论文部分内容阅读
本实验以4种大豆(美国大豆、阿根廷大豆、巴西大豆、黑龙江大豆)和2种玉米(黑龙江玉米、河南玉米)为研究材料,在一定的实验条件(温度25℃,暗箱并架设同向、单一光源)下模拟基于机器视觉技术快速测定大豆、玉米水分含量的过程。期间使用参数一致且固定的相机拍摄大豆、玉米数字图像,通过MATLAB编程提取大豆、玉米数字图像中的颜色、轮廓等共计24个特征参数。利用SPSS、Design-Expert软件对这24个特征值同大豆、玉米含水量(国标法、岛津水分仪测定)进行相关性分析并建立判别模型,最后建立了基于MATLAB GUI的粮食水分快速测定系统,并通过该系统对实验样品进行水分含量预测。结果显示:(1)大豆样品的含水量随着特征值RGB的增加而增大,随着时间的延长,大豆的色泽、饱和度随之下降。对于同批次同产地的大豆进行含水量检测的时候,以RGB数值作为影响含水量的因素是可靠的,但随着大豆含水量的变化,该软件的测量精度会出现一定程度的下降。通过对大豆图像特征值的提取和特征值与含水量的多元回归分析,结果显示:黑龙江大豆RGLA模型回归方程为:Y=-15.353+2.738XR-0.325XG+5.028XL-1.238XA,R2=0.987;黑龙江大豆HSLA模型回归预测方程为:Y=-105.050+0.748XH-16.517XS+29.239XL-4.360XA,R2=0.994。黑龙江大豆颜色特征值模型RGB、HSV模型经过与轮廓特征值L、A重新组合以后,拟合度明显增大,其中,RGLA模型预测精度较RGB模型提高9.5%;HSLA模型较HSV模型预测精度提高2.5%。美国大豆RGLA模型回归方程为:Y=-18.625+0.113XR+0.002XG+4.54XL-1.068XA,R2=0.985;美国大豆VLA模型回归方程为:Y=-13.303+16.584XV+3.987XL-0.877XA,R2=0.987,美国大豆组合模型相较于颜色空间模型拟合精度分别提高:18.1%和1%。(2)通过MATLAB编程得到24个玉米数字图像特征值,实验结果表明:任何单一的特征值都不能够成为预测玉米水分的唯一因素,即,单个玉米数字图像特征值与玉米含水量无显著相关性。按照相关性拟合程度,对两个产地的玉米进行了特征值重组,回归结果显示,河南玉米标准颜色空间RGB模型为:Y=11.642+0.035XR+0.019XG+0.057XB,R2=0.974;河南玉米标准颜色空间HSV模型为:Y=14.188+8.862XH-0.094XS+3.657XV,R2=0.977;河南玉米轮廓特征LAR矩模型R 2=0.6 5 0;河南玉米特征值组合R G L A模型为:Y=22.603+0.046XR+0.066XG-3.007XL+0.516XA,R2=0.980;河南玉米特征值组合HVLA模型为:Y=53.274+10.569XH+1.633XV-9.508XL-1.547XA,R2=0.990。黑龙江玉米标准颜色空间RGB模型为:Y=10.301-0.047XR+0.130XG+0.046XB,R 2=0.9 1 9;黑龙江玉米标准颜色空间H S V模型为:Y=8.714+23.246XH+6.500XS-13.445XV,R2=0.967;黑龙江玉米轮廓特征值LAR矩模型R 2=0.5 8 8;黑龙江玉米特征值组合G L A模型为:Y=-23.577+0.108XG+17.258XL-7.786XA,R2=0.919;黑龙江玉米轮廓特征值组合HSLA模型为:Y=49.440+15.733XH+7.689XS-61.855XL+38.496XA,R2=0.968。(3)通过MATLAB编程,对玉米、大豆数字图像进行了系统的,完整的处理,通过不同玉米特征参数组合对玉米含水量进行了大量的预测,在该预测结果上建立了基于MATLAB GUI的粮食快速检测系统,该系统包括:图像类型变换、图像特征值提取、粮食含水量计算及曲线绘制等几大功能。在该系统中实现了对不同粮种、不同产地的粮食水分变化的曲线记录,并通过链接数据库方便地完成对不同粮食数据的更新、记录和快速调用。最后,通过对该软件的校对,结果显示:在经定标后的粮食重新利用该软件预测时,其大豆、玉米含水率预测精度均在95%以上。