论文部分内容阅读
论文选题源于国家自然科学基金资助项目（项目编号:51405078）、黑龙江省归国留学基金项目（项目编号:LC2018019）、东北农业大学学术骨干项目（项目编号:17XG01）,旨在利用电磁振动理论、自动控制技术和深度学习技术来设计优化玉米籽粒精选系统,以达到玉米籽粒品质批量精选与分级的目的。该文以玉米籽粒品质精选系统的自动控制和视觉分选算法为研究对象,从玉米粒群的整列分离、电磁控制、分选控制和在线视觉分选系统设计方面进行研究,以实现玉米籽粒品质的自动精选。基于上述内容该文主要工作如下:（1）试验样机速度差异式整列分离装置、控制和视觉系统的分析与设计。以传送轨道上玉米籽粒的运动形式和运动状态为研究对象,为实现玉米粒群的逐渐分离,结合电磁振动理论设计速度差异式电磁振动传输分离装置。以料槽配重、安装倾角及系统振幅为因素,粘连率和正向率为指标进行正交试验,通过正交试验得到系统较优参数组合:配重、安装倾角和系统振幅分别为0.3 kg、0°和0.36 mm,机械系统粘连率和定向率分别为9.40%和92.60%,可使玉米粒群在电磁振动系统的驱动下实现逐渐转化分离为单籽粒的整列输送。并结合自动控制技术和图像采集原理分析玉米籽粒品质精选检测的试验样机的机械、控制和恒定光强视觉系统的各个部位的工作原理,并完成各个系统关键部件设计和相应软件的设计工作,为后续的分选工作提供平台基础。（2）玉米籽粒数据集总体设计、图像采集预处理方案及数据集标定。首先结合前人研究、相关技术要求和规范完成玉米籽粒数据集总体设计,为该文的卷积神经网络的训练和验证以及相关精选检测数据集的研究和评价提供设计基础。基于图像分割和形态学图像处理技术设计适用于暗箱环境中玉米籽粒分割去噪的预处理方案,可在克服边缘和噪声的影响下,得到清晰度最高的玉米籽粒数据集图像。通过编写程序对预处理方案后的玉米籽粒图像进行数据集标定。最终确定数据集共4类籽粒;每类优良玉米籽粒各626幅,剔除籽粒各480幅;图像大小均为352×352个像素。（3）玉米籽粒品质精选检测的卷积神经网络模型的分析与设计。首先全面分析卷积神经网络的网络模型、网络结构、网络训练的原理;其次设计适用于玉米籽粒品质精选检测的卷积神经网络模型框架;然后在深入研究Faster R-CNN的基础上,通过试验确定有限硬件条件下所能运行最大卷积神经网络模型的大小后,针对玉米籽粒品质精选检测问题设计一种可以直接采用彩色图像作为输入的玉米籽粒品质精选网络模型:模型1（S）、模型2（M）、模型3.0（L）;最后鉴于前人研究和基于卷积神经网络玉米籽粒品质精选问题的特殊性,制定适用于该文的评价标准。（4）玉米籽粒精选系统试验样机设计与搭建。为实现玉米籽粒品质的自动化分选,基于上述研究以及样机各部分功能设计要求搭建试验样机软硬件系统,并通过试验对样机关键部件的结构参数进行优化,以使样机实现最佳分选性能的目标。研究表明:本试验样机可以有效实现玉米籽粒品质问题的自动化分选。与传统通过人工特征建模方式提取玉米籽粒特征参数的识别方法相比,本研究只需要一个预先标注好的数据集,可利用有限的玉米籽粒数据集对网络模型进行训练验,解决以往玉米籽粒精选人工特征建模过程的繁琐、特征数目少、特征表达能力不足的问题。本研究探索了深度学习技术在玉米籽粒实时分选方面的应用,为深度学习在玉米分选领域以及其他农业领域中应用提供理论基础。对比分析该文四个网络模型的分类性能,结果表明:对测试集四类玉米籽粒的识别,模型2（M）的整体分类性能最好,具有最高的平均精确率91.21%、平均召回率91.37%和平均F1值91.24%,并且模型2（M）在四个模型中具有最低的假阳性率2.60%,对比Faster R-CNN该网络模型性能均有提高。从仅对优良玉米籽粒的分类性能看,模型1（S）在这四个模型中具有最高的平均召回率98.41%;模型2（M）在这四个模型中具有最高的平均精确率和平均F1值分别98.77%和96.97%,模型2（M）在这四个模型中具有最低的假阳性率0.47%,对比Faster R-CNN这两个网络模型在不同的方面有提高。对比分析该文四个网络模型的整体性能,结果表明:本研究的检测模型优于Faster R-CNN模型。在仅考虑对优良玉米籽粒检测时,在这四个模型中模型1（S）具有最高的mAP1值97.73%,较Faster R-CNN有2.18%的提高,对于计算机硬件的要求更低;模型2（M）较Faster R-CNN相比只有0.42%的降低。本研究提出的模型1（S）、模型2（M）和模型3.0（L）相比于Faster R-CNN分别小138.25 MB、136.04 MB、75.5 MB。由于Faster R-CNN网络模型的体积庞大,对现有计算机来说其要求都太高,不利于在农业领域中应用。对比分析模型1（S）、模型2（M）、模型3.0（L）,发现模型2（M）的召回率-精确率曲线是这几个模型中最稳定的,并且其整体性能最稳健、最理想。最后通过对试验样机的机械、控制和视觉系统的联合调试并进行样机性能试验结果表明,玉米籽粒的实际检测准确率为96.8%,实际分选率为98.14%。