【摘要】：冬蟲夏草作為我國傳統(tǒng)名貴中草藥的一種,以其極高藥用價值和醫(yī)療效果受到人們的青睞,但因其生長環(huán)境惡劣導致采摘難度大,致使蟲草在收購時價格居高不下。近年來,隨著人們生活水平的提高,蟲草的需求量呈上升趨勢,進而導致市場上蟲草的偽品層出不窮,不僅損害收購商與消費者的經(jīng)濟利益,同時存在用藥安全的潛在危險。針對現(xiàn)今市面上蟲草分揀設(shè)備匱乏、人工分揀效率低下、錯誤率高等問題,本文圍繞基于深度學習的蟲草智能化分揀系統(tǒng)展開研究工作。系統(tǒng)結(jié)合圖像處理技術(shù)和嵌入式技術(shù),通過深度學習算法識別蟲草及其偽品圖像并完成分揀工作,尤其是在蟲草識別算法上,將SURF算法提取的多點特征圖像作為卷積神經(jīng)網(wǎng)絡(luò)輸入,通過人工蜂群算法替代傳統(tǒng)梯度下降法優(yōu)化權(quán)值更新速度,相比于傳統(tǒng)算法,系統(tǒng)的識別精度得到較大提高,識別速度加快。論文的主要工作總結(jié)如下:(1)蟲草分揀系統(tǒng)關(guān)鍵技術(shù)分析及方案構(gòu)建。首先,通過從深度學習的發(fā)展、主流模型的比對和其在不同領(lǐng)域的應(yīng)用三個方面進行研究,對深度學習框架進行選型。其次聯(lián)系系統(tǒng)自身功能需求以及系統(tǒng)設(shè)計原則,構(gòu)建由圖像采集識別模塊以及分揀控制模塊構(gòu)成的系統(tǒng)整體工作方案,其中圖像采集識別模塊設(shè)計包含圖像采集模塊和圖像識別模塊。(2)系統(tǒng)硬件分析與設(shè)計。根據(jù)系統(tǒng)的需求分析,構(gòu)建了系統(tǒng)的整體硬件結(jié)構(gòu)框架。首先,通過對工業(yè)相機、鏡頭、光源、圖像采集卡和紅外檢測模塊的選型與設(shè)計完成對圖像采集模塊的搭建。其次,對微處理器及最小系統(tǒng)、舵機以及顯示屏的選型與設(shè)計搭建分揀控制模塊,用以實現(xiàn)控制分揀的功能。(3)系統(tǒng)軟件分析與設(shè)計。通過對圖像采集模塊中圖像采集卡以及工業(yè)相機硬件外觸發(fā)功能進行參數(shù)配置,以保證物體在進入圖像識別區(qū)域,紅外檢測模塊能夠完成觸發(fā)拍照。進而,在上位機Anaconda平臺上鏈接OpenCV視覺庫,運用Python語言和Keras框架搭建卷積神經(jīng)網(wǎng)絡(luò),對基本的圖像識別流程進行設(shè)計,為下一步的深度學習算法做鋪墊,并設(shè)計上位機軟件調(diào)節(jié)功能。最后,通過對紅外檢測傳感器、舵機以及顯示屏進行軟件設(shè)計,實現(xiàn)蟲草真?zhèn)纹贩謷?4)圖像預處理及深度學習算法研究。在預處理階段,通過對圖像進行灰度化,高斯濾波和中值濾波進行圖像噪聲處理,直方圖均衡化進行圖像增強,Canny算法進行圖像邊緣檢測這四步,確保圖像輸入質(zhì)量趨近于理想效果。最后,針對傳統(tǒng)神經(jīng)網(wǎng)絡(luò)識別準確率低、識別速度慢、訓練樣本量大等不足,提出一種卷積神經(jīng)網(wǎng)絡(luò)的改進算法S-CNN,通過SURF算法提取特征點圖像作為神經(jīng)網(wǎng)絡(luò)的輸入層,并采用人工蜂群算法替代傳統(tǒng)梯度下降法進行權(quán)值更新,完成蟲草及偽品的圖像識別。通過實驗驗證,改進后的算法識別準確度達到95.58%,識別速度提高了0.23s/個。本系統(tǒng)通過搭建工業(yè)相機、鏡頭、光源以及圖像采集卡,并配置軟件參數(shù),實現(xiàn)硬件外觸發(fā)功能,使得圖像進入采集區(qū)域后通過紅外檢測模塊觸發(fā)拍照,并上傳至上位機。在上位機搭建Anaconda軟件平臺鏈接OpenCV視覺庫,通過Python語言搭建Keras框架,通過卷積神經(jīng)網(wǎng)絡(luò)算法完成蟲草圖像真?zhèn)纹纷R別,并傳輸至下位機分揀控制模塊。下位機選擇STM32微處理器接收上位機信息,并根據(jù)紅外檢測傳感器判斷傳送位置并控制舵機分揀,進而顯示分揀信息。同時,論文主要提出了一種S-CNN的卷積神經(jīng)網(wǎng)絡(luò)改進算法,通過實驗驗證發(fā)現(xiàn),該算法能夠識別蟲草真?zhèn)纹?并且識別速度快,識別效率高。
【學位授予單位】：陜西科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：R282.5;TP18;TP391.41
【圖文】：

圖 3-4 X64-CL 圖像采 卡Fig. 3-4 X64-CL image capture card設(shè)計運用光反射原理，擁有一個紅外發(fā)光二極管和5 所示，一定頻率的紅外線通過紅外發(fā)光管發(fā)射射回來，由光感受器接收。此時，紅外檢測傳為電信號，發(fā)送給脈沖電磁閥，脈沖電磁閥接器，以完成后續(xù)的動作。紅外發(fā)光二極管光敏接收管距離x

基于深度學習的蟲草智能化分揀系統(tǒng)研究TM32F103VET6 類比于其它類型的 STM32 芯片，屬于功能增強型產(chǎn)品，其到 72MHz，其內(nèi)核構(gòu)架基于 ARM Cortex-M3 設(shè)計，擁有 100 個引腳，采對比性能方面，STM32F103VET6 是一個 32 位的寬處理器，其性能要高的微處理器。分析其產(chǎn)品特點，無論是性能上還是成本上都是符合本系統(tǒng)擇。 最小系統(tǒng)設(shè)計處理器最小系統(tǒng)與紅外檢測傳感器、舵機以及顯示屏整合后構(gòu)成功能完整塊。在電路設(shè)計過程中，微處理器最小系統(tǒng)主要由電源電路、調(diào)試下載接和復位電路等組成，其電路設(shè)計圖如圖 3-7 所示。

舵機臂上的擋板能夠?qū)⑵渫迫敕謷隹�。實物圖與電路圖如圖圖 3-10 舵機 物圖與電路圖Fig. 3-10 Circuit diagram of steering gear屏模塊設(shè)計人機交互模塊主要用于在道口分揀時，顯示分揀進度以及當前真?zhèn)纹贩謷鳂I(yè)結(jié)束時，顯示屏能夠根據(jù)當前分揀情況實時統(tǒng)計更新蟲草真員直觀了解當前進度。本文使用的是由淘晶馳公司生產(chǎn)的HMI串口觸的人機交互模塊。在具體的實際應(yīng)用中，企業(yè)可根據(jù)需求選取2.4寸，等不同規(guī)格的尺寸。在此用于模擬選擇型號為TJC3224T024_011R的物圖如圖3-11所示。

【相似文獻】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡(luò)拐點預測法[J];金融經(jīng)濟;2017年18期

2 陳曉燕;;淺析簡單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會述評[J];國際學術(shù)動態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識別[J];通訊世界;2018年12期

5 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

6 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

7 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學;2019年04期

8 鮑偉強;陳娟;熊濤;;基于進化神經(jīng)網(wǎng)絡(luò)的短期電力負荷預測研究[J];電工技術(shù);2019年11期

9 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

10 張庭略;;基于硬件的神經(jīng)網(wǎng)絡(luò)加速[J];通訊世界;2018年08期

相關(guān)會議論文 前10條

1 孫軍田;張U

本文編號：2753489