基于機(jī)器視覺的大豆籽粒精選技術(shù)答辯PPT

1、基于機(jī)器視覺的大豆籽粒精基于機(jī)器視覺的大豆籽粒精選技術(shù)選技術(shù)本文的背景u 大豆是中國(guó)的主要經(jīng)濟(jì)作物和糧食作物，集中分布在東北平原、黃淮平原、長(zhǎng)江三角洲和江漢平原。近年來(lái)，由于農(nóng)業(yè)部大豆振興計(jì)劃的實(shí)施，大豆種植面積逐年增加。對(duì)大豆的選種、出口、加工的質(zhì)量標(biāo)準(zhǔn)也越來(lái)越嚴(yán)格。目前，市場(chǎng)上的大豆精選器，基本利用震動(dòng)、離心、摩擦等機(jī)械原理設(shè)計(jì)而成，精度較低，適合前期分選中去除雜質(zhì)。為適應(yīng)更高的質(zhì)量標(biāo)準(zhǔn)，必須采用精度更高的精選方式，應(yīng)用比較廣泛的精選方法有：紅外法、電解法、機(jī)器視覺等。紅外法和電解法能較精確地確定其成分，但是性價(jià)比較低，并且不適用于普通大眾，適宜實(shí)驗(yàn)研究使用。隨著圖像處理技術(shù)的發(fā)展，機(jī)器視

2、覺技術(shù)廣泛的應(yīng)用于農(nóng)產(chǎn)品品質(zhì)的檢測(cè)與分級(jí)。1敘述了本次研究的背景和圖像處理技術(shù)。2已獲取圖片的預(yù)處理。3介紹了本文圖像分割所用的方法4特征參數(shù)的提取5大豆籽粒精選模型論文結(jié)構(gòu)CONTENTS論文主要章節(jié)及內(nèi)容論文主要章節(jié)及內(nèi)容u1.1. 緒論緒論u1.1.圖像處理技術(shù)u1.2.圖像處理中常用的彩色空間u1.3.大豆圖像的獲取u1.4.技術(shù)路線u2.2. 圖像預(yù)處理圖像預(yù)處理u2.1.圖像平滑u2.2.圖像邊緣銳化u2.3.灰度化u3.3. 圖像分割圖像分割u3.1.閾值分割u3.2.邊緣分割u3.3.直方圖法u4.4. 特征提取特征提取u4.1.大豆特征參數(shù)的選擇與提取u4.2.形狀特征參數(shù)u

3、4.3.顏色特征參數(shù)u4.4.紋理特征參數(shù)u5.5. 大豆籽粒精選模型大豆籽粒精選模型u5.1.圖像識(shí)別與神經(jīng)網(wǎng)絡(luò)識(shí)別方法u5.2.BP神經(jīng)網(wǎng)絡(luò)u5.3.結(jié)果與分析圖像處理技術(shù)及常用的彩色空間圖像處理技術(shù)及常用的彩色空間u 機(jī)器視覺系統(tǒng)中，主要強(qiáng)調(diào)用計(jì)算機(jī)實(shí)現(xiàn)人的視覺功能，以圖像的視覺信息為主要分析與技術(shù)處理對(duì)象。所以機(jī)器視覺需要運(yùn)用數(shù)字圖象處理、模式識(shí)別、機(jī)器學(xué)習(xí)等多種技術(shù)手段，它包括圖像預(yù)處理、圖像分割、圖像特征提取等內(nèi)容。u RGB顏色模型稱為與設(shè)備相關(guān)的顏色模型，RGB顏色模型所覆蓋的顏色域取決于顯示設(shè)備熒光點(diǎn)的顏色特性 ，是與硬件相關(guān)的。它是我們使用最多，最熟悉的顏色模型。u Lab

4、模式是根據(jù)Commission Internationale Eciarage制定的一種彩色模式。自然界中任何一點(diǎn)色都可以在Lab空間中表達(dá)出來(lái)，它的色彩空間比RGB空間大。另外，這種模式是以數(shù)字化方式來(lái)描述人的視覺感應(yīng)，與設(shè)備無(wú)關(guān)，所以它彌補(bǔ)了RGB模式必須依賴于設(shè)備色彩特性的不足。u HIS顏色系統(tǒng)可以定量的描述顏色對(duì)人眼的視覺作用，更適用于用戶的肉眼判斷，是與人類對(duì)顏色的視覺感受最接近的顏色系統(tǒng)。HSI色彩空間用色調(diào)（hue）、色飽和度（saturation）和亮度（intensity）來(lái)描述色彩。圖像預(yù)處理圖像預(yù)處理u 圖像平滑主要是為了消除噪聲。圖像平滑主要介紹了中值濾波與數(shù)學(xué)形態(tài)學(xué)

5、兩種方法。下圖就是通過數(shù)學(xué)形態(tài)學(xué)方法濾除噪聲的效果圖。u 邊緣模糊是圖像中常出現(xiàn)的質(zhì)量問題，由此造成的輪廓不清晰，線條不鮮明使圖像特征提取、識(shí)別和理解難以進(jìn)行。圖像銳化處理常用來(lái)對(duì)圖像的邊緣進(jìn)行補(bǔ)償，增強(qiáng)圖像的邊緣及灰度跳變的部分，使圖像變得清晰。下圖是一組經(jīng)過銳化后的對(duì)比圖。圖像分割圖像分割u 圖像分割就是把圖像分成若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域并提出感興趣目標(biāo)的技術(shù)和過程。它是由圖像處理到圖像分析的關(guān)鍵步驟?，F(xiàn)有的圖像分割方法主要分以下幾類：基于閾值的分割方法、基于區(qū)域的分割方法、基于邊緣的分割方法以及基于特定理論的分割方法等。本文采用的是基于閾值的分割方法。在許多情況下，物體和背景的對(duì)

6、比度在圖像中的各處不是一樣的，這時(shí)很難用一個(gè)統(tǒng)一的閾值將物體與背景分開。這時(shí)可以根據(jù)圖像的局部特征分別采用不同的閾值進(jìn)行分割。實(shí)際處理時(shí)，需要按照具體問題將圖像分成若干子區(qū)域分別選擇閾值，或者動(dòng)態(tài)地根據(jù)一定的鄰域范圍選擇每點(diǎn)處的閾值，進(jìn)行圖像分割。這時(shí)的閾值為自適應(yīng)閾值。u下圖為自動(dòng)閾值分割法效果圖。特征提取特征提取u 一般在適合生長(zhǎng)的正常環(huán)境中，適時(shí)采收的農(nóng)產(chǎn)品，其品種固有特性決定的外形，尺寸，色澤是農(nóng)產(chǎn)品內(nèi)在品質(zhì)的外在表現(xiàn)。也就是說(shuō)外形、尺寸、顏色、缺損等各項(xiàng)指標(biāo)表征著農(nóng)產(chǎn)品的內(nèi)外在品質(zhì)。因此農(nóng)產(chǎn)品的形狀、顏色、紋理等外在特性必然地成為機(jī)器視覺測(cè)量的重要研究對(duì)象和分等依據(jù)。本文用圖表的方式

7、表述了非正常豆。純糧率 定義出去雜質(zhì)的大豆占試樣重量的百分率不完善粒未 熟粒籽粒不飽滿，皺癟占粒面1/2以上蟲 蝕粒被蟲蛀蝕，傷及子葉的顆粒破 碎粒子葉殘缺（包括整半粒）、橫斷、破裂的顆粒病 斑粒粒面帶有病斑，傷及子葉的顆粒霉 變粒粒面生霉或子葉變色變質(zhì)的顆粒生 芽粒芽或幼根突破種皮的顆粒形狀特征形狀特征u 大豆籽粒外觀特征包括形態(tài)特征、顏色特征和紋理特征。其中形態(tài)參數(shù)是描述大豆籽粒大小、形狀的幾何度量。從外觀上觀察可知，對(duì)于皺癟、破碎大豆籽粒，輪廓形狀一般不規(guī)則，比較復(fù)雜，我們首先考慮提取大豆的形態(tài)特征用于分類。u以下是本文選取的形狀特征參數(shù)的計(jì)算公式u面積 式中，D為大豆籽粒的投影區(qū)域。一

8、個(gè)區(qū)域的面積定義為區(qū)域中像素的數(shù)目總和。DxydxdySu周長(zhǎng) 對(duì)于數(shù)字圖像，當(dāng)把像素看作一個(gè)個(gè)點(diǎn)時(shí)，則周長(zhǎng)可用近似線段和來(lái)表示，即周長(zhǎng)為大豆區(qū)域邊界各點(diǎn)最短距離長(zhǎng)度總和。u離心率 離心率也稱伸長(zhǎng)度。式中Ma為與區(qū)域具有相同標(biāo)準(zhǔn)二階中心矩的橢圓的長(zhǎng)軸長(zhǎng)度，通過計(jì)算大豆質(zhì)心的最長(zhǎng)線段長(zhǎng)度得到。Mi為與區(qū)域具有相同標(biāo)準(zhǔn)二階中心矩的橢圓的短軸長(zhǎng)度，通過計(jì)算大豆質(zhì)心且與長(zhǎng)軸垂直的線段長(zhǎng)度得到。u圓度 它在一定程度上反映了大豆區(qū)域的似圓程度，對(duì)于圓來(lái)說(shuō)，圓度為1，對(duì)于其他形狀，圓度小于1.u形狀因子 在一定程度上描述了大豆籽粒的接近圓形的程度。niiiiiyyxxC12121)()(MiMaEc24Mi

9、SRACF42顏色特征和紋理特征顏色特征和紋理特征u 顏色特征是一種全局特征,描述了圖像或圖像區(qū)域所對(duì)應(yīng)的景物的表面性質(zhì)。大豆籽粒顏色差異主要在于正常粒與異色粒（霉變粒）的外表皮帶來(lái)的直觀差異，所以可以在單一的RGB彩色模型表征的顏色特征能夠區(qū)分各色大豆。通過分析20粒大豆的R、G、B三個(gè)分量的均值與方差散點(diǎn)圖，選擇了三個(gè)分量的均值為顏色特征參數(shù)。u 紋理的標(biāo)志有三個(gè)要素：一是某種局部的序列性在該序列更大的區(qū)域內(nèi)不斷重復(fù)；二是序列由基本部分非隨機(jī)排列組成的；三是各部分都是均勻的統(tǒng)一體，紋理區(qū)域內(nèi)任何地方都有大致相同的結(jié)構(gòu)尺寸?；叶裙采仃囀浅Ｓ玫募y理統(tǒng)計(jì)分析方法之一，它能較精確地反應(yīng)紋理粗糙程

10、度和重復(fù)方向。本文以對(duì)比度、能量、熵作為紋理特征。 大豆籽粒精選模型大豆籽粒精選模型u 圖像識(shí)別，是指利用計(jì)算機(jī)對(duì)圖像進(jìn)行處理、分析和理解，以識(shí)別各種不同模式的目標(biāo)和對(duì)像的技術(shù)。近年來(lái)，在模式識(shí)別方面，以特征提取為基礎(chǔ)的方法遇到了極大地困難，如何表示和提取特征，需要多少特征，都存在很大的盲目性和低效率。識(shí)別過程復(fù)雜，所需運(yùn)算使得系統(tǒng)難以滿足實(shí)時(shí)性的要求。為此人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別的興起成為解決此問題的有效方法。人工神經(jīng)網(wǎng)絡(luò)從仿生學(xué)的途徑模擬了人腦的智能行為如信息處理、存儲(chǔ)及檢索功能，結(jié)構(gòu)簡(jiǎn)單，易實(shí)現(xiàn)，具有抗干擾能力強(qiáng)、能自適應(yīng)學(xué)習(xí)以及能把識(shí)別處理和若干預(yù)處理融為一體來(lái)完成等優(yōu)點(diǎn)，因此在圖像識(shí)別中

11、應(yīng)用廣泛。BPBP神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)u BP (Back Propagation)神經(jīng)網(wǎng)絡(luò)，即誤差反傳誤差反向傳播算法的學(xué)習(xí)過程，由信息的正向傳播和誤差的反向傳播兩個(gè)過程組成。輸入層各神經(jīng)元負(fù)責(zé)接收來(lái)自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需求，中間層可以設(shè)計(jì)為單隱層或者多隱層結(jié)構(gòu)；最后一個(gè)隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息

12、正向傳播和誤差反向傳播過程，是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。BP神經(jīng)網(wǎng)絡(luò)模型BP網(wǎng)絡(luò)模型包括其輸入輸出模型、作用函數(shù)模型、誤差計(jì)算模型和自學(xué)習(xí)模型。結(jié)果與分析結(jié)果與分析u 試驗(yàn)選取訓(xùn)練樣本80粒、測(cè)試樣本20粒。對(duì)特征參數(shù)進(jìn)行歸一化處理，加快網(wǎng)絡(luò)收斂速度。構(gòu)建輸入層為4個(gè)神經(jīng)元、輸出層為3個(gè)節(jié)點(diǎn)的BP網(wǎng)絡(luò)并進(jìn)行訓(xùn)練。訓(xùn)練次數(shù)為10次，期望的誤差為0.01。經(jīng)過多次訓(xùn)練和誤差分析，發(fā)現(xiàn)當(dāng)隱含層神經(jīng)元為12時(shí)每次輸出的結(jié)果相對(duì)穩(wěn)定。得出有效網(wǎng)絡(luò)結(jié)構(gòu)為4-12-3。將20粒測(cè)試樣本分別輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試。試驗(yàn)選取一級(jí)豆粒（正常豆粒）、二級(jí)豆粒（破碎豆、蟲蝕豆）、三級(jí)豆粒（霉變豆）共20粒，其中正常豆粒10粒、破碎豆粒4粒、霉變豆粒