本文選題：自然光環(huán)境 + 飽和度灰度化�。� 參考：《東華理工大學》2017年碩士論文

【摘要】：馬鈴薯作為我國第四大主糧,對其外部缺陷的檢測直接影響到我國馬鈴薯商品化和深加工進程。由于目前國內(nèi)大多基于特定環(huán)境、特定光照下進行檢測,這并不能滿足實際環(huán)境檢測要求。因此,本文提出在開放的自然光環(huán)境下對馬鈴薯主要外部缺陷綠皮、發(fā)芽、病斑等的無損檢測方法進行研究,這對馬鈴薯進行深加工和商品化具有重大意義。本文首先針對自然光環(huán)境下馬鈴薯圖像的分割方法進行研究,提出一種新的方法分割出馬鈴薯目標區(qū)域。主要先通過R-B和G-B顏色分量差雙閾值法來消除馬鈴薯顏色背景,再通過基于飽和度灰度化結(jié)合大津法進行閾值分割,并結(jié)合形態(tài)學濾波處理去除孔洞等噪聲,最終實現(xiàn)自然光環(huán)境下大部分樣本圖像的馬鈴薯區(qū)域分割。然后設(shè)計了一個卷積神經(jīng)網(wǎng)絡(luò)模型進行分類,主要是通過前面對馬鈴薯樣本圖像進行目標分割預(yù)處理后,將其輸入到該卷積神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練學習,最后成功對正常薯、綠皮薯、發(fā)芽薯和病斑薯樣本圖像分類。最后分別針對缺陷區(qū)域的檢測方法進行研究。針對綠皮區(qū)域提出一種基于RGB、HSV和LAB多顏色模型綜合特征的檢測方法,主要通過分別提取RGB模型的顏色分量差R-G、HSV模型的色調(diào)H和LAB模型的色度A三個最優(yōu)特征參數(shù)進行融合,最后成功實現(xiàn)對不同程度綠皮區(qū)域進行檢測;針對發(fā)芽和病斑區(qū)域提出一種基于Laplace算子灰度方差的檢測方法,主要通過Laplace銳化處理后分別計算馬鈴薯目標小區(qū)域的平均方差和整個馬鈴薯目標區(qū)域的平均方差的閾值進行比較,最終成功定位出發(fā)芽和病斑區(qū)域。
[Abstract]:Potato is the fourth main grain in China. The detection of its external defects has a direct impact on the commercialization and deep processing of potato in China. At present, most of our country based on specific environment, specific light detection, this can not meet the requirements of the actual environment detection. Therefore, in the open natural light environment, the non-destructive detection methods of the main external defects of potato, such as green peel, germination and disease spot, are studied, which is of great significance for the further processing and commercialization of potato. In this paper, the method of potato image segmentation in natural light environment is studied, and a new method is proposed to segment potato target area. Firstly, R-B and G-B color component difference double threshold method is used to eliminate potato color background, then threshold segmentation based on saturation grayscale combined with Otsu method is carried out, and morphological filtering is used to remove voids and other noises. Finally, the potato region segmentation of most sample images in natural light environment is realized. Then a convolutional neural network model is designed to classify the potato sample image, which is input into the convolutional neural network for training and learning. Image classification of green tuber, germinated potato and diseased potato samples. Finally, the detection methods of defect area are studied. A detection method based on the synthetic features of RGBV HSV and LAB multi-color model is proposed for green skin region. The three optimal feature parameters of hue H and LAB model of RGB model are extracted respectively by extracting the color component difference of R-GG HSV model and the chromaticity A of LAB model for fusion. Finally, the detection of green skin regions with different degrees is successfully realized, and a detection method based on gray variance of Laplace operator is proposed for germinating and diseased areas. The threshold values of the mean variance of potato target small area and the whole potato target area were calculated by Laplace sharpening, and the germinating and diseased areas were successfully located.
【學位授予單位】：東華理工大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：S532;TP391.41

【參考文獻】

相關(guān)期刊論文 前10條

1 郁志宏;郝慧靈;張寶超;;基于歐氏距離的發(fā)芽馬鈴薯無損檢測研究[J];農(nóng)機化研究;2015年11期

2 盧肖平;;馬鈴薯主糧化戰(zhàn)略的意義、瓶頸與政策建議[J];華中農(nóng)業(yè)大學學報(社會科學版);2015年03期

3 吳佳;湯全武;史崇升;王健;李秩期;;馬鈴薯品質(zhì)無損檢測技術(shù)研究進展[J];食品與機械;2014年03期

4 張寶超;郁志宏;郝慧靈;王福香;;基于顏色距離算法的綠皮馬鈴薯檢測方法研究[J];農(nóng)機化研究;2014年05期

5 李小昱;陶海龍;高海龍;李鵬;黃濤;任繼平;;基于多源信息融合技術(shù)的馬鈴薯痂瘡病無損檢測方法[J];農(nóng)業(yè)工程學報;2013年19期

6 周竹;黃懿;李小昱;文東東;汪成龍;陶海龍;;基于機器視覺的馬鈴薯自動分級方法[J];農(nóng)業(yè)工程學報;2012年07期

7 楊冬風;陳爭光;;基于顏色特征的馬鈴薯綠皮檢測[J];黑龍江八一農(nóng)墾大學學報;2011年01期

8 虞曉娟;廖桂平;李錦衛(wèi);金晶;;基于色度域劃分的馬鈴薯綠皮檢測方法[J];農(nóng)業(yè)工程學報;2009年S2期

9 鄭冠楠;譚豫之;張俊雄;李偉;;基于計算機視覺的馬鈴薯自動檢測分級[J];農(nóng)業(yè)機械學報;2009年04期

10 趙杰文;劉少鵬;鄒小波;石吉勇;殷小平;;基于支持向量機的缺陷紅棗機器視覺識別[J];農(nóng)業(yè)機械學報;2008年03期

相關(guān)博士學位論文 前1條

1 汪成龍;基于多源信息融合的馬鈴薯分級無損檢測方法研究[D];華中農(nóng)業(yè)大學;2014年

相關(guān)碩士學位論文 前5條

1 王澤京;基于機器視覺的馬鈴薯自動檢測分級研究[D];甘肅農(nóng)業(yè)大學;2011年

2 侯大軍;基于機器視覺的蘋果特征選擇和分類識別系統(tǒng)[D];江蘇大學;2010年

3 金晶;基于計算機視覺的馬鈴薯外部品質(zhì)檢測應(yīng)用研究[D];湖南農(nóng)業(yè)大學;2009年

4 龐江偉;基于計算機視覺的臍橙表面常見缺陷種類識別的研究[D];浙江大學;2006年

5 王樹文;計算機視覺技術(shù)在農(nóng)產(chǎn)品自動檢測與分級中的研究[D];東北農(nóng)業(yè)大學;2002年

，

本文編號：1779456