基于计算机视觉的花生仁外观品质无损检测方法的研究

论文摘要

外贸出口对花生仁的破损粒、霉变粒、大小、外形等外观品质有着明确的规定,但目前市场上除了光电色选机可以对霉变粒进行分拣外,其他外观品质指标主要依靠人工进行,难以满足不同的市场需求。计算机视觉具有无损、快速、可一次完成多个品质指标的检测、有利于设计制造自动分级流水线等特点,在农产品品质自动识别上有非常好的应用前景。利用计算机视觉技术进行花生仁外观品质检测研究,实现花生仁外观品质的自动、无损检测,对提高我国花生的市场竞争力具有重要意义。在这样的背景下,本文利用计算机视觉技术、图像处理技术和模式识别技术研究了花生仁外观品质检测方法。主要研究内容如下:1.结合花生仁图像特征提取的实际要求,分析了几种常用颜色模型的特点,对噪声滤除、图像增强、图像分割、特征提取等图像基础处理算法进行了分析和研究,确定了适用于花生仁外观品质检测的图像底层处理算法。2.为了实现对霉变花生仁的检测,研究了花生仁霉变过程中,颜色特征参数、纹理特征参数的变化规律,提取颜色特征H、I、S及纹理特征RW、GW、BW作为MATLAB所创建的神经网络的输入,利用BP神经网络模型实现了对正常、不新鲜、霉变三种情况花生仁的判别,正确分类率为96.67%、90%、93.33%;为了实现对霉变花生仁表皮霉变程度的判断,采用H和S的阈值识别出霉变区域,再经形态学处理,根据像素数目计算霉变区域面积比,对霉变花生仁的表皮霉变程度进行了判别,正确率为90%。3.为了实现对破损花生仁的检测,提取破损区域的颜色特征,基于模式匹配,建立了以R、G、B颜色信息为特征参数的破损花生仁检测系统,实现完好与破损花生仁的自动识别,检测准确率为80.12%。4.为了实现对不同形状花生仁的检测,采用傅立叶变换与傅立叶反变换对描述花生仁形状,该傅立叶描述子前13个谐波的变化特性可以代表花生仁主要形状。利用傅立叶描述子与人工神经网络实现了长形、普通形、三角形、椭圆形和圆形五个类别花生仁形状检测,判别正确率分别为90%、93.3%、96.7%、100%、93.3%。5.为了实现对不同尺寸花生仁的检测,研究了花生仁面积、周长、长轴长、短轴长、圆度、偏心率、当量直径、紧凑度等几何形状参数的提取方法,建立了花生仁图像投影面积和花生仁重量之间的相关模型,结果表明,图像投影面积和重量存在较显著相关关系;基于支持向量机和几何特征参数建立的网络系统,对花生仁五个尺寸级别的识别准确率大于90%。6.为了利用视觉技术检测花生仁货架期,研究了花生仁贮藏过程中表皮颜色、纹理、光泽等的变化规律,利用马氏距离判别准则建立了H、I、S三个颜色特征值参数及RW、GW、BW三个纹理参数与贮藏时间之间的关系模型,经验证识别准确率为86.25%。7.对包括机械系统、视觉检测系统、控制系统、程序软件在内的花生仁外观品质检测系统的软硬件进行了设计,为实现基于计算机视觉的花生仁外观多个外观品质的无损、快速检测提供了理论基础和技术依据。

论文目录

• 摘要
• ABSTRACT
• 前言
• 1 研究目的和意义
• 1.1 花生的产业地位
• 1.2 出口花生外观品质要求
• 1.3 出口花生现状
• 1.4 外观品质分级的必要性和重要性
• 2 计算机视觉技术的国内外研究概况
• 2.1 计算机视觉在农产品表面缺陷检测中的应用
• 2.2 计算机视觉在农产品尺寸检测中的应用
• 2.3 计算机视觉在农产品形状检测中的应用
• 2.4 机器视觉在农产品颜色检测中的应用
• 2.5 计算机视觉在农产品其他品质检测中的应用
• 2.6 计算机视觉在花生品质检测中的应用
• 3 主要研究内容
• 4 技术路线
• 5 本章小结
• 第一章 图像采集与图像处理基础算法
• 1 计算机视觉硬件系统
• 2 颜色模型
• 2.1 颜色基本原理
• 2.2 常用的颜色模型
• 2.3 RGB颜色模型
• 2.4 HSI颜色模型
• 3 彩色图像灰度化
• 4 图像增强
• 4.1 灰度变换法
• 4.2 直方图均衡化
• 4.3 图象增强处理结果与分析
• 5 图像滤波
• 5.1 线性（均值）滤波
• 5.2 中值滤波
• 5.3 维纳滤波
• 5.4 滤波处理结果与分析
• 6 图像分割
• 6.1 阈值分割
• 6.2 分割处理结果与分析
• 7 花生仁的边界轮廓跟踪
• 7.1 链码
• 7.2 链码轮廓跟踪算法
• 7.3 边缘轮廓跟踪结果与分析
• 8 边缘检测
• 8.1 边缘检测算子
• 8.1.1 Robert算子
• 8.1.2 Prewitt算子
• 8.1.3 Sobel算子
• 8.1.4 Log（Laplacian of Gaussian）算子
• 8.1.5 Canny算子
• 8.2 边缘检测各算子比较
• 9 形态学运算
• 9.1 膨胀
• 9.2 腐蚀
• 9.3 开运算
• 9.4 闭运算
• 10 区域填充与标记
• 11 图像合成
• 12 本章小结
• 第二章 霉变花生仁识别
• 1 霉变花生仁识别
• 1.1 花生仁样品图像获取
• 1.2 图像预处理
• 1.2.1 图像噪声的去除
• 1.2.2 边缘提取
• 1.2.3 形态学滤波
• 1.2.4 图像填充
• 1.2.5 图像合成
• 1.3 特征信息选择
• 1.3.1 颜色特征参数
• 1.3.2 纹理特征值参数
• 1.4 霉变识别系统
• 1.4.1 BP神经网络设计
• 1.4.2 BP神经网络结构
• 1.4.3 BP神经网络的生成及初始化
• 1.4.4 BP神经网络的训练和仿真
• 1.4.5 花生仁霉变情况识别系统
• 1.4.6 网络训练
• 1.5 系统的实现和试验结果验证
• 1.5.1 界面设计
• 1.5.2 试验结果验证
• 2 花生仁霉变程度检测
• 2.1 样品图像获取
• 2.2 图像处理
• 2.3 特征参数选取
• 2.4 花生仁霉变程度识别
• 2.4.1 花生仁霉变区域分割及识
• 2.4.2 试验结果验证
• 3 紫外灯光下花生仁的图像特性
• 4 本章小结
• 第三章 破损花生仁识别
• 1 花生仁样品图像获取与图像处理
• 1.1 花生仁图像获取
• 1.2 各类花生仁图像特点
• 2 图像处理与分割
• 3 破损区域颜色特征参数值提取
• 4 破损花生仁的自动识别
• 4.1 破损识别准则
• 4.2 试验验证与讨论
• 5 本章小结
• 第四章 花生仁形状识别
• 1 花生图像处理
• 1.1 花生仁图像采集
• 1.2 颜色分量提取
• 1.3 图像分割
• 1.4 图像边界轮廓跟踪
• 1.5 花生仁区域形心的计算
• 2 基于傅立叶变换的花生仁形状特征描述
• 2.1 花生仁形状特征参数的提取
• 2.2 离散傅立叶级数及离散傅立叶变换
• 2.3 边界轮廓线的傅立叶描述子
• 2.4 边界曲线的离散化
• 2.5 离散序列的大小归一化
• 2.6 离散傅立叶变换
• 3 花生仁形状BP神经网络识别系统
• 3.1 花生仁形状识别网络建立
• 3.1.1 建立长形花生仁网络
• 3.1.2 建立普通形花生仁网络
• 3.1.3 建立三角形花生仁网络
• 4 花生仁形状识别系统设计
• 4.1 识别系统程序设计
• 4.2 识别系统界面设计
• 4.3 验证
• 5 本章小结
• 第五章 花生基本几何特征及大小识别
• 1 花生仁基本几何特征提取
• 1.1 常用基本几何特征量
• 1.2 几何特征量提取
• 2 花生仁重量与其投影面积的回归模型
• 2.1 花生米重量与其投影面积回归模型
• 2.2 回归模型显著性检验
• 2.3 回归模型验证
• 2.4 讨论
• 3 花生仁大小识别
• 3.1 花生仁图像获取及几何特征提取
• 3.2 SVM分类识别器的基本理论
• 3.3 花生仁大小识别系统设计
• 3.4 花生仁形状识别系统的界面设计
• 3.5 模型验证
• 4 本章小结
• 第六章 花生仁货架期检测
• 1 花生仁样品图像获取与特征提取
• 1.1 花生仁图像获取
• 1.2 花生仁特征参数提取
• 2 颜色变化规律
• 2.1 颜色特征变化规律
• 2.2 纹理特征变化规律
• 2.3 特征参数选择
• 3 基于马氏距离的花生仁货架期判别
• 3.1 马氏距离判别法
• 3.1.1 马氏距离的基本原理
• 3.1.2 分类器的训练原理
• 3.1.3 分类器的分类原理
• 3.2 花生仁货架期检测系统
• 3.2.1 检测系统实现
• 3.2.2 验证结果与讨
• 4 本章小结
• 第七章 花生仁在线检测与分级系统的设计
• 1 总体方案设计
• 1.1 硬件系统设计
• 1.1.1 机械系统设计
• 1.1.2 视觉检测系统
• 1.1.3 控制系统
• 1.2 软件系统设计
• 1.3 花生仁外观质量检测系统试验验证
• 2 本章小结
• 第八章 总结与展望
• 1 总结
• 2 主要创新点
• 3 展望
• 4 讨论
• 参考文献
• 致谢
• 附录 研究生期间发表的相关论文