山核桃營養(yǎng)價(jià)值豐富、口感風(fēng)味獨(dú)特,經(jīng)濟(jì)價(jià)值高,但受生長條件的影響,種植規(guī)模與生產(chǎn)規(guī)模較小,山核桃深加工生產(chǎn)的技術(shù)水平亟待提高。本文主要研究山核桃破殼加工生產(chǎn)線的殼仁智能化分選技術(shù),針對解決破殼后的山核桃物料難以篩選的問題,通過計(jì)算機(jī)視覺技術(shù)對破殼后的山核桃的各種形態(tài)進(jìn)行分類,識別出需要分選的核桃仁,提高山核桃的經(jīng)濟(jì)價(jià)值。本文以安徽省皖南山區(qū)天目山脈出產(chǎn)的山核桃為研究對象,搭建圖像采集與測試平臺,基于Labview虛擬儀器技術(shù)開發(fā)了用以分選山核桃的上位機(jī)檢測系統(tǒng),具有良好的人機(jī)交互界面,可實(shí)時(shí)采集、分析山核桃破殼物料的特征并輸出識別結(jié)果。(1)設(shè)計(jì)了山核桃靜態(tài)采集試驗(yàn)裝置,建立以CCD傳感器、環(huán)形光源、圖像采集卡、工業(yè)計(jì)算機(jī)為硬件組成的圖像采集與視覺檢測系統(tǒng)�；趫D像處理技術(shù)研究山核桃的物理特征,研究了圖像預(yù)處理算法對山核桃樣品圖像的處理過程,排除了圖像存在的干擾及冗余信息�；谶x定的RGB/HSV/HIS/Lab顏色模型和灰度共生矩陣的統(tǒng)計(jì)量分別提取山核桃破殼物料主要形態(tài)的顏色特征與紋理特征,構(gòu)建山核桃的識別特征模型,依據(jù)主成分分析對特征模型進(jìn)行融合降維,獲取用于識別的目標(biāo)向量。(2)...

【文章頁數(shù)】：88 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
Abstract
1 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
    1.3 課題研究目的及研究內(nèi)容
        1.3.1 研究目的
        1.3.2 研究內(nèi)容
        1.3.3 技術(shù)路線
    1.4 本章小結(jié)
2 山核桃殼仁圖像采集硬件系統(tǒng)設(shè)計(jì)
    2.1 圖像采集系統(tǒng)的要求
    2.2 圖像采集系統(tǒng)的硬件構(gòu)成
        2.2.1 CCD相機(jī)的選擇
        2.2.2 照明光源
        2.2.3 工控采集設(shè)備
    2.3 相機(jī)的屬性配置
    2.4 本章小結(jié)
3 山核桃殼仁圖像的分析與處理
    3.1 山核桃殼仁圖像的獲取
    3.2 山核桃殼仁圖像的預(yù)處理
        3.2.1 圖像噪聲的形式
        3.2.2 圖像濾波
        3.2.3 背景分割
        3.2.4 圖像連通域處理
        3.2.5 圖像標(biāo)定
    3.3 本章小結(jié)
4 山核桃主要結(jié)構(gòu)的分類和特征提取
    4.1 山核桃結(jié)構(gòu)分類標(biāo)準(zhǔn)
    4.2 顏色特征的選取
        4.2.1 RGB顏色模型
        4.2.2 HSV顏色模型
        4.2.3 HIS顏色模型
        4.2.4 Lab顏色模型
    4.3 紋理特征的選取
        4.3.1 山核桃主要結(jié)構(gòu)紋理特征分析
        4.3.2 灰度共生矩陣模型
        4.3.3 山核桃圖像的灰度共生矩陣構(gòu)建
        4.3.4 紋理特征的選擇
    4.4 特征模型建立及程序設(shè)計(jì)
        4.4.1 特征提取程序設(shè)計(jì)
        4.4.2 特征模型建立
    4.5 特征模型的融合降維與歸一化
        4.5.1 PCA特征降維
        4.5.2 數(shù)據(jù)歸一化處理
    4.6 本章小結(jié)
5 山核桃殼仁分選的方案選擇
    5.1 識別模型的建立
    5.2 基于模糊聚類的識別模型
        5.2.1 模糊聚類的理論推導(dǎo)
        5.2.2 模糊聚類算法的實(shí)現(xiàn)
    5.3 基于DBSCAN聚類的識別模型
        5.3.1 DBSCAN算法介紹
        5.3.2 DBCAN算法的分類實(shí)現(xiàn)
    5.4 基于BP神經(jīng)網(wǎng)絡(luò)的識別模型
        5.4.1 BP神經(jīng)網(wǎng)絡(luò)介紹
        5.4.2 BP神經(jīng)網(wǎng)絡(luò)的識別過程
    5.5 基于SVM的識別模型
        5.5.1 支持向量機(jī)的基本理論
        5.5.2 非線性SVM的分類實(shí)現(xiàn)
    5.6 本章小結(jié)
6 試驗(yàn)
    6.1 試驗(yàn)?zāi)康募耙?br>    6.2 試驗(yàn)準(zhǔn)備
        6.2.1 試驗(yàn)材料
        6.2.2 試驗(yàn)過程
    6.3 對比試驗(yàn)分析
    6.4 本章小結(jié)
7 總結(jié)與展望
    7.1 總結(jié)
    7.2 展望
參考文獻(xiàn)
作者簡介



本文編號：3876223