獼猴桃是一種品質(zhì)鮮嫩,風(fēng)味鮮美的水果,具有很高的營養(yǎng)和食療價值。國內(nèi)獼猴桃果實的分選主要以人工為主,費時費力,且人工分選后的獼猴桃在國際市場上的競爭力也較弱。為實現(xiàn)獼猴桃果實的智能化分選,本文對獼猴桃的外形和體積檢測方法進行了研究,提出了基于RGB-D相機的獼猴桃外形和體積檢測方法。主要研究內(nèi)容和結(jié)果如下:(1)基于RGB-D相機建立圖像采集系統(tǒng)拍攝圖像。RGB-D相機不僅可以獲取二維圖像信息和彩色信息,還可以直接獲取圖像的三維信息,因此本文選擇Kinect V2作為信息采集相機。光源對圖像采集的質(zhì)量和后續(xù)圖像的處理有重要作用,本文光源照射方式采用四周環(huán)繞式并將光源和相機等高安裝。(2)研究獼猴桃果實外形和體積的測定方法和圖像信息的采集方法。利用卡尺多次測量獼猴桃果實樣本的長、最大直徑和最小直徑;采用電子秤測量所有樣本獼猴桃果實的重量;采用排水法測量獼猴桃的體積。對不同相機安裝高度獲取的獼猴桃果實圖片進行分析,得出相機安裝高度的最佳范圍為650~750 mm。所以本文試驗相機的安裝高度設(shè)定為650 mm、700 mm和750 mm,最后通過圖像采集系統(tǒng)分別獲取相機不同安裝高度時的獼猴桃果實的圖像信息。(3)基于RGB圖像的獼猴桃外形測量方法研究。對RGB圖像進行預(yù)處理,采用YUV顏色空間去除獼猴桃的背景圖像,采用中值濾波的方法消除獼猴桃圖像中細小的噪聲干擾,運用腐蝕、膨脹和開運算的方法可以增強圖像,使得獼猴桃的輪廓更為清晰,最后采用Canny算子有效地檢測出獼猴桃的邊緣。本文基于獼猴桃果實的彩色圖像檢測獼猴桃的長和最大直徑,通過回歸分析的方法得出:當(dāng)相機的安裝高度為650 mm、700mm和750 mm時,通過彩色圖像檢測獼猴桃的長度尺寸的R~2值分別為0.96、0.95和0.94,RMSE分別為4.61 mm、4.72 mm和5.09 mm;檢測獼猴桃最大直徑的R~2值分別為0.91、0.91、0.87,RMSE分別為5.12 mm、5.09 mm、5.27 mm。(4)基于點云圖像的獼猴桃外形測量方法研究。當(dāng)相機安裝高度為650 mm、700mm和750 mm時,通過點云圖像檢測獼猴桃長度尺寸的R~2值分別為0.96、0.96、0.95,RMSE分別為4.78 mm、4.38 mm、4.80 mm;檢測的最大直徑的R~2值分別為0.92、0.92、0.88,RMSE分別為5.00 mm、4.74 mm、5.21 mm;獼猴桃最小直徑的大小檢測結(jié)果不受果實圖像邊緣區(qū)域缺失的影響,試驗結(jié)果表明,獼猴桃最小直徑的檢測的平均絕對誤差分別是4.05 mm、3.99 mm和4.14 mm。(5)基于線性回歸方法的獼猴桃體積預(yù)測及其與質(zhì)量的相關(guān)性研究。采用點云圖像和彩色圖像分別對不同品種獼猴桃在不同高度下的體積進行預(yù)測。試驗結(jié)果表明:相機不同安裝高度下,基于點云圖像檢測的體積比基于彩色圖像檢測的體積精度高;同一安裝高度,海沃德的體積預(yù)測精度比徐香的體積預(yù)測精度高。當(dāng)相機的安裝高度分別為650 mm、700 mm、750 mm時,基于點云圖像檢測的獼猴桃體積的R~2值分別為0.92、0.93、0.93,基于彩色圖像檢測的獼猴桃體積的R~2值分別為0.90、0.90、0.91。將基于點云圖像檢測的獼猴桃體積與獼猴桃質(zhì)量進行線性回歸,得出R~2值分別為:0.96、0.96和0.95,表明獼猴桃果實的預(yù)測體積與質(zhì)量有很高的相關(guān)性,因此該方法可應(yīng)用于獼猴桃體積和重量預(yù)測。
【學(xué)位單位】：西北農(nóng)林科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP391.41;S663.4
【部分圖文】：

對保持身體健康具有重要的作用（Duetal.2006）。獼猴桃不僅具有超高的營養(yǎng)價值，還具有一具有悠久的歷史，但長期以來處于野生狀態(tài)，其商15; 張楊等 2017）。獼猴桃有 59 個品種原產(chǎn)于中國種具有較大的經(jīng)濟效益和栽培價值（Ferguson and 和章文才 1995）。上個世紀 60 年代，美味獼猴桃品且建立了第一個商品化的獼猴桃種植園（Ferguson2新西蘭利用從中國帶回的獼猴桃種子資源進行大規(guī)獼猴桃是第一個被選育出的國際化產(chǎn)品，并且于 1選育出了風(fēng)味甜美的軟棗獼猴桃品種，以及正在進根據(jù)聯(lián)合國糧食與安全農(nóng)業(yè)發(fā)展組織（FAO）近年來逐年不斷增加，2000 年全球獼猴桃的產(chǎn)量為 187 萬 326 萬噸，而 2014 年獼猴桃的產(chǎn)量為 334 萬噸份獼猴桃產(chǎn)量統(tǒng)計如圖 1-1 所示。

圖 1-2 獼猴桃全球產(chǎn)區(qū)分布Fig. 1-2 Kiwifruit global production area distribution、意大利、智利和中國等是世界上大面積種植獼猴全球獼猴桃總份額的 52.7%，而歐洲獼猴桃的產(chǎn)區(qū)洲的獼猴桃產(chǎn)區(qū)分布如圖 1-2 所示。自獼猴桃商品逐年增加。球獼猴桃的發(fā)源地，還是全球獼猴桃的主要生產(chǎn)業(yè)的發(fā)展依然處于初級成長階段，獼猴桃產(chǎn)業(yè)具國獼猴桃果樹的總種植面積超過了 225 萬畝，并。近幾年來，隨著獼猴桃種植面積的不斷增加，獼我國獼猴桃的產(chǎn)量達到了 119.5 萬噸（李春梅等 猴桃行業(yè)的消費量也在逐年增長，截至到 2014 年 萬噸，行業(yè)市場規(guī)模達到了 79.5 億元；2014 年我，出口金額為 464 萬美元，然而同年我國新鮮獼為 19547 萬美元（智研咨詢集團，2016）。從獼猴

第一章 緒論 等 2014）。我國獼猴桃的分選標(biāo)準(zhǔn)主要是以重量來進行的，該分選方式選出的的獼猴桃滿足重量要求。然而在外觀方面，獼猴桃果實的形態(tài)各異（如圖 1-3 所示些獼猴桃中，畸形的、扁平的獼猴桃等是很難被消費者認可的，因而也就降低的整體市場價值。我國獼猴桃的分選方式大多是人工分選或者是采用重力傳感機械進行分選。采用人工分選的方法分選獼猴桃時需要雇傭許多勞動力進行，強度大，勞動成本高，而且分選時還容易受分選者的主觀影響，因而分選的結(jié)理想；機械分選常用的是利用傳感器根據(jù)獼猴桃的重量來進行分選，雖然提高效率和精度，對獼猴桃的外形沒有分選，因此分選的結(jié)果也不是很理想。因此種全新的分選方式能夠達到獼猴桃的國際分選標(biāo)準(zhǔn)，且滿足不同消費者的喜好力。

【相似文獻】

相關(guān)期刊論文 前10條

1 何若濤;陳龍新;廖亞軍;陳十力;;基于RGB-D圖像的三維物體檢測與抓取[J];機械工程與自動化;2017年05期

2 余霆嵩;文元美;凌永權(quán);;基于張量分解融合RGB-D圖像的物體識別[J];計算機工程與應(yīng)用;年期

3 劉三毛;朱文球;孫文靜;王業(yè)祥;;基于RGB-D單目視覺的室內(nèi)場景三維重建[J];微型機與應(yīng)用;2017年01期

4 林財?shù)?吳黃懿;余羅兼;;基于RGB-D系統(tǒng)的清掃機器人與傳統(tǒng)清掃機的路徑對比研究[J];數(shù)字技術(shù)與應(yīng)用;2015年04期

5 姚遠;張林劍;喬文豹;;RGB-D圖像中手部樣本標(biāo)記與手勢識別[J];計算機輔助設(shè)計與圖形學(xué)學(xué)報;2013年12期

6 張恒;徐剛;劉艷麗;溫珍強;;基于結(jié)構(gòu)森林的RGB-D圖像輪廓提取[J];計算機應(yīng)用研究;2017年02期

7 白樹斌;張維忠;袁翠梅;王國棟;宋明玉;;基于RGB-D圖像的深度圖空洞修復(fù)[J];青島大學(xué)學(xué)報(自然科學(xué)版);2015年01期

8 邵潔;董楠;;RGB-D動態(tài)序列的人臉自然表情識別[J];計算機輔助設(shè)計與圖形學(xué)學(xué)報;2015年05期

9 盧良鋒;何加銘;謝志軍;孫德超;;基于深度學(xué)習(xí)的RGB-D物體識別算法[J];移動通信;2015年10期

10 劉海豐;陳鵬;;基于RGB-D圖像的機械臂關(guān)節(jié)角度檢測的研究[J];湖北工程學(xué)院學(xué)報;2016年06期

相關(guān)會議論文 前1條

1 王石榮;徐昌;于寧波;;面向移動機器人SLAM的雙RGB-D傳感器數(shù)據(jù)融合方法與應(yīng)用[A];第36屆中國控制會議論文集（E）[C];2017年

相關(guān)博士學(xué)位論文 前5條

1 宋希彬;基于RGB-D信息的深度圖像增強關(guān)鍵技術(shù)研究[D];山東大學(xué);2017年

2 李成龍;基于RGB-D數(shù)據(jù)的頭部姿態(tài)估計研究[D];山東大學(xué);2017年

3 趙強;基于RGB-D相機的運動平臺實時導(dǎo)航定位模型與方法研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所);2017年

4 湯圣君;多視圖像增強的RGB-D室內(nèi)高精度三維測圖方法[D];武漢大學(xué);2017年

5 李佳寧;基于RGB-D攝像機的增強現(xiàn)實系統(tǒng)關(guān)鍵技術(shù)研究[D];浙江大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 楊斯;基于RGB-D溫室苗期作物生長參數(shù)提取方法的研究[D];西北農(nóng)林科技大學(xué);2018年

2 謝洪起;基于RGB-D相機的獼猴桃外形和體積檢測方法研究[D];西北農(nóng)林科技大學(xué);2018年

3 項攀霄;基于RGB-D的移動機器人目標(biāo)檢測與定位[D];西南交通大學(xué);2016年

4 卞紫陽;RGB-D視頻人體異常行為檢測方法研究[D];北京理工大學(xué);2016年

5 鄧廣暉;基于卷積神經(jīng)網(wǎng)絡(luò)的RGB-D圖像物體檢測和語義分割[D];北京工業(yè)大學(xué);2017年

6 潘宜飛;基于RGB-D圖像的顯示適配技術(shù)研究[D];合肥工業(yè)大學(xué);2015年

7 蘭曉東;基于RGB-D視覺信息的物體識別算法研究[D];中北大學(xué);2018年

8 李實秋;RGB-D圖像分析關(guān)鍵技術(shù)研究[D];天津大學(xué);2014年

9 劉海豐;基于RGB-D的機械臂三維物理模型重建技術(shù)的研究[D];武漢工程大學(xué);2016年

10 陳之杰;基于RGB-D感知的移動機器人三維地圖構(gòu)建與導(dǎo)航研究及應(yīng)用[D];東南大學(xué);2016年

本文編號：2827522