论文部分内容阅读
玉米种子的质量分级是收获后加工的重要环节之一,利用机器视觉技术对玉米种子进行质量分级具有无损、分级精度高、速度快等优点,可代替大量的、重复性的人工劳动。本文以玉米的质量分级为目标,以玉米种子为研究对象,进行了基于数字图像处理的玉米种子质量分级方法的研究。针对传统的玉米种子检验的局限性,本文利用图像处理算法提取玉米种子的周长、面积、圆形度、矩形度、伸长度、色度这6个特征值,并对其进行统计分析。从大小、形状、饱和度、颜色等多角度对实现种子的质量分级,并使用MATLAB进行了算法的软件实现和实验验证,从而证明了利用计算机视觉代替人力来实现玉米种子自动分级的可行性。由于实验条件有限,为防止得到的特征值存在误差,在图像采集过程中,采用与玉米种子颜色对比度较大的黑色作为拍摄背景颜色,对每粒种子采集10张照片以求特征值的平均值。本课题选取了282粒种子作为采集对象,共拍摄了2820张图片。在图像底层信息处理中,根据玉米种子图像的灰度分布,对种子图像进行图像增强,并通过二值化后的效果对比,强调了图像增强的重要性。在图像平滑上,在与邻域平均法进行对比分析后,采用了中值滤波算法去噪。在图像分割上,摒除了处理效果较差的边缘检测算法,选择了阈值分割。在阈值分割的众多算法中,通过与判别分析法的比较分析后,引入了效果更理想的最大熵值&腐蚀操作的分割算法,在此处理的基础上进行轮廓跟踪,并取得了很好的效果。在分级算法研究中,分别采用了基于隶属函数的玉米种子分级和基于BP神经网络的玉米种子分级这两种算法对种子进行质量分级(质量等级分别为优、中、差).从整个实验过程与实验结果进行分析比较发现,基于BP神经网络的玉米种子分级算法更有利于实时分级,可以更方便地应用在工业上。基于BP神经网络的玉米种子分级系统,采用30粒种子的特征值作为样本值进行网络训练,对100粒种子进行检验,系统检验结果在质量分级方面达到97%的准确率,质量分级结果能够准确描述种子的质量情况.