【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(wèn)題。水果是世界上最重要的農(nóng)產(chǎn)品之一,尤其在中國(guó),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(guó)的水果產(chǎn)量居世界首位,但單位產(chǎn)值遠(yuǎn)低于歐美發(fā)達(dá)國(guó)家,這種情況在其他發(fā)展中國(guó)家中也很常見。有時(shí),由于質(zhì)量問(wèn)題,蘋果的經(jīng)濟(jì)效益不能滿足我們的要求。蘋果的分類過(guò)程對(duì)產(chǎn)品的附加值有著重要的影響。傳統(tǒng)的水果分級(jí)方法依賴于人類的感知,其中水果的質(zhì)量如果實(shí)的果形、顏色、紋理、果面的損傷等指標(biāo)必須通過(guò)人眼視覺檢查和經(jīng)驗(yàn)來(lái)判斷。近年學(xué)者的研究也存在傳感信息,分類方法以及動(dòng)態(tài)性能等問(wèn)題。由于檢測(cè)和分級(jí)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(cè)和分級(jí)技術(shù)的缺陷將嚴(yán)重影響產(chǎn)品的價(jià)值,并可能導(dǎo)致不符合出口標(biāo)準(zhǔn)和缺乏國(guó)際市場(chǎng)競(jìng)爭(zhēng)力。包含傳感,信號(hào)處理,特征提取和決策的先進(jìn)技術(shù)會(huì)帶來(lái)一種快速,準(zhǔn)確,可重復(fù)的水果的自動(dòng)分級(jí)方法。本課題的任務(wù)就是設(shè)計(jì)一種蘋果自動(dòng)分揀方法,達(dá)到無(wú)損檢測(cè)和質(zhì)量分級(jí)的目的。提出了一種基于先進(jìn)傳感(機(jī)器視覺和激光)、信號(hào)處理(圖像處理)、特征提取(通過(guò)小波分析和信號(hào)熵等方法)多傳感器信號(hào)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(jí)方法,使水果分級(jí)的速度、精度和可重復(fù)性得到顯著提高,同時(shí)設(shè)計(jì)一種無(wú)損自動(dòng)分揀機(jī)構(gòu),實(shí)現(xiàn)對(duì)于產(chǎn)品的快速檢測(cè)和自動(dòng)分揀,提高產(chǎn)品質(zhì)量和消費(fèi)者滿意度,增加產(chǎn)品利潤(rùn)和市場(chǎng)競(jìng)爭(zhēng)力。針對(duì)本課題的任務(wù)要求,設(shè)計(jì)了一種用于蘋果分揀的實(shí)驗(yàn)平臺(tái),包括傳動(dòng)系統(tǒng),傳感系統(tǒng),控制系統(tǒng),和執(zhí)行系統(tǒng)。傳動(dòng)系統(tǒng)選用普通三相交流電機(jī)驅(qū)動(dòng)傳送帶,用變頻器可以改變傳送帶速度�？紤]到傳感器的動(dòng)態(tài)特性和信息的完整性,選擇了機(jī)器視覺和結(jié)構(gòu)光激光檢測(cè)的方法來(lái)進(jìn)行蘋果的無(wú)損檢測(cè),二者分別可以檢測(cè)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(lái)檢測(cè)蘋果的位置,選用同步輪編碼器來(lái)檢測(cè)傳送帶的速度以增加速度測(cè)量的準(zhǔn)確性。為了在分揀時(shí)不破壞蘋果,采用了高壓氣體噴射方式分揀蘋果,空壓機(jī)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(shí),利用該實(shí)驗(yàn)平臺(tái)可以進(jìn)行圖像的獲取:光電開關(guān)檢測(cè)到蘋果后發(fā)出信號(hào)給單片機(jī),單片機(jī)控制CCD相機(jī)拍攝照片采集到計(jì)算機(jī)里面。對(duì)于采集到的圖像,為了便于后面的特征提取與分類,設(shè)計(jì)了一系列圖像預(yù)處理方法,包括圖像增強(qiáng),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(diǎn)。利用圖像形態(tài)學(xué)運(yùn)算(腐蝕運(yùn)算,膨脹運(yùn)算,開運(yùn)算)進(jìn)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(jìn)行圖像預(yù)處理仿真實(shí)驗(yàn),驗(yàn)證了所使用方法的有效性。對(duì)于經(jīng)過(guò)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(jì)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(duì)于去除背景的蘋果圖像,計(jì)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(duì)應(yīng)蘋果顏色的均值和方差。計(jì)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(gè)方向的紋理特征。提取蘋果圖像的灰度共生矩陣,對(duì)得到的結(jié)果進(jìn)行多方面的運(yùn)算(如能量值,相關(guān)性,對(duì)比度,灰度熵等)可以體現(xiàn)蘋果圖像的紋理特征。對(duì)圖像進(jìn)行像素級(jí)計(jì)算以表達(dá)出蘋果的尺寸特征(周長(zhǎng)、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(duì)提取出的激光線條中心進(jìn)行像素點(diǎn)編碼,計(jì)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(duì)經(jīng)過(guò)預(yù)處理的帶有不同特征的圖像進(jìn)行特征提取,驗(yàn)證了算法的有效性,得到了可以充分表達(dá)蘋果質(zhì)量的特征值。為了實(shí)現(xiàn)蘋果的分級(jí),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(diǎn)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(gè)較為活躍的領(lǐng)域。卷積神經(jīng)由一個(gè)或者多個(gè)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(shì),在圖像識(shí)別領(lǐng)域應(yīng)用廣泛。模糊系統(tǒng)則具有利用專家知識(shí)和推理的能力,它對(duì)結(jié)構(gòu)化知識(shí)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(qiáng)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(wèn)題。分類器的輸入數(shù)目如果過(guò)多,就會(huì)造成數(shù)據(jù)災(zāi)難,訓(xùn)練時(shí)間長(zhǎng),存儲(chǔ)量達(dá)。為了減少FNN的輸入,同時(shí)達(dá)到傳感器融合的效果,設(shè)計(jì)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(jìn)行融合,以達(dá)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(jìn)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(jìn)行特征降維處理。為了驗(yàn)證本文提出的蘋果分級(jí)方法的有效性,設(shè)計(jì)了蘋果分揀的仿真實(shí)驗(yàn)。在超市中購(gòu)買了幾種價(jià)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(shí)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(shí)驗(yàn)平臺(tái)獲取了1500張?zhí)O果圖像和對(duì)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(gè)數(shù)據(jù),實(shí)現(xiàn)了數(shù)據(jù)的擴(kuò)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(cè)試集、驗(yàn)證集三部分。采用最小批量梯度下降法(MBGD),用訓(xùn)練集和驗(yàn)證集不斷訓(xùn)練神經(jīng)網(wǎng)絡(luò),其訓(xùn)練準(zhǔn)確率和驗(yàn)證準(zhǔn)確率均達(dá)到100%,測(cè)試準(zhǔn)確率達(dá)到99.33%。為了驗(yàn)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(duì)于細(xì)小變化不是很敏感。在MATLAB中進(jìn)行了基于2DPCA和FNN的實(shí)驗(yàn)。將特征提取得到的特征向量組成矩陣并用2DPCA進(jìn)行降維,得到四個(gè)特征值,累計(jì)貢獻(xiàn)率超過(guò)99.9%。利用MATLAB平臺(tái)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(gè)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(jìn)行訓(xùn)練,并用測(cè)試集進(jìn)行測(cè)試。最終得到了99.7的訓(xùn)練準(zhǔn)確率,99.8%的測(cè)試準(zhǔn)確率。為了證明2DPCA的優(yōu)勢(shì),同時(shí)應(yīng)用了1DPCA作為對(duì)比。其四個(gè)特征值的累計(jì)貢獻(xiàn)率為95.8%,訓(xùn)練集準(zhǔn)確率為88.4%,但測(cè)試集準(zhǔn)確率只有81.0%。不斷修改參數(shù)也不能達(dá)到良好效果。實(shí)驗(yàn)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(jìn)行提前特征提取,適合單一圖像的分類問(wèn)題,但所需數(shù)據(jù)量大且訓(xùn)練耗時(shí)較長(zhǎng)。而2DPCA和FNN在傳感融合與分類方面更具優(yōu)勢(shì),不過(guò)需要事先進(jìn)行特征提取和數(shù)據(jù)處理。其數(shù)據(jù)量少,訓(xùn)練時(shí)間短,特征結(jié)果更明晰。同時(shí),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(shì)。前述所有實(shí)驗(yàn)結(jié)果證明了本文所提出的蘋果分級(jí)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(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：S661.1;TP391.41;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 高陽(yáng);樊永生;余紅英;;基于圖像熵值的加權(quán)分塊2DPCA人臉識(shí)別[J];計(jì)算機(jī)工程與設(shè)計(jì);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(qiáng);;一種基于2DPCA的煤巖識(shí)別新方法[J];太原理工大學(xué)學(xué)報(bào);2011年05期

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

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

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

8 閆榮華;彭進(jìn)業(yè);汶德勝;;PCA與2DPCA的關(guān)系[J];計(jì)算機(jī)科學(xué);2017年S2期

9 王飛;;人臉識(shí)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(shí)別方法[J];計(jì)算機(jī)工程與設(shè)計(jì);2014年09期

相關(guān)會(huì)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(guó)控制會(huì)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(shí)別中的應(yīng)用[A];第九屆全國(guó)信號(hào)和智能信息處理與應(yīng)用學(xué)術(shù)會(huì)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(guó)控制與決策會(huì)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(guó)聲學(xué)學(xué)會(huì)2003年青年學(xué)術(shù)會(huì)議[CYCA'03]論文集[C];2003年

5 張冰;劉振華;;一種改進(jìn)的DPCA方法在實(shí)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(huì)通信與信息技術(shù)會(huì)議論文集（上冊(cè)）[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(guó)控制會(huì)議論文集（F）[C];2018年

7 李強(qiáng);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(guó)光學(xué)學(xué)會(huì)2004年學(xué)術(shù)大會(huì)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(huì)通信與信息技術(shù)會(huì)議論文集（上冊(cè)）[C];2008年

9 ;Face Recognition Based on Gabor with 2DPCA and PCA[A];第24屆中國(guó)控制與決策會(huì)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(guó)控制與決策會(huì)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(jī)載雷達(dá)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(shí)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(dá)圖像目標(biāo)識(shí)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(yùn)動(dòng)目標(biāo)檢測(cè)與參數(shù)估計(jì)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(shí)別中關(guān)鍵技術(shù)研究[D];吉林大學(xué);2016年

6 路，

本文編號(hào)：2651024