基于机器视觉特定物体识别的研究

论文摘要

羽毛球是劳动密集型产品,从羽毛的分拣到成品羽毛球的检测,大约有十来道工序。每道工序都需要相应设备与人员,羽毛球从原始状态到成品需要耗费大量的空间与人力,而羽毛的检测与分类又是这当中最需要人力与最耗时的环节。现代工业生产研究中,为了降低成本或者避免人员伤亡等原因,越来越多的场合开始应用机器视觉代替人眼对目标进行检测或识别。然而,羽毛分类仍然使用几十年前的工艺,高度依赖人工的作用；为此,本文设计了一种基于机器视觉的羽毛检测系统。本文主要对羽毛图片进行了预处理、纹理特征提取与模式识别、颜色判断、弱虫蛀判断四个方面的研究,主要的创新点与完成的工作有：1、每片羽毛片都存在丝纹与拱度不一样的特点,这些特点会干扰后面特征的提取与分类。本文首先采用半径为3的中值滤波的方法削弱毛片固有的丝纹带来的影响；接着采用同态滤波,该方法可以减弱毛片的不平整所造成羽毛叶上的光照不均匀的作用。2、根据灰度共生矩阵的不同的步长与角度的实验数据,分析得出对比度等7个参数作为羽毛的特征。首先,提出新方法求取羽毛图片共生矩阵的最佳步长与角度,即只改变两变量之一,通过求各参数值之间的方差与差值选择最佳结果,本文求得最佳步长与角度分别为20与45°；然后,以共生矩阵的7个特征参数值作为BP神经网络的输入值,实验证明可以很好地区分好毛与其它四类毛片。3、首先,采用CIE LUV颜色空间求取待测毛片与参考标准白片之间的欧氏距离,结果证明这种方法对羽毛分类的效果不太理想；然后,采用改进的HSI颜色空间计算方法进行颜色分类,该方法为了削弱亮度分量I对颜色的影响,对分量H、S、1分别赋于16、8、1的权值,实验得出该方法对羽毛颜色分类效果很好。4、弱虫蛀毛片是指被昆虫轻微咬伤的羽毛片。与严重被虫咬的羽毛不同,不能直接通过阈值分割的方法判断羽毛是否有无弱虫蛀,而且它容易与噪声相混淆。本文采用Canny算子检测弱虫蛀边缘,接着增加一个防断算法,然后再利用连通域的性质提取目标信息。本系统建立在MATLAB平台上。可以较准确地对羽毛进行缺陷检测与颜色分类。提高了生产效率,减少了工作人员,具有一定的实用的价值。

论文目录

• 摘要
• ABSTRACT
• 目录
• CONTENTS
• 第一章 绪论
• 1.1 课题的研究背景及意义
• 1.1.1 本课题研究背景
• 1.1.2 课题研究成果的现实意义
• 1.2 相关内容的研究发展现状
• 1.2.1 羽毛研究现状
• 1.2.2 课题相关技术的研究现状
• 1.3 本课题的研究内容和关键技术
• 1.4 本文结构
• 第二章 数字图像基本概念和预处理
• 2.1 数字图像处理基本概念
• 2.2 数字图像预处理概述
• 2.2.1 均值滤波
• 2.2.2 中值滤波
• 2.2.3 同态滤波
• 2.3 数字图像预处理实验结果与分析
• 2.4 本章小结
• 第三章 羽毛图像纹理特征的提取与分析
• 3.1 纹理的定义和描述
• 3.2 纹理的分析方法
• 3.2.1 统计分析方法
• 3.2.2 结构分析方法
• 3.2.3 频谱分析方法
• 3.3 模式识别
• 3.3.1 模式识别概述
• 3.3.2 BP神经网络理论
• 3.4 基于灰度共生矩阵的纹理特征提取分析
• 3.4.1 灰度共生矩阵的定义
• 3.4.2 灰度共生矩阵的特点
• 3.4.3 灰度共生矩阵的特征参数
• 3.4.4 基于灰度共生矩阵的实验结果与分析
• 3.5 神经网络的设计和实验结果分析
• 3.5.1 神经网络的结构设计
• 3.5.2 神经网络的实验结果与分析
• 3.6 本章小结
• 第四章 羽毛颜色分析与提取
• 4.1 颜色空间概述
• 4.1.1 RGB颜色空间
• 4.1.2 CIE颜色空间
• 4.1.3 HSI颜色空间
• 4.2 颜色特征的提取
• 4.2.1 LUV颜色特征提取
• 4.2.2 HSI颜色特征提取
• 4.3 颜色实验结果与分析
• 4.3.1 羽毛正常位置
• 4.3.2 羽毛偏移位置
• 4.4 本章小结
• 第五章 羽毛缺陷检测与分类
• 5.1 弱虫蛀检测的工作原理
• 5.2 图像分割
• 5.3 边缘特征提取
• 5.4 实验结果与分析
• 5.5 本章小结
• 总结与展望
• 参考文献
• 攻读学位期间发表的论文与获奖
• 致谢