我國每年大米產(chǎn)量巨大。隨著計算機(jī)技術(shù)的飛速發(fā)展,機(jī)器學(xué)習(xí)在大米檢測方面的應(yīng)用越來越廣泛,與傳統(tǒng)人工檢測技術(shù)相比,具有客觀性和科學(xué)性,是自動化分級發(fā)展的必然趨勢。目前,我國大米外觀品質(zhì)的快速檢測技術(shù)已經(jīng)取得了不錯的成果,但是現(xiàn)有的研究成果距在農(nóng)業(yè)生產(chǎn)上的實(shí)際應(yīng)用還有一定的距離。因而研究基于機(jī)器學(xué)習(xí)的大米外觀品質(zhì)檢測技術(shù)具有很高的理論價值和實(shí)際意義。本文以四川省科技計劃項目“基于非接觸式傳感和大數(shù)據(jù)分析的稻谷品質(zhì)檢測系統(tǒng)原型設(shè)計與開發(fā)運(yùn)用”為背景,展開如下研究:首先,介紹大米圖像的檢測系統(tǒng),包括硬件系統(tǒng)、軟件環(huán)境及大米選取與分類規(guī)定等內(nèi)容。對大米圖像進(jìn)行灰度化處理、圖像噪聲處理、背景分割及圖像標(biāo)記處理,并對仿真結(jié)果進(jìn)行分析說明,選擇出適合本文的預(yù)處理算法。其次,采用基于BP神經(jīng)網(wǎng)絡(luò)的方法實(shí)現(xiàn)對大米外觀品質(zhì)的檢測,包含對完善粒、堊白粒、黃米粒及碎米粒品質(zhì)的劃分。選取大米米粒的面積、長度、寬度、長寬比、色調(diào)均值及堊白度作為網(wǎng)絡(luò)的輸入?yún)?shù),并通過測試驗證了它們作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)是合理且有效的,訓(xùn)練完成后的BP網(wǎng)絡(luò)平均識別準(zhǔn)確率可以達(dá)到91.8%。最后,研究基于卷積神經(jīng)網(wǎng)絡(luò)的大米外觀品質(zhì)檢測方... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：77 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 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 本文應(yīng)用創(chuàng)新
    1.4 論文結(jié)構(gòu)安排
第二章 相關(guān)理論與技術(shù)
    2.1 機(jī)器學(xué)習(xí)概述
    2.2 BP網(wǎng)絡(luò)概述
        2.2.1 BP網(wǎng)絡(luò)結(jié)構(gòu)
        2.2.2 BP網(wǎng)絡(luò)算法流程
    2.3 卷積神經(jīng)網(wǎng)絡(luò)概述
        2.3.1 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展
        2.3.2 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
    2.4 本章小結(jié)
第三章 大米圖像預(yù)處理研究
    3.1 引言
    3.2 大米圖像檢測系統(tǒng)
        3.2.1 硬件系統(tǒng)
        3.2.2 軟件環(huán)境
        3.2.3 大米選取與分類規(guī)定
    3.3 大米圖像預(yù)處理算法
        3.3.1 灰度化處理
        3.3.2 圖像噪聲處理
        3.3.3 背景分割
        3.3.4 圖像標(biāo)記算法
    3.4 本章小結(jié)
第四章 基于BP神經(jīng)網(wǎng)絡(luò)的大米外觀品質(zhì)檢測方法研究
    4.1 引言
    4.2 面積的提取及米粒品質(zhì)的判別
        4.2.1 面積的提取
        4.2.2 基于面積閾值的米粒品質(zhì)判別法
    4.3 形狀信息的提取及米粒品質(zhì)的判別
        4.3.1 形狀信息的提取
        4.3.2 基于長寬比閾值的米粒品質(zhì)判別法
    4.4 顏色信息的提取及米粒品質(zhì)的判別
        4.4.1 色調(diào)的提取及米粒品質(zhì)的判別
        4.4.2 堊白度的提取及米粒品質(zhì)的判別
    4.5 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計及結(jié)果分析
        4.5.1 特征數(shù)據(jù)庫的建立
        4.5.2 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計
        4.5.3 網(wǎng)絡(luò)學(xué)習(xí)過程
        4.5.4 結(jié)果分析
    4.6 本章小結(jié)
第五章 基于卷積神經(jīng)網(wǎng)絡(luò)的大米外觀品質(zhì)檢測方法研究
    5.1 MobileNetV1 網(wǎng)絡(luò)
        5.1.1 兩種卷積方式的對比
        5.1.2 網(wǎng)絡(luò)的選取
    5.2 MobileNet_fc4 網(wǎng)絡(luò)優(yōu)化算法
        5.2.1 常用優(yōu)化方法
        5.2.2 L1和L2范數(shù)
        5.2.3 優(yōu)化算法流程
    5.3 剪枝規(guī)則及結(jié)果分析
        5.3.1 剪枝規(guī)則
        5.3.2 結(jié)果分析
    5.4 PC端實(shí)驗及結(jié)果分析
        5.4.1 自建大米數(shù)據(jù)集
        5.4.2 實(shí)驗條件
        5.4.3 網(wǎng)絡(luò)文件編寫
        5.4.4 結(jié)果分析
    5.5 手機(jī)端實(shí)驗及結(jié)果分析
        5.5.1 實(shí)驗條件
        5.5.2 程序開發(fā)
        5.5.3 結(jié)果分析
    5.6 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 后續(xù)研究展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]CNN深度學(xué)習(xí)的驗證碼識別及Android平臺移植[J]. 王楓,陳小平.  單片機(jī)與嵌入式系統(tǒng)應(yīng)用. 2019(07)
[2]基于拉曼光譜技術(shù)鑒別新陳大米的方法研究[J]. 趙迎,李明,王小龍,李小佳.  光譜學(xué)與光譜分析. 2019(05)
[3]深度學(xué)習(xí)在語音情感識別中的應(yīng)用與分析[J]. 馬樹文.  科技傳播. 2019(04)
[4]機(jī)器學(xué)習(xí)的理論發(fā)展及應(yīng)用現(xiàn)狀[J]. 婁棕棋.  中國新通信. 2019(01)
[5]基于深層卷積神經(jīng)網(wǎng)絡(luò)的剪枝優(yōu)化[J]. 馬治楠,韓云杰,彭琳鈺,周進(jìn)凡,林付春,劉宇紅.  電子技術(shù)應(yīng)用. 2018(12)
[6]高光譜圖像技術(shù)在摻假大米檢測中的應(yīng)用[J]. 孫俊,金夏明,毛罕平,武小紅,楊寧.  農(nóng)業(yè)工程學(xué)報. 2014(21)
[7]分選加工中稻米堊白自動檢測算法[J]. 劉瓔瑛,丁為民,李毅念,陳建偉,謝琴.  農(nóng)業(yè)工程學(xué)報. 2013(18)
[8]基于多峰分布最大類間方差的堊白米粒檢測方法[J]. 徐建東,孫迎春,李帥,黃金俠,蔣野,姜永成.  光電子.激光. 2012(05)
[9]基于模式識別的米粒形狀分析[J]. 張雙德,周龍,胡濤.  安徽農(nóng)業(yè)科學(xué). 2009(02)
[10]基于圖像處理的稻米堊白自動檢測研究[J]. 于潤偉,朱曉慧.  中國糧油學(xué)報. 2007(01)

博士論文
[1]基于拉曼光譜與有機(jī)成分分析的大米身份識別[D]. 田芳明.吉林大學(xué) 2018
[2]基于可見光/近紅外光譜的稻米質(zhì)量快速無損檢測研究[D]. 石禮娟.華中農(nóng)業(yè)大學(xué) 2011
[3]基于機(jī)器視覺的稻米品質(zhì)評判方法研究[D]. 劉瓔瑛.南京農(nóng)業(yè)大學(xué) 2010
[4]基于機(jī)器視覺的谷物外觀品質(zhì)檢測技術(shù)研究[D]. 凌云.中國農(nóng)業(yè)大學(xué) 2004

碩士論文
[1]自然語言處理技術(shù)在項目文檔管理中的應(yīng)用研究[D]. 王學(xué)敏.北京郵電大學(xué) 2019
[2]基于高光譜技術(shù)的摻假大米快速檢測研究[D]. 余云新.華中科技大學(xué) 2019
[3]多粒度卷積神經(jīng)網(wǎng)絡(luò)剪枝算法的研究[D]. 周晚晴.北京工業(yè)大學(xué) 2019
[4]卷積神經(jīng)網(wǎng)絡(luò)剪枝和量化方法研究[D]. 繆及.哈爾濱工業(yè)大學(xué) 2019
[5]基于VGGNet深度卷積特征的人臉表情識別方法研究[D]. 楊文杰.廣東工業(yè)大學(xué) 2018
[6]糙米品質(zhì)指標(biāo)及其評價方法研究[D]. 白國偉.河南工業(yè)大學(xué) 2011



本文編號：3493654