基于机器学习的大米外观品质检测方法研究

发布时间：2021-11-13 20:19

　　我国每年大米产量巨大。随着计算机技术的飞速发展,机器学习在大米检测方面的应用越来越广泛,与传统人工检测技术相比,具有客观性和科学性,是自动化分级发展的必然趋势。目前,我国大米外观品质的快速检测技术已经取得了不错的成果,但是现有的研究成果距在农业生产上的实际应用还有一定的距离。因而研究基于机器学习的大米外观品质检测技术具有很高的理论价值和实际意义。本文以四川省科技计划项目“基于非接触式传感和大数据分析的稻谷品质检测系统原型设计与开发运用”为背景,展开如下研究:首先,介绍大米图像的检测系统,包括硬件系统、软件环境及大米选取与分类规定等内容。对大米图像进行灰度化处理、图像噪声处理、背景分割及图像标记处理,并对仿真结果进行分析说明,选择出适合本文的预处理算法。其次,采用基于BP神经网络的方法实现对大米外观品质的检测,包含对完善粒、垩白粒、黄米粒及碎米粒品质的划分。选取大米米粒的面积、长度、宽度、长宽比、色调均值及垩白度作为网络的输入参数,并通过测试验证了它们作为神经网络的输入数据是合理且有效的,训练完成后的BP网络平均识别准确率可以达到91.8%。最后,研究基于卷积神经网络的大米外观品质检测方... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 本文应用创新
    1.4 论文结构安排
第二章 相关理论与技术
    2.1 机器学习概述
    2.2 BP网络概述
        2.2.1 BP网络结构
        2.2.2 BP网络算法流程
    2.3 卷积神经网络概述
        2.3.1 卷积神经网络的发展
        2.3.2 卷积神经网络的结构
    2.4 本章小结
第三章 大米图像预处理研究
    3.1 引言
    3.2 大米图像检测系统
        3.2.1 硬件系统
        3.2.2 软件环境
        3.2.3 大米选取与分类规定
    3.3 大米图像预处理算法
        3.3.1 灰度化处理
        3.3.2 图像噪声处理
        3.3.3 背景分割
        3.3.4 图像标记算法
    3.4 本章小结
第四章 基于BP神经网络的大米外观品质检测方法研究
    4.1 引言
    4.2 面积的提取及米粒品质的判别
        4.2.1 面积的提取
        4.2.2 基于面积阈值的米粒品质判别法
    4.3 形状信息的提取及米粒品质的判别
        4.3.1 形状信息的提取
        4.3.2 基于长宽比阈值的米粒品质判别法
    4.4 颜色信息的提取及米粒品质的判别
        4.4.1 色调的提取及米粒品质的判别
        4.4.2 垩白度的提取及米粒品质的判别
    4.5 BP神经网络的设计及结果分析
        4.5.1 特征数据库的建立
        4.5.2 BP神经网络的设计
        4.5.3 网络学习过程
        4.5.4 结果分析
    4.6 本章小结
第五章 基于卷积神经网络的大米外观品质检测方法研究
    5.1 MobileNetV1 网络
        5.1.1 两种卷积方式的对比
        5.1.2 网络的选取
    5.2 MobileNet_fc4 网络优化算法
        5.2.1 常用优化方法
        5.2.2 L1和L2范数
        5.2.3 优化算法流程
    5.3 剪枝规则及结果分析
        5.3.1 剪枝规则
        5.3.2 结果分析
    5.4 PC端实验及结果分析
        5.4.1 自建大米数据集
        5.4.2 实验条件
        5.4.3 网络文件编写
        5.4.4 结果分析
    5.5 手机端实验及结果分析
        5.5.1 实验条件
        5.5.2 程序开发
        5.5.3 结果分析
    5.6 本章小结
第六章 总结与展望
    6.1 本文工作总结
    6.2 后续研究展望
致谢
参考文献
攻读硕士学位期间取得的成果


【参考文献】：
期刊论文
[1]CNN深度学习的验证码识别及Android平台移植[J]. 王枫,陈小平.  单片机与嵌入式系统应用. 2019(07)
[2]基于拉曼光谱技术鉴别新陈大米的方法研究[J]. 赵迎,李明,王小龙,李小佳.  光谱学与光谱分析. 2019(05)
[3]深度学习在语音情感识别中的应用与分析[J]. 马树文.  科技传播. 2019(04)
[4]机器学习的理论发展及应用现状[J]. 娄棕棋.  中国新通信. 2019(01)
[5]基于深层卷积神经网络的剪枝优化[J]. 马治楠,韩云杰,彭琳钰,周进凡,林付春,刘宇红.  电子技术应用. 2018(12)
[6]高光谱图像技术在掺假大米检测中的应用[J]. 孙俊,金夏明,毛罕平,武小红,杨宁.  农业工程学报. 2014(21)
[7]分选加工中稻米垩白自动检测算法[J]. 刘璎瑛,丁为民,李毅念,陈建伟,谢琴.  农业工程学报. 2013(18)
[8]基于多峰分布最大类间方差的垩白米粒检测方法[J]. 徐建东,孙迎春,李帅,黄金侠,蒋野,姜永成.  光电子.激光. 2012(05)
[9]基于模式识别的米粒形状分析[J]. 张双德,周龙,胡涛.  安徽农业科学. 2009(02)
[10]基于图像处理的稻米垩白自动检测研究[J]. 于润伟,朱晓慧.  中国粮油学报. 2007(01)

博士论文
[1]基于拉曼光谱与有机成分分析的大米身份识别[D]. 田芳明.吉林大学 2018
[2]基于可见光/近红外光谱的稻米质量快速无损检测研究[D]. 石礼娟.华中农业大学 2011
[3]基于机器视觉的稻米品质评判方法研究[D]. 刘璎瑛.南京农业大学 2010
[4]基于机器视觉的谷物外观品质检测技术研究[D]. 凌云.中国农业大学 2004

硕士论文
[1]自然语言处理技术在项目文档管理中的应用研究[D]. 王学敏.北京邮电大学 2019
[2]基于高光谱技术的掺假大米快速检测研究[D]. 余云新.华中科技大学 2019
[3]多粒度卷积神经网络剪枝算法的研究[D]. 周晚晴.北京工业大学 2019
[4]卷积神经网络剪枝和量化方法研究[D]. 缪及.哈尔滨工业大学 2019
[5]基于VGGNet深度卷积特征的人脸表情识别方法研究[D]. 杨文杰.广东工业大学 2018
[6]糙米品质指标及其评价方法研究[D]. 白国伟.河南工业大学 2011



本文编号：3493654