發(fā)布時間：2020-11-12 13:15

　　 水果品質的檢測分類是其成熟后流入市場銷售前的重要一步,因為水果品質的優(yōu)劣直接影響其經(jīng)濟效益和市場競爭力。在水果質量檢測方面,傳統(tǒng)的分類方式主要有人工檢測和機械檢測。人工檢測耗費大量的人力和財力,并且每個人具體分級的標準都會有程度不同的差異,分類的效率容易受到人們的情緒、疲勞程度以及身體狀況等因素的影響;機械檢測會對水果造成一定程度的機械損傷,在檢測的過程中容易碰傷水果,水果一旦受到損傷,其保質期就會被縮短,慢慢變得腐爛�，F(xiàn)有傳統(tǒng)方法的檢測效果并不夠理想,將直接影響水果本該帶來的最大經(jīng)濟收益。因此,相當有必要尋找一種能夠實現(xiàn)水果自動檢測分類的技術。機器視覺可以完成需要人眼觀察、判斷的任務,非常適合用于完成容易使眼睛疲勞的大量重復性動作的判斷。本文以臍橙為例,將機器視覺應用于臍橙品質的檢測分類中,可以提高檢測分類的效率和準確率,最終實現(xiàn)臍橙的自動化無損檢測分類。為了克服傳統(tǒng)檢測分類方法的不足,本文的主要研究內容和創(chuàng)新點如下:(1)由于傳統(tǒng)方法去噪會損失圖像的部分有用信息,為了克服這一缺點,本文在第三章中研究了基于字典學習的圖像去噪方法,利用K-SVD(K-Singular Value Decomposition)算法完成字典的訓練,同時研究了該算法的原理和去噪的流程。該方法采用稀疏編碼和字典訓練兩個關鍵技術,通過對不同算法的實驗分析,結果表明該方法能夠更完整地保留圖像原有的信息,從而達到更佳的去噪效果。(2)現(xiàn)有傳統(tǒng)的檢測分類方法往往只是針對單一特征進行獨立的判別,分類的效果并不理想。為了進一步提高檢測率,本文借助于HALCON平臺,在第四章中提出了基于特征融合的方法對臍橙實現(xiàn)檢測分類。該方法提取了臍橙的橫徑大小、果皮顏色和表面缺陷這三個特征,首先分別對這三個特征進行單一的檢測分類,并給出相應的分類結果,然后把這三個特征融合在一起進行分類,最后給出利用特征融合的方法完成臍橙綜合檢測分類的結果。(3)現(xiàn)有的研究大多集中在利用人為設計特征完成判別,這些方法相當?shù)暮馁M時間和精力,因此,設法找到一種能夠通過自動學習特征的方法來完成判別是非常必要的。本文在第五章中提出了基于深度學習的方法對臍橙的品質實現(xiàn)檢測分類,采集了優(yōu)質的、良好的、合格的、不合格的4類臍橙圖片各1000張,完成了臍橙數(shù)據(jù)集的構建;基于改進的殘差網(wǎng)絡構建了對臍橙品質自動分類的網(wǎng)絡模型,自動學習樣本數(shù)據(jù)的潛在分布,采用監(jiān)督學習的方法完成模型的訓練,并與其他方法檢測分類的效果進行了對比。
【學位單位】：江西理工大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：S666.4;TP391.41
【部分圖文】：

把彩色圖像轉換為灰度圖像，臍橙的原始彩色圖像和對應的灰度圖像如下圖 2.1 所示：（a）臍橙的原始彩色圖像 （b）臍橙的灰度圖像圖2.1 臍橙的原始彩色圖像和灰度圖2.1 顏色空間顏色空間也叫做彩色空間，它是一種數(shù)學模型，該模型可以對顏色進行抽象化的描述。在對臍橙圖像進行預處理的過程中，需要選取所使用的顏色模型，這影響到后期在果皮顏色檢測分類時提取顏色特征的準確性。最常采用的三種彩色模型有 RGB(red,green,blue)模型、HSL(hue,saturation,lightness)模型以及HSV(hue,saturation,value)模型。(1) RGB 彩色模型RGB 模型是一個正方體，利用色光混合的原理[24]，通過把紅、綠、藍 3 種色光融合在一起生成可見光中的所有顏色。不同取值的 R、G 和 B 組合能夠描述不同的顏色，其取值

(2.1)式子中的1 對應的是物體，0 對應的則是背景。將閾值進行二值化，分割結果如下圖2.6 所示：圖2.6 臍橙的分割結果圖圖像二值化是為了最大程度的保留圖像中感興趣的目標區(qū)域，經(jīng)過二值化的處理之后才能更好地對圖像進行特征提取和進一步的分析。二值化處理后在圖像上只能看到黑色和白色兩種效果，大大地減少了圖像中的數(shù)據(jù)數(shù)量，提高了對圖像的處理速度，這使得在提取圖像輪廓特征的時候非常便利。二值化的過程就是設定一個用來判斷圖像上的像素點是目標區(qū)域還是背景區(qū)域的閾值T ，把灰度圖像中大于 的像素值設定為 255(白色)，把灰度圖像中小于 的像素值設定為 0(黑色)，并且由此生成對應的二值圖像。2.3 圖像去噪圖像是日常生活中最常用的信息載體之一，在采集和傳輸圖像過程中會受到拍攝設備以及周圍環(huán)境等外部因素的影響，難免會帶有一定程度的噪聲污染，使得圖像變得模糊

（c）σ=25的原始干凈圖像 （d）σ=25的DCT字典去噪圖像（f）σ=25的Global字典去噪圖像 （g）σ=25的K-SVD字典去噪圖像圖3.4 σ=25的臍橙圖像去噪實驗結果圖上圖3.4給出臍橙圖像在噪聲標準差σ=25時的去噪效果圖，實驗基于PC平臺(CPU主頻2.50HZ，內存4GB)，用MATLAB R2014a進行去噪實驗。根據(jù)上述理論的分析，加入了
【相似文獻】

相關期刊論文 前10條

1 ;機器視覺[J];光機電信息;2002年08期

2 朱瑞;機器視覺在復雜零、部件測量方面的應用[J];今日電子;2004年06期

3 黎紅偉;;關于機器視覺鏡頭[J];可編程控制器與工廠自動化;2005年02期

4 錢競業(yè);;機器視覺的發(fā)展方向探討[J];現(xiàn)代制造;2006年06期

5 傅昆;;行者無疆——機器視覺的中國崛起[J];現(xiàn)代制造;2006年21期

6 雷文華;;機器視覺及其應用(系列講座) 第一講 機器視覺發(fā)展概述[J];應用光學;2006年05期

7 ;機器視覺的應用使生產(chǎn)加工更加智能、高效[J];現(xiàn)代制造;2009年06期

8 李樹杰;;中國機器視覺的發(fā)展趨勢[J];赤峰學院學報(自然科學版);2010年01期

9 ;機器視覺最新技術動態(tài)[J];中國光學;2013年01期

10 馮伯儒;;機器視覺中的電-光技術[J];光電子學技術;1986年01期

相關碩士學位論文 前10條

1 葉青松;基于機器視覺的工業(yè)檢測研究[D];江南大學;2008年

2 王聰;基于機器視覺的客流統(tǒng)計方法與實現(xiàn)[D];西南大學;2009年

3 張強;基于機器視覺的產(chǎn)品檢測技術研究[D];中國人民解放軍信息工程大學;2005年

4 劉偉;基于機器視覺的駕駛員樁考系統(tǒng)研究[D];合肥工業(yè)大學;2007年

5 潘武;基于機器視覺的工件的識別和定位[D];北京化工大學;2012年

6 冀瑜;基于機器視覺的高精度尺寸檢測技術及應用研究[D];中國計量科學研究院;2006年

7 高晟麗;基于機器視覺的工件檢測技術研究[D];解放軍信息工程大學;2006年

8 廖維;基于機器視覺的工件加工尺寸在線測量方法與系統(tǒng)研究[D];武漢理工大學;2012年

9 孔峰;基于單目機器視覺的在線自動灌裝系統(tǒng)研究[D];江蘇科技大學;2012年

10 陳祎;基于以太網(wǎng)的機器視覺操作終端軟件的研究與開發(fā)[D];江南大學;2011年

本文編號：2880785