基于机器视觉的贝类自动识别与定位方法研究
发布时间：2021-03-13 02:46
贝类生产中的分拣需要大量的人工投入，由于劳动环境恶劣，生产效率低下，劳动力短缺，劳动力工资的上涨等问题严重制约了贝类产业规模化的发展。随着对水产品质量和生产效率的要求不断提高，需要有更高效、更准确的手段来完成贝类产品的分拣工作。本课题是与企业合作的研究项目“贝类产品自动化分拣设备研发”的一个子课题,通过使用摄像头采集传送带上的贝类图像，并在图像上提取贝类的鲁棒性分类特征，应用智能算法实现对贝类的分类和定位，为进一步控制机械机构对贝类分级奠定基础。具体研究内容如下：研究扇贝图像处理与边缘提取方法。通过对图像预处理，突出目标物的边缘特征，应用canny算子提取出目标物的边缘信息。通过提取扇贝图像边缘特征训练BP神经网络，实现对扇贝的自动识别。通过与应用较多的HU不变矩特征方法进行实验比较，证明本文方法效率更高。为进一步提高识别效率，研究了应用模糊理论对扇贝进行识别的方法。根据所提出的特征设定分类规则，应用模糊语言对规则进行描述，建立模糊识别系统对扇贝进行识别，并通过实验验证了识别效果。为实现扇贝的定位，应用神经网络方法建立了图像坐标和实际工作空间坐标的映射关系。将扇贝图像的中心坐标输入神经...
【文章来源】：大连海洋大学辽宁省
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
扇贝及轮廓图
20图3-3 神经网络训练误差曲线Fig.3-3 Error curve of BP artificial neural network training训练编写程序如下：Z=[61.43,0.09;64.01,0.05;64.73,0.05;65.15,0.05;52.50,0.06;61.92,0.05;43.88,0.07;51.99,0.05;43.71,0.11;39.30,0.12;40.94,0.13;41.46,0.13;47.17,0.14;47.30,0.18;48.80,0.16;46.76,0.13]';T=[3 3 3 3 2 3 1 2 0 0 0 0 0 0 0 0];net=newff(minmax(Z),[10,1],{'tansig','purelin'},'trainlm');net.trainparam.epochs=1000;net.trainparam.goal=0.0001;net=train(net,Z,T);3.4.3 神经网络的分类测试为测试网络的性能，分别进行了两组实验。实验 1：用大量实际捕捞出的扇贝和石块图像依本文提出的特征提取方法对网络进行测试，并依据对输出结果进行四舍五入得到的整数进行判别。部分测试图像如图 3-4 所示，提取数据及耗时如表 3-2。为证明本文提取特征的有效性，与较多应用的提取 HU 不变矩特征方法作对比。提取图像 HU 不变矩作为神经网络的输入值，用同样的方法训练网络，再次对上述样本进行识别，提取的特征值及计算耗时如表 3-3。将依据两种特征提取方法训练网络的识别结果及实际判断结果进行对比如表 3-4。
图 3-4 实验 1 部分测试图像Fig.3-4 part of the test images for experiment 1表3-2 本文提取特征值Tab.3-2 Proposed feature vale 编号 No.D值 The value of DK值 The value of K计算耗时(s)Time consuminga 65.07 0.05 0.01b 51.10 0.06 0.01c 47.60 0.07 0.01d 58.06 0.05 0.02e 45.18 0.06 0.01f 53.36 0.05 0.01
【参考文献】：
期刊论文
[1]厚壳贻贝的模型拟合与壳体曲面分析[J]. 罗尔霖,李振华,倪洋,宋祖超,王健. 渔业现代化. 2020(01)
本文编号：3079438
【文章来源】：大连海洋大学辽宁省
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
扇贝及轮廓图
20图3-3 神经网络训练误差曲线Fig.3-3 Error curve of BP artificial neural network training训练编写程序如下：Z=[61.43,0.09;64.01,0.05;64.73,0.05;65.15,0.05;52.50,0.06;61.92,0.05;43.88,0.07;51.99,0.05;43.71,0.11;39.30,0.12;40.94,0.13;41.46,0.13;47.17,0.14;47.30,0.18;48.80,0.16;46.76,0.13]';T=[3 3 3 3 2 3 1 2 0 0 0 0 0 0 0 0];net=newff(minmax(Z),[10,1],{'tansig','purelin'},'trainlm');net.trainparam.epochs=1000;net.trainparam.goal=0.0001;net=train(net,Z,T);3.4.3 神经网络的分类测试为测试网络的性能，分别进行了两组实验。实验 1：用大量实际捕捞出的扇贝和石块图像依本文提出的特征提取方法对网络进行测试，并依据对输出结果进行四舍五入得到的整数进行判别。部分测试图像如图 3-4 所示，提取数据及耗时如表 3-2。为证明本文提取特征的有效性，与较多应用的提取 HU 不变矩特征方法作对比。提取图像 HU 不变矩作为神经网络的输入值，用同样的方法训练网络，再次对上述样本进行识别，提取的特征值及计算耗时如表 3-3。将依据两种特征提取方法训练网络的识别结果及实际判断结果进行对比如表 3-4。
图 3-4 实验 1 部分测试图像Fig.3-4 part of the test images for experiment 1表3-2 本文提取特征值Tab.3-2 Proposed feature vale 编号 No.D值 The value of DK值 The value of K计算耗时(s)Time consuminga 65.07 0.05 0.01b 51.10 0.06 0.01c 47.60 0.07 0.01d 58.06 0.05 0.02e 45.18 0.06 0.01f 53.36 0.05 0.01
【参考文献】：
期刊论文
[1]厚壳贻贝的模型拟合与壳体曲面分析[J]. 罗尔霖,李振华,倪洋,宋祖超,王健. 渔业现代化. 2020(01)
本文编号：3079438
本文链接：https://www.wllwen.com/nykjlw/scyylw/3079438.html
