基于机器视觉的小麦并肩杂与不完善粒动态实时检测研究

摘要

我国是世界上最大的小麦生产国和消费国，对小麦质量进行等级划分的重要意义不言而喻。目前依据国标对小麦并肩杂和不完善粒的检测仍采用人工方法，而基于机器视觉技术的动态实时检测能有效保障其结果的客观性，并提高检测精度和速度。本论文综合应用光学、高光谱、数字图像处理及模式识别技术，研究了基于机器视觉的小麦并肩杂与不完善粒动态实时检测方法，并结合机械、电子、计算机等技术进行样机研制。
　　 主要研究内容和结论如下：
　　 1.小麦高光谱实验与RGB图像采集系统构建。通过对高光谱数据做主成分分析，得到最有效主成分，由最有效主成分中各波段的贡献率确定最佳波段。针对小麦外观特征的有效提取，经研究630nm波段的贡献率最大。根据该波段确定相机的波段光谱响应参数，构建了RGB图像采集系统。
　　 2.小麦动态图像预处理与特征提取。通过不同颜色背景下的小麦图像直方图和对比度分析，确定黑色不反光背景为小麦并肩杂与不完善粒检测的最佳背景。对采集到的小麦动态图像进行多余背景去除、同态滤波等图像预处理，并通过阈值分割和形态学处理进行形态特征描述、通过颜色空间变换进行颜色特征描述、通过二维小波变换进行纹理特征描述，分别提取了7个形态特征、27个颜色特征和144个纹理特征。
　　 3.小麦并肩杂和不完善粒识别算法研究。对1169个正常小麦、897个并肩杂、710个黑胚粒小麦和627个破损小麦样本所提取的特征数据，分别采用遗传算法与支持向量机(GA-SVM)、主成分分析与支持向量机(PCA-SVM)、偏最小二乘判别分析(PLS-DA)、偏最小二乘与支持向量机(PLS-SVM)、主成分分析与人工神经网络(PCA-ANN)和线性判别分析(LDA)算法进行模式识别比较分析，结果表明GA-SVM对小麦并肩杂的识别率最高可达99.34％，PCA-SVM对不完善粒中的黑胚粒、破损粒和正常小麦的识别率分别为97.2％、98.4％和97.9％。
　　 4.小麦并肩杂与不完善粒动态实时检测装置研制。采用旋转输送方式进行小麦单粒化喂入和下料分级，通过集成机械部分、电路模块和计算机视觉系统，将GA-SVM算法用于动态实时检测，实现了软件对相机设置、图像采集、图像处理、特征提取、模式识别、数据通讯和机构运动的实时控制，研制了小麦并肩杂与不完善粒动态实时检测装置。