【摘要】：目前國內(nèi)外對于紅棗的缺陷的檢測現(xiàn)狀大多為人工篩選,這種方式不僅勞動強度大,而且效率低下,紅棗的分選質(zhì)量受工人主觀影響較大,不符合國家的食品安全要求。為了提高我國果類生產(chǎn)加工水平,提升果品品質(zhì),滿足現(xiàn)代化農(nóng)產(chǎn)品加工需求,基于機器視覺技術(shù)進行缺陷的識別已然成為主要的發(fā)展趨勢。本文基于深度學(xué)習(xí)理論對紅棗缺陷檢測中的關(guān)鍵技術(shù)進行了深入系統(tǒng)地研究,主要研究內(nèi)容如下:根據(jù)新疆灰棗的檢測要求,設(shè)計了基于機器視覺的紅棗缺陷自動檢測裝置,搭建了紅棗缺陷檢測實驗平臺,并給出了關(guān)鍵模塊的設(shè)計方案。完成了圖像采集模塊的設(shè)計,確定了合適的數(shù)字圖像傳輸方式、光源配置方式、工業(yè)相機以及鏡頭的型號。根據(jù)紅棗全表面信息的檢測要求,設(shè)計出了紅棗輸送翻轉(zhuǎn)裝置的結(jié)構(gòu)。根據(jù)紅棗及其表面缺陷特征,研究了基于Blob分析的紅棗缺陷識別算法,提出了采用顏色空間分析和Blob分析算法進行紅棗與背景的分離以及紅棗表面缺陷的識別,給出了不同缺陷特征種類的顏色空間模型和分割閾值,快速準(zhǔn)確地實現(xiàn)了破頭果、霉變果、漿頭果等典型紅棗表面缺陷的識別。針對采用Blob分析識別紅棗的干條和黃皮缺陷困難問題,研究了基于深度學(xué)習(xí)的紅棗缺陷識別技術(shù)。基于GoogleNet的inception_v3模型,利用Tensorflow人工智能平臺,通過對模型的學(xué)習(xí)率、批次大小、迭代次數(shù)的設(shè)置與調(diào)節(jié),得到網(wǎng)絡(luò)訓(xùn)練的準(zhǔn)確率變化曲線和損失函數(shù)變化曲線。實驗驗證結(jié)果表明,該模型對于干條、黃皮、破頭、霉變四類缺陷以及正常棗的識別效果良好,準(zhǔn)確率可達98%以上。數(shù)據(jù)集采集和預(yù)處理過程繁雜,往往會造成數(shù)據(jù)集樣本不足,導(dǎo)致訓(xùn)練過程產(chǎn)生過擬合現(xiàn)象,針對這一問題,研究了基于遷移學(xué)習(xí)的紅棗缺陷識別技術(shù)。研究了遷移學(xué)習(xí)的相關(guān)理論知識,提出了基于遷移學(xué)習(xí)的層凍結(jié)的訓(xùn)練方法,包括神經(jīng)網(wǎng)絡(luò)的預(yù)訓(xùn)練、“瓶頸層”特征的提取、網(wǎng)絡(luò)模型的參數(shù)微調(diào)等過程。研究了遷移學(xué)習(xí)中迭代次數(shù)和數(shù)據(jù)集數(shù)量對模型準(zhǔn)確率的影響。實驗對比驗證了遷移學(xué)習(xí)方法與深度學(xué)習(xí)方法,遷移學(xué)習(xí)在較少的數(shù)據(jù)集上就能實現(xiàn)較好的訓(xùn)練效果,并且可以節(jié)省大量訓(xùn)練時間。最后以C#、Halcon作為軟件開發(fā)平臺,分析了相機拍攝時序以及圖像處理流程,研制了紅棗缺陷檢測系統(tǒng)。
【圖文】：

缺陷棗是新鮮紅棗在由于水分、氣溫、害蟲等自然因素或采摘過程導(dǎo)致?lián)p傷的果實，常見的缺陷類型包括霉變、干條、破頭、漿頭、黃皮等，見圖1.1。據(jù)統(tǒng)計顯示，2017年我國棗樹種植面積達到325萬公頃，行業(yè)產(chǎn)量達到852.2萬噸，年產(chǎn)量占世界紅棗產(chǎn)量99%，，然而全國的四十多家大型棗類科研、生產(chǎn)企業(yè)，具有完備加工能力的僅有10%～20%，導(dǎo)致我國的紅棗品質(zhì)等級分選難，品種單一，出口量較低，生產(chǎn)加工技術(shù)發(fā)展較為緩慢。目前，國內(nèi)許多生產(chǎn)廠家依然采用人工進行紅棗缺陷的篩選，工人不僅勞動強度較大，而且分選效率較低。工人主觀意識往往直接影響紅棗分選質(zhì)量

2 紅棗缺陷檢測圖像自動獲取裝置設(shè)計2.1.2 紅棗缺陷檢測系統(tǒng)總體方案設(shè)計紅棗缺陷檢測系統(tǒng)要滿足全表面信息的采集，實現(xiàn)檢測速度快、準(zhǔn)確率高、實時性高等要求。本文根據(jù)實際生產(chǎn)要求，設(shè)計了基于機器視覺的紅棗缺陷智能檢測系統(tǒng)，系統(tǒng)方案如圖 2.1 所示。該缺陷檢測系統(tǒng)主要由上料機構(gòu)、輸送系統(tǒng)、圖像采集系統(tǒng)、圖像處理系統(tǒng)、控制系統(tǒng)等部分組成。該系統(tǒng)工作流程如圖 2.2 所示。
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：S665.1;TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 趙萬民;曾德文;;熒光磁粉探傷缺陷識別系統(tǒng)的研究現(xiàn)狀與關(guān)鍵技術(shù)[J];鐵道機車車輛工人;2008年08期

2 柳春圖,陳衛(wèi)江;缺陷識別反問題的研究狀況與若干進展[J];力學(xué)進展;1998年03期

3 王力;周志杰;胡昌華;劉濤源;;基于置信規(guī)則和證據(jù)推理的超聲檢測缺陷識別[J];中國測試;2017年04期

4 張毅剛;建筑結(jié)構(gòu)缺陷識別與計算機應(yīng)用[J];工程設(shè)計CAD與智能建筑;1999年12期

5 韓宏峰;羅羿隆;相克磊;徐毅蒙;;基于機器學(xué)習(xí)的軟件缺陷識別的必要性[J];電腦知識與技術(shù);2017年25期

6 劉金海;付明芮;唐建華;;基于漏磁內(nèi)檢測的缺陷識別方法[J];儀器儀表學(xué)報;2016年11期

7 李剛;;平板玻璃缺陷識別系統(tǒng)設(shè)計[J];重慶科技學(xué)院學(xué)報(自然科學(xué)版);2017年02期

8 趙冬;;內(nèi)控缺陷識別框架的初探[J];商業(yè)文化(上半月);2011年12期

9 鄺泳聰;歐陽高飛;楊錦榮;謝宏威;洪始良;;基于決策樹自動構(gòu)造的組裝缺陷識別[J];制造業(yè)自動化;2009年08期

10 李勇;;X射線圖像缺陷識別的特征參數(shù)選擇及其識別[J];無線互聯(lián)科技;2012年11期

相關(guān)會議論文 前10條

1 張毅剛;;結(jié)構(gòu)缺陷識別的線性規(guī)劃法[A];中國土木工程學(xué)會計算機應(yīng)用分會第七屆年會論文集[C];1999年

2 張毅剛;;結(jié)構(gòu)缺陷識別的線性規(guī)劃法[A];中國土木工程學(xué)會計算機應(yīng)用分會第七屆年會土木工程計算機應(yīng)用文集[C];1999年

3 尚鋼;陳立耀;李卓球;王建平;;神經(jīng)網(wǎng)絡(luò)在梁體結(jié)構(gòu)缺陷識別中的應(yīng)用[A];第七屆全國結(jié)構(gòu)工程學(xué)術(shù)會議論文集（第Ⅰ卷）[C];1998年

4 張潛;高立群;王貞祥;;基于小波分析的板型缺陷識別方法[A];管理科學(xué)與系統(tǒng)科學(xué)研究新進展——第6屆全國青年管理科學(xué)與系統(tǒng)科學(xué)學(xué)術(shù)會議暨中國科協(xié)第4屆青年學(xué)術(shù)年會衛(wèi)星會議論文集[C];2001年

5 張毅剛;;結(jié)構(gòu)缺陷識別的參數(shù)判定法[A];面向21世紀(jì)的科技進步與社會經(jīng)濟發(fā)展（下冊）[C];1999年

6 原培新;孫麗娜;;基于圖像處理的X射線膠片缺陷識別[A];2007'中國儀器儀表與測控技術(shù)交流大會論文集（二）[C];2007年

7 戴飛虎;;特厚板AUT典型缺陷識別[A];第八屆（2011）中國鋼鐵年會論文集[C];2011年

8 戴飛虎;;特厚板AUT典型缺陷識別[A];2011年全國中厚板生產(chǎn)技術(shù)交流會論文集[C];2011年

9 陸斌;;X光實時連鎖檢測在鑄件零缺陷戰(zhàn)略中的應(yīng)用[A];中國鑄造行業(yè)第五屆高層論壇論文集[C];2011年

10 賀笛;徐科;孫金勝;;深度學(xué)習(xí)在中厚板表面缺陷識別中的應(yīng)用[A];第十一屆中國鋼鐵年會論文集——S18.冶金自動化與智能管控[C];2017年

相關(guān)重要報紙文章 前1條

1 田恬;我國管道漏磁檢測技術(shù)缺陷識別可信度達90%[N];中國安全生產(chǎn)報;2005年

相關(guān)博士學(xué)位論文 前10條

1 梁浩;基于目標(biāo)定位與光譜技術(shù)的實木板材表面缺陷識別研究[D];東北林業(yè)大學(xué);2017年

2 趙向陽;基于神經(jīng)網(wǎng)絡(luò)的鋼板表面缺陷識別若干問題的研究[D];大連理工大學(xué);2006年

3 陳愷;集成電路芯片表面缺陷視覺檢測關(guān)鍵技術(shù)研究[D];東南大學(xué);2016年

4 詹湘琳;超聲相控陣油氣管道環(huán)焊縫缺陷檢測技術(shù)的研究[D];天津大學(xué);2007年

5 佟彤;基于X射線圖像的焊縫缺陷檢測與識別研究[D];上海交通大學(xué);2014年

6 周鵬;基于多信息融合的高溫鑄坯表面缺陷在線檢測方法[D];北京科技大學(xué);2015年

7 李長樂;冷軋帶鋼表面缺陷圖像檢測關(guān)鍵技術(shù)的研究[D];哈爾濱工業(yè)大學(xué);2009年

8 馮志紅;大型鍛件超聲檢測方法及信號處理算法研究[D];天津工業(yè)大學(xué);2016年

9 何峗澤;電磁無損檢測缺陷識別與評估新方法研究[D];國防科學(xué)技術(shù)大學(xué);2012年

10 梁巍;管道缺陷檢測中超聲信號稀疏解卷積及稀疏壓縮方法的研究[D];上海交通大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 海潮;基于深度學(xué)習(xí)的紅棗缺陷識別技術(shù)研究[D];鄭州大學(xué);2019年

2 周詠;基于圖像處理的鋼軌表面缺陷識別研究[D];蘭州交通大學(xué);2018年

3 李衡;基于扭轉(zhuǎn)波的樁基缺陷識別技術(shù)研究[D];哈爾濱工程大學(xué);2018年

4 郝亞如;帶鋼表面缺陷的視覺識別方法研究[D];重慶交通大學(xué);2018年

5 趙軼;基于遷移學(xué)習(xí)的硅鋼鋼帶缺陷識別評級研究[D];東華大學(xué);2018年

6 彭玉;飲料空瓶檢測機器人的瓶口缺陷識別算法研究[D];湖南大學(xué);2017年

7 胡聯(lián)亭;基于機器視覺的鋼板表面缺陷識別研究[D];武漢科技大學(xué);2018年

8 趙思雨;基于HOG特征的跨座式單軌關(guān)鍵部件缺陷識別算法的設(shè)計與應(yīng)用[D];西南交通大學(xué);2018年

9 郭潤元;基于機器學(xué)習(xí)方法的管材缺陷識別方法研究[D];西安理工大學(xué);2018年

10 郭皓然;高亮回轉(zhuǎn)表面缺陷識別方法的研究[D];西安理工大學(xué);2018年

本文編號：2701801