基于机器视觉的稻米品质检测研究及其DSP实现

论文摘要

当前，我国粮食谷物的多种品质检测指标还只停留在人工肉眼观测阶段，具有费时费力、一致性差等诸多缺点。针对这些缺点，本文研究并开发了一套基于机器视觉的稻米品质检测系统。该系统以ARM为控制核心，完成系统控制、板间通信等方面的工作；以TI公司的DM642为主处理器，完成稻米品质检测的相关核心运算等。该系统可以通过视频接口，实时地接收视频信号，经过处理实现稻米的相关品质检测，并通过串口把相关指标和数据传送到ARM和电脑主机上，使用人员可以直观观察稻米图像处理效果并进行相应参数的修改。本文所做的主要工作包括两个方面：算法的研究与选择和算法的DSP实现与系统优化。（1）算法的研究与选择。对各种常用的数字图像处理基础算法，如图像滤波、边缘检测、自动阈值分割等进行了研究、仿真和比较，通过对比和分析，选出了适合于本系统的基础处理算法；通过颜色空间变换和色度直方图等方法，研究了基于色度信息的黄粒米检测算法，仿真表明，该方法可以有效地判别黄粒米；在极坐标系下研究了稻米的质心检测、边缘检测和长短轴检测等算法，实验表明，可以通过该方法进行整米、碎米和异形米等判定。（2）算法的DSP实现与系统优化。完成了所选择算法的整体框架设计和C代码编写，并在DSP开发板上调试通过；应用片级支持库（CSL）和视频驱动等DSP相关技术，实现了快速数据传输，使系统的处理速度提高了10倍；通过对算法的优化和CCS相关编译工具的使用，进一步改善了性能；通过选择数据类型、循环展开、数据表操作等工作，对C代码进行了优化，又获得了近10倍的速度提升，使之达到了项目指标要求。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状及本文应用
• 1.2.1 机器视觉的国内外研究现状
• 1.3 本文应用
• 1.4 本文主要研究内容及结构安排
• 第二章 稻米的数字图像处理基础算法研究
• 2.1 相关基础知识概述
• 2.1.1 机器视觉基本介绍
• 2.1.2 数字图像处理基本介绍
• 2.2 稻米图像处理基础算法研究
• 2.2.1 彩色图像的灰度化
• 2.2.1.1 灰度变换公式
• 2.2.1.2 稻米图像仿真结果
• 2.2.2 图像滤波算法
• 2.2.2.1 图像滤波算法
• 2.2.2.2 稻米图像仿真结果
• 2.2.3 边缘检测算法
• 2.2.3.1 边缘检测算子
• 2.2.3.2 稻米图像仿真结果
• 2.2.4 图像分割算法
• 2.2.4.1 图像分割算法
• 2.2.4.2 稻米图像仿真结果
• 2.3 本章小结
• 第三章 碎米和黄粒米的检测
• 3.1 基于极坐标的碎米检测
• 3.1.1 极坐标和直角坐标的关系
• 3.1.1.1 极坐标介绍
• 3.1.1.2 极坐标和直角坐标的关系
• 3.1.2 极坐标系下的型心计算
• 3.1.2.1 型心计算方法
• 3.1.2.2 稻米图像仿真结果
• 3.1.3 极坐标系下的目标边界检测
• 3.1.3.1 边界检测算法
• 3.1.3.2 稻米图像仿真结果
• 3.1.4 基于极坐标的碎米检测
• 3.1.4.1 区域初始极坐标方向确定
• 3.1.4.2 碎米检测算法
• 3.1.4.3 稻米图像仿真结果
• 3.1.5 碎米检测小结
• 3.2 基于色度直方图的黄粒米检测
• 3.2.1 常用颜色模型介绍
• 3.2.1.1 RGB 颜色模型
• 3.2.1.2 HSI 颜色模型
• 3.2.1.3 XYZ 颜色模型
• 3.2.1.4 CMYK 颜色模型
• 3.2.1.5 YUV 颜色模型
• 3.2.2 基于色度直方图的黄粒米检测
• 3.2.2.1 黄粒米检测算法
• 3.2.2.2 稻米图像仿真结果
• 3.2.3 黄粒米检测小结
• 3.3 本章小结
• 第四章 基于机器视觉的稻米品质检测系统
• 4.1 DSP 开发介绍
• 4.1.1 如何选择 DSP 处理器
• 4.1.2 DSP 开发流程介绍
• 4.1.3 CCS 环境介绍
• 4.2 系统平台介绍
• 4.2.1 整体系统结构
• 4.2.2 图像分析平台介绍
• 4.3 图像分析系统的实现
• 4.3.1 图像分析系统框架
• 4.3.2 图像分析系统实现
• 4.3.2.1 视频采集模块
• 4.3.2.2 视频驱动模块
• 4.3.2.3 图像处理模块
• 4.3.2.4 整体算法流程
• 4.4 图像分析系统的优化
• 4.4.1 板级优化
• 4.4.2 算法级优化
• 4.4.3 程序级优化
• 4.4.4 优化结果及分析
• 4.5 图像分析系统实现结果
• 4.6 本章小结
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 致谢
• 参考文献
• 个人简介