【摘要】：優(yōu)質(zhì)農(nóng)產(chǎn)品的供應(yīng)是全世界都在關(guān)注的問題。水果是世界上最重要的農(nóng)產(chǎn)品之一,尤其在中國,是僅次于糧食作物的第二大種植產(chǎn)品,這其中蘋果又是產(chǎn)量最大,分布最廣的水果之一。中國的水果產(chǎn)量居世界首位,但單位產(chǎn)值遠低于歐美發(fā)達國家,這種情況在其他發(fā)展中國家中也很常見。有時,由于質(zhì)量問題,蘋果的經(jīng)濟效益不能滿足我們的要求。蘋果的分類過程對產(chǎn)品的附加值有著重要的影響。傳統(tǒng)的水果分級方法依賴于人類的感知,其中水果的質(zhì)量如果實的果形、顏色、紋理、果面的損傷等指標(biāo)必須通過人眼視覺檢查和經(jīng)驗來判斷。近年學(xué)者的研究也存在傳感信息,分類方法以及動態(tài)性能等問題。由于檢測和分級技術(shù)的落后,導(dǎo)致產(chǎn)品顏色大小不一,成熟度不同,產(chǎn)品質(zhì)量良莠不齊,不能量化以及用可重復(fù)的方式確定。檢測和分級技術(shù)的缺陷將嚴(yán)重影響產(chǎn)品的價值,并可能導(dǎo)致不符合出口標(biāo)準(zhǔn)和缺乏國際市場競爭力。包含傳感,信號處理,特征提取和決策的先進技術(shù)會帶來一種快速,準(zhǔn)確,可重復(fù)的水果的自動分級方法。本課題的任務(wù)就是設(shè)計一種蘋果自動分揀方法,達到無損檢測和質(zhì)量分級的目的。提出了一種基于先進傳感(機器視覺和激光)、信號處理(圖像處理)、特征提取(通過小波分析和信號熵等方法)多傳感器信號融合以及基于深度學(xué)習(xí)與模糊算法的決策技術(shù)的蘋果分級方法,使水果分級的速度、精度和可重復(fù)性得到顯著提高,同時設(shè)計一種無損自動分揀機構(gòu),實現(xiàn)對于產(chǎn)品的快速檢測和自動分揀,提高產(chǎn)品質(zhì)量和消費者滿意度,增加產(chǎn)品利潤和市場競爭力。針對本課題的任務(wù)要求,設(shè)計了一種用于蘋果分揀的實驗平臺,包括傳動系統(tǒng),傳感系統(tǒng),控制系統(tǒng),和執(zhí)行系統(tǒng)。傳動系統(tǒng)選用普通三相交流電機驅(qū)動傳送帶,用變頻器可以改變傳送帶速度�？紤]到傳感器的動態(tài)特性和信息的完整性,選擇了機器視覺和結(jié)構(gòu)光激光檢測的方法來進行蘋果的無損檢測,二者分別可以檢測蘋果的二維信息(顏色/紋理/形狀尺寸)以及三維信息(表面曲率變化)。選用光電開關(guān)來檢測蘋果的位置,選用同步輪編碼器來檢測傳送帶的速度以增加速度測量的準(zhǔn)確性。為了在分揀時不破壞蘋果,采用了高壓氣體噴射方式分揀蘋果,空壓機提供氣源,電磁閥用于控制氣路的通斷,高壓氣體噴嘴噴射出高壓氣體。同時,利用該實驗平臺可以進行圖像的獲取:光電開關(guān)檢測到蘋果后發(fā)出信號給單片機,單片機控制CCD相機拍攝照片采集到計算機里面。對于采集到的圖像,為了便于后面的特征提取與分類,設(shè)計了一系列圖像預(yù)處理方法,包括圖像增強,灰度化,二值化,邊緣提取等。采用中值濾波方式去除圖像的噪點。利用圖像形態(tài)學(xué)運算(腐蝕運算,膨脹運算,開運算)進行圖像分割和邊緣提取。利用該圖像獲取系統(tǒng)獲取了部分圖像,并在MATLAB中進行圖像預(yù)處理仿真實驗,驗證了所使用方法的有效性。對于經(jīng)過預(yù)處理的圖像,提出了蘋果圖像特征提取的方法。為了得到與蘋果質(zhì)量相關(guān)的顏色、紋理、形狀以及三維信息,設(shè)計了基于顏色矩、小波變換、激光線提取等方法的特征提取方法。對于去除背景的蘋果圖像,計算其低階矩就可以展示出蘋果的顏色特征,其一階矩和二階矩對應(yīng)蘋果顏色的均值和方差。計算蘋果圖像二維小波變換各通道系數(shù)的能量值,得到各個方向的紋理特征。提取蘋果圖像的灰度共生矩陣,對得到的結(jié)果進行多方面的運算(如能量值,相關(guān)性,對比度,灰度熵等)可以體現(xiàn)蘋果圖像的紋理特征。對圖像進行像素級計算以表達出蘋果的尺寸特征(周長、面積、圓度、等效半徑)。提出了一種窗口尋峰技術(shù)的激光線條提取方法,對提取出的激光線條中心進行像素點編碼,計算局部半徑大小和方向,可以得到蘋果表面破壞情況。根據(jù)這些方法,在MATLAB中對經(jīng)過預(yù)處理的帶有不同特征的圖像進行特征提取,驗證了算法的有效性,得到了可以充分表達蘋果質(zhì)量的特征值。為了實現(xiàn)蘋果的分級,分別介紹了基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)和模糊神經(jīng)網(wǎng)絡(luò)(FNN)的分類方法,重點介紹了他們的基本原理和基本結(jié)構(gòu)。模糊理論和人工神經(jīng)網(wǎng)絡(luò)技術(shù)是其中兩個較為活躍的領(lǐng)域。卷積神經(jīng)由一個或者多個卷積層、池化層以及全連接層組成,較于其他深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)在二維數(shù)據(jù)的處理上具有明顯的優(yōu)勢,在圖像識別領(lǐng)域應(yīng)用廣泛。模糊系統(tǒng)則具有利用專家知識和推理的能力,它對結(jié)構(gòu)化知識的處理比較有效。模糊神經(jīng)網(wǎng)絡(luò)正是模糊理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合的產(chǎn)物,它具有推理、學(xué)習(xí)、聯(lián)想和信息處理的強大能力,不僅能處理精確信息,也能處理蘋果這種含有模糊信息的問題。分類器的輸入數(shù)目如果過多,就會造成數(shù)據(jù)災(zāi)難,訓(xùn)練時間長,存儲量達。為了減少FNN的輸入,同時達到傳感器融合的效果,設(shè)計了一種基于二維主成分分析(2DPCA)的傳感器融合和數(shù)據(jù)降維的方法,將蘋果圖像的二維信息和三維信息進行融合,以達到綜合分類的目的,文中具體闡述了基本思想和基本步驟。二維主成分分析是一種并行傳感器特征層融合方法,既能保存有效信息,又能消除各信息之間的冗余。傳統(tǒng)PCA是將所有特征值串聯(lián)后進行降維,而2DPCA是將不同傳感器或不同特征提取方法得到的特征向量組成特征矩陣在進行特征降維處理。為了驗證本文提出的蘋果分級方法的有效性,設(shè)計了蘋果分揀的仿真實驗。在超市中購買了幾種價格不同的蘋果,按照他們尺寸、顏色、紋理的不同分為4類,同時將一些表面損傷的蘋果以及人為破壞一些蘋果歸為第五類。利用實驗平臺獲取了1500張?zhí)O果圖像和對應(yīng)的激光圖像。為了得到足夠數(shù)量的數(shù)據(jù)集滿足分類器的需求,利用旋轉(zhuǎn)和平移的方法得到15000個數(shù)據(jù),實現(xiàn)了數(shù)據(jù)的擴增。在基于TensorFlow的Keras中搭建了卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),包括卷積層、池化層、全連接層等。將數(shù)據(jù)集分為訓(xùn)練集、測試集、驗證集三部分。采用最小批量梯度下降法(MBGD),用訓(xùn)練集和驗證集不斷訓(xùn)練神經(jīng)網(wǎng)絡(luò),其訓(xùn)練準(zhǔn)確率和驗證準(zhǔn)確率均達到100%,測試準(zhǔn)確率達到99.33%。為了驗證CNN傳感融合的可行性,將蘋果圖像與激光圖像拼接成一張圖像并在Keras中訓(xùn)練,結(jié)果并不理想,主要原因是CNN對于細小變化不是很敏感。在MATLAB中進行了基于2DPCA和FNN的實驗。將特征提取得到的特征向量組成矩陣并用2DPCA進行降維,得到四個特征值,累計貢獻率超過99.9%。利用MATLAB平臺中的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)(ANFIS)工具箱搭建了基于T-S模型的模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),確定了各個參數(shù)(輸入數(shù)目,模糊規(guī)則數(shù)目,模糊函數(shù)等)。將2DPCA得到的特征值輸入到FNN中進行訓(xùn)練,并用測試集進行測試。最終得到了99.7的訓(xùn)練準(zhǔn)確率,99.8%的測試準(zhǔn)確率。為了證明2DPCA的優(yōu)勢,同時應(yīng)用了1DPCA作為對比。其四個特征值的累計貢獻率為95.8%,訓(xùn)練集準(zhǔn)確率為88.4%,但測試集準(zhǔn)確率只有81.0%。不斷修改參數(shù)也不能達到良好效果。實驗結(jié)果表明,CNN在蘋果彩色圖像分類上具有明顯效果,且不用進行提前特征提取,適合單一圖像的分類問題,但所需數(shù)據(jù)量大且訓(xùn)練耗時較長。而2DPCA和FNN在傳感融合與分類方面更具優(yōu)勢,不過需要事先進行特征提取和數(shù)據(jù)處理。其數(shù)據(jù)量少,訓(xùn)練時間短,特征結(jié)果更明晰。同時,相比于傳統(tǒng)1DPCA,2DPCA在數(shù)據(jù)降維效率和傳感融合方面都具有明顯優(yōu)勢。前述所有實驗結(jié)果證明了本文所提出的蘋果分級方法的有效性和可行性。
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：S661.1;TP391.41;TP18

【相似文獻】

相關(guān)期刊論文 前10條

1 高陽;樊永生;余紅英;;基于圖像熵值的加權(quán)分塊2DPCA人臉識別[J];計算機工程與設(shè)計;2016年04期

2 胡建軍;譚冠政;欒鳳剛;A.S.M.LIBDA;;2DPCA versus PCA for face recognition[J];Journal of Central South University;2015年05期

3 ;Vibration target detection and vibration parameters estimation based on the DPCA technique in dual-channel SAR[J];Science China(Information Sciences);2012年10期

4 賈新澤;楊慧貞;段晉有;田甜;程永強;;一種基于2DPCA的煤巖識別新方法[J];太原理工大學(xué)學(xué)報;2011年05期

5 朱玉蓮;彭星;;隨機采樣的2DPCA人臉識別方法[J];小型微型計算機系統(tǒng);2011年12期

6 朱明旱;羅大庸;;模塊2DPCA的缺陷與改進[J];中國圖象圖形學(xué)報;2009年01期

7 鄭豪;;模塊2DPCA算法在人臉識別中的應(yīng)用和討論[J];南京曉莊學(xué)院學(xué)報;2009年06期

8 閆榮華;彭進業(yè);汶德勝;;PCA與2DPCA的關(guān)系[J];計算機科學(xué);2017年S2期

9 王飛;;人臉識別算法中2DPCA的應(yīng)用[J];信息與電腦(理論版);2016年03期

10 鄧亞平;王敏;;基于分塊2DPCA的人臉識別方法[J];計算機工程與設(shè)計;2014年09期

相關(guān)會議論文 前10條

1 Jian Xu;Pengfei Bi;Xue Du;Juan Li;;A method of dynamic two-dimension principal component analysis for UUV vision system[A];第37屆中國控制會議論文集（F）[C];2018年

2 游山;焦振宇;許超;;大間隔原則的雙邊2DPCA在人臉識別中的應(yīng)用[A];第九屆全國信號和智能信息處理與應(yīng)用學(xué)術(shù)會議�？痆C];2015年

3 Liying Jiang;Guangting Gong;Yanpeng Zhang;Zhipeng Liu;Jianguo Cui;;Fault Detection of Rolling Bearing Based on EMD-DPCA[A];第26屆中國控制與決策會議論文集[C];2014年

4 蔣小奎;孫超;;采用匹配濾波和二次插值的方法改善DPCA的精度[A];中國聲學(xué)學(xué)會2003年青年學(xué)術(shù)會議[CYCA'03]論文集[C];2003年

5 張冰;劉振華;;一種改進的DPCA方法在實際數(shù)據(jù)中的應(yīng)用[A];2007北京地區(qū)高校研究生學(xué)術(shù)交流會通信與信息技術(shù)會議論文集（上冊）[C];2008年

6 Na Hu;Hui Ma;Tao Zhan;;A New Finger Vein Recognition Method Based on LBP and 2DPCA[A];第37屆中國控制會議論文集（F）[C];2018年

7 李強;井文才;李海峰;唐鋒;張聰躍;張以謨;周革;;小波變換在DPCA數(shù)據(jù)處理算法中的應(yīng)用[A];大珩先生九十華誕文集暨中國光學(xué)學(xué)會2004年學(xué)術(shù)大會論文集[C];2004年

8 羅仁澤;王汝言;冉瑞生;;二維PCA法策略及證明[A];2007北京地區(qū)高校研究生學(xué)術(shù)交流會通信與信息技術(shù)會議論文集（上冊）[C];2008年

9 ;Face Recognition Based on Gabor with 2DPCA and PCA[A];第24屆中國控制與決策會議論文集[C];2012年

10 Huaitao Shi;Lei Guo;Lixiu Zhang;Gang Han;Jianchang Liu;;Process Monitoring Method Based on Improved Dynamic Multi-Scale Principal Component Analysis[A];第30屆中國控制與決策會議論文集（2）[C];2018年

相關(guān)博士學(xué)位論文 前6條

1 薛巍;基于DPCA的機載雷達主雜波自適應(yīng)抑制技術(shù)研究[D];電子科技大學(xué);2001年

2 曾岳;人臉識別方法的研究[D];西安電子科技大學(xué);2011年

3 胡利平;合成孔徑雷達圖像目標(biāo)識別技術(shù)研究[D];西安電子科技大學(xué);2009年

4 孫華東;多通道SAR地面運動目標(biāo)檢測與參數(shù)估計研究[D];哈爾濱工業(yè)大學(xué);2009年

5 馬寧;基于圖像的人臉識別中關(guān)鍵技術(shù)研究[D];吉林大學(xué);2016年

6 路，

本文編號：2651024