论文部分内容阅读
本论文南疆的骏枣和灰枣为试验样本，结合国标GB/T5835-2009红枣外观检测分级方法，运用机器视觉检测技术和数字图像处理技术，进行图像采集、预处理和分析，提取红枣的颜色、纹理和缺陷特征结合BP神经网络方法。探索开展了南疆红枣的外部品质的定量化分级研究。主要运用matlab编写的图像预处理算法对采集的红枣图像进行处理，提取红枣的颜色特征参数为BP神经网络输入层，实现红枣品质分级；利用RGB模型和HSI模型，分别提取红枣图像中提取红体均值（R）、绿体均值（G）和蓝体均值（B）以及它们的均方差σ R、σ G、σ B共6种颜色特征变量；再将图像从RGB到HSI颜色空间转换，然后从HIS颜色空间中，提取色度均值（H）、亮度均值（I）和饱和度均值（S）以及它们的各自的均方差σ H、σ S、σ I共6个颜色特征变量，总计12个颜色特征变量作为BP神经网络的输入层，实现红枣颜色分级；针对纹理，采用统计的方法，均值、标准差、平滑度、三阶矩、一致性和熵直方图统计特征作为6个指标，实现红枣纹理检测；红枣缺陷检测问题，通过获取红枣图片，对原始图像进行预处理，然后进行图像分割、特征提取和图像识别，先求得缺陷部分的像素个数S1，之后求得红枣部分像素S2，两者比值k=S1/S2是试验判断缺陷红枣的依据，实现缺陷剔除。实验得出的研究成果如下：（1）红枣缺陷检测，按照国标GB/T5835-2009规定病虫、浆头和破头不得超过5%。试验按照判断为表面完好红枣，判断为缺陷枣。根据缺陷面积与红枣表面面积比值来判断表面完好的红枣准确高达91.33%，判断表面有缺陷的红枣准确率为89.33%。（2）红枣纹理分级，取300张红枣图片作为学习集，60张用作测试集。将提取的均值、标准差、平滑度、三阶矩、一致性和熵6个纹理特征作为输入层节点数，即InPoint=6。鉴定的红枣分为3个等级，即输出层节点为3（OutPoint=3），则中间层节点为MidPoint=(InPoint+OutPoint)/2=4.5,经计算MidPoint=4与MidPoint=5分级的准确率相同，我们取MidPoint=4，学习率η=0.01，最大训练次数5000次，最小均方误差为0.01。试验发现：一级红枣识别率为97.8%，二级红枣识别率为80%，三级红枣识别率为95.6%。（3）红枣颜色分级，采用RGB颜色模型和HSI颜色模型通过分级时，将红枣分为特级、一级、二级、三级和等外，特级红枣识别率为96%,一级红枣识别率为80%，二级红枣识别率为84%，三级红枣识别率为94%，等外红枣识别率为98%。