干制哈密大枣具有极高的营养及药用价值,深受广大消费者的青睐。随着社会对红枣的需求量不断加大,广大企业家对红枣加工处理的积极性也得到了提高。在干制哈密大枣加工过程中,其表面褶皱情况是评估干制哈密大枣外部品质的重要分级标准,因此必须根据干制哈密大枣表面褶皱情况,对其进行进一步分拣,来提高干制哈密大枣的附在价值。本文在前人理论和实际应用的基础上,利用机器视觉采集平台拍摄干制哈密大枣图像,用于后续的图像处理和干制哈密大枣分级研究。本论文主要研究成果如下:1、利用单尺度二维离散小波将干制哈密大枣图像分解得到低频信号和高频信号,图像的低频信号能反应图像的轮廓,而高频信号更能反应图像混入的噪声和细节。因此通过分别将高频信号的水平、垂直和对角信号进行削弱再和增强的低频信号进行图像重构,将重构好的干制哈密大枣图像用于后续连通域的提取。为了提取更加丰富的干制哈密大枣纹理信息,本文通过将高频信号的水平、垂直和对角信号进行增强再和削弱的低频信号进行图像重构,将重构图用于后续干制哈密大枣纹理信息的提取。2、本文运用前人提出的两种描述连通域密度的算法,来定量描述干制哈密大枣表面褶皱情况。在算法一(A1)中,将图像的质心作为坐标系的原点,并计算从每个连通域的质心到坐标系原点距离和的平均值。在算法二(A2)中,将图像中每个连通域质心的横纵坐标分别相加取平均,并将其作为坐标系原点,然后再计算每一个连通域质心坐标到坐标系原点的距离,最后将这些距离相加取平均,作为第二种算法提取的特征值。再分别利用灰度共生矩阵(GLCM)和颜色特征提取算法提取干制哈密大枣表面的6个纹理特征和9个颜色特征。本论文为了更好的评估干制哈密大枣表面褶皱等级情况,利用SPSS软件将前面提取的图像特征值(A1、A2和9个颜色特征)与GLCM提取的6个纹理特征进行了相关性分析,其结果表示除mH、mh和ms外,所有特征值均与GLCM中的最大概率(Maxp)、相关性(Corr)、对比度(Con)、能量(Asm)和一致性(Hom)呈显著相关(一致性和相关性与其成负相关)。因此,选择A1或A2、Maxp、Corr、Con、Asm、Hom、mRGB、mSI和mv作为模型的输入特征值,用于根据表面褶皱对干制哈密大枣等级进行评估。3、两组数据(A1+Maxp、Corr、Con、Asm、Hom+mRGB、mSI、mv;A2+Maxp、Corr、Con、Asm、Hom+mRGB、mSI、mv)分别输入支持向量机(SVM)和极限学习机(ELM)模型。通过比较分析其分类结果,发现SVM分类效果优于ELM分类模型,且A2+Maxp、Corr、Con、Asm、Hom+mRGB、mSI、mv这种选择性融合方式优于其他的特征融合方式。为了提高模型评估的准确率,避免造成模型的过度拟合,因此本文用Zscore标准化法对两组原始数据进行预处理,并对SVM分类模型的参数采用网格搜寻优化法进行优化,其结果为训练集的分类准确率为95%,测试集的分类效果为94.44%。4、虽然SVM模型对根据表面褶皱对干制哈密大分类准确率比较高,但是图像预处理和特征提取的过程都比较复杂,因此本文提出利用卷积神经网络(CNN)对基于表面褶皱对干制哈密大枣进行等级评估与分类。为了避免一些无用信息输入深度学习卷积神经网络模型中,将干制哈密大枣图像进行了最小矩形框处理和背景分割,再归一化为64×64大小的图片输入卷积神经网络模型中。通过对卷积神经网络模型结构进行设计和参数进行选择,来提高卷积神经网络模型的分类准确率。试验结果表明CNN根据表面褶皱对干制哈密大枣分级准确率略高于SVM分类模型。为了提高基于表面褶皱对干制哈密大枣分级的速率,本文利用Faster-RCNN对干制哈密大枣已分帧处理的视频图像进行多枣定位和根据表面褶皱对其进行分级,试验研究表明该方法对干制哈密大枣的定位准确率优于前人所用的定位方法,且分级准确率达到97.30%。