲＡ公司［５５］在４０多年来关注于食品的光学分选，为收获的未清逡逑洗的马铃薯设计了邋ＦＰＳ系列和ＨＡＬＯ分选机，如图丨－３邋（ａ）和（ｂ）所示，采用逡逑近红外相机和彩色相机成像的方法用于去除马铃薯中的土块、石块等异物，生产逡逑效率可以达到７－１５邋ｔ／ｈ。逡逑

原理图,原理图,包含物,物理现象

漫反射一般包含物体表面的某些信息，如颜色和纹理［６４］。光的散射作为逡逑一种物理现象，取决于农产品的细胞密度、细胞大小和生物组织矩阵的内外细胞逡逑属性主要利用光的散射现象，如图１４中所示，当采用线激光光束照逡逑１３逡逑

【参考文献】