鲜玉米果穗自动分级方法研究

论文摘要

用于鲜食的玉米果穗含有多种氨基酸、维生素、微量元素和脂肪酸等营养成分,具有一定的医疗和保健作用,随着其营养价值逐渐得到人们的重视,鲜玉米果穗的需求量也在逐渐增大。目前,原料玉米的质量抽检和加工前的在线质量检测全部由人工完成,检测过程需要耗费大量的人力和物力,工人劳动强度大,检测结果容易受疲劳、环境等因素的影响。随着“十二五”计划“扩大内需、增强创新”等议题的提出,玉米加工行业面临着诸多挑战和机遇。本文主要针对鲜玉米果穗分级自动化方面的问题,利用计算机视觉、传感器技术和神经网络等智能检测方法,对鲜玉米果穗多指标和在线分级方法进行了以下研究:1.设计开发了鲜玉米果穗质量分析检测硬件设备,包括触发装置、采集装置、输送机构、执行机构和压力检测装置。输送机构利用辊子旋转和螺纹推动使玉米果穗在前进的同时绕自身中心线作旋转运动,能够获取全面的果穗图像信息。压力检测装置主要利用压力传感器和动作执行机构,实现模拟人手按压果穗的动作,获取与果穗成熟度相关的压力值。根据在线分级要求,设计开发了鲜玉米果穗快速自动分级硬件设备,包括触发装置、采集装置、输送机构、执行机构,能够实现鲜玉米果穗实时、快速在线检测分级。2.首次利用计算机视觉技术,实现了鲜玉米果穗外观品质的分级。基于质量分析检测系统,对整穗玉米图像进行分析,在HSI颜色模型下,通过自动阈值法和8邻域模板对秃尖进行初步识别,利用拉普拉斯变换和投影法确定了秃尖起始和截止位置,最终实现秃尖的去除。在此基础上,通过微分法和最小外接矩形法分别提取缺陷和穗形特征。构建GRNN神经网络实现外观品质智能分级模型,输入层神经元对应缺陷比Q、穗长L、最大穗粗W、长宽比r和矩形度REC,分级正确率达95.56%。秃尖位置判定误差为2.27mm,缺陷误判率为3.00%,穗长和穗粗判定误差分别为1.96mm和0.54mm。基于快速自动分级系统,利用扫描法确定玉米果穗的穗长和最大穗粗,实现穗形的在线检测分级,通过在线试验检测,分级速度和正确率均达到实际生产要求,分级速度≥60穗/min,正确率≥90%。3.利用质量分析检测系统提取压力和图像信息,选取最大压力值和惯性矩,进行鲜玉米果穗成熟度的聚类情况分析。通过相关性最高的组间连接法和标准欧氏距离对果穗样品进行聚类,结果表明成熟度分为3级最为合理,这与目前实际生产要求相吻合。由于成熟度与果穗颜色相关性较高,为提高成熟度分级正确率,采集整穗玉米图像,提取个颜色特征对压力和纹理特征进行补充。通过主成分分析法优化颜色特征,所得第一、二主成分即可代表所有的颜色信息。首次建立PNN网络实现鲜玉米果穗成熟度智能分级,输入层神经元分别对应最大压力值,惯性矩,第一主成分值和第二主成分值,网络分级正确率为96.67%。根据在线检测要求,基于快速自动分级系统,在RGB颜色模型下,通过（R|-）、（B|-）和b实现成熟度在线分级;在HSI颜色模型下,通过E值实现成熟度在线分级。上述两种在线分级方法速度≥60穗/min,正确率≥90%。4.利用质量分析检测系统采集玉米果穗局部图像,在HSI颜色模型下,对H单值图进行小波分解,根据（S|-）j值确定小波分解层数为2层,提取LL2子带中的小波系数,计算均值A、方差V、能量均值Ea和颜色熵Et,将其作为果穗成熟度的颜色特征参数;在RGB颜色模型下,提取HH1子带的梯度均方差(WGds)、梯度均值(WGdm)、小梯度优势(WSga),HL2子带的梯度熵(WGde),LH2子带的灰度熵(WGye)、大梯度优势(WLga)、梯度均值(WGdm)、混合熵(WHe)、灰度均方差(WGys)、小梯度优势(WSga),将其作为纹理特征参数。利用主成分分析法对上述14个特征进行优化,选择前4个主成分值作为输入,构建PNN网络,实现成熟度智能分级,分级正确率为93.33%。对局部图像进行傅立叶变换,提取能量谱p1值并结合小波分析所得前4个主成分值,构建PNN网络,分级正确率为95.56%。同单独使用小波分析的成熟度分级方法相比,综合方法虽正确率有所提高,但处理时间相对较长。5.利用Visual C++开发工具和SQL Server数据库编程技术,设计开发了质量分析检测软件、快速自动分级软件和信息数据库系统。检测软件控制硬件设备,能够实现鲜玉米果穗质量多指标分级和在线快速检测,数据库系统获取检测结果,能够实现果穗穗形、颜色和品质等级信息的存储、查询及分析。综上所述,本文所做的鲜玉米果穗外观品质和成熟度检测关键技术方法的研究工作,为鲜食玉米果穗加工实现自动化生产提供了理论基础和技术支持,经在线生产试验验证,检测时间较短,分级精度较高。快速自动分级系统适合进行实时在线检测分级,质量分析检测系统适合进行玉米果穗多指标抽检。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究的目的与意义
• 1.2 国内外研究进展
• 1.2.1 计算机视觉检测研究进展
• 1.2.2 农产品硬度检测研究
• 1.3 本文研究内容
• 第2章 鲜玉米果穗检测系统的构建与设计
• 2.1 引言
• 2.2 方案设计
• 2.3 系统关键设备的设计
• 2.3.1 触发装置
• 2.3.2 采集装置
• 2.3.3 输送机构
• 2.3.4 执行机构
• 2.3.5 压力检测装置
• 2.4 本章小结
• 第3章 基于外观品质的鲜玉米果穗分级方法研究
• 3.1 引言
• 3.2 鲜玉米果穗外观品质评价标准
• 3.3 基于质量分析检测系统的试验方案及分级步骤
• 3.3.1 试验材料和方法
• 3.3.2 分级步骤
• 3.4 果穗图像预处理方法研究
• 3.4.1 果穗图像的分割
• 3.4.2 图像去噪
• 3.4.3 颜色模型的选择与转换
• 3.5 秃尖的识别与去除
• 3.5.1 颜色模型的选择
• 3.5.2 秃尖识别与去除的步骤和方法
• 3.6 缺陷和穗形特征提取与计算
• 3.7 特征参数准确度分析
• 3.8 基于缺陷和穗形的果穗外观品质分级模型
• 3.9 穗形快速检测方法研究
• 3.9.1 穗形快速检测流程
• 3.9.2 穗形快速检测算法
• 3.10 本章小结
• 第4章 基于压力和图像分析的鲜玉米果穗成熟度分级方法研究
• 4.1 引言
• 4.2 基于质量分析检测系统的试验方案及评定步骤
• 4.2.1 试验材料和方法
• 4.2.2 成熟度分级检测步骤
• 4.3 压力和图像检测特征参数提取与分析
• 4.3.1 压力检测特征提取
• 4.3.2 图像纹理特征提取
• 4.4 成熟度聚类分析
• 4.4.1 样本标准化变换
• 4.4.2 聚类统计量的计算
• 4.4.3 聚类方法研究
• 4.4.4 聚类分析
• 4.5 基于颜色的成熟度特征参数提取与分析
• 4.5.1 颜色特征提取前处理
• 4.5.2 颜色特征优化与提取
• 4.6 基于神经网络的鲜玉米果穗成熟度评定模型
• 4.7 鲜玉米果穗成熟度快速分级方法研究
• 4.7.1 基于快速自动分级系统的果穗成熟度检测步骤
• 4.7.2 基于RGB 颜色模型的果穗成熟度快速分级方法
• 4.7.3 基于HSI 颜色模型的果穗成熟度快速分级方法
• 4.8 分级结果试验验证
• 4.9 本章小结
• 第5章 基于频域的鲜玉米果穗成熟度分级方法研究
• 5.1 引言
• 5.2 基于质量分析检测系统的试验方案及评定步骤
• 5.2.1 试验材料和方法
• 5.2.2 成熟度检测步骤
• 5.3 基于小波变换的计算机视觉检测方法
• 5.3.1 连续小波变换
• 5.3.2 一维离散小波变换
• 5.3.3 二维离散小波变换
• 5.3.4 小波分解层数的确定
• 5.3.5 基于颜色的小波分解图像成熟度特征提取
• 5.3.6 基于纹理的小波分解图像成熟度特征提取
• 5.3.7 特征参数的优化
• 5.4 基于人工神经网络的鲜玉米果穗成熟度评定模型
• 5.5 基于傅里叶变换的鲜玉米果穗成熟度等级评定方法研究
• 5.5.1 傅里叶变换
• 5.5.2 能量谱图像特征提取
• 5.6 方法的比较与选择
• 5.7 分级结果试验验证
• 5.8 本章小结
• 第6章 鲜玉米果穗分级检测系统软件的开发
• 6.1 引言
• 6.2 鲜玉米果穗质量分析检测系统软件
• 6.3 鲜玉米果穗快速自动分级系统软件
• 6.4 鲜玉米果穗信息数据库系统
• 6.5 本章小结
• 第7章 结论
• 7.1 结论
• 7.2 展望
• 参考文献
• 攻读博士学位期间发表的学术论文及取得的科研成果
• 致谢