基于表面褶皱干制哈密大枣分级方法研究

发布时间：2022-09-29 14:40

　　干制哈密大枣具有极高的营养及药用价值,深受广大消费者的青睐。随着社会对红枣的需求量不断加大,广大企业家对红枣加工处理的积极性也得到了提高。在干制哈密大枣加工过程中,其表面褶皱情况是评估干制哈密大枣外部品质的重要分级标准,因此必须根据干制哈密大枣表面褶皱情况,对其进行进一步分拣,来提高干制哈密大枣的附在价值。本文在前人理论和实际应用的基础上,利用机器视觉采集平台拍摄干制哈密大枣图像,用于后续的图像处理和干制哈密大枣分级研究。本论文主要研究成果如下:1、利用单尺度二维离散小波将干制哈密大枣图像分解得到低频信号和高频信号,图像的低频信号能反应图像的轮廓,而高频信号更能反应图像混入的噪声和细节。因此通过分别将高频信号的水平、垂直和对角信号进行削弱再和增强的低频信号进行图像重构,将重构好的干制哈密大枣图像用于后续连通域的提取。为了提取更加丰富的干制哈密大枣纹理信息,本文通过将高频信号的水平、垂直和对角信号进行增强再和削弱的低频信号进行图像重构,将重构图用于后续干制哈密大枣纹理信息的提取。2、本文运用前人提出的两种描述连通域密度的算法,来定量描述干制哈密大枣表面褶皱情况。在算法一（A1）中,将图像... 

【文章页数】：68 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 国内外红枣外部品质检测研究现状
        1.2.2 机器学习分类方法在农产品无损检测的研究现状
    1.3 研究目标与内容
        1.3.1 研究目标
        1.3.2 研究内容
    1.4 技术路线
    1.5 本章小结
第二章 试验材料、装置及分类方法介绍
    2.1 试验材料
    2.2 图像采集系统
        2.2.1 工业相机
        2.2.2 图像采集系统
    2.3 ELM分类模型
    2.4 SVM分类模型
    2.5 深度学习分类模型
        2.5.1 卷积神经网络概述
        2.5.2 网络模型训练
    2.6 本章小结
第三章 干制哈密大枣表面褶皱特征提取
    3.1 干制哈密大枣图像预处理
        3.1.1 离散小波变换
        3.1.2 图像的分解与重构
    3.2 基于灰度共生矩阵干制哈密大枣纹理特征提取
    3.3 干制哈密大枣颜色特征提取
        3.3.1 RGB颜色空间构成
        3.3.2 HSI颜色空间构成
        3.3.3 hsv颜色空间构成
        3.3.4 颜色模型转换
    3.4 连通域疏密度特征提取
        3.4.1 干制哈密大枣连通域提取
        3.4.2 形态学操作
        3.4.3 干制哈密大枣和连通域质心位置的获取
        3.4.4 连通域疏密度的计算方法
    3.5 本章小结
第四章 数据处理与建模方法
    4.1 特征选择与融合
    4.2 干制哈密大枣评估模型样本划分
    4.3 数据预处理
    4.4 基于SVM和 ELM干制哈密大枣分级
        4.4.1 评估模型的建立
        4.4.2 试验结果的对比与分析
    4.5 本章小结
第五章 基于深度学习干制哈密大枣分级研究
    5.1 干制哈密大枣图像预处理
        5.1.1 基于最小矩形框图像剪切
        5.1.2 干制哈密大枣图像背景分割
    5.2 基于卷积神经网络干制哈密大枣分级
        5.2.1 试验数据
        5.2.2 卷积神经网络模型结构
        5.2.3 网络模型训练原始参数设置
        5.2.4 试验结果对比
    5.3 基于Faster-RCNN干制哈密大枣定位与分级
        5.3.1 Faster-RCNN检测模型
        5.3.2 候选区域生成网络
        5.3.3 干制哈密大枣数据集制作
        5.3.4 Faster-RCNN模型特征提取
        5.3.5 模型参数设置及RPN网络训练
    5.4 干制哈密大枣的定位与分级
        5.4.1 基于传统方法干制哈密大枣的定位
        5.4.2 基于Faster-RCNN干制哈密大枣的定位与分级
    5.5 本章小结
第六章 结论与展望
    6.1 工作结论
    6.2 工作展望
参考文献
致谢
作者简介
附件


【参考文献】：
期刊论文
[1]基于图像处理的红枣分级检测方法设计[J]. GANBOLD OTGONTSETSEG,于鸿彬,李志鹏,邵宏宇.  安徽农业科学. 2020(05)
[2]基于HSV色彩空间的红枣叶片病斑分割方法[J]. 李新疆,王赏贵,王丹,李扬,李疆.  安徽农学通报. 2020(04)
[3]基于环境气体信息的BP神经网络苹果贮藏品质预测[J]. 张永超,赵录怀,王昊,张宇航.  江苏农业学报. 2020(01)
[4]基于网中网卷积神经网络的红枣缺陷检测[J]. 杨志锐,郑宏,郭中原,许晓航.  食品与机械. 2020(02)
[5]改进深度学习框架Faster-RCNN的苹果目标检测[J]. 李林升,曾平平.  机械设计与研究. 2019(05)
[6]基于分数阶离散小波变换的数字水印算法[J]. 刘玮.  山东工业技术. 2019(09)
[7]基于帧间路径搜索和E-CNN的红枣定位与缺陷检测[J]. 曾窕俊,吴俊杭,马本学,汪传建,罗秀芝,王文霞.  农业机械学报. 2019(02)
[8]基于智能手机声信号哈密瓜成熟度的快速检测[J]. 吕吉光,吴杰.  食品科学. 2019(24)
[9]电感耦合等离子体质谱法同时检测红枣中铅、砷、镉、汞、铜、锌和16种稀土元素[J]. 冯新忠.  化学分析计量. 2018(01)
[10]面向大规模图像分类的深度卷积神经网络优化[J]. 白琮,黄玲,陈佳楠,潘翔,陈胜勇.  软件学报. 2018(04)

硕士论文
[1]基于机器视觉的干制骏枣分级方法研究[D]. 刘小文.塔里木大学 2019
[2]基于机器视觉的红枣外观品质自动分选装置研制[D]. 梁宁.西北农林科技大学 2019
[3]基于机器视觉的红枣表面缺陷检测算法研究[D]. 吴俊杭.石河子大学 2019
[4]智慧牧业中基于深度学习的羊分娩场景识别算法应用研究[D]. 孙诗文.内蒙古工业大学 2019
[5]基于深度学习的小麦外观品质机器视觉检测研究[D]. 张博.西北农林科技大学 2019
[6]基于机器视觉的樱桃番茄在线分级检测研究[D]. 常英.兰州理工大学 2019
[7]基于深度学习的水果糖度可见/近红外光谱无损检测方法研究[D]. 温馨.北京交通大学 2018
[8]红枣农药残留检测方法的研究[D]. 刘惠.西北农林科技大学 2018
[9]基于OpenCV的红枣纹理检测研究[D]. 蒋伟.石河子大学 2017
[10]基于机器视觉南疆红枣颜色分级方法研究[D]. 詹映.塔里木大学 2015



本文编号：3682775