我國作為一個(gè)水果大國,每年產(chǎn)出水果的數(shù)量一直位居世界前列。水果銷售前的一個(gè)很重要的環(huán)節(jié)便是水果分級(jí)處理。如果將采摘的水果進(jìn)行分級(jí)處理,可以很好的提升水果的價(jià)值。但我國在水果自動(dòng)分級(jí)領(lǐng)域不如國外先進(jìn)水平。國內(nèi)在水果分級(jí)方面采用的方式多為人工分級(jí)和機(jī)械分級(jí),這兩種分級(jí)方式存在著很多不足:分級(jí)效率偏低、容易造成水果損傷、分級(jí)標(biāo)準(zhǔn)不統(tǒng)一等。故本文選用我國水果產(chǎn)量第一的蘋果作為分級(jí)目標(biāo),利用機(jī)器視覺技術(shù)對(duì)蘋果顏色維度、大小維度及缺陷維度的分級(jí)檢測(cè)算法進(jìn)行研究,并對(duì)算法進(jìn)行仿真及驗(yàn)證。本文首先建立了圖像采集系統(tǒng),并對(duì)蘋果圖像進(jìn)行預(yù)處理操作,包括圖像灰度化、圖像降噪、圖像分割及形態(tài)學(xué)處理等。然后進(jìn)行蘋果大小及顏色方面特征的提取工作,并完成相關(guān)分級(jí)數(shù)據(jù)的統(tǒng)計(jì)。在蘋果顏色方面,將RGB彩色空間模型轉(zhuǎn)換成HSI模型,通過計(jì)算蘋果紅色著色率的方法進(jìn)行其表面顏色等級(jí)的劃分;在蘋果大小特征提取方面,采用最小外接圓法進(jìn)行蘋果直徑的計(jì)算。接著利用外部特征及支持向量機(jī)對(duì)蘋果缺陷進(jìn)行識(shí)別,先是利用圖像分割算法對(duì)圖像進(jìn)行閾值分割,利用閉運(yùn)算、邊緣提取及減運(yùn)算獲取蘋果花萼、果�；蛉毕莸耐獠枯喞�,再進(jìn)行孔洞填充和連通區(qū)域分離... 

【文章頁數(shù)】：78 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
中文摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
    1.3 本文主要內(nèi)容及技術(shù)路線
        1.3.1 研究內(nèi)容
        1.3.2 技術(shù)路線
第2章 圖像采集與圖像預(yù)處理
    2.1 引言
    2.2 圖像采集系統(tǒng)
        2.2.1 相機(jī)的選型
        2.2.2 鏡頭的選型
        2.2.3 光源的選型
    2.3 圖像灰度化
    2.4 圖像降噪
        2.4.1 鄰域平均法
        2.4.2 中值濾波法
    2.5 圖像分割
        2.5.1 直方圖閾值分割法
        2.5.2 OTSU閾值法
    2.6 形態(tài)學(xué)處理
    2.7 小結(jié)
第3章 蘋果顏色及大小特征的分級(jí)方法
    3.1 引言
    3.2 蘋果質(zhì)量分級(jí)標(biāo)準(zhǔn)
    3.3 蘋果顏色特征
        3.3.1 顏色模型
        3.3.2 RGB-HSI顏色模型轉(zhuǎn)換
        3.3.3 實(shí)驗(yàn)數(shù)據(jù)分析及結(jié)果
    3.4 蘋果大小特征
        3.4.1 常用蘋果尺寸分級(jí)方法
        3.4.2 最小外接圓法
        3.4.3 蘋果幾何標(biāo)定
        3.4.4 實(shí)驗(yàn)數(shù)據(jù)分析及結(jié)果
    3.5 小結(jié)
第4章 基于外部特征的蘋果缺陷識(shí)別
    4.1 引言
    4.2 感興趣區(qū)域的提取
        4.2.1 蘋果邊緣的去除
        4.2.2 單個(gè)感興趣區(qū)域的提取
    4.3 感興趣區(qū)域特征信息的提取
        4.3.1 顏色特征提取
        4.3.2 紋理特征提取
        4.3.3 幾何特征提取
    4.4 支持向量機(jī)實(shí)現(xiàn)缺陷識(shí)別
        4.4.1 支持向量機(jī)
        4.4.2 支持向量機(jī)詳細(xì)設(shè)計(jì)
        4.4.3 實(shí)驗(yàn)結(jié)果及分析
    4.5 小結(jié)
第5章 基于卷積神經(jīng)網(wǎng)絡(luò)的蘋果缺陷識(shí)別
    5.1 引言
    5.2 卷積神經(jīng)網(wǎng)絡(luò)原理
        5.2.1 卷積神經(jīng)網(wǎng)絡(luò)簡介
        5.2.2 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
    5.3 構(gòu)建CNN模型
        5.3.1 常用卷積神經(jīng)網(wǎng)絡(luò)模型
        5.3.2 模型的搭建
    5.4 數(shù)據(jù)庫建立
        5.4.1 數(shù)據(jù)收集
        5.4.2 數(shù)據(jù)擴(kuò)容
    5.5 模型訓(xùn)練及結(jié)果分析
    5.6 小結(jié)
結(jié)論
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文
攻讀學(xué)位期間申請(qǐng)的科研成果


【參考文獻(xiàn)】：
期刊論文
[1]基于局部灰度差異的快速自適應(yīng)活動(dòng)輪廓模型分割腮腺導(dǎo)管[J]. 鄧旋,蘭天俊,張明慧,陳之鋒,陶謙,盧振泰.  南方醫(yī)科大學(xué)學(xué)報(bào). 2018(12)
[2]基于多閾值圖像分割算法的秸稈覆蓋率檢測(cè)[J]. 劉媛媛,王躍勇,于海業(yè),秦銘霞,孫嘉慧.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2018(12)
[3]計(jì)算機(jī)視覺在芒果品質(zhì)檢測(cè)中的應(yīng)用研究[J]. 辛華健.  農(nóng)機(jī)化研究. 2019(09)
[4]改進(jìn)自適應(yīng)分水嶺方法分割棉花葉部粘連病斑[J]. 張建華,韓書慶,翟治芬,孔繁濤,馮鑫,吳建寨.  農(nóng)業(yè)工程學(xué)報(bào). 2018(24)
[5]一種基于形態(tài)學(xué)與區(qū)域分析的車牌定位方法[J]. 羅山.  山西電子技術(shù). 2018(06)
[6]基于數(shù)學(xué)形態(tài)學(xué)的提升小波圖像去噪研究[J]. 舒彬.  科技經(jīng)濟(jì)導(dǎo)刊. 2018(35)
[7]改進(jìn)中值濾波和形態(tài)學(xué)的油管裂紋檢測(cè)算法[J]. 楊先鳳,趙玲,杜晶晶.  計(jì)算機(jī)仿真. 2018(12)
[8]數(shù)字圖像去噪算法研究與實(shí)現(xiàn)[J]. 張然,解振東.  信息通信. 2018(12)
[9]RGB與HSI色彩空間下預(yù)測(cè)葉綠素相對(duì)含量的研究[J]. 孫玉婷,王映龍,楊紅云,周瓊,孫愛珍,楊文姬.  浙江農(nóng)業(yè)學(xué)報(bào). 2018(10)
[10]基于圖像處理的大蒜蒜種品質(zhì)無損分級(jí)方法研究[J]. 杜云,曹世佳,賈科進(jìn),王熙煚.  河北工業(yè)科技. 2018(05)

碩士論文
[1]雪花形狀識(shí)別分類算法研究[D]. 宋世坤.河北科技大學(xué) 2019
[2]基于機(jī)器視覺的大棗檢測(cè)分級(jí)技術(shù)的研究與實(shí)現(xiàn)[D]. 王春普.陜西科技大學(xué) 2018
[3]基于支持向量機(jī)的花生褐斑病圖像識(shí)別[D]. 馬雪松.安徽大學(xué) 2018
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的大豆病害識(shí)別研究[D]. 徐冬.安徽大學(xué) 2018
[5]基于SVM的海豚物種的聲學(xué)識(shí)別[D]. 文小軍.廈門大學(xué) 2017
[6]基于機(jī)器視覺的水果外部品質(zhì)檢測(cè)技術(shù)研究[D]. 趙禹.華南農(nóng)業(yè)大學(xué) 2017
[7]基于機(jī)器視覺的番茄收割機(jī)實(shí)時(shí)分揀系統(tǒng)研究[D]. 袁紫薇.長安大學(xué) 2017
[8]基于計(jì)算機(jī)視覺的山竹檢測(cè)與分級(jí)[D]. 朱佳明.昆明理工大學(xué) 2017
[9]基于計(jì)算機(jī)視覺的血橙無損檢測(cè)與分級(jí)技術(shù)研究[D]. 伍光緒.西南大學(xué) 2016
[10]基于機(jī)器視覺的柑橘分級(jí)技術(shù)研究[D]. 王旭.湖南大學(xué) 2016



本文編號(hào)：3701348