柚子重量分級(jí)是柚子采后處理的重要環(huán)節(jié),然而現(xiàn)有分級(jí)設(shè)備多為適用于工廠的大型通用果品重量分級(jí)裝備,園地分揀仍以人力為主。因此,開發(fā)適用于中小農(nóng)戶的柚子稱重分級(jí)設(shè)備對(duì)于提高生產(chǎn)效率具有重要意義。該文提出小型模塊化柚子稱重分選方案,設(shè)計(jì)了由上果機(jī)構(gòu)、疏離機(jī)構(gòu)、分選機(jī)構(gòu)組成的分選線,編寫了基于LABVIEW與MATLAB的數(shù)據(jù)采集與分析軟件,設(shè)置6個(gè)柚子重量等級(jí),設(shè)計(jì)了基于PLC的分選機(jī)構(gòu)控制程序,以實(shí)現(xiàn)自動(dòng)上果、自動(dòng)單排化、電子稱量與智能分選,理論分選速度為6000個(gè)/小時(shí),用戶可根據(jù)需要選擇是否為稱重分級(jí)核心模塊搭配其他機(jī)構(gòu);此外,針對(duì)柚子單果重量大而導(dǎo)致的對(duì)稱重傳感器的沖擊載荷和稱重信號(hào)干擾,開展了信號(hào)分析區(qū)間均值重量預(yù)測(cè)的稱重算法研究與基于BP神經(jīng)網(wǎng)絡(luò)的稱重算法研究。主要研究結(jié)果如下:1.設(shè)計(jì)了小型模塊化柚子重量分選機(jī),分選機(jī)上果機(jī)構(gòu)由具有擋板的帶式輸送機(jī)構(gòu)成,上果機(jī)底部設(shè)置果箱收集傾倒的柚子,疏離機(jī)將柚子單排化后有序進(jìn)入分選機(jī)構(gòu),分選機(jī)構(gòu)對(duì)柚子進(jìn)行電子稱量,自動(dòng)分級(jí)。2.搭建了分選系統(tǒng)控制電路和通訊電路。分選機(jī)硬件上使用單點(diǎn)式懸臂梁傳感器產(chǎn)生重量信號(hào),信號(hào)經(jīng)電壓變送器放大后送入數(shù)據(jù)采集卡,采集卡以串口通訊形式與PC連接,將采集電壓信號(hào)以數(shù)字量形式傳入PC,PC通過LABVIEW與MATLAB軟件分析處理后得到重量,重量通過PC送入PLC內(nèi),PLC根據(jù)編好的分級(jí)程序?qū)﹁肿舆M(jìn)行等級(jí)判斷,光電開關(guān)作為柚子到來觸發(fā)裝置,觸發(fā)信號(hào)將傳入PLC,當(dāng)滿足當(dāng)前等級(jí)時(shí)PLC輸出分選執(zhí)行信號(hào)控制電磁鐵動(dòng)作,實(shí)現(xiàn)柚子分選。3.開發(fā)了分選系統(tǒng)電子稱量軟件,設(shè)計(jì)了基于LABVIEW與MATLAB的濾波算法與重量預(yù)測(cè)模型,設(shè)計(jì)了符合分級(jí)標(biāo)準(zhǔn)的分級(jí)程序和上位機(jī)界面等。4.動(dòng)態(tài)稱重裝置固有頻率測(cè)量,采用單位脈沖方式作用于稱重裝置,將輸出信號(hào)進(jìn)行傅里葉變換觀察信號(hào)頻率情況,測(cè)試顯示稱重裝置有一個(gè)頻率為39Hz的較強(qiáng)共振峰,此外頻域圖中還有一個(gè)較弱頻率為54Hz的共振峰。稱重裝置空載試驗(yàn),在三種速度下測(cè)試空載信號(hào),結(jié)果表明不同速度下信號(hào)主頻大小不同,在0.33m/s時(shí)主頻為82Hz,在0.4m/s時(shí)為85Hz,在0.5m/s時(shí)為90Hz,且主頻峰值隨速度變大而變大。動(dòng)態(tài)稱重信號(hào)分析,使用5種數(shù)字濾波器對(duì)信號(hào)濾波,分析濾波后信號(hào)重量預(yù)測(cè)結(jié)果,結(jié)果表明,使用IIR濾波器、FIR濾波器與小波去噪均具有較好精度,其中使用IIR濾波器誤差最小,而使用自適應(yīng)濾波器誤差最大。數(shù)字濾波算法執(zhí)行時(shí)間分析,IIR程序運(yùn)行時(shí)間為0.9ms,FIR程序運(yùn)行時(shí)間為2.78ms,小波去噪程序運(yùn)行時(shí)間為3.085ms,NLMS程序運(yùn)行時(shí)間為12.4ms,RLS程序運(yùn)行時(shí)間為39.6ms�；贐P神經(jīng)網(wǎng)絡(luò)進(jìn)行重量預(yù)測(cè),選擇動(dòng)態(tài)稱重信號(hào)特征變量,建立神經(jīng)網(wǎng)絡(luò)模型,利用模型對(duì)數(shù)字IIR濾波后信號(hào)進(jìn)行重量檢測(cè),試驗(yàn)中最大平均誤差和最大誤差均出現(xiàn)在速度為0.5m/s時(shí),BP神經(jīng)網(wǎng)絡(luò)算法誤差較均值法更小,且最大平均誤差為2.17%,最大誤差為4.56%,分選準(zhǔn)確率為92.3%。
【學(xué)位單位】：華中農(nóng)業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP183;S226.5
【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 水果動(dòng)態(tài)稱重技術(shù)應(yīng)用現(xiàn)狀
        1.2.2 動(dòng)態(tài)稱重處理方法國(guó)內(nèi)外研究現(xiàn)狀
    1.3 研究?jī)?nèi)容和目標(biāo)
        1.3.1 研究目標(biāo)
        1.3.2 研究?jī)?nèi)容
        1.3.3 技術(shù)路線
    1.4 本章小結(jié)
2 試驗(yàn)材料與方法
    2.1 樣本選擇
    2.2 基于labview的重量信息采集系統(tǒng)
    2.3 動(dòng)態(tài)稱重?cái)?shù)據(jù)采集過程
    2.4 稱重信號(hào)獲取與處理
    2.5 本章小結(jié)
3 柚子動(dòng)態(tài)稱重分選機(jī)硬件設(shè)計(jì)
    3.1 整機(jī)設(shè)計(jì)
        3.1.1 上果機(jī)構(gòu)
        3.1.2 疏離機(jī)構(gòu)
        3.1.3 分選機(jī)構(gòu)
    3.2 柚子稱重分選控制系統(tǒng)硬件與電路設(shè)計(jì)
    3.3 本章小結(jié)
4 分選系統(tǒng)軟件設(shè)計(jì)
    4.1 分選系統(tǒng)軟件設(shè)計(jì)方案
    4.2 分選系統(tǒng)電子稱量軟件設(shè)計(jì)
        4.2.1 稱重信號(hào)的標(biāo)定
        4.2.2 稱重信號(hào)采集與處理
        4.2.3 重量數(shù)據(jù)傳輸
        4.2.4 分選處理
    4.3 基于PLC的過程控制軟件設(shè)計(jì)
        4.3.1 I/O點(diǎn)分配
        4.3.2 數(shù)據(jù)存儲(chǔ)分配
    4.4 上位機(jī)界面設(shè)計(jì)
        4.4.1 上位機(jī)軟件設(shè)計(jì)結(jié)構(gòu)
        4.4.2 上位機(jī)軟件流程
        4.4.3 上位機(jī)界面設(shè)計(jì)
        4.4.4 稱重信號(hào)采集程序設(shè)計(jì)
        4.4.5 重量檢測(cè)程序設(shè)計(jì)
    4.5 本章小結(jié)
5 稱重裝置動(dòng)態(tài)特性與振動(dòng)干擾分析
    5.1 稱重力學(xué)分析
    5.2 動(dòng)態(tài)稱重裝置固有頻率測(cè)量與研究
        5.2.1 固有頻率測(cè)量方法
        5.2.2 柚子動(dòng)態(tài)稱重裝置固有頻率測(cè)量
    5.3 柚子稱重裝置空載振動(dòng)干擾分析
        5.3.1 振動(dòng)干擾分析
        5.3.2 空載運(yùn)行速度對(duì)振動(dòng)干擾的影響
    5.4 動(dòng)態(tài)稱重信號(hào)干擾分析
    5.5 本章小結(jié)
6 柚子重量信息算法選擇與優(yōu)化
    6.1 5種濾波方法
        6.1.1 IIR濾波器
        6.1.2 FIR濾波器
        6.1.3 小波去噪
        6.1.4 自適應(yīng)NLMS濾波器
        6.1.5 自適應(yīng)RLS濾波器
    6.2 柚子重量值估計(jì)方法
    6.3 動(dòng)態(tài)稱重結(jié)果分析
        6.3.1 數(shù)字濾波器濾波效果分析
        6.3.2 動(dòng)態(tài)稱重結(jié)果分析
    6.4 濾波算法執(zhí)行時(shí)間
    6.5 本章小結(jié)
7 基于BP神經(jīng)網(wǎng)絡(luò)的柚子重量檢測(cè)與分級(jí)模型
    7.1 信號(hào)預(yù)處理與特征變量選取
        7.1.1 信號(hào)預(yù)處理方法
        7.1.2 神經(jīng)網(wǎng)絡(luò)特征變量選取
    7.2 動(dòng)態(tài)稱重濾波分析
    7.3 BP神經(jīng)網(wǎng)絡(luò)模型分級(jí)結(jié)果
    7.4 本章小結(jié)
8 結(jié)論與展望
    8.1 結(jié)論
    8.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間獲得的研究成果
致謝

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場(chǎng)中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測(cè)法[J];金融經(jīng)濟(jì);2017年18期

2 李青華;李翠平;張靜;陳紅;王紹卿;;深度神經(jīng)網(wǎng)絡(luò)壓縮綜述[J];計(jì)算機(jī)科學(xué);2019年09期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國(guó)際學(xué)術(shù)動(dòng)態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

5 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

6 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

7 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

8 鮑偉強(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)研究[J];電工技術(shù);2019年11期

9 陳曉燕;;淺析簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡(jiǎn)單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

10 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計(jì)研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

相關(guān)博士學(xué)位論文 前10條

1 王娜;地質(zhì)大數(shù)據(jù)功能分析及其分類算法研究[D];吉林大學(xué);2019年

2 李嘉;基于卷積神經(jīng)網(wǎng)絡(luò)的心律失常自動(dòng)分類關(guān)鍵技術(shù)研究[D];吉林大學(xué);2019年

3 王金玲;基于連續(xù)和離散復(fù)雜系統(tǒng)的穩(wěn)定性及耗散性分析[D];新疆大學(xué);2019年

4 徐夢(mèng)佳;基于深度卷積神經(jīng)網(wǎng)絡(luò)的多模態(tài)醫(yī)學(xué)影像分析方法研究[D];東北大學(xué);2017年

5 劉梅;網(wǎng)絡(luò)系統(tǒng)的穩(wěn)定和同步行為研究[D];新疆大學(xué);2017年

6 靳然;基于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的麥蚜發(fā)生動(dòng)態(tài)預(yù)測(cè)研究[D];山西農(nóng)業(yè)大學(xué);2017年

7 李驍;基于深度卷積神經(jīng)網(wǎng)絡(luò)MSCT對(duì)小腎腫瘤病理分型的預(yù)測(cè)研究[D];中國(guó)人民解放軍海軍軍醫(yī)大學(xué);2018年

8 李若霞;基于憶阻的神經(jīng)網(wǎng)絡(luò)的動(dòng)力學(xué)分析及應(yīng)用[D];東南大學(xué);2017年

9 項(xiàng)延德;基于卷積神經(jīng)網(wǎng)絡(luò)的心電信號(hào)檢測(cè)和分類研究[D];浙江大學(xué);2018年

10 李一鳴;結(jié)合知識(shí)和神經(jīng)網(wǎng)絡(luò)的文本表示方法的研究[D];浙江大學(xué);2018年

相關(guān)碩士學(xué)位論文 前10條

1 郭青山;基于卷積神經(jīng)網(wǎng)絡(luò)的航拍車輛檢測(cè)與跟蹤[D];西南科技大學(xué);2019年

2 黃占鰲;基于卷積神經(jīng)網(wǎng)絡(luò)的變電站道路場(chǎng)景圖像語義分割技術(shù)研究[D];西南科技大學(xué);2019年

3 王文光;基于圖像語義的場(chǎng)景識(shí)別研究[D];西南科技大學(xué);2019年

4 曹川;基于深度學(xué)習(xí)的人臉識(shí)別算法研究[D];西南科技大學(xué);2019年

5 葉遠(yuǎn)征;基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法研究與應(yīng)用[D];西南科技大學(xué);2019年

6 趙逸翔;基于BP神經(jīng)網(wǎng)絡(luò)的無約束優(yōu)化方法研究及應(yīng)用[D];東北農(nóng)業(yè)大學(xué);2019年

7 謝崇波;基于循環(huán)神經(jīng)網(wǎng)絡(luò)的城市空氣質(zhì)量預(yù)測(cè)研究[D];西南科技大學(xué);2019年

8 田東;基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法研究與實(shí)現(xiàn)[D];上海交通大學(xué);2017年

9 王沫沅;基于深度神經(jīng)網(wǎng)絡(luò)和集成方法的蛋白質(zhì)相互作用預(yù)測(cè)研究[D];吉林大學(xué);2019年

10 徐哲;基于深度學(xué)習(xí)的農(nóng)作物葉片識(shí)別系統(tǒng)的設(shè)計(jì)與分析[D];吉林大學(xué);2019年

本文編號(hào)：2852881