面向颗粒状农产品的分选方法研究

摘要

近年来对于颗粒状农产品的分选已经由机器筛选逐渐代替了传统的人工分选，机器筛选以其速度快、信息量大、功能多等优点得到广泛应用，摒弃了传统人工分选会导致分选周期长、错误率高和效率低等缺陷。本文是面向颗粒状农产品的分选方法的研究。利用彩色线阵CCD视觉系统对颗粒状农产品进行成像，然后将得到的图像在PC上保存，并对图像进行特征提取和筛选，最后根据筛选出的最优特征值在FPGA上实现KNN分类算法，从而实现颗粒状农产品的分选。论文主要研究的内容有：
　　(1)连通域标记算法的研究。为了对实时运动的物体进行跟踪与标记，需要对图像中的物体进行连通域标记，讨论了基于线阵CCD的连通域标记算法，并在PC上对算法进行验证，并给出FPGA实现连通域标记算法的思路。
　　(2)基于KNN算法的特征筛选。以RGB颜色空间为主进行特征提取，主要以一维和二维的直方图为主，对于提取的特征用KNN筛选算法进行特征筛选，得到的最优特征值用KNN算法进行验证，结果表明在选择合理特征个数和K值情况下对花生和开心果的分选正确率达到了95％以上。实验表明特征个数在3-5个能达到最高的正确率，3-5个特征表明了KNN算法适合FPGA实现。
　　(3)基于FPGA的KNN算法实现。利用HDL(硬件描述语言)进行KNN算法在FPGA上的实现并仿真进行验证，在基于线阵CCD的视觉系统上给出算法的思路和算法验证。

目录

声明

致谢

摘要

第一章 绪论

1．1 本文研究的背景和意义

1．2 国内外的研究现状

1．2．1 国外研究现状分析

1．2．2 国内研究现状分析

1．3 本论文研究的主要内容

1．3．1 论文研究的内容

1．3．2 论文研究的技术路线

1．4 本文内容安排

第二章 视觉检测系统的简介

2．1 FPGA的发展状况及其开发流程

2．1．1 FPGA的简介

2．1．2 基于FPGA的数字系统设计流程

2．2 图像获取技术的研究

2．3 视觉检测平台简介

2．4 视觉检测平台应用场景

2．5 本章小结

第三章 连通域标记算法的研究

3．1 连通域标记算法概述

3．2 常用的连通域标记算法

3．2．1 两遍图像扫描方法

3．2．2 种子填充法

3．3 基于线阵CCD的连通域标记算法研究

3．3．1 基于线阵CCD的连通域标记算法

3．3．2 在PC上的算法实现

3．3．3 基于FPGA的连通域算法实现思路

3．4 本章小结

第四章 图像分类算法的研究

4．1 图像的分类

4．1．1 分类算法概述

4．1．2 常用分类判决方法

4．2 特征选择和提取

4．2．1 特征选择和提取的概念和作用

4．2．2 特征选择和提取的依据

4．3 颗粒状农产品的分类算法

4．3．1 KNN分类算法

4．3．2 基于KNN的特性筛选算法

4．3．3 颗粒状农产品的特征提取

4．3．4 在PC上进行分选验证实验

4．4 本章小结

第五章 基于FPGA的KNN算法的实现

5．1 基于FPGA的图像处理概述

5．2 KNN算法的硬件逻辑实现

5．2．1 FPGA IP核简介

5．2．2 KNN算法的硬件逻辑实现

5．2．3 KNN算法的仿真结果

5．3 基于线阵CCD视觉系统的KNN算法实现

5．3．1 KNN算法在视觉系统实现思路

5．3．2 基于视觉系统的KNN算法验证

5．4 本章小结

第六章 总结与展望

6．1 总结

6．2 展望

参考文献

攻读硕士学位期间的学术活动及成果情况