貝類生產(chǎn)中的分揀需要大量的人工投入，由于勞動環(huán)境惡劣，生產(chǎn)效率低下，勞動力短缺，勞動力工資的上漲等問題嚴(yán)重制約了貝類產(chǎn)業(yè)規(guī)�；陌l(fā)展。隨著對水產(chǎn)品質(zhì)量和生產(chǎn)效率的要求不斷提高，需要有更高效、更準(zhǔn)確的手段來完成貝類產(chǎn)品的分揀工作。本課題是與企業(yè)合作的研究項目“貝類產(chǎn)品自動化分揀設(shè)備研發(fā)”的一個子課題,通過使用攝像頭采集傳送帶上的貝類圖像，并在圖像上提取貝類的魯棒性分類特征，應(yīng)用智能算法實現(xiàn)對貝類的分類和定位，為進一步控制機械機構(gòu)對貝類分級奠定基礎(chǔ)。具體研究內(nèi)容如下：研究扇貝圖像處理與邊緣提取方法。通過對圖像預(yù)處理，突出目標(biāo)物的邊緣特征，應(yīng)用canny算子提取出目標(biāo)物的邊緣信息。通過提取扇貝圖像邊緣特征訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，實現(xiàn)對扇貝的自動識別。通過與應(yīng)用較多的HU不變矩特征方法進行實驗比較，證明本文方法效率更高。為進一步提高識別效率，研究了應(yīng)用模糊理論對扇貝進行識別的方法。根據(jù)所提出的特征設(shè)定分類規(guī)則，應(yīng)用模糊語言對規(guī)則進行描述，建立模糊識別系統(tǒng)對扇貝進行識別，并通過實驗驗證了識別效果。為實現(xiàn)扇貝的定位，應(yīng)用神經(jīng)網(wǎng)絡(luò)方法建立了圖像坐標(biāo)和實際工作空間坐標(biāo)的映射關(guān)系。將扇貝圖像的中心坐標(biāo)輸入神經(jīng)... 

【文章來源】：大連海洋大學(xué)遼寧省

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【部分圖文】：

扇貝及輪廓圖

20圖3-3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線Fig.3-3 Error curve of BP artificial neural network training訓(xùn)練編寫程序如下：Z=[61.43,0.09;64.01,0.05;64.73,0.05;65.15,0.05;52.50,0.06;61.92,0.05;43.88,0.07;51.99,0.05;43.71,0.11;39.30,0.12;40.94,0.13;41.46,0.13;47.17,0.14;47.30,0.18;48.80,0.16;46.76,0.13]';T=[3 3 3 3 2 3 1 2 0 0 0 0 0 0 0 0];net=newff(minmax(Z),[10,1],{'tansig','purelin'},'trainlm');net.trainparam.epochs=1000;net.trainparam.goal=0.0001;net=train(net,Z,T);3.4.3 神經(jīng)網(wǎng)絡(luò)的分類測試為測試網(wǎng)絡(luò)的性能，分別進行了兩組實驗。實驗 1：用大量實際捕撈出的扇貝和石塊圖像依本文提出的特征提取方法對網(wǎng)絡(luò)進行測試，并依據(jù)對輸出結(jié)果進行四舍五入得到的整數(shù)進行判別。部分測試圖像如圖 3-4 所示，提取數(shù)據(jù)及耗時如表 3-2。為證明本文提取特征的有效性，與較多應(yīng)用的提取 HU 不變矩特征方法作對比。提取圖像 HU 不變矩作為神經(jīng)網(wǎng)絡(luò)的輸入值，用同樣的方法訓(xùn)練網(wǎng)絡(luò)，再次對上述樣本進行識別，提取的特征值及計算耗時如表 3-3。將依據(jù)兩種特征提取方法訓(xùn)練網(wǎng)絡(luò)的識別結(jié)果及實際判斷結(jié)果進行對比如表 3-4。

圖 3-4 實驗 1 部分測試圖像Fig.3-4 part of the test images for experiment 1表3-2 本文提取特征值Tab.3-2 Proposed feature vale 編號 No.D值 The value of DK值 The value of K計算耗時(s)Time consuminga 65.07 0.05 0.01b 51.10 0.06 0.01c 47.60 0.07 0.01d 58.06 0.05 0.02e 45.18 0.06 0.01f 53.36 0.05 0.01

【參考文獻】：
期刊論文
[1]厚殼貽貝的模型擬合與殼體曲面分析[J]. 羅爾霖,李振華,倪洋,宋祖超,王健.  漁業(yè)現(xiàn)代化. 2020(01)



本文編號：3079438