干制哈密大棗具有極高的營養(yǎng)及藥用價值,深受廣大消費者的青睞。隨著社會對紅棗的需求量不斷加大,廣大企業(yè)家對紅棗加工處理的積極性也得到了提高。在干制哈密大棗加工過程中,其表面褶皺情況是評估干制哈密大棗外部品質(zhì)的重要分級標(biāo)準,因此必須根據(jù)干制哈密大棗表面褶皺情況,對其進行進一步分揀,來提高干制哈密大棗的附在價值。本文在前人理論和實際應(yīng)用的基礎(chǔ)上,利用機器視覺采集平臺拍攝干制哈密大棗圖像,用于后續(xù)的圖像處理和干制哈密大棗分級研究。本論文主要研究成果如下:1、利用單尺度二維離散小波將干制哈密大棗圖像分解得到低頻信號和高頻信號,圖像的低頻信號能反應(yīng)圖像的輪廓,而高頻信號更能反應(yīng)圖像混入的噪聲和細節(jié)。因此通過分別將高頻信號的水平、垂直和對角信號進行削弱再和增強的低頻信號進行圖像重構(gòu),將重構(gòu)好的干制哈密大棗圖像用于后續(xù)連通域的提取。為了提取更加豐富的干制哈密大棗紋理信息,本文通過將高頻信號的水平、垂直和對角信號進行增強再和削弱的低頻信號進行圖像重構(gòu),將重構(gòu)圖用于后續(xù)干制哈密大棗紋理信息的提取。2、本文運用前人提出的兩種描述連通域密度的算法,來定量描述干制哈密大棗表面褶皺情況。在算法一（A1）中,將圖像... 

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國內(nèi)外紅棗外部品質(zhì)檢測研究現(xiàn)狀
        1.2.2 機器學(xué)習(xí)分類方法在農(nóng)產(chǎn)品無損檢測的研究現(xiàn)狀
    1.3 研究目標(biāo)與內(nèi)容
        1.3.1 研究目標(biāo)
        1.3.2 研究內(nèi)容
    1.4 技術(shù)路線
    1.5 本章小結(jié)
第二章 試驗材料、裝置及分類方法介紹
    2.1 試驗材料
    2.2 圖像采集系統(tǒng)
        2.2.1 工業(yè)相機
        2.2.2 圖像采集系統(tǒng)
    2.3 ELM分類模型
    2.4 SVM分類模型
    2.5 深度學(xué)習(xí)分類模型
        2.5.1 卷積神經(jīng)網(wǎng)絡(luò)概述
        2.5.2 網(wǎng)絡(luò)模型訓(xùn)練
    2.6 本章小結(jié)
第三章 干制哈密大棗表面褶皺特征提取
    3.1 干制哈密大棗圖像預(yù)處理
        3.1.1 離散小波變換
        3.1.2 圖像的分解與重構(gòu)
    3.2 基于灰度共生矩陣干制哈密大棗紋理特征提取
    3.3 干制哈密大棗顏色特征提取
        3.3.1 RGB顏色空間構(gòu)成
        3.3.2 HSI顏色空間構(gòu)成
        3.3.3 hsv顏色空間構(gòu)成
        3.3.4 顏色模型轉(zhuǎn)換
    3.4 連通域疏密度特征提取
        3.4.1 干制哈密大棗連通域提取
        3.4.2 形態(tài)學(xué)操作
        3.4.3 干制哈密大棗和連通域質(zhì)心位置的獲取
        3.4.4 連通域疏密度的計算方法
    3.5 本章小結(jié)
第四章 數(shù)據(jù)處理與建模方法
    4.1 特征選擇與融合
    4.2 干制哈密大棗評估模型樣本劃分
    4.3 數(shù)據(jù)預(yù)處理
    4.4 基于SVM和 ELM干制哈密大棗分級
        4.4.1 評估模型的建立
        4.4.2 試驗結(jié)果的對比與分析
    4.5 本章小結(jié)
第五章 基于深度學(xué)習(xí)干制哈密大棗分級研究
    5.1 干制哈密大棗圖像預(yù)處理
        5.1.1 基于最小矩形框圖像剪切
        5.1.2 干制哈密大棗圖像背景分割
    5.2 基于卷積神經(jīng)網(wǎng)絡(luò)干制哈密大棗分級
        5.2.1 試驗數(shù)據(jù)
        5.2.2 卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)
        5.2.3 網(wǎng)絡(luò)模型訓(xùn)練原始參數(shù)設(shè)置
        5.2.4 試驗結(jié)果對比
    5.3 基于Faster-RCNN干制哈密大棗定位與分級
        5.3.1 Faster-RCNN檢測模型
        5.3.2 候選區(qū)域生成網(wǎng)絡(luò)
        5.3.3 干制哈密大棗數(shù)據(jù)集制作
        5.3.4 Faster-RCNN模型特征提取
        5.3.5 模型參數(shù)設(shè)置及RPN網(wǎng)絡(luò)訓(xùn)練
    5.4 干制哈密大棗的定位與分級
        5.4.1 基于傳統(tǒng)方法干制哈密大棗的定位
        5.4.2 基于Faster-RCNN干制哈密大棗的定位與分級
    5.5 本章小結(jié)
第六章 結(jié)論與展望
    6.1 工作結(jié)論
    6.2 工作展望
參考文獻
致謝
作者簡介
附件


【參考文獻】：
期刊論文
[1]基于圖像處理的紅棗分級檢測方法設(shè)計[J]. GANBOLD OTGONTSETSEG,于鴻彬,李志鵬,邵宏宇.  安徽農(nóng)業(yè)科學(xué). 2020(05)
[2]基于HSV色彩空間的紅棗葉片病斑分割方法[J]. 李新疆,王賞貴,王丹,李揚,李疆.  安徽農(nóng)學(xué)通報. 2020(04)
[3]基于環(huán)境氣體信息的BP神經(jīng)網(wǎng)絡(luò)蘋果貯藏品質(zhì)預(yù)測[J]. 張永超,趙錄懷,王昊,張宇航.  江蘇農(nóng)業(yè)學(xué)報. 2020(01)
[4]基于網(wǎng)中網(wǎng)卷積神經(jīng)網(wǎng)絡(luò)的紅棗缺陷檢測[J]. 楊志銳,鄭宏,郭中原,許曉航.  食品與機械. 2020(02)
[5]改進深度學(xué)習(xí)框架Faster-RCNN的蘋果目標(biāo)檢測[J]. 李林升,曾平平.  機械設(shè)計與研究. 2019(05)
[6]基于分數(shù)階離散小波變換的數(shù)字水印算法[J]. 劉瑋.  山東工業(yè)技術(shù). 2019(09)
[7]基于幀間路徑搜索和E-CNN的紅棗定位與缺陷檢測[J]. 曾窕俊,吳俊杭,馬本學(xué),汪傳建,羅秀芝,王文霞.  農(nóng)業(yè)機械學(xué)報. 2019(02)
[8]基于智能手機聲信號哈密瓜成熟度的快速檢測[J]. 呂吉光,吳杰.  食品科學(xué). 2019(24)
[9]電感耦合等離子體質(zhì)譜法同時檢測紅棗中鉛、砷、鎘、汞、銅、鋅和16種稀土元素[J]. 馮新忠.  化學(xué)分析計量. 2018(01)
[10]面向大規(guī)模圖像分類的深度卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化[J]. 白琮,黃玲,陳佳楠,潘翔,陳勝勇.  軟件學(xué)報. 2018(04)

碩士論文
[1]基于機器視覺的干制駿棗分級方法研究[D]. 劉小文.塔里木大學(xué) 2019
[2]基于機器視覺的紅棗外觀品質(zhì)自動分選裝置研制[D]. 梁寧.西北農(nóng)林科技大學(xué) 2019
[3]基于機器視覺的紅棗表面缺陷檢測算法研究[D]. 吳俊杭.石河子大學(xué) 2019
[4]智慧牧業(yè)中基于深度學(xué)習(xí)的羊分娩場景識別算法應(yīng)用研究[D]. 孫詩文.內(nèi)蒙古工業(yè)大學(xué) 2019
[5]基于深度學(xué)習(xí)的小麥外觀品質(zhì)機器視覺檢測研究[D]. 張博.西北農(nóng)林科技大學(xué) 2019
[6]基于機器視覺的櫻桃番茄在線分級檢測研究[D]. 常英.蘭州理工大學(xué) 2019
[7]基于深度學(xué)習(xí)的水果糖度可見/近紅外光譜無損檢測方法研究[D]. 溫馨.北京交通大學(xué) 2018
[8]紅棗農(nóng)藥殘留檢測方法的研究[D]. 劉惠.西北農(nóng)林科技大學(xué) 2018
[9]基于OpenCV的紅棗紋理檢測研究[D]. 蔣偉.石河子大學(xué) 2017
[10]基于機器視覺南疆紅棗顏色分級方法研究[D]. 詹映.塔里木大學(xué) 2015



本文編號：3682775