| 题名 | 基于机器视觉的樱桃番茄在线分级检测研究 |
| 作者 | 常英 |
| 答辩日期 | 2019 |
| 导师 | 缑新科 ; 陈全胜 |
| 关键词 | 机器视觉 图像处理 粒子群优化 支持向量机 决策融合 |
| 学位名称 | 硕士 |
| 英文摘要 | 樱桃番茄又名圣女果,既可以作为蔬菜又可以作为水果,深受广大消费者的青睐。传统外观品质检测主要依靠手工分类或机器分级,手工检测时,人的测量和分级会因疲劳、个人判别方法的不同等产生误分;机器分级是利用专用机器来检测水果的大小,而不能对水果的纹理、表面缺陷和颜色等作出评价,为解决这一问题,本文设计一个基于机器视觉的樱桃番茄在线分级检测系统,借助采集的图像提取樱桃番茄的多个重要特征,建立起快速高效的分级检测模型,实现水果的自动优选分级。论文在对图像处理的基本理论与方法进行研究的基础上,对采集的樱桃番茄图像进行分析处理,结合二值图像和彩色图像,利用图像局部阈值分割、高光部分提取、形态学处理、外部轮廓提取、局部性质计算等操作,选择去除背景的最佳图像,统计图像连通区域个数N,利用识别指标中R、G、B值的大小以及参数值metric作为主要判别依据,对樱桃番茄是否为完好果进行判断,完成第一次分级。针对第一次分级得到的完好果图像,为提高图像实时处理效率和质量,采用二级小波分解和中值滤波对图像进行缩放和降噪,利用Canny算法进行边缘检测,选择果径、色泽、缺陷面积、果形、纹理和成熟度作为特征参数,利用判别树分级方法对果径、缺陷面积和色泽等特征进行分级;经过训练构建基于粒子群优化的SVM分级模型对果形、纹理和成熟度等复杂高维特征进行分级,在SVM模型训练阶段,为提高分级实时性,采用核主元分析法(KPCA)对高维特征进行降维,在KPCA降维训练时,为避免参数盲目选择,引入粒子群优化算法(PSO)对参数进行优化选择,最后,采用决策融合对最终样本等级进行判定,完成第二次分级。针对本文提出算法,在基于Microsoft Visual Studio 2010和OpenCV2.4.9环境搭建的樱桃番茄在线识别系统中,通过采集樱桃番茄图像并自制图像数据库完成测试验证,实验结果表明,在基于单分类器的识别结果中,判别树分级准确率高于SVM分级准确率,而采用KPCA降维后的特征进行SVM分类时相对于单一SVM分类器在识别准确率和分级速率上均有提高,而决策融合与单分类器比较,明显提高了樱桃番茄的识别准确率,分级准确率可达到95%以上,平均分级速率为4个/s,不仅提高了识别率,实时性也得到了满足。 |
| 语种 | 中文 |
| 页码 | 75 |
| URL标识 | 查看原文 |
| 内容类型 | 学位论文 |
| 源URL | [http://ir.lut.edu.cn/handle/2XXMBERH/95224]  |
| 专题 | 兰州理工大学 |
| 作者单位 | 兰州理工大学 |
| 推荐引用方式 GB/T 7714 | 常英. 基于机器视觉的樱桃番茄在线分级检测研究[D]. 2019. |
| 个性服务 |
| 查看访问统计 |
| 相关权益政策 |
| 暂无数据 |
| 收藏/分享 |
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
修改评论