【摘要】：馬鈴薯作為世界四大主糧作物之一,其收獲后的異物檢測和剔除作為產(chǎn)業(yè)難題一直以來未得到有效解決。隨著我國馬鈴薯主糧化戰(zhàn)略的實施,收獲后的馬鈴薯中的異物檢測和剔除成為制約我國馬鈴薯產(chǎn)業(yè)發(fā)展的關鍵問題。本研究首先,采用彩色圖像技術對機械化收獲后的馬鈴薯中摻雜的大小與其相近的土塊和石塊的檢測進行了研究,表明彩色圖像技術可對異物進行有效識別,然而特征提取步驟繁瑣,效率低;其次,基于馬鈴薯和異物在光的散射方面的差別,采用激光背向散射成像(Laserbackscattering imaging,LBI)技術對馬鈴薯異物檢測進行了探索,包括檢測優(yōu)化和普適性研究;最后馬鈴薯的拋落運動軌跡進行研究,對檢測系統(tǒng)的進一步優(yōu)化提出建議。本研究的主要內(nèi)容和研究結(jié)論如下:(1)基于彩色圖像技術檢測馬鈴薯中土塊和石塊的方法研究利用彩色圖像技術分別提出了基于小波變換的圖像分塊顏色特征和基于輪廓高斯濾波的形狀特征對馬鈴薯中的土塊和石塊采用支持向量機(Support vector machines,SVM)進行二分類和三分類識別研究。在分析顏色特征參數(shù)對利用顏色特征分類的結(jié)果產(chǎn)生的影響時,發(fā)現(xiàn)分塊方式為4X4時結(jié)果較好,對于2016和2017年的樣本利用顏色特征進行二分類識別的整體分類正確率分別為98.07%和97.80%。在分析形狀特征參數(shù)對二分類結(jié)果的影響時,發(fā)現(xiàn)當距離閾值為5,高斯濾波模板為5,方差為30時獲得的結(jié)果較好。對2016年和2017年樣本的利用形狀特征進行二分類識別的整體分類正確率分別為95.32%和96.34%。對于2016和2017年樣本利用顏色形狀融合特征進行二分類識別的整體分類正確率分別為97.94%和99.08%,且通過對顏色形狀融合特征進行主成分分析(Principalcomponentanalysis,PCA)發(fā)現(xiàn)顏色特征的貢獻率比形狀特征貢獻率大,因此在利用提出顏色特征和形狀特征進行檢測時,三種特征方法的效果順序依次是:顏色形狀融合特征、顏色特征、形狀特征。利用顏色特征識別石塊的魯棒性較差,且利用三種特征進行三分類識別的結(jié)果均比二分類的結(jié)果差,因此針對檢測土塊和石塊而言,選用二分類方法更符合實際情況。(2)基于激光背向散射成像技術檢測馬鈴薯中土塊和石塊的方法研究為克服彩色圖像技術在檢測收獲馬鈴薯中土塊和石塊的特征提取步驟繁瑣,效率低的缺點,基于馬鈴薯和異物組織結(jié)構(gòu)的特異性差異導致光的散射現(xiàn)象存在差別,采用激光背向散射成像(Laser backscattering imaging,LBI)技術對馬鈴薯中的異物進行檢測研究。通過參考脈沖信號參數(shù)的定義方法在散射剖面線上提取特征,并利用馬氏距離判別分析方法(Mahalanobisdistancediscrimination,MDD)對馬鈴薯、土塊、石塊三者分別進行二分類和三分類識別,結(jié)果二分類的5種分類正確率均在99%以上,確定使用LBI技術檢測馬鈴薯中土塊和石塊的可行性。將結(jié)果與利用彩色圖像方法識別2017年樣本的結(jié)果進行對比,該利用LBI方法可以達到與使用顏色形狀融合特征相一致的結(jié)果,但是該方法圖像處理過程簡捷、數(shù)據(jù)量小,適合應用于異物快速快速在線檢測。為了對LBI系統(tǒng)的波長進行優(yōu)選,提出了分別利用散射線寬度和洛倫茲函數(shù)、指數(shù)函數(shù)的擬合系數(shù)作為特征對馬鈴薯、土塊、石塊進行識別,依據(jù)識別結(jié)果優(yōu)選波長的方法。一方面通過直接對散射線寬度確定閾值進行識別,另一方面通過對每個樣本提取的多條散射剖面線特征的分類結(jié)果構(gòu)造概率分類器確定概率閾值進行識別,兩種方法均利用受試者工作特征曲線(Receiver operating characteristic curve,ROC)和 ROC 曲線下面積(Areaunderthecurve,AUC)評價不同波長下的分類結(jié)果,發(fā)現(xiàn)兩種方法選擇的波長具有一致性,均表明780、830、850 nm波長下的分類結(jié)果較好,5種分類正確率均在98%以上,其中對土塊和石塊的識別結(jié)果均達到了 99%以上。為了證實提出的LBI技術具有適應性,通過分別對不同產(chǎn)地和不同馬鈴薯品種的4組樣本進行特征選擇以達到降低特征維度的目的,并將選擇出的特征應用于混合模型中以適用于不同含雜率下,不同產(chǎn)地和品種的馬鈴薯檢測中。分別使用5種過濾式特征選擇方法對全部的44個特征進行排序,并使用波達計數(shù)法對每組樣本選擇出的特征打分排序得到總排序。通過觀察每組樣本下依次增加總排序中的特征個數(shù)后的分類結(jié)果的變化,選擇出4組樣本中分類結(jié)果達到穩(wěn)定之后的共同特征作為特征選擇的結(jié)果。選擇出的特征與通過分析利用單個特征的三種分類器SVM、MDD、LDA(lineardiscriminant analysis,LDA)得到的平均結(jié)果的較優(yōu)特征相一致,且用共同選擇出的8個特征對4組樣本進行識別后得到的整體分類正確率與特征選擇之前的結(jié)果相同。在對4組樣本進行混合建模時,發(fā)現(xiàn)分類結(jié)果與含雜率有較大關系,且在含雜率較低時,分類結(jié)果較差。為了解決該問題,通過分析設定訓練集中的含雜率為40%、50%、60%時,發(fā)現(xiàn)預測集在不同含雜率下的三種分類器的分類結(jié)果均可在90%以上,在訓練集的含雜率為60%訓練的SVM模型對不同含雜率的預測集識別的整體分類正確率基本可以達到97%以上,可以滿足實際生產(chǎn)的需要。(3)馬鈴薯的拋落運動軌跡的關鍵參數(shù)研究為了研究馬鈴薯拋落過程中運動軌跡的規(guī)律,通過定義不同的初始姿態(tài),采用機器視覺系統(tǒng)采集在不同初始速度和姿態(tài)下的拋落圖像分析運動軌跡,發(fā)現(xiàn)馬鈴薯初始姿態(tài)對運動軌跡存在影響,原因是馬鈴薯在拋落過程中發(fā)生了旋轉(zhuǎn),且影響的大小與初始速度有關。通過分析不同初始速度和姿態(tài)下的軌跡組,提出了在不同下落高度下計算異物剔除機構(gòu)-導向機構(gòu)的最小長度和卸料輸送帶的安裝位置的方法,在初始速度為1.0m/s,下落高度為200mm處進行剔除時,導向機構(gòu)的長度為200mm較為合適。當在下落高度為400mm處安裝卸料輸送帶時,忽略馬鈴薯初始姿態(tài)的影響,計算得到的卸料輸送帶與上料輸送帶的水平距離為174 mm。
【學位授予單位】：浙江大學
【學位級別】：博士
【學位授予年份】：2019
【分類號】：S532;TP391.41
【圖文】：

薯營養(yǎng)價值極高，基本包含糧食、蔬菜、水果中所包含的大部分營養(yǎng)成分ｉ４］。據(jù)逡逑世界糧食及農(nóng)業(yè)組織（ＦＡＯ）統(tǒng)計，２００７－２０丨６年的十年間我國馬鈴薯總產(chǎn)量和逡逑種植面積均穩(wěn)居世界第一位，如圖１－１所示，且２００７－２０１６年國內(nèi)馬鈴薯的種植逡逑面積和總產(chǎn)量基本上呈現(xiàn)逐漸上升趨勢，２０１６年分別為５６２６千公頃和１９４７．７０逡逑萬噸（折糧），比２００７年增長了約２７％和５０．３％。逡逑１００邋邐邋７０００邋邐逡逑８０邋．W邐６０００＇邐＾邋．－？－雨一ｉ逡逑Ｉ邋６０邋＇邋Ｉ邐４０００邋－灄W邋１逡逑ｉ邋４０邐｜邋Ｉ邐３０００邋｜逡逑０邋Ｎ邋Ｈ邋Ｈ邋ｉ邋Ｍ邋§邋ｒｎ邋ｍ邋ｍ邋ｍｌ邋ｌ０：邋Ｉｆ邋ＭＭＭＭＭＭＩｍＭ逡逑＾邋＾邋＾邋＾邐＾邋＾邐２００７邋２００８邋２００９邋２０１０邋２０１１邋２０１２邋２０１３邋２０１４邋２０１５邋２０１６逡逑令々邐Ｃｆ＂邋＾邐＾邐＾邐Ｔｉｍｅ邋（ｙｅａｒ）逡逑＾邐（２００７－２０１６）邋Ｅ２邋ｐｌａｎｔｉｎｇ邋ａｒｅａ邋（１０００邋ｈｅｃｔａｒｅｓ）邋＾邋Ｔｏｔａｌ邋ｐｒｏｄｕｃｔｉｏｎ邋（ｌＯＯＯＯｔｏｎｓ）逡逑圖１－１邋（ａ）馬鈴薯總產(chǎn)董前十的國家（ｂ）我國馬鈴薯種植面積和產(chǎn)董（數(shù)據(jù)來自ＦＡＯ）逡逑Ｆｉｇｕｒｅ邋１－１邋（ａ）邋ｐｒｏｄｕｃｔｉｏｎ邋ｏｆ邋ｐｏｔａｔｏｅｓ：邋ｔｏｐ邋１０邋ｐｒｏｄｕｃｅｒｓ邋（ｂ）邋ｐｌａｎｔｉｎｇ邋ａｒｅａ邋ａｎｄ邋ｐｏｔａｔｏ邋ｙｉｅｌｄ邋ｏｆ逡逑Ｃｈｉｎａ邋（ｓｔａｔｉｓｔｉｃｓ邋ｆｒｏｍ邋ＦＡＯ）逡逑１．１．２馬鈴薯主糧化的含義逡逑馬鈴薯作為重要的糧食安全作物，是我國廣大地區(qū)老百姓喜愛的重要副食或逡逑主食

邐ＭｃＧｌｏｕｇｈｌ邋ｉｎｌ５４］在利用機器視覺技術對根莖類物料進行異物識別時，為了檢逡逑測出馬鈴薯中的異物，對采集到的目標圖像進行如下處理：提取彩色圖像中的目逡逑標，對目標像素進行提取顏色特征進行識別，統(tǒng)計出目標中馬鈴薯像素的占比，逡逑若目標占比高于閾值，判斷目標為馬鈴薯，否則判斷為土塊或石塊。閾值的大小逡逑與馬鈴薯表面泥土覆蓋的面積相關，當馬鈴薯表面覆蓋泥土面積較大時，閾值較逡逑大，反之閾值較小。為了識別圖像中的像素，還可以利用高光譜圖像信息對每個逡逑像素的譜輪廓與正常馬鈴薯像素的譜輪廓進行相關性分析以達到識別圖像像素逡逑的目的，然后再根據(jù)統(tǒng)計目標中馬鈴薯像素的占比來判斷目標是否為馬鈐薯。逡逑挪威的ＴＯＭＲＡ公司［５５］在４０多年來關注于食品的光學分選，為收獲的未清逡逑洗的馬鈴薯設計了邋ＦＰＳ系列和ＨＡＬＯ分選機，如圖丨－３邋（ａ）和（ｂ）所示，采用逡逑近紅外相機和彩色相機成像的方法用于去除馬鈴薯中的土塊、石塊等異物，生產(chǎn)逡逑效率可以達到７－１５邋ｔ／ｈ。逡逑

漫反射一般包含物體表面的某些信息，如顏色和紋理［６４］。光的散射作為逡逑一種物理現(xiàn)象，取決于農(nóng)產(chǎn)品的細胞密度、細胞大小和生物組織矩陣的內(nèi)外細胞逡逑屬性主要利用光的散射現(xiàn)象，如圖１４中所示，當采用線激光光束照逡逑１３逡逑

【參考文獻】

相關期刊論文 前10條

1 李紫輝;田忠恩;楊穎;尚琴琴;吳金娥;呂金慶;;馬鈴薯收獲機滾輪式防雜草纏繞裝置的設計與性能分析[J];農(nóng)機化研究;2015年09期

2 羅其友;劉洋;高明杰;易曉峰;;中國馬鈴薯產(chǎn)業(yè)現(xiàn)狀與前景[J];農(nóng)業(yè)展望;2015年03期

3 劉劍君;鄧明俐;賈世通;賀智濤;;馬鈴薯收獲機械現(xiàn)狀與發(fā)展趨勢[J];農(nóng)學學報;2015年01期

4 王加文;蘇宙平;袁志軍;朱益清;;LED陣列模組化中的照度均勻性問題[J];光子學報;2014年08期

5 史明明;魏宏安;劉星;胡忠強;楊小平;孫廣輝;;國內(nèi)外馬鈴薯收獲機械發(fā)展現(xiàn)狀[J];農(nóng)機化研究;2013年10期

6 魏宏安;王蒂;連文香;邵世祿;楊小平;黃曉鵬;;4UFD-1400型馬鈴薯聯(lián)合收獲機的研制[J];農(nóng)業(yè)工程學報;2013年01期

7 顧麗霞;王春光;劉海超;王娟;付昱;;基于PeoE 5.0的不規(guī)則馬鈴薯建模仿真研究[J];農(nóng)機化研究;2012年12期

8 王春耀;梁勤安;閔磊;劉向東;王躍東;;水果輸送過程中定向機理的分析與試驗[J];農(nóng)業(yè)工程學報;2012年20期

9 孔彥龍;高曉陽;李紅玲;張明艷;楊占峰;毛紅玉;楊倩;;基于機器視覺的馬鈴薯質(zhì)量和形狀分選方法[J];農(nóng)業(yè)工程學報;2012年17期

10 田巧環(huán);宋智超;;馬鈴薯“撿拾”難題丞待破解[J];農(nóng)村牧區(qū)機械化;2012年02期

本文編號：2766856