水果品質(zhì)的檢測(cè)分類是其成熟后流入市場(chǎng)銷售前的重要一步,因?yàn)樗焚|(zhì)的優(yōu)劣直接影響其經(jīng)濟(jì)效益和市場(chǎng)競(jìng)爭(zhēng)力。在水果質(zhì)量檢測(cè)方面,傳統(tǒng)的分類方式主要有人工檢測(cè)和機(jī)械檢測(cè)。人工檢測(cè)耗費(fèi)大量的人力和財(cái)力,并且每個(gè)人具體分級(jí)的標(biāo)準(zhǔn)都會(huì)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(jī)械檢測(cè)會(huì)對(duì)水果造成一定程度的機(jī)械損傷,在檢測(cè)的過(guò)程中容易碰傷水果,水果一旦受到損傷,其保質(zhì)期就會(huì)被縮短,慢慢變得腐爛�，F(xiàn)有傳統(tǒng)方法的檢測(cè)效果并不夠理想,將直接影響水果本該帶來(lái)的最大經(jīng)濟(jì)收益。因此,相當(dāng)有必要尋找一種能夠?qū)崿F(xiàn)水果自動(dòng)檢測(cè)分類的技術(shù)。機(jī)器視覺(jué)可以完成需要人眼觀察、判斷的任務(wù),非常適合用于完成容易使眼睛疲勞的大量重復(fù)性動(dòng)作的判斷。本文以臍橙為例,將機(jī)器視覺(jué)應(yīng)用于臍橙品質(zhì)的檢測(cè)分類中,可以提高檢測(cè)分類的效率和準(zhǔn)確率,最終實(shí)現(xiàn)臍橙的自動(dòng)化無(wú)損檢測(cè)分類。為了克服傳統(tǒng)檢測(cè)分類方法的不足,本文的主要研究?jī)?nèi)容和創(chuàng)新點(diǎn)如下:(1)由于傳統(tǒng)方法去噪會(huì)損失圖像的部分有用信息,為了克服這一缺點(diǎn),本文在第三章中研究了基于字典學(xué)習(xí)的圖像去噪方法,利用K-SVD(K-Singular Value Decomposition)算法完成字典的訓(xùn)練,同時(shí)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(xùn)練兩個(gè)關(guān)鍵技術(shù),通過(guò)對(duì)不同算法的實(shí)驗(yàn)分析,結(jié)果表明該方法能夠更完整地保留圖像原有的信息,從而達(dá)到更佳的去噪效果。(2)現(xiàn)有傳統(tǒng)的檢測(cè)分類方法往往只是針對(duì)單一特征進(jìn)行獨(dú)立的判別,分類的效果并不理想。為了進(jìn)一步提高檢測(cè)率,本文借助于HALCON平臺(tái),在第四章中提出了基于特征融合的方法對(duì)臍橙實(shí)現(xiàn)檢測(cè)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(gè)特征,首先分別對(duì)這三個(gè)特征進(jìn)行單一的檢測(cè)分類,并給出相應(yīng)的分類結(jié)果,然后把這三個(gè)特征融合在一起進(jìn)行分類,最后給出利用特征融合的方法完成臍橙綜合檢測(cè)分類的結(jié)果。(3)現(xiàn)有的研究大多集中在利用人為設(shè)計(jì)特征完成判別,這些方法相當(dāng)?shù)暮馁M(fèi)時(shí)間和精力,因此,設(shè)法找到一種能夠通過(guò)自動(dòng)學(xué)習(xí)特征的方法來(lái)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(xué)習(xí)的方法對(duì)臍橙的品質(zhì)實(shí)現(xiàn)檢測(cè)分類,采集了優(yōu)質(zhì)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(gòu)建;基于改進(jìn)的殘差網(wǎng)絡(luò)構(gòu)建了對(duì)臍橙品質(zhì)自動(dòng)分類的網(wǎng)絡(luò)模型,自動(dòng)學(xué)習(xí)樣本數(shù)據(jù)的潛在分布,采用監(jiān)督學(xué)習(xí)的方法完成模型的訓(xùn)練,并與其他方法檢測(cè)分類的效果進(jìn)行了對(duì)比。
【學(xué)位單位】：江西理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：S666.4;TP391.41
【部分圖文】：

把彩色圖像轉(zhuǎn)換為灰度圖像，臍橙的原始彩色圖像和對(duì)應(yīng)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(xué)模型，該模型可以對(duì)顏色進(jìn)行抽象化的描述。在對(duì)臍橙圖像進(jìn)行預(yù)處理的過(guò)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(cè)分類時(shí)提取顏色特征的準(zhǔn)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(gè)正方體，利用色光混合的原理[24]，通過(guò)把紅、綠、藍(lán) 3 種色光融合在一起生成可見(jiàn)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(duì)應(yīng)的是物體，0 對(duì)應(yīng)的則是背景。將閾值進(jìn)行二值化，分割結(jié)果如下圖2.6 所示：圖2.6 臍橙的分割結(jié)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(biāo)區(qū)域，經(jīng)過(guò)二值化的處理之后才能更好地對(duì)圖像進(jìn)行特征提取和進(jìn)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(duì)圖像的處理速度，這使得在提取圖像輪廓特征的時(shí)候非常便利。二值化的過(guò)程就是設(shè)定一個(gè)用來(lái)判斷圖像上的像素點(diǎn)是目標(biāo)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(shè)定為 255(白色)，把灰度圖像中小于 的像素值設(shè)定為 0(黑色)，并且由此生成對(duì)應(yīng)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(guò)程中會(huì)受到拍攝設(shè)備以及周圍環(huán)境等外部因素的影響，難免會(huì)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(shí)驗(yàn)結(jié)果圖上圖3.4給出臍橙圖像在噪聲標(biāo)準(zhǔn)差σ=25時(shí)的去噪效果圖，實(shí)驗(yàn)基于PC平臺(tái)(CPU主頻2.50HZ，內(nèi)存4GB)，用MATLAB R2014a進(jìn)行去噪實(shí)驗(yàn)。根據(jù)上述理論的分析，加入了
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 ;機(jī)器視覺(jué)[J];光機(jī)電信息;2002年08期

2 朱瑞;機(jī)器視覺(jué)在復(fù)雜零、部件測(cè)量方面的應(yīng)用[J];今日電子;2004年06期

3 黎紅偉;;關(guān)于機(jī)器視覺(jué)鏡頭[J];可編程控制器與工廠自動(dòng)化;2005年02期

4 錢(qián)競(jìng)業(yè);;機(jī)器視覺(jué)的發(fā)展方向探討[J];現(xiàn)代制造;2006年06期

5 傅昆;;行者無(wú)疆——機(jī)器視覺(jué)的中國(guó)崛起[J];現(xiàn)代制造;2006年21期

6 雷文華;;機(jī)器視覺(jué)及其應(yīng)用(系列講座) 第一講 機(jī)器視覺(jué)發(fā)展概述[J];應(yīng)用光學(xué);2006年05期

7 ;機(jī)器視覺(jué)的應(yīng)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(shù)杰;;中國(guó)機(jī)器視覺(jué)的發(fā)展趨勢(shì)[J];赤峰學(xué)院學(xué)報(bào)(自然科學(xué)版);2010年01期

9 ;機(jī)器視覺(jué)最新技術(shù)動(dòng)態(tài)[J];中國(guó)光學(xué);2013年01期

10 馮伯儒;;機(jī)器視覺(jué)中的電-光技術(shù)[J];光電子學(xué)技術(shù);1986年01期

相關(guān)碩士學(xué)位論文 前10條

1 葉青松;基于機(jī)器視覺(jué)的工業(yè)檢測(cè)研究[D];江南大學(xué);2008年

2 王聰;基于機(jī)器視覺(jué)的客流統(tǒng)計(jì)方法與實(shí)現(xiàn)[D];西南大學(xué);2009年

3 張強(qiáng);基于機(jī)器視覺(jué)的產(chǎn)品檢測(cè)技術(shù)研究[D];中國(guó)人民解放軍信息工程大學(xué);2005年

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

5 潘武;基于機(jī)器視覺(jué)的工件的識(shí)別和定位[D];北京化工大學(xué);2012年

6 冀瑜;基于機(jī)器視覺(jué)的高精度尺寸檢測(cè)技術(shù)及應(yīng)用研究[D];中國(guó)計(jì)量科學(xué)研究院;2006年

7 高晟麗;基于機(jī)器視覺(jué)的工件檢測(cè)技術(shù)研究[D];解放軍信息工程大學(xué);2006年

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

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

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

本文編號(hào)：2880785