论文部分内容阅读
机器视觉技术是模拟视觉功能来实现无损检测,利用被测物的图像信息探测目标属性。该技术在谷物无损检测中具有客观、高效、准确的特点,因此其理论研究及应用受到了广泛的关注。特别是随着生活质量的改善,无论是玉米用于食用、工业加工还是作为种子进行农业再生产,人们对品质要求都越来越高,因此采用有效的无损检测技术来保证其品质就显得很有必要。本文在理论研究和实验分析的基础上,深入研究了玉米品质自动检测的方法,构建了玉米籽粒实时分析系统。围绕如何根据单粒玉米的检测特点,实现多籽粒玉米图像的分割、信息提取及品质识别进行了以下工作:(1)基于图像采集系统,记录平铺的玉米籽粒图像来获取玉米单籽粒的信息,并将图像经过预处理操作,使图像信息增强便于运算。随后研究了主动轮廓模型和分水岭两种不同处理方法,从图像的分割速率和效果上看,分水岭算法更能满足实际应用的要求。在此基础上,本文通过变阈值法来改进分水岭算法,达到逐次分割的目的,提高了图像分割效率,同时维护了图像中单籽粒玉米的外形特征;(2)跟踪单籽粒标记区域,从形状、颜色、纹理等信息中提取能够描述其外观的37个有效特征。但是从识别用途上看,许多不同的特征具有很大的关联性,在进行模式识别时会造成数据冗余的现象。针对这一问题,本文分别采用遗传算法和主分量分析对特征数据进行处理,选择有效的分类特征作为模式识别的输入参数,并对比了两种方法的优缺点。实验结果表明,遗传算法适用范围大,能获得单个特征量的重要性,而主分量分析的方法需要压缩所有数据,直观性不强;(3)探讨了BP神经网络和支持向量机两种不同的模式识别方法,并通过实验对两种方法的识别效率与精确度进行了比较分析。实验表明,BP神经网络更适合于缺陷粒的分类,当优化特征组合方法与神经网络方法结合应用时,网络的误差曲线迅速收敛,获得了很好的分类精度。同时通过质量与图像检测玉米籽粒面积的关系来计算千粒重,并比较了计算与实际千粒重值的偏差。结果表明,可以采用该方法获取千粒重来评价玉米籽粒的品质。最后,基于Matlab软件平台实现前面叙述的图像处理功能,并在Labview软件平台中调用了Matlab Script节点,实现两个软件的间的程序调用,借助Labview平台开发良好的用户界面,建立了玉米籽粒分析系统。之后,通过样品测试实验,验证了该系统在检测中的准确性并提出进一步的改进措施。本文的工作可实现无损检测,获得客观、快速、准确的籽粒品质分析,对机器视觉技术应用于玉米品质检测具有一定的指导作用。