论文部分内容阅读
小麦是我国三大储备粮食之一,做好小麦质量的检测工作对社会稳定和经济平稳发展均具有重要的现实意义。目前小麦质量指标的测定大多以国标为依据,依靠人工感官检验完成。将机器视觉技术引入小麦质量判定中,能够解决人工检验中主观性强、费时费力、劳动量大等不足。本文综合使用数字图像处理、图像分析和模式识别等方法,研究了将机器视觉技术应用于小麦不完善粒、杂质、水分、容重等质量指标检测的基本理论和相应方法,主要研究内容和结论如下:(1)采集小麦不完善粒、有机杂质、无机杂质、不同含水量籽粒、不同容重小麦完整籽粒及其横切面图像,对采集到的图像进行灰度变换、二值化、中值滤波、图像分割、形态学运算等预处理,可以较好的实现图像增强和消除噪声的目的,能够满足图像特征信息提取的要求。(2)图像预处理后,提取籽粒的形态、颜色和纹理特征参数并进行分析后发现,小麦完善粒与不完善粒及杂质之间、不同水分含量小麦籽粒之间、不同容重小麦籽粒之间特征参数均存在差异,部分特征参数差异明显。使用主成分分析和逐步判别分析对特征参数进行降维或筛选,将得到的主成分得分向量或筛选参数作为模型的输入,可以建立相应的识别和检测模型。(3)对于小麦不完善粒的识别,创建了网络结构为9-21-5的3层BP神经网络模型,该模型对完善粒、破损粒、病斑粒、生芽粒和虫蚀粒的判别正确率分别为93%、98%、100%、90%和85%,整体判别正确率达到了93%。由于有机杂质、无机杂质与完善粒之间特征参数差异明显,使用基于判决树的单特征阈值法即可对其进行有效识别,通过逐步判别分析可筛选出对识别贡献最大的参数。使用单特征阈值法对各类型杂质进行识别,识别率为90.0%~99.3%;使用线性参数分类器对完善粒与有机杂质、无机杂质进行识别时,识别率均为100%。(4)对于小麦水分含量的检测,建立了网络结构为7-15-1的BP神经网络模型,该模型对水分含量的检测值与实际值之间的决定系数为0.9546。对于小麦容重的识别,采集不同容重小麦完整籽粒和籽粒横切面图像,建立线性参数统计分类器和BP神经网络模型实现小麦不同容重的检测识别。结果表明,与小麦横切面图像特征相比,小麦完整籽粒图像的特征参数能更好的反映不同容重小麦之间的差异;两种分类器对基于完整籽粒图像的小麦容重整体识别率均在95%以上。(5)基于本研究的相关算法成果,初步开发了基于Matlab软件平台的小麦不完善粒图像分析系统,为实现小麦质量机器视觉检测提供了参考。