基于机器视觉的马铃薯薯形与外部缺陷算法研究

发布时间：2019-11-07 23:35

【摘要】：随着我国2015年马铃薯主粮化战略的启动,相关产业得到快速发展。马铃薯品质直接影响到深加工产业的经济效益,对其分级是进行工业化生产的重要前提。目前机械分级的方式易对马铃薯造成二次损伤,且只能检测单一特征;而人工检测效率低、成本高。因此进行快速无损马铃薯品质分级算法研究具有重要意义。本文对马铃薯形状分类与外部缺陷检测算法进行研究,并在硬件上实现算法的验证。主要研究内容及成果如下:1.设计了基于机器视觉的马铃薯图像采集系统。主要包括确定光室的内部布置;对CCD相机进行标定,消除畸变对采集图像的影响。2.对比图像预处理环节中多个算法的实现效果,确定处理效果最优的算法。3.研究图像的不变矩在马铃薯形状检测中的应用,利用粒子群算法优化支持向量机的相关参数,提高薯形分类准确率。在区域的不变矩基础上利用改进的基于边缘的不变矩进行薯形判断,并引入新的不变矩构成合适的特征向量。实验表明提取的边界矩具有良好的不变性,计算时间相对区域的不变矩有所减少。最终利用7个边界矩以及2个引入的边界矩,并对部分边界矩取绝对值构成特征向量,提高了分类准确率。本文将马铃薯分为非畸形与畸形两类,平均分类准确率为95%。4.结合马铃薯外部缺陷的颜色特征,提出基于HSI颜色模型的亮度截取法对干腐、孔洞、出芽、机械损伤等外部缺陷进行检测;利用RGB颜色模型对马铃薯进行青斑检测。最终综合两种算法实现对多种缺陷的检测,并辅以矩形框进行标记。5.研究基于机器视觉的马铃薯薯形与外部缺陷检测算法在Zedboard平台上的实现。搭建了PS与PL构架的SoC芯片内软硬件环境,结合Linux系统、Qt框架以及OpenCV视觉库实现马铃薯品质检测。实验表明检测一张640×480像素的图片平均用时4s。
【图文】：

机器视觉系统,水果

图 1-2 Gamal ElMasry 的实时机器视觉系统Figure 1-2Areal-time machine vision system by Gamal ElMasry内研究现状[22]将参考形状分析法用于果形判别，提出利用半径、曲率及其参数等特征，并结合 BP 神经网络算法对果实形状进行判断。，准确率达到 93%。煜、应义斌[23]等人成功开发水果品质智能化实时监测与分级。利用计算机视觉系统、水果输送系统、分级机构以及自动控单列化，并将水果均匀翻转、输送，将其以恰当的姿态位置呈，全方面扫描水果表面。将这些信息输入至计算机，实现如大小等多个指标的检测。检测速度达每小时 3~6 吨，适用于苹果、豆等多种水果及农产品。

照片,水果品质,实时检测,马铃薯

1.水果输送翻送系统 2.计算机视觉识别系统 3.分级系统 4.光照箱动态5.图像采集系统 6.微机 7.控制模块 8.分级执行机构 9.位置传感图 1-3 水果品质智能化实时检测和分级系统简图Figure 1-3 Real-time intelligent inspecting and grading line of fruit quality袁佐云[24]等人拍摄稻米的照片，根据稻米最小外接矩形的长宽参数，为长粒、中粒以及短粒。平均相对误差为 3.21%郁志宏[25]等人结合种蛋图像的各阶矩数据得到长径、短径以及短径方直径，，并利用遗传神经网络检测蛋形。检测准确率达到 95%以上。郝敏[26]建立了马铃薯外部品质检测系统，实现了基于机器视觉的重量外部缺陷三个指标的马铃薯品质检测。其利用计算改进的 Zernike 矩合支持向量机实现对畸形和良好马铃薯属性分类，准确率分别为 10。李锦卫[27]等人利用快速灰度截留分割法以及在九色模型里将原先的黑展为黑白灰三色的方法分离马铃薯的表面缺陷。对于出芽图像识别%，马铃薯表面缺陷检测准确率为 95.7%。邓立苗[28]等人采用近似椭圆法检测马铃薯形状，采用逐点检测法检测
【学位授予单位】：中国矿业大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：S532;TP391.41

【参考文献】