基于机器视觉的大豆籽粒精选技术答辩PPT.ppt

基于机器视觉的大豆籽粒精选技术 本文的背景 大豆是中国的主要经济作物和粮食作物，集中分布在东北平原、黄淮平原、长江三角洲和江汉平原。近年来，由于农业部大豆振兴计划的实施，大豆种植面积逐年增加。对大豆的选种、出口、加工的质量标准也越来越严格。目前，市场上的大豆精选器，基本利用震动、离心、摩擦等机械原理设计而成，精度较低，适合前期分选中去除杂质。为适应更高的质量标准，必须采用精度更高的精选方式，应用比较广泛的精选方法有：红外法、电解法、机器视觉等。红外法和电解法能较精确地确定其成分，但是性价比较低，并且不适用于普通大众，适宜实验研究使用。随着图像处理技术的发展，机器视觉技术广泛的应用于农产品品质的检测与分级。 1 叙述了本次研究的背景和图像处理技术。 2 已获取图片的预处理。 3 介绍了本文图像分割所用的方法 4 特征参数的提取 5 大豆籽粒精选模型 论文结构 CONTENTS 论文主要章节及内容 1. 绪论 1.1. 图像处理技术 1.2. 图像处理中常用的彩色空间 1.3. 大豆图像的获取 1.4. 技术路线 2. 图像预处理 2.1. 图像平滑 2.2. 图像边缘锐化 2.3. 灰度化 3. 图像分割 3.1. 阈值分割 3.2. 边缘分割 3.3. 直方图法 4. 特征提取 4.1. 大豆特征参数的选择与提取 4.2. 形状特征参数 4.3. 颜色特征参数 4.4. 纹理特征参数 5. 大豆籽粒精选模型 5.1. 图像识别与神经网络识别方法 5.2. BP神经网络 5.3. 结果与分析 图像处理技术及常用的彩色空间 机器视觉系统中，主要强调用计算机实现人的视觉功能，以图像的视觉信息为主要分析与技术处理对象。所以机器视觉需要运用数字图象处理、模式识别、机器学习等多种技术手段，它包括图像预处理、图像分割、图像特征提取等内容。 RGB颜色模型称为与设备相关的颜色模型，RGB颜色模型所覆盖的颜色域取决于显示设备荧光点的颜色特性 ，是与硬件相关的。它是我们使用最多，最熟悉的颜色模型。 Lab模式是根据Commission Internationale Eciarage制定的一种彩色模式。自然界中任何一点色都可以在Lab空间中表达出来，它的色彩空间比RGB空间大。另外，这种模式是以数字化方式来描述人的视觉感应，与设备无关，所以它弥补了RGB模式必须依赖于设备色彩特性的不足。 HIS颜色系统可以定量的描述颜色对人眼的视觉作用，更适用于用户的肉眼判断，是与人类对颜色的视觉感受最接近的颜色系统。HSI色彩空间用色调（hue）、色饱和度（saturation）和亮度（intensity）来描述色彩。 图像预处理 图像平滑主要是为了消除噪声。图像平滑主要介绍了中值滤波与数学形态学两种方法。下图就是通过数学形态学方法滤除噪声的效果图。 边缘模糊是图像中常出现的质量问题，由此造成的轮廓不清晰，线条不鲜明使图像特征提取、识别和理解难以进行。图像锐化处理常用来对图像的边缘进行补偿，增强图像的边缘及灰度跳变的部分，使图像变得清晰。下图是一组经过锐化后的对比图。 图像分割 图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。本文采用的是基于阈值的分割方法。在许多情况下，物体和背景的对比度在图像中的各处不是一样的，这时很难用一个统一的阈值将物体与背景分开。这时可以根据图像的局部特征分别采用不同的阈值进行分割。实际处理时，需要按照具体问题将图像分成若干子区域分别选择阈值，或者动态地根据一定的邻域范围选择每点处的阈值，进行图像分割。这时的阈值为自适应阈值。 下图为自动阈值分割法效果图。 特征提取 一般在适合生长的正常环境中，适时采收的农产品，其品种固有特性决定的外形，尺寸，色泽是农产品内在品质的外在表现。也就是说外形、尺寸、颜色、缺损等各项指标表征着农产品的内外在品质。因此农产品的形状、颜色、纹理等外在特性必然地成为机器视觉测量的重要研究对象和分等依据。本文用图表的方式表述了非正常豆。 纯粮率 定义 出去杂质的大豆占试样重量的百分率 不完善粒 未熟粒 籽粒不饱满，皱瘪占粒面1/2以上 虫蚀粒 被虫蛀蚀，伤及子叶的颗粒 破碎粒 子叶残缺（包括整半粒）、横断、破裂的颗粒 病斑粒 粒面带有病斑，伤及子叶的颗粒 霉变粒 粒面生霉或子叶变色变质的颗粒 生芽粒 芽或幼根突破种皮的颗粒 形状特征 大豆籽粒外观特征包括形态特征、颜色特征和纹理特征。其