本文關(guān)鍵詞： 南美白對(duì)蝦 分類(lèi)算法 生物圖像處理 在線(xiàn)分選裝備 分割算法　出處：《浙江大學(xué)》2017年博士論文　論文類(lèi)型：學(xué)位論文

【摘要】：對(duì)蝦產(chǎn)業(yè)—直是我國(guó)水產(chǎn)行業(yè)的支柱型產(chǎn)業(yè),隨著人民生活水平的提高,人們對(duì)于蝦品質(zhì)的要求也越來(lái)越高。對(duì)蝦分類(lèi),是指對(duì)從養(yǎng)殖池塘捕獲的原料蝦中含有的雜質(zhì)或經(jīng)高溫高壓蒸煮后形成熟蝦中含有的次品所進(jìn)行的分類(lèi)工作,這些雜質(zhì)或次品的外觀(guān)通常在完整性和顏色一致性方面與正常蝦存在差異。傳統(tǒng)的雜質(zhì)或次品分類(lèi)是通過(guò)人工分級(jí)方式剔除,然而人工分級(jí)存在主觀(guān)性強(qiáng)、人工成本昂貴、容易疲勞等缺點(diǎn),因此本研究提出可以取代人工的對(duì)蝦自動(dòng)分類(lèi)算法并嘗試用于在線(xiàn)分選裝備的研發(fā)。目前廣泛采用的對(duì)蝦處理裝備主要是輥筒機(jī)械式規(guī)格分選裝備,但是這種裝備在許多場(chǎng)合下無(wú)法直接檢出某些不完整和顏色不一致的雜質(zhì)或次品,因此限制了它的應(yīng)用范圍。機(jī)器視覺(jué)技術(shù)作為一種新穎的檢測(cè)方法,具有檢測(cè)精度高、可控性強(qiáng)、動(dòng)態(tài)檢測(cè)響應(yīng)速度快等優(yōu)點(diǎn),對(duì)人肉眼無(wú)法分辨細(xì)微紋理和顏色差異也很有效,其特點(diǎn)滿(mǎn)足了對(duì)蝦在線(xiàn)實(shí)時(shí)檢測(cè)的需求。本研究綜合利用傳感技術(shù)、光譜技術(shù)、幾何代數(shù)學(xué)、統(tǒng)計(jì)學(xué)、模式識(shí)別等多領(lǐng)域技術(shù)手段,以南美白對(duì)蝦為研究對(duì)象,探究了機(jī)器視覺(jué)技術(shù)用于對(duì)蝦分類(lèi)中的可行性。首先,本研究搭建了一套基于機(jī)器視覺(jué)技術(shù)的對(duì)蝦自動(dòng)分選裝備,實(shí)現(xiàn)了對(duì)蝦圖像的動(dòng)態(tài)采集和速度等參數(shù)的優(yōu)化。其次,對(duì)最有利于表征正品蝦與次品蝦之間外觀(guān)差異的特征進(jìn)行提取與選擇,針對(duì)傳統(tǒng)特征與分類(lèi)器融合規(guī)則存在的缺陷進(jìn)行改進(jìn),讓其最大限度的適應(yīng)于具有蝦類(lèi)特色的分類(lèi)特點(diǎn)。之后,針對(duì)對(duì)蝦自動(dòng)分選裝備中常見(jiàn)的成對(duì)熟蝦粘連現(xiàn)象,提出了一種新穎的分割算法,并對(duì)此方法進(jìn)行改進(jìn)和優(yōu)化,用于分割批量粘連的生蝦樣本。最后,對(duì)所提的包括檢測(cè)、分割、識(shí)別一整套算法進(jìn)行在線(xiàn)測(cè)試與驗(yàn)證,完成對(duì)蝦自動(dòng)分選裝備樣機(jī)的研發(fā)。本研究旨在探索將機(jī)器視覺(jué)技術(shù)用于對(duì)蝦分類(lèi)中的可行性,建立基于機(jī)器視覺(jué)技術(shù)的對(duì)蝦自動(dòng)分選裝備,為研發(fā)具有大規(guī)模多通道平鋪式對(duì)蝦自動(dòng)分選生產(chǎn)線(xiàn)提供了工程方法和理論依據(jù)。本文主要研究?jī)?nèi)容和結(jié)論如下:(1)在執(zhí)行機(jī)構(gòu)設(shè)計(jì)為三個(gè)噴氣閥的情況下,研究了原料蝦分類(lèi)的最佳迭代模型,討論了迭代次數(shù)與總體測(cè)試錯(cuò)誤率之間的關(guān)系,并給出了迭代過(guò)程終止于訓(xùn)練總體錯(cuò)誤率為零的理論性證明,以此為基礎(chǔ)建立了一種特征迭代的優(yōu)化算法。對(duì)包含305個(gè)正常蝦樣本和包含八個(gè)雜質(zhì)類(lèi)別的320個(gè)樣本獲取的共625幅圖像進(jìn)行的實(shí)驗(yàn)結(jié)果表明,總體識(shí)別率可以達(dá)到94.34%。分析結(jié)果發(fā)現(xiàn),雜質(zhì)樣本中的不完整蝦是導(dǎo)致錯(cuò)分的主要原因,基于此,本文還研究了不完整蝦體的識(shí)別方法,并提出了兩種不完整蝦的識(shí)別方法:曲率法(CDM)和圓弧法(ADM)。對(duì)349個(gè)正常蝦樣本和547個(gè)不完整蝦樣本進(jìn)行的實(shí)驗(yàn)結(jié)果表明,相比于曲率法的89.78%平均識(shí)別率,圓弧法可以取得93.72%的平均識(shí)別率,且后者的平均識(shí)別時(shí)間比前者快了 292ms,綜合可知圓弧法較優(yōu)。(2)為了提高原料蝦在線(xiàn)分類(lèi)效率,研究了執(zhí)行機(jī)構(gòu)為單個(gè)噴氣閥的情況,對(duì)迭代算法中特征與分類(lèi)器融合方式進(jìn)行了改進(jìn),提出了一次性剔除所有雜質(zhì)或次品的方法,通過(guò)建立每對(duì)特征與分類(lèi)器組合與總體識(shí)別率之間的關(guān)系,優(yōu)選出特征分類(lèi)器的"精英組合",在一個(gè)較小范圍內(nèi)運(yùn)用Majority規(guī)則按照"少數(shù)服從多數(shù)"規(guī)則進(jìn)行投票,決定每個(gè)測(cè)試樣本的類(lèi)別歸屬�？偣�1370個(gè)樣本包含672幅正品蝦圖像和698雜質(zhì)圖像被用于測(cè)試算法的可行性,實(shí)驗(yàn)結(jié)果表明,所提算法(IMAJ)可取得91.53%的總體識(shí)別率,該結(jié)果相比于其余六種分類(lèi)器融合規(guī)則 Sum(89.93%),Product(65.99%),Max(89.76%),Min(80%),Median(88.18%),Majority(89.2%)是較優(yōu)的。此項(xiàng)研究為以后的多通道對(duì)蝦分選系統(tǒng)的設(shè)計(jì)打下基礎(chǔ)。(3)針對(duì)對(duì)蝦自動(dòng)分選裝備中成對(duì)粘連熟蝦容易引起計(jì)數(shù)錯(cuò)誤與分類(lèi)錯(cuò)誤的問(wèn)題,研究了粘連熟蝦的在線(xiàn)分割與識(shí)別算法,對(duì)傳統(tǒng)的剪枝算法進(jìn)行了改進(jìn),并結(jié)合分水嶺算法建立訓(xùn)練模型,測(cè)試了粘連熟蝦的分割與識(shí)別效果。使用所提方法對(duì)352單只熟蝦樣本建立模型,并用247只成對(duì)粘連熟蝦對(duì)所提分割算法進(jìn)行測(cè)試,結(jié)果表明,粘連熟蝦樣本的最高分割準(zhǔn)確率為96.51%,優(yōu)于傳統(tǒng)算法所得出最高為82.43%的分割準(zhǔn)確率,然而此方法由于對(duì)目標(biāo)與背景的灰度差異較敏感,用于粘連生鮮蝦分割中的效果較差。(4)針對(duì)上述所提算法用于分割批量粘連生鮮蝦時(shí)會(huì)產(chǎn)生過(guò)分割的問(wèn)題,研究了批量粘連生鮮蝦的分割問(wèn)題,由于每?jī)芍徽尺B對(duì)蝦之間都可以檢測(cè)到兩個(gè)成對(duì)凹點(diǎn),通過(guò)檢測(cè)和標(biāo)記這些成對(duì)凹點(diǎn),并結(jié)合圓形擬合的分割方案,集成啟發(fā)式學(xué)習(xí)和非監(jiān)督學(xué)習(xí),給出圓形擬合所需第三個(gè)關(guān)鍵點(diǎn)的求解方法。使用100幅生鮮蝦粘連圖像訓(xùn)練建模,對(duì)50幅生鮮蝦粘連圖像的測(cè)試結(jié)果表明,粘連生蝦圖像分割準(zhǔn)確率可達(dá)92.7%。此項(xiàng)研究為以后的對(duì)蝦平鋪分選系統(tǒng)的研發(fā)打下堅(jiān)實(shí)基礎(chǔ)。(5)設(shè)計(jì)并搭建了一套基于機(jī)器視覺(jué)技術(shù)的對(duì)蝦自動(dòng)分選裝備,主要由機(jī)械框架結(jié)構(gòu)、上料系統(tǒng)、圖像采集系統(tǒng)、分選系統(tǒng)和圖像處理系統(tǒng)五大模塊組成,并對(duì)其中的上料速度、上料機(jī)傾斜角度、輸送帶水平速度及相機(jī)曝光時(shí)間等參數(shù)進(jìn)行了相應(yīng)優(yōu)化。在線(xiàn)分類(lèi)實(shí)驗(yàn)中采用了生鮮蝦與冷凍熟蝦兩類(lèi)數(shù)據(jù)集樣本,分別在線(xiàn)驗(yàn)證了迭代算法、IMAJ算法和基于凹點(diǎn)查找的分割算法的有效性和適應(yīng)性。1)通過(guò)對(duì)1114幅包含7種次品類(lèi)別的原料蝦樣本進(jìn)行在線(xiàn)分類(lèi)結(jié)果表明,使用迭代算法得出的平均識(shí)別率為94.19%,加入分割算法之后,平均識(shí)別率最高提升了 2.23%,單�；瘑瓮ǖ狼闆r下機(jī)器每秒平均處理量最高為2.14只。2)通過(guò)對(duì)893幅包含2種次品類(lèi)別的冷凍熟蝦樣本進(jìn)行的分類(lèi)結(jié)果表明,在線(xiàn)使用迭代算法得出的平均識(shí)別率為87%,加入分割算法之后,平均識(shí)別率最高提升了4.67%,單�；瘑瓮ǖ狼闆r下機(jī)器每秒平均處理量最高為2.37只。3)在線(xiàn)應(yīng)用時(shí),基于迭代算法的原料蝦分類(lèi)算法比改進(jìn)的Majority方法的分級(jí)準(zhǔn)確率要高,但在每秒的對(duì)蝦處理量方面,后者占優(yōu)。
[Abstract]:This paper presents a novel segmentation algorithm based on machine vision technology , which has high detection precision , high controllability , high dynamic detection response speed and so on . In order to improve the on - line classification efficiency of raw shrimp , this paper presents an improved method for identifying incomplete shrimp . The results show that compared with the average recognition rate of 89.78 % of curvature method , the method can achieve 93.72 % average recognition rate . The results show that the proposed algorithm ( IMAJ ) can achieve a total recognition rate of 91.53 % . The results show that the proposed algorithm ( IMAJ ) can achieve 91.53 % recognition rate . ( 3 ) In order to solve the problem of easily causing counting errors and classification errors in the shrimp automatic sorting equipment , the segmentation and recognition algorithms of adhesive cooked shrimp were studied . ( 5 ) The automatic sorting equipment for prawn based on machine vision is designed and built , which is mainly composed of five modules of mechanical frame structure , feeding system , image acquisition system , sorting system and image processing system .

【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TS254.4
，

本文編號(hào)：1471210