霉变花生仁色选试验研究

摘要

花生作为油料作物，在世界上具有重要的地位，花生的种植面积排在世界油料作物的第二位，在世界食品市场中占有重要地位。花生储藏等过程中，不可避免的出现霉变，影响花生的品质和商品价值。早期分选花生仁大多依靠人工，劳动生产成本高、作业效率低、精确度低和非常容易受人为主观因素的影响，然而，我国尚无专门针对花生的国产化成熟光电色选设备，进口设备价格昂贵，花生仁色选试验研究具有迫切的市场需求和重要的现实意义。
　　本文主要研究内容和结果有:
　　(1)以色选机研究对象，色选精度Y1、带出比Y2等参数当作色选机的性能评价指标，对供料量X1、吹气时间X2、灵敏度X3等各因素进行响应面分析。在Design-Expert8.0.6软件中，对试验数据对带出比和色选精度二次多项式回归分析，然后通过试验对模型和优化结果做准确性验证，得出的相对误差均小于2％，表明了模型可靠性高。通过响应面分析法对各因素相关性和交互效应的影响规律进行分析研究。色选机最优工作参数组合为供料量36，吹气时间为3ms，灵敏度76。性能试验结果为:色选精度97.54％、带出比14.66。为花生色选技术的进一步研究提供理论基础与科学依据，并可为完善色选机的工作参数优化提供参考。
　　(2)花生仁图像预处理采用分段拉伸直接灰度变换法对灰度图像进行增强，对比度提高;使用中值滤波的方法做图像滤波;使用迭代法进行分割提取花生仁二值图像;做闭运算的形态学运算;通过像素点对应变换法完成图像合成，最后得到经过图像预处理的彩色花生仁图像，建立花生仁图像预处理模型，得到的花生仁图像颜色和轮廓特征保留都很好的正常和霉变花生仁合成图像。
　　(3)通过比较(H)、(S)、(I)、(R)、(G)、(B)均值的相对偏差，得出(H)、(S)、(R)对于正常花生仁和霉变花生仁区别度较大。(H)、(S)、(R)作为特征参数输入到训练好的BP神经网络，可实现霉变花生仁分选。试验后得出平均分选准确率为98.82％，T检验验证人工分选与图像处理霉变花生仁分选之间无显著性差异。经过花生仁图像预处理过程，采用BP神经网络分选模型，完成对霉变花生仁的分选，这种算法对霉变花生仁实时分选设备的研究提供了参考。
　　(4)选用德州仪器(TI)专门针对图像处理开发的C6000系列TMS320C6748 DSP芯片作为系统的主控芯片，并对TMS320C6748作了简要介绍;主要图像处理算法函数包含RGB图像转灰度图像、RGB图像转HIS图像、分段拉伸直接灰度变换法图像增强、中值滤波、迭代法图像分割等的花生仁图像预处理模型，(H)、(S)、(R)特征参数提取，初始化BP神经网络、BP神经网络训练、BP神经网络输出、BP神经网络的反馈学习等BP神经网络分选模型。TMS320C6748的C编译器支持ANSI C标准的C语言程序设计，为了实现本文所研究霉变花生仁图像处理算法在DSP嵌入式系统中实现，将主要图像处理算法函数编写C语言代码，解释了算法实现的步骤并分析了具体C语言代码。

目录

声明

摘要

第一章 引言

1．3 色选机工作原理、关键技术及特点

1．4 国内外色选机研究现状与发展趋势

1．4．1 国外色选机研究现状

1．4．2 国内色选机研究现状

1．4．3 发展趋势

1．5 主要研究内容和方法

1．5．1 研究目标

1．5．2 研究内容

1．5．3 拟解决的关键问题

1．5．4 技术路线

1．6 本章小结

第二章 花生仁色选试验

2．1 试验材料与方法

2．1．1 试验材料

2．1．2 试验装置与仪器

2．1．3 试验参数与方法

2．1．4 数据分析与处理

2．2 结果与分析

2．2．1 试验结果

2．2．2 回归模型建立与显著性分析

2．2．3 各单因素对性能指标的影响规律分析

2．2．4 交互因素对性能指标的影响规律分析

2．3 参数优化与验证试验

2．3．1 参数优化

2．3．2 试验验证

2．4 本章小结

第三章 图像处理算法研究与试验

3．1 图像采集

3．2．2 RGB图像转HIS图像

3．2．3 图像增强

3．2．4 图像滤波

3．2．5 图像分割

3．2．6 形态学处理

3．2．7 图像合成

3．3 选取图像的特征参数

3．4 神经网络分选模型

3．4．1 BP神经网络训练

3．4．2 测试样本试验

3．5 本章小结

4．1 系统主控芯片选型

4．2 花生仁图像预处理模型主要步骤C语言实现

4．2．2 RGB图像转HSI图像C语言实现

4．2．3 分段拉伸直接灰度变换法图像增强C语言实现

4．2．4 中值滤波C语言实现

4．2．5 迭代法图像分割的C语言实现

4．3 图像合成和特征参数提取C语言实现

4．4 BP神经网络分选C语言实现

4．4．1 重要数据的宏定义

4．4．2 程序执行过程

4．4．3 初始化BP神经网络

4．4．4 BP神经网络训练

4．4．5 BP神经网络输出

4．4．6 BP神经网络的反馈学习

4．5 本章小结

第五章 全文总结

5．1 主要研究内容与结论

5．2 创新点

5．3 后续研究工作的建议

参考文献

致谢

作者简历