堊白是影響稻米加工和食用品質(zhì)的重要因素,準(zhǔn)確統(tǒng)計(jì)稻米中的堊白信息對(duì)于農(nóng)業(yè)相關(guān)部門意義重大,而堊白識(shí)別是堊白信息統(tǒng)計(jì)的關(guān)鍵一步�，F(xiàn)有的堊白識(shí)別算法主要以傳統(tǒng)圖像處理算法為主,而實(shí)際稻米圖像中粘連種子較多且堊白區(qū)域圖像的顏色、紋理信息較為復(fù)雜,基于人為規(guī)則的算法在實(shí)際堊白識(shí)別應(yīng)用中的表現(xiàn)并不理想。本文研究一種基于深度學(xué)習(xí)的稻米堊白識(shí)別算法,以提高稻米堊白的識(shí)別精度。文章主要內(nèi)容如下:1.本文研究了一種基于凹點(diǎn)匹配的粘連種子分割算法。由于本文設(shè)計(jì)的堊白識(shí)別網(wǎng)絡(luò)針對(duì)單粒種子,故首先要對(duì)粘連種子圖像進(jìn)行分割。本文結(jié)合形態(tài)學(xué)操作、凹點(diǎn)匹配以及距離變換函數(shù),對(duì)現(xiàn)有分割算法進(jìn)行了改進(jìn):準(zhǔn)確性方面,通過減少凹點(diǎn)數(shù)量降低了凹點(diǎn)匹配算法的錯(cuò)誤率;規(guī)則匹配方面,對(duì)凹點(diǎn)對(duì)的匹配搜索范圍進(jìn)行了優(yōu)化,在保證分割準(zhǔn)確率的同時(shí)提高了算法運(yùn)行效率;最后,本文提出了一種基于距離變換函數(shù)的分割算法,彌補(bǔ)了凹點(diǎn)匹配算法無(wú)法處理孤立凹點(diǎn)的缺陷,進(jìn)一步改善了算法的分割效果。2.本文設(shè)計(jì)了一種專用于單粒稻米堊白識(shí)別的全卷積神經(jīng)網(wǎng)絡(luò)G-Chalk。根據(jù)稻米圖像分辨率小、稻米不同部位尺寸相差懸殊的特點(diǎn),本文從網(wǎng)絡(luò)特征圖融合方式、反卷積方...

【文章頁(yè)數(shù)】：87 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究歷史與現(xiàn)狀
        1.2.1 粘連種子分割算法國(guó)內(nèi)外研究
        1.2.2 堊白識(shí)別算法國(guó)內(nèi)外研究
    1.3 本文的主要研究?jī)?nèi)容
    1.4 本論文的結(jié)構(gòu)安排
第二章 相關(guān)理論及技術(shù)研究
    2.1 圖像處理相關(guān)技術(shù)研究
        2.1.1 圖像卷積運(yùn)算
        2.1.2 圖像二值化算法
        2.1.3 圖像形態(tài)學(xué)處理
        2.1.4 雙線性插值技術(shù)
    2.2 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)理論研究
        2.2.1 神經(jīng)元
        2.2.2 前饋神經(jīng)網(wǎng)絡(luò)研究
        2.2.3 反向傳播算法研究
        2.2.4 梯度下降法研究
        2.2.5 動(dòng)量法研究
        2.2.6 L2正則化研究
        2.2.7 學(xué)習(xí)率衰減研究
        2.2.8 Dropout技術(shù)研究
    2.3 卷積神經(jīng)網(wǎng)絡(luò)研究
        2.3.1 卷積層
        2.3.2 池化層
        2.3.3 全連接層
        2.3.4 損失層
    2.4 整體算法設(shè)計(jì)
    2.5 本章小結(jié)
第三章 基于凹點(diǎn)匹配的粘連種子分割算法研究
    3.1 本章算法框架
    3.2 稻米圖像預(yù)處理
        3.2.1 圖像二值化及高斯去噪
        3.2.2 Canny算法提取輪廓信息
        3.2.3 圓形模板提取輪廓凹點(diǎn)
    3.3 基于形態(tài)學(xué)操作的圖像分割算法
    3.4 基于局部凹點(diǎn)匹配的圖像分割算法
        3.4.1 基于全局凹點(diǎn)匹配的分割算法研究
        3.4.2 基于局部凹點(diǎn)匹配的分割算法研究
    3.5 基于距離變換函數(shù)的圖像分割方法
        3.5.1 距離變換函數(shù)
        3.5.2 孤立凹點(diǎn)的分割路徑研究
    3.6 實(shí)驗(yàn)結(jié)果及分析
    3.7 本章小結(jié)
第四章 基于全卷積神經(jīng)網(wǎng)絡(luò)的單粒稻米堊白識(shí)別方法
    4.1 本章算法框架
    4.2 基于FCN-8s模型的堊白識(shí)別網(wǎng)絡(luò)
        4.2.1 全卷積神經(jīng)網(wǎng)絡(luò)原理剖析
        4.2.2 FCN-8s模型的網(wǎng)絡(luò)結(jié)構(gòu)研究
        4.2.3 遷移學(xué)習(xí)
        4.2.4 構(gòu)建稻米種子數(shù)據(jù)庫(kù)Chalk4
        4.2.5 實(shí)驗(yàn)結(jié)果及分析
    4.3 稻米堊白識(shí)別網(wǎng)絡(luò)G-Chalk的設(shè)計(jì)
        4.3.1 改進(jìn)特征圖融合方式
        4.3.2 改進(jìn)反卷積方式
        4.3.3 改進(jìn)損失函數(shù)
        4.3.4 實(shí)驗(yàn)結(jié)果及分析
    4.4 改進(jìn)的SLIC超像素分割技術(shù)
        4.4.1 SLIC超像素分割技術(shù)研究
        4.4.2 GLCM灰度共生矩陣技術(shù)研究
        4.4.3 基于圖像紋理特征的超像素分割技術(shù)
    4.5 實(shí)驗(yàn)結(jié)果及分析
    4.6 本章小結(jié)
第五章 米質(zhì)分析軟件設(shè)計(jì)與實(shí)現(xiàn)
    5.1 軟件模塊設(shè)計(jì)
    5.2 軟件模塊實(shí)現(xiàn)
        5.2.1 系統(tǒng)主界面
        5.2.2 配置界面
        5.2.3 結(jié)果統(tǒng)計(jì)欄
    5.3 本章小結(jié)
第六章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 后續(xù)工作展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果



本文編號(hào)：3923907