基于视觉的番木瓜外观品质检测技术研究

论文摘要

水果品质检测与分级,是水果流通和加工过程中的重要环节之一。如何快速、准确的检测水果外观品质,解决检测手段滞后于行业标准的问题,成为目前急需着手的工作。由于计算机视觉分级精度、自动化程度高,属于非接触检测过程,因此将其用于水果外观品质检测具有潜在的应用价值和很好的发展前景。国内外学者对于计算机视觉应用于水果外观品质检测进行了大量的研究工作,并且取得了很多研究成果,对此领域的发展做出了很大的贡献。但总体来说,还存在一些亟待解决的问题：第一大部分外观品质检测研究集中于苹果、梨、甘橘等近球形的水果,而对于像番木瓜这类椭球型的水果几乎未涉及到；第二,很多研究工作都是针对静态的水果进行外观检测,分级精度高但实用性不强,对于实用性较强的动态水果研究较少。基于上述背景,结合实际生产的需要,本研究设计了计算机视觉番木瓜检测系统,提出基于视觉的番木瓜外观品质检测的方法,所有算法实现采用的软件工具是MATLAB软件。本文的主要研究内容和结果包括：（1）搭建了图像采集系统并使用简单易行的方法对摄像机进行标定,采用小角度斜面作为采集番木瓜图像的工作平台,找到适合的斜面角度来实现番木瓜的纯滚动,便于番木瓜图像的动态采集。采集到的图像存在很多冗余信息影响图像处理的速度,因此对图像裁剪以减少数据量。（2）对图像预处理中图像灰度化、图像滤波、图像增强、图像分割及边缘检测等方法的各种算法进行了比较,通过实验验证选取了适合番木瓜分类的低层图像处理方法。（3）参考国内外学者用于水果特征提取的方法,选择了提取效果较好的几种方法比较分析后,找到了适合番木瓜颜色、大小、形状及表面缺陷特征提取的方法。番木瓜的颜色描述选用了CIE-L*a*b颜色模型,选取最小外接矩和周长来描述番木瓜的大小,运用圆形度和形状不变矩相结合的方法识别番木瓜的外形特征,使用损伤区域轮廓法得到缺陷区域,以损伤区域面积比为指标描述番木瓜的缺陷区域大小。（4）研究人工神经网络的各种方法,选择了具有代表性的BP网络、RBF网络及SVM网络实现番木瓜外观品质的分类,分级准确率在75%-80%之间,分类结果一致。准确率未达到100%的主要原因可能是在使用神经网络方法对番木瓜外观品质分级时训练样本和测试样本过少。由分级结果得出：基于本研究的设计方法结构合理,软硬件可行,并得到较准确地分类结果,系统性能可以满足番木瓜外观品质检测的实际需求。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题研究背景和意义
• 1.1.1 我国水果生产及分级现状
• 1.1.2 传统的水果分级方法
• 1.1.3 计算机视觉技术
• 1.2 国内外研究动态及发展趋势
• 1.2.1 国外研究概况
• 1.2.2 国内研究概况
• 1.3 课题研究的目的、主要内容及技术路线
• 1.3.1 研究的目的与意义
• 1.3.2 主要的研究内容
• 1.3.3 所采用的技术路线
• 1.4 小结
• 第二章 计算机视觉系统及番木瓜图像的采集
• 2.1 计算机视觉系统及图像处理技术
• 2.1.1 计算机视觉系统构成
• 2.1.2 图像处理技术
• 2.2 番木瓜图像采集系统的设计
• 2.2.1 光照箱尺寸的设计
• 2.2.2 光照箱内光源的设计
• 2.2.3 工作台斜面的设计及计算
• 2.2.4 摄像机、图像采集卡、图像处理系统的选择
• 2.3 单目二维视觉测量的摄像机标定
• 2.3.1 摄像机外参数模型
• 2.3.2 摄像机内参数模型
• 2.3.3 本研究的标定方法
• 2.4 番木瓜标准图像的建立
• 2.5 小结
• 第三章 番木瓜图像的预处理算法研究
• 3.1 图像灰度化
• 3.2 图像增强方法研究
• 3.2.1 基于点运算的图像增强方法
• 3.2.2 基于空间运算的图像增强方法
• 3.2.3 数学形态学的图像增强方法
• 3.3 图像分割和边缘检测方法研究
• 3.3.1 图像分割方法
• 3.3.2 图像边缘检测方法
• 3.4 小结
• 第四章 番木瓜外观品质检测算法研究
• 4.1 番木瓜颜色特征提取
• 4.1.1 常用的颜色模型
• 4.1.2 RGB与HIS之间的转换
• 4.1.3 番木瓜颜色提取
• 4.2 番木瓜的外型尺寸特征提取
• 4.2.1 几何特征
• 4.2.2 形状特征
• 4.2.3 番木瓜外形信息提取
• 4.3 番木瓜表面缺陷检测研究
• 4.3.1 表面缺陷特征提取的识别方法研究
• 4.3.2 番木瓜表面缺陷轮廓提取法
• 4.4 小结
• 第五章 基于人工神经网络的番木瓜外观品质识别
• 5.1 几种典型的神经网络模型
• 5.1.1 误差反传训练算法（Back-Propagation algorithm—BP算法）
• 5.1.2 径向基网络（Radial Basis Function—RBF网络）
• 5.1.3 支持向量机法（Support Vector Machine—SVM算法）
• 5.2 番木瓜外观品质检测分级
• 5.2.1 BP算法用于分类的设计
• 5.2.2 RBF算法用于分类的设计
• 5.2.3 SVM算法用于分类的设计
• 5.3 小结
• 第六章 结论和展望
• 6.1 研究结论
• 6.2 下一步研究设想
• 致谢
• 参考文献
• 附录:本人攻读硕士学位期间发表学术论文、申请专利及获奖情况