基于机器视觉的农产品物料分级检测系统关键技术研究

摘要

在大米品质检测过程中，大米的粒型是区分大米品质最直观的指标，所以很多大米品质检测机构都把大米的粒型作为大米品质检测的主要指标。目前我国农业机械化程度较低，对大米粒型的检测主要依靠人工操作，这种方法虽然容易实现，但是效率太低、人为主观因素太大，给大米的生产和销售带来很多麻烦。所以本文提出了一种基于机器视觉技术的大米粒型检测系统，对大米品质检测的研究具有重大意义。
　　本文主要工作和创新如下：
　　(1)设计了一套基于机器视觉技术的大米粒型识别装置，在这套装置中用FPGA控制线阵CCD采集大米图像，然后用AD9821芯片和AD9823芯片对线阵CCD输出的模拟信号进行差分放大和模数转换。
　　(2)采用灰度变换、直方图、中值滤波、图像增强等方法对采集到的原始图像进行图像预处理。
　　(3)根据大米形态特征提取大米面积、周长、长轴、短轴等13个特征参数作为大米粒型识别的依据。又由于这13个特征参数不相互独立，它们携带的大米特征信息有冗余，所以采用主成分分析法对提取的特征参数进行降维和去冗，并用生成的前3个主成分代替大米的13个特征参数作为大米粒型识别的依据。
　　(4)用遗传算法优化BP神经网络的权值，然后用改进后的BP神经网络和标准BP神经网络分别对大米粒型进行识别，并比较它们的优越性。实验结果证明：用遗传算法改进后的BP神经网络在对大米粒型识别的正确率上和实时性上都优于标准BP神经网络。

目录

文摘

英文文摘

致谢

插图清单

表格清单

第一章 绪论

1.1 选题的背景和意义

1.1.1 选题的背景

1.1.2 选题的意义

1.2 机器视觉技术

1.3 国内外研究情况

1.4 本文主要研究的内容和所做工作

1.4.1 本文主要研究的内容

1.4.2 本文所做的工作

第二章 大米品质检测系统的硬件设计

2.1 大米品质检测系统的工作原理

2.2 大米品质检测系统的组成与结构

2.2.1 供料系统

2.2.2 光学系统

2.2.3 分选系统

2.2.4 电控系统

2.3 大米品质检测系统的硬件设计

2.3.1 线阵CCD电路设计

2.3.2 TCD1209的驱动脉冲设计

2.4 本章小结

第三章 图像预处理

3.1 图像灰度化

3.2 灰度直方图

3.3 图像去噪

3.3.1 邻域平滑

3.3.2 中值滤波

3.3.3 Gauss滤波

3.3.4 滤波结果分析

3.4 图像增强

3.5 背景分割

3.5.1 状态法(峰谷法)

3.5.2 判断分析法

3.5.3 最佳熵自动阈值法

3.5.4 最小误差(最优阈值)分割

3.5.5 Ostu算法

3.6 本章小结

第四章 大米特征的提取和主成分分析法

4.1 大米特征值提取

4.1.1 面积计算方法

4.1.2 周长计算方法

4.1.3 大米直径(长轴)搜索算法

4.1.4 短轴计算算法

4.2 主成分分析法

4.2.1 主成分分析法的概念

4.2.2 主成分分析法的数学模型

4.2.3 主成分分析法的计算步骤

4.3 对大米特征值进行主成分分析法

4.4 本章小结

第五章 遗传BP神经网络算法

5.1 人工神经网络

5.1.1 人工神经网络的概念

5.1.2 人工神经网络的发展历程

5.1.3 人工神经网络的分类及学习规则

5.2 BP神经网络及其基本模型

5.2.1 BP神经网络的学习算法

5.2.2 BP神经网络学习应注意事项

5.2.3 BP神经网络学习算法的改进

5.3 遗传算法基本理论

5.3.1 遗传算法的常用术语

5.3.2 标准遗传算法

5.4 遗传算法优化BP神经网络

5.4.1 连接权的优化方法

5.4.2 实验与结果分析

5.5 本章小结

第六章 结论与展望

6.1 结论

6.2 展望

参考文献

攻读硕士期间发表的论文