基于图像特征和BP神经网络的鸭梨品质检测系统

发布时间：2020-05-11 19:53

【摘要】：鸭梨作为我省的特产水果,同时也是我国主要出口水果之一。鸭梨的品质检测是其销售前重要的一个环节。在我国,鸭梨品质检测工作主要是依靠人工完成的。这样往往因为检测效率低下、结果不准确等问题而不能保证鸭梨的出售品质。因此本文设计开发了一套基于图像特征和BP神经网络的鸭梨品质检测系统,此系统主要是通过鸭梨的大小、形状、颜色、表面缺陷4个图像特征对鸭梨进行等级划分。本文主要工作如下:(1)鸭梨图像的预处理。本文对图像进行灰度化处理、中值滤波去噪、频域法图像增强、Ostu分割法目标分割、Canny边缘检测提取轮廓等操作。(2)图像特征参数提取。对于已处理好的图像,首先通过提取鸭梨的横径来计算出鸭梨的体积大小;其次利用傅里叶描述子来数值化描述鸭梨的形状;然后通过计算鸭梨图像HSI颜色模型中各色通道的均值来估算鸭梨的成熟程度;最后采用区域生长法和Canny边缘检测法对鸭梨表面缺陷进行轮廓提取,并根据缺陷区域的颜色和像素点的数量来判断缺陷的种类和面积大小。(3)研究BP神经网络在鸭梨品质检测系统中的应用。通过优化BP神经网络算法参数,设计了一个3-8-3结构的神经网络模型。该模型隐含层的转移函数选用Sigmoid函数,隐含层与输出层之间选用线性函数。选取鸭梨的体积,鸭梨的形状,鸭梨的表皮颜色3个特征值作为输入,缺陷作为等外品的判定标准故不作为网络输入,将鸭梨的三个等级作为输出。本文采用Microsoft Visual Studio平台结合MATLAB神经网络工具箱进行实验。经过神经网络训练后,将该检测方法所得到的检测结果与人为检测结果进行对比,匹配率达到90%。实验结果表明,使用图像特征和BP神经网络进行鸭梨品质检测的方法行之有效,系统具有较高的实用性。
【图文】：

彩色图像,彩色图像

图 2-1 RGB 彩色图像图 2-2 H 分量灰度图像2.3 图像去噪在获取图像的过程中，图像的画质也会受到噪声的干扰，而这种噪声并日常所说的噪声，它是在图像生成或图像相互传播的过程中受到的各种因素噪声的出现可能会使图像中的信息出现错误，无法保证图像信息的准确性，会对后来的图像处理工作和特征提取工作产生不利的影响。影响图像画质的类有很多，比如：光、电、声等自然物质作用对图像所产生的噪声，采集图器使用不当所产生的噪声，信道噪音或其他噪声等。因此，为了避免图片失须抑制噪声对图像的干扰，对图像进行图像去噪工作。图片的噪音特征如下：图像中的噪声位置和面积大小没有一定的规律，都是随机产生的。这样图像的去噪工作造成一定的困难。图像的生成过程也会导致噪声的出现。例如：利用照相机拍照时，图像亮度暗的部分噪声相对较大，反之亮度亮的部分噪声相对较小。又比如对于

灰度图像,分量,噪声,图像

图 2-1 RGB 彩色图像图 2-2 H 分量灰度图像2.3 图像去噪在获取图像的过程中，图像的画质也会受到噪声的干扰，，而这种噪声并日常所说的噪声，它是在图像生成或图像相互传播的过程中受到的各种因素噪声的出现可能会使图像中的信息出现错误，无法保证图像信息的准确性，会对后来的图像处理工作和特征提取工作产生不利的影响。影响图像画质的类有很多，比如：光、电、声等自然物质作用对图像所产生的噪声，采集图器使用不当所产生的噪声，信道噪音或其他噪声等。因此，为了避免图片失须抑制噪声对图像的干扰，对图像进行图像去噪工作。图片的噪音特征如下：图像中的噪声位置和面积大小没有一定的规律，都是随机产生的。这样图像的去噪工作造成一定的困难。图像的生成过程也会导致噪声的出现。例如：利用照相机拍照时，图像亮度暗的部分噪声相对较大，反之亮度亮的部分噪声相对较小。又比如对于
【学位授予单位】：河北科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：S661.2;TP391.41;TP183

【相似文献】