基于机器视觉的脐橙品质自动检测分类技术研究

发布时间：2020-11-12 13:15

　　 水果品质的检测分类是其成熟后流入市场销售前的重要一步,因为水果品质的优劣直接影响其经济效益和市场竞争力。在水果质量检测方面,传统的分类方式主要有人工检测和机械检测。人工检测耗费大量的人力和财力,并且每个人具体分级的标准都会有程度不同的差异,分类的效率容易受到人们的情绪、疲劳程度以及身体状况等因素的影响;机械检测会对水果造成一定程度的机械损伤,在检测的过程中容易碰伤水果,水果一旦受到损伤,其保质期就会被缩短,慢慢变得腐烂。现有传统方法的检测效果并不够理想,将直接影响水果本该带来的最大经济收益。因此,相当有必要寻找一种能够实现水果自动检测分类的技术。机器视觉可以完成需要人眼观察、判断的任务,非常适合用于完成容易使眼睛疲劳的大量重复性动作的判断。本文以脐橙为例,将机器视觉应用于脐橙品质的检测分类中,可以提高检测分类的效率和准确率,最终实现脐橙的自动化无损检测分类。为了克服传统检测分类方法的不足,本文的主要研究内容和创新点如下:(1)由于传统方法去噪会损失图像的部分有用信息,为了克服这一缺点,本文在第三章中研究了基于字典学习的图像去噪方法,利用K-SVD(K-Singular Value Decomposition)算法完成字典的训练,同时研究了该算法的原理和去噪的流程。该方法采用稀疏编码和字典训练两个关键技术,通过对不同算法的实验分析,结果表明该方法能够更完整地保留图像原有的信息,从而达到更佳的去噪效果。(2)现有传统的检测分类方法往往只是针对单一特征进行独立的判别,分类的效果并不理想。为了进一步提高检测率,本文借助于HALCON平台,在第四章中提出了基于特征融合的方法对脐橙实现检测分类。该方法提取了脐橙的横径大小、果皮颜色和表面缺陷这三个特征,首先分别对这三个特征进行单一的检测分类,并给出相应的分类结果,然后把这三个特征融合在一起进行分类,最后给出利用特征融合的方法完成脐橙综合检测分类的结果。(3)现有的研究大多集中在利用人为设计特征完成判别,这些方法相当的耗费时间和精力,因此,设法找到一种能够通过自动学习特征的方法来完成判别是非常必要的。本文在第五章中提出了基于深度学习的方法对脐橙的品质实现检测分类,采集了优质的、良好的、合格的、不合格的4类脐橙图片各1000张,完成了脐橙数据集的构建;基于改进的残差网络构建了对脐橙品质自动分类的网络模型,自动学习样本数据的潜在分布,采用监督学习的方法完成模型的训练,并与其他方法检测分类的效果进行了对比。
【学位单位】：江西理工大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：S666.4;TP391.41
【部分图文】：

把彩色图像转换为灰度图像，脐橙的原始彩色图像和对应的灰度图像如下图 2.1 所示：（a）脐橙的原始彩色图像 （b）脐橙的灰度图像图2.1 脐橙的原始彩色图像和灰度图2.1 颜色空间颜色空间也叫做彩色空间，它是一种数学模型，该模型可以对颜色进行抽象化的描述。在对脐橙图像进行预处理的过程中，需要选取所使用的颜色模型，这影响到后期在果皮颜色检测分类时提取颜色特征的准确性。最常采用的三种彩色模型有 RGB(red,green,blue)模型、HSL(hue,saturation,lightness)模型以及HSV(hue,saturation,value)模型。(1) RGB 彩色模型RGB 模型是一个正方体，利用色光混合的原理[24]，通过把红、绿、蓝 3 种色光融合在一起生成可见光中的所有颜色。不同取值的 R、G 和 B 组合能够描述不同的颜色，其取值

(2.1)式子中的1 对应的是物体，0 对应的则是背景。将阈值进行二值化，分割结果如下图2.6 所示：图2.6 脐橙的分割结果图图像二值化是为了最大程度的保留图像中感兴趣的目标区域，经过二值化的处理之后才能更好地对图像进行特征提取和进一步的分析。二值化处理后在图像上只能看到黑色和白色两种效果，大大地减少了图像中的数据数量，提高了对图像的处理速度，这使得在提取图像轮廓特征的时候非常便利。二值化的过程就是设定一个用来判断图像上的像素点是目标区域还是背景区域的阈值T ，把灰度图像中大于 的像素值设定为 255(白色)，把灰度图像中小于 的像素值设定为 0(黑色)，并且由此生成对应的二值图像。2.3 图像去噪图像是日常生活中最常用的信息载体之一，在采集和传输图像过程中会受到拍摄设备以及周围环境等外部因素的影响，难免会带有一定程度的噪声污染，使得图像变得模糊

（c）σ=25的原始干净图像 （d）σ=25的DCT字典去噪图像（f）σ=25的Global字典去噪图像 （g）σ=25的K-SVD字典去噪图像图3.4 σ=25的脐橙图像去噪实验结果图上图3.4给出脐橙图像在噪声标准差σ=25时的去噪效果图，实验基于PC平台(CPU主频2.50HZ，内存4GB)，用MATLAB R2014a进行去噪实验。根据上述理论的分析，加入了
【相似文献】

相关期刊论文 前10条

1 ;机器视觉[J];光机电信息;2002年08期

2 朱瑞;机器视觉在复杂零、部件测量方面的应用[J];今日电子;2004年06期

3 黎红伟;;关于机器视觉镜头[J];可编程控制器与工厂自动化;2005年02期

4 钱竞业;;机器视觉的发展方向探讨[J];现代制造;2006年06期

5 傅昆;;行者无疆——机器视觉的中国崛起[J];现代制造;2006年21期

6 雷文华;;机器视觉及其应用(系列讲座) 第一讲 机器视觉发展概述[J];应用光学;2006年05期

7 ;机器视觉的应用使生产加工更加智能、高效[J];现代制造;2009年06期

8 李树杰;;中国机器视觉的发展趋势[J];赤峰学院学报(自然科学版);2010年01期

9 ;机器视觉最新技术动态[J];中国光学;2013年01期

10 冯伯儒;;机器视觉中的电-光技术[J];光电子学技术;1986年01期

相关硕士学位论文 前10条

1 叶青松;基于机器视觉的工业检测研究[D];江南大学;2008年

2 王聪;基于机器视觉的客流统计方法与实现[D];西南大学;2009年

3 张强;基于机器视觉的产品检测技术研究[D];中国人民解放军信息工程大学;2005年

4 刘伟;基于机器视觉的驾驶员桩考系统研究[D];合肥工业大学;2007年

5 潘武;基于机器视觉的工件的识别和定位[D];北京化工大学;2012年

6 冀瑜;基于机器视觉的高精度尺寸检测技术及应用研究[D];中国计量科学研究院;2006年

7 高晟丽;基于机器视觉的工件检测技术研究[D];解放军信息工程大学;2006年

8 廖维;基于机器视觉的工件加工尺寸在线测量方法与系统研究[D];武汉理工大学;2012年

9 孔峰;基于单目机器视觉的在线自动灌装系统研究[D];江苏科技大学;2012年

10 陈祎;基于以太网的机器视觉操作终端软件的研究与开发[D];江南大学;2011年

本文编号：2880785