【摘要】：小麥?zhǔn)俏覈饕募Z食作物和重要的商品糧、儲(chǔ)備糧,在糧食的生產(chǎn)、流通和消費(fèi)等環(huán)節(jié)中,小麥的外觀品質(zhì)檢測對小麥質(zhì)量的定等定級(jí)具有重要作用。目前,大部分谷物檢測實(shí)驗(yàn)都還停留在人工肉眼觀察階段,針對目前基于機(jī)器視覺技術(shù)檢測需要人工提取圖像特征且識(shí)別率不高的問題,本文以小麥籽粒中完善籽粒、不完善粒(破損粒、病斑粒、發(fā)芽粒、發(fā)霉粒、蟲蝕粒)和雜質(zhì)(麥殼)為檢測目標(biāo),搭建了基于機(jī)器視覺系統(tǒng)的小麥籽粒圖像采集平臺(tái),研究了圖像預(yù)處理和分割方法、基于人工提取特征的傳統(tǒng)SVM(Support Vector Machine)識(shí)別方法、重點(diǎn)研究了基于深度學(xué)習(xí)的識(shí)別模型構(gòu)建方法等,論文的主要內(nèi)容和結(jié)論如下:(1)針對現(xiàn)有研究多數(shù)采用實(shí)驗(yàn)室環(huán)境下人工擺放小麥籽粒而造成采集圖像效果不佳的問題,設(shè)計(jì)并開發(fā)了由進(jìn)料口、型孔板、毛刷、毛刷驅(qū)動(dòng)裝置、工業(yè)攝像相機(jī)及光源等組成的機(jī)器視覺小麥籽粒圖像檢測平臺(tái)。小麥籽粒由進(jìn)料口投放到型孔板上,位于型孔板上方的毛刷在其驅(qū)動(dòng)裝置驅(qū)動(dòng)下進(jìn)行直線運(yùn)動(dòng),使小麥籽粒均勻地平鋪在型孔板的型孔中,并清除多余的籽粒落入籽�；厥障�;工業(yè)相機(jī)獲取型孔板及型孔中的小麥籽粒圖像,并傳輸?shù)接?jì)算機(jī)進(jìn)行處理、分析。采集的小麥籽粒圖像清晰無粘連,為后續(xù)的圖像預(yù)處理打下了良好的基礎(chǔ)。(2)針對采集的批量小麥圖像需要通過復(fù)雜的圖像預(yù)處理算法才能去除圖像中的噪聲干擾和有效的分割算法才能分割出單籽粒圖像的問題,本研究將采集的原始圖像經(jīng)過灰度化處理、中值濾波、閾值分割、形態(tài)學(xué)處理等操作,使得原始的圖像去除了噪聲的干擾,圖像的質(zhì)量得到了增強(qiáng),并且快速地從原始圖像中分割出單個(gè)籽粒目標(biāo),為后續(xù)的人工特征提取參數(shù)提供了良好的基礎(chǔ);采用最小外接矩形法分割后的單籽粒圖像在尺寸上各異,為了便于后續(xù)試驗(yàn)的開展,以分割后尺寸最大的樣本為基準(zhǔn),對其他所有樣本進(jìn)行尺寸擴(kuò)展,使其尺寸和基準(zhǔn)樣本相同。同時(shí)小麥籽粒在孔洞中的位置具有隨機(jī)性,通過對單籽粒圖像進(jìn)行旋轉(zhuǎn)、翻轉(zhuǎn)操作,將每個(gè)樣本擴(kuò)展為4個(gè),整體樣本容量擴(kuò)展為原來的4倍,為后續(xù)的深度學(xué)習(xí)模型訓(xùn)練提供了更多、更全面的樣本。(3)針對傳統(tǒng)人工提取特征需要大量的特征參數(shù)且容易造成數(shù)據(jù)冗余現(xiàn)象等問題,本研究對分割后的單籽粒圖像分別提取了12個(gè)顏色特征、10個(gè)形態(tài)學(xué)特征、5個(gè)紋理特征,并通過主成分分析法對27個(gè)有效特征進(jìn)行數(shù)據(jù)處理,得到了最優(yōu)的8個(gè)有效特征作為模型的輸入?yún)?shù),并將其輸入到構(gòu)建好的傳統(tǒng)SVM模型中,該模型對7類小麥籽粒的正確識(shí)別率為80.2%,其中完善粒的識(shí)別率最高,為86.3%,雜質(zhì)麥殼的識(shí)別率最低,為72.5%。試驗(yàn)結(jié)果表明,傳統(tǒng)的人工提取特征并進(jìn)行特征優(yōu)選輸入到SVM模型對小麥7種類型進(jìn)行多分類可行,但識(shí)別準(zhǔn)確率和識(shí)別時(shí)間較長。(4)針對傳統(tǒng)的識(shí)別SVM模型識(shí)別結(jié)果不高的問題,提出基于深度學(xué)習(xí)模型的小麥完善粒、不完善籽粒和雜質(zhì)識(shí)別方法,該方法在經(jīng)典CNN(Conventional Neural Networks)網(wǎng)絡(luò)模型中用Relu函數(shù)代替?zhèn)鹘y(tǒng)的Sigmoid函數(shù),以減小模型收斂時(shí)間,在全連接層處引入Dropout技術(shù)以減小過擬合影響;在經(jīng)典CNN網(wǎng)絡(luò)模型基礎(chǔ)上,引入了殘差塊結(jié)構(gòu)和Bach Normalization算法,同時(shí)將第一個(gè)卷積層的核大小改為5×5并省去虛線殘差塊結(jié)構(gòu),構(gòu)建了ResNet網(wǎng)絡(luò)模型。試驗(yàn)結(jié)果表明,經(jīng)典CNN模型和ResNet模型對7類小麥籽粒的正確識(shí)別率分別為90.6%和96.3%。ResNet模型識(shí)別正確率最高,比經(jīng)典CNN模型和SVM模型分別提高了5.7%和16.1%。每組檢測耗時(shí)為56s,可滿足糧庫小麥?zhǔn)召徔焖倨焚|(zhì)檢測需求。
【學(xué)位授予單位】：西北農(nóng)林科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP181;TP391.41;S512.1

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 宋春華;彭泫知;;機(jī)器視覺研究與發(fā)展綜述[J];裝備制造技術(shù);2019年06期

2 ;機(jī)器視覺對線纜市場的影響及趨勢[J];功能材料信息;2018年04期

3 鄭植;席先鵬;王楠;蔣欣燎;夏山淋;;機(jī)器視覺在網(wǎng)球撿球機(jī)器人中的應(yīng)用研究[J];科技創(chuàng)新與應(yīng)用;2019年16期

4 朱陽芬;銀冬平;鄒舜章;王海文;周為;;機(jī)器視覺在汽車行業(yè)中的發(fā)展與應(yīng)用[J];汽車實(shí)用技術(shù);2017年22期

5 吳東明;王麗娟;;基于GPS和機(jī)器視覺的自主導(dǎo)航定位農(nóng)機(jī)設(shè)備研究[J];農(nóng)機(jī)化研究;2018年02期

6 ;機(jī)器視覺時(shí)代,最好的時(shí)代![J];智能機(jī)器人;2018年02期

7 宗衛(wèi)紅;;臺(tái)達(dá)機(jī)器視覺系統(tǒng)助力制造業(yè)邁向智造新時(shí)代——訪臺(tái)達(dá)集團(tuán)-中達(dá)電通機(jī)器視覺產(chǎn)品項(xiàng)目經(jīng)理王風(fēng)路[J];國內(nèi)外機(jī)電一體化技術(shù);2016年06期

8 何遙;;宇視揭秘安防機(jī)器視覺[J];中國公共安全;2016年19期

9 阮晉蒙;;機(jī)器視覺:讓中國制造2025“看”得更遠(yuǎn)[J];新經(jīng)濟(jì)導(dǎo)刊;2017年Z1期

10 ;凌華科技推出三款高性能機(jī)器視覺產(chǎn)品[J];自動(dòng)化應(yīng)用;2017年02期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前10條

1 金守峰;張慧;;面向機(jī)器視覺的織物緯斜檢測方法[A];全國先進(jìn)制造技術(shù)高層論壇暨第九屆制造業(yè)自動(dòng)化與信息化技術(shù)研討會(huì)論文集[C];2010年

2 管庶安;周龍;陳永強(qiáng);廖明潮;;機(jī)器視覺在糧食品質(zhì)檢測中的應(yīng)用研究[A];中國糧油學(xué)會(huì)第三屆學(xué)術(shù)年會(huì)論文選集（下冊）[C];2004年

3 張超;徐建瑜;王文靜;;基于機(jī)器視覺的梭子蟹質(zhì)量估計(jì)方法研究[A];浙江省信號(hào)處理學(xué)會(huì)2013學(xué)術(shù)年會(huì)論文集——信號(hào)處理在海洋[C];2013年

4 劉炎艷;;基于機(jī)器視覺的卷煙32位碼識(shí)別系統(tǒng)研究[A];中國煙草學(xué)會(huì)2014年學(xué)術(shù)年會(huì)入選論文摘要匯編[C];2014年

5 王海寬;張銳;周志境;費(fèi)敏銳;;基于機(jī)器視覺的智能醫(yī)療吊塔系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[A];2015全國嵌入式儀表及系統(tǒng)技術(shù)會(huì)議程序冊[C];2015年

6 王穩(wěn);郭文成;葉宇翔;;基于機(jī)器視覺的激光光斑位置測量[A];2015年工業(yè)設(shè)計(jì)與協(xié)同創(chuàng)新學(xué)術(shù)會(huì)議暨第20屆全國工業(yè)設(shè)計(jì)學(xué)術(shù)年會(huì)論文集[C];2015年

7 吳遠(yuǎn)峰;金翠娥;劉穎卓;;基于機(jī)器視覺的智能檢測方法研究[A];第十一屆全國磁粉滲透檢測技術(shù)年會(huì)論文集[C];2017年

8 胡慶新;王偉;顧愛華;;基于機(jī)器視覺的農(nóng)產(chǎn)品物料分級(jí)檢測系統(tǒng)關(guān)鍵技術(shù)研究[A];2011下一代自動(dòng)測試系統(tǒng)學(xué)術(shù)研討會(huì)論文集[C];2011年

9 楊戰(zhàn)紅;何占方;李旦;徐銳;;基于機(jī)器視覺的五坐標(biāo)機(jī)床旋轉(zhuǎn)軸誤差檢測方法[A];探索科學(xué)2016年5月學(xué)術(shù)研討[C];2016年

10 張超;李慧;;基于機(jī)器視覺的零件自動(dòng)識(shí)別研究[A];探索 創(chuàng)新 交流（第7集）——第七屆中國航空學(xué)會(huì)青年科技論壇文集（下冊）[C];2016年

中國重要報(bào)紙全文數(shù)據(jù)庫 前10條

1 本報(bào)記者 李佳師;人工智能市場逼近2700億元 三大難題待突破[N];中國電子報(bào);2016年

2 本報(bào)記者 曹衛(wèi)新;掘金機(jī)器視覺百億元市場 天準(zhǔn)科技65天過會(huì)[N];證券日報(bào);2019年

3 宜賓 李定川;機(jī)器視覺光源基礎(chǔ)及選型指導(dǎo)(一)[N];電子報(bào);2018年

4 本報(bào)記者 駱軼琪;機(jī)器視覺的產(chǎn)業(yè)化演進(jìn)：半導(dǎo)體打開想象空間[N];21世紀(jì)經(jīng)濟(jì)報(bào)道;2018年

5 中國電子信息產(chǎn)業(yè)發(fā)展研究院信息化研究中心智慧城市研究室主任 劉鵬宇;智能技術(shù)：呈現(xiàn)八大趨勢[N];中國電子報(bào);2017年

6 賽迪智庫信息化中心助理研究員 劉鵬宇;2017年智能技術(shù)發(fā)展趨勢[N];中國計(jì)算機(jī)報(bào);2017年

7 經(jīng)濟(jì)日報(bào)·中國經(jīng)濟(jì)網(wǎng)記者 周明陽;給機(jī)器一雙“慧眼”[N];經(jīng)濟(jì)日報(bào);2017年

8 本報(bào)記者 胡心媛;機(jī)器視覺展推動(dòng)智能制造落地[N];中國貿(mào)易報(bào);2017年

9 本報(bào)記者 蔡煒;書寫“東方工匠”傳奇的黑牡丹集團(tuán)技術(shù)總監(jiān)鄧建軍：“創(chuàng)新，只有起點(diǎn)沒有終點(diǎn)”[N];新華日報(bào);2017年

10 本報(bào)研究員 費(fèi)天元;機(jī)器視覺成爭奪焦點(diǎn) 應(yīng)用場景將加速拓展[N];上海證券報(bào);2016年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 侯杰;飛行器機(jī)器視覺框架設(shè)計(jì)及算法研究[D];西安電子科技大學(xué);2017年

2 郭依正;基于機(jī)器視覺的俯視群養(yǎng)豬個(gè)體識(shí)別與飲水行為分析研究[D];江蘇大學(xué);2018年

3 李晨;基于機(jī)器視覺的不同屬性表面中微弱缺陷的檢測技術(shù)研究[D];浙江大學(xué);2018年

4 胡志新;基于機(jī)器視覺的鋼軌踏面磨耗剝落檢測技術(shù)研究[D];南昌大學(xué);2018年

5 吳衡;機(jī)器視覺鬼成像理論與實(shí)驗(yàn)研究[D];華南理工大學(xué);2017年

6 項(xiàng)森偉;高溫單晶硅液位和直徑視覺檢測關(guān)鍵技術(shù)及應(yīng)用研究[D];浙江大學(xué);2018年

7 胡越黎;目的機(jī)器視覺研究及其在皮膚癥狀識(shí)別中的應(yīng)用[D];上海大學(xué);2005年

8 韓彥芳;機(jī)器視覺中的聚類檢測新方法[D];上海交通大學(xué);2006年

9 饒洪輝;基于機(jī)器視覺的作物對行噴藥控制系統(tǒng)研究[D];南京農(nóng)業(yè)大學(xué);2006年

10 周平;基于機(jī)器視覺的自然目標(biāo)特征學(xué)習(xí)與即時(shí)檢測[D];浙江大學(xué);2006年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 姜金懌;基于機(jī)器視覺的焊縫定位算法研究[D];沈陽建筑大學(xué);2017年

2 李凌燕;基于機(jī)器視覺的焊點(diǎn)檢測算法研究[D];沈陽建筑大學(xué);2017年

3 易振_g;基于機(jī)器視覺的碟式鏡面實(shí)時(shí)監(jiān)控[D];浙江大學(xué);2019年

4 李瀟;基于機(jī)器視覺數(shù)據(jù)采集的MES關(guān)鍵技術(shù)研究[D];浙江大學(xué);2019年

5 劉宏文;基于機(jī)器視覺的水果自動(dòng)分揀系統(tǒng)關(guān)鍵技術(shù)研究[D];北京郵電大學(xué);2019年

6 高華;基于機(jī)器視覺的工件定位與識(shí)別系統(tǒng)[D];浙江大學(xué);2019年

7 翁敬喻;基于機(jī)器視覺的口罩帶缺失檢測方法研究[D];西安理工大學(xué);2016年

8 吳佳寧;基于機(jī)器視覺的木板實(shí)時(shí)檢測算法[D];沈陽工業(yè)大學(xué);2019年

9 王一妍;基于機(jī)器視覺的輪轂鑄造面質(zhì)量檢測研究[D];沈陽工業(yè)大學(xué);2019年

10 代偉;基于機(jī)器視覺的墨區(qū)墨量控制研究[D];西安理工大學(xué);2019年

本文編號(hào)：2783366