基于GA和SVM的羽绒种类自动检测系统

论文摘要

作为禽类皮肤的衍生物,羽绒除满足其飞翔或行走的能力之外,主要起到防寒保暖作用。由于羽绒所具有的轻、软、暖和透气性好等特点,在提倡“绿色消费”、“回归自然”等消费理念的今天,越来越受到人们的青睐。目前,羽绒种类的鉴定都是检测人员通过显微镜用肉眼观察,对羽绒样品进行人工鉴定。这种鉴定需要大量的训练和实践经验,检测人员必须对水禽毛中鹅绒、鸭绒,陆禽毛中的鸡毛、鸽子毛等的形态特征有一个充分的了解。由于检测过程中诸多的人为因素,可能造成同一样品得到不同的检测结果。而且,如果长时间进行人工鉴定,容易引起视觉疲劳。为提高鉴定的客观性和准确性,必须研制相应的自动检测设备。而国内外用于识别羽绒的自动检测设备尚未有报道。在研究和分析鹅、鸭绒显微结构的基础上,我们开发了基于GA和SVM的羽绒种类自动检测系统。本文的主要工作如下:1.对羽绒的显微结构进行分析和研究,得到了适合于计算机自动检测的判断特征。2.对羽绒图像的图像处理方法进行研究,包括图像平滑、增加图像对比度等图像增强方法的研究,用适合羽绒图像的方法进行图像预处理;以及图像分割技术的研究,用基于遗传算法的最佳的阈值对羽绒图像进行阈值分割,得到满足羽绒检测要求的二值图像。3.对SVM理论以及数学形态学等理论知识进行了探讨,并提出了基于支持向量机的羽绒种类自动检测的新思想。通过对羽绒图像中的菱节进行识别,并且对识别出的菱节进行配对、计算节距来最终确定羽绒的种类为鹅绒、鸭绒或非鹅鸭绒。4.提出了羽绒种类自动检测系统的整体方案,并完成了羽绒种类自动检测系统的软件设计。在Windows 2000下,以VC++6.0为开发工具,最终开发出了界面友好、操作简单的羽绒种类自动检测系统软件。本文用图像处理、GA、数学形态学、SVM等理论及技术实现了羽绒种类的自动检测,克服了人工检测的诸多弊端,减少了人工检测时的可能出错,是羽绒种类检测方式的一种尝试和突破;本系统的研究开发,大幅提高了羽绒鉴定的手段与水平,具有广阔的前景和推广价值,并且填补了国内外在此领域的空白。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究的目的、意义
• 1.2 目前研究现状及存在的问题
• 1.3 基于GA和SVM的羽绒种类自动检测新方法
• 1.4 本文的主要内容
• 第二章 羽绒种类自动检测系统概述
• 2.1 羽绒种类自动检测的基本原理
• 2.2 鹅、鸭等毛绒的结构特征分析
• 2.3 系统的硬件构成
• 2.4 羽绒种类自动检测系统的工作流程
• 2.5 关于羽绒种类自动检测系统的几点说明
• 2.6 本章小结
• 第三章 技术背景
• 3.1 遗传算法
• 3.1.1 遗传算法概述
• 3.1.2 遗传算法的一般流程
• 3.2 统计学习理论
• 3.3 SVM基本原理
• 3.3.1 线性SVM（线性可分情况）
• 3.3.2 非线性SVM
• 3.4 核函数
• 3.5 本章小结
• 第四章 羽绒图像的图像处理方法研究
• 4.1 羽绒图像的采集
• 4.1.1 图像采集所需的设备及其连接
• 4.1.2 图像采集设备的参数调整
• 4.1.3 图像采集
• 4.2 图像预处理
• 4.2.1 概述
• 4.2.2 图像平滑
• 4.2.3 增强对比度
• 4.3 图像分割
• 4.3.1 最大熵法
• 4.3.2 迭代法
• 4.3.3 最大类间方差（OTSU）法
• 4.4 基于遗传算法的阈值分割算法
• 4.4.1 基于遗传算法的羽绒图像分割算法
• 4.4.2 遗传算法中最常用的算子
• 4.4.3 基于遗传算法的羽绒图像分割算法流程
• 4.4.4 实验分析
• 4.5 本章小结
• 第五章 运用SVM进行羽绒种类检测
• 5.1 SVM模型的训练
• 5.2 用SVM进行菱节的识别
• 5.3 菱节的配对
• 5.3.1 细化理论概述
• 5.3.2 数学形态学基本理论
• 5.3.3 基于数学形态学的细化算法
• 5.3.4 菱节的配对算法
• 5.4 试验结果对比
• 5.4.1 使用多项式核SVM（SVMP）进行识别
• 5.4.2 使用重复训练的多项式核SVM（RESVM）进行识别
• 5.4.2.1 基于重复训练的SVM
• 5.4.2.2 使用重复训练的多项式核SVM（RESVM）进行识别
• 5.4.3 使用RBF核SVM（RBF—SVM）进行识别
• 5.5 本章小结
• 第六章 羽绒种类自动检测系统的软件设计
• 6.1 本系统的开发平台及开发工具
• 6.2 本系统的功能
• 6.3 主要功能模块的实现
• 6.3.1 图像动态采集和实时显示模块
• 6.3.2 算法程序模块
• 6.3.3 羽绒识别模块
• 6.3.4 数据库管理模块
• 6.4 系统操作说明
• 6.5 本章小结
• 第七章 结论与展望
• 7.1 结论
• 7.2 展望
• 参考文献
• 附录
• 致谢