基于机器视觉的大豆籽粒精选技术答辩PPT

1、基于机器视觉的大豆籽粒精基于机器视觉的大豆籽粒精选技术选技术本文的背景u 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

2、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论文主要章节及内容u1.1. 绪论绪论u1.1.图像处理技术u1.2.图像处理中常用的彩色空间u1.3.大豆图像的获取u1.4.技术路线u2.2. 图像预处理图像预处理u2.1.图像平滑u2.2.图像边缘锐化u2.3.灰度化u3.3. 图像分割图像分割u3.1.阈值分割u3.2.边缘分割u3.3.直方图法u4.4. 特征提取特征提取u4.1.大豆特征参数的选择与提取u4.2.形状特征参数u

3、4.3.颜色特征参数u4.4.纹理特征参数u5.5. 大豆籽粒精选模型大豆籽粒精选模型u5.1.图像识别与神经网络识别方法u5.2.BP神经网络u5.3.结果与分析图像处理技术及常用的彩色空间图像处理技术及常用的彩色空间u 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。u 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。u Lab

4、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。u 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。图像预处理图像预处理u 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

5、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。u 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u 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

6、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。u下图为自动阈值分割法效果图。特征提取特征提取u 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

7、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形状特征u 大豆籽粒外观特征包括形态特征、颜色特征和纹理特征。其中形态参数是描述大豆籽粒大小、形状的几何度量。从外观上观察可知，对于皱瘪、破碎大豆籽粒，轮廓形状一般不规则，比较复杂，我们首先考虑提取大豆的形态特征用于分类。u以下是本文选取的形状特征参数的计算公式u面积 式中，D为大豆籽粒的投影区域。一

8、个区域的面积定义为区域中像素的数目总和。DxydxdySu周长 对于数字图像，当把像素看作一个个点时，则周长可用近似线段和来表示，即周长为大豆区域边界各点最短距离长度总和。u离心率 离心率也称伸长度。式中Ma为与区域具有相同标准二阶中心矩的椭圆的长轴长度，通过计算大豆质心的最长线段长度得到。Mi为与区域具有相同标准二阶中心矩的椭圆的短轴长度，通过计算大豆质心且与长轴垂直的线段长度得到。u圆度 它在一定程度上反映了大豆区域的似圆程度，对于圆来说，圆度为1，对于其他形状，圆度小于1.u形状因子 在一定程度上描述了大豆籽粒的接近圆形的程度。niiiiiyyxxC12121)()(MiMaEc24Mi

9、SRACF42颜色特征和纹理特征颜色特征和纹理特征u 颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。大豆籽粒颜色差异主要在于正常粒与异色粒（霉变粒）的外表皮带来的直观差异，所以可以在单一的RGB彩色模型表征的颜色特征能够区分各色大豆。通过分析20粒大豆的R、G、B三个分量的均值与方差散点图，选择了三个分量的均值为颜色特征参数。u 纹理的标志有三个要素：一是某种局部的序列性在该序列更大的区域内不断重复；二是序列由基本部分非随机排列组成的；三是各部分都是均匀的统一体，纹理区域内任何地方都有大致相同的结构尺寸。灰度共生矩阵是常用的纹理统计分析方法之一，它能较精确地反应纹理粗糙程

10、度和重复方向。本文以对比度、能量、熵作为纹理特征。 大豆籽粒精选模型大豆籽粒精选模型u 图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。近年来，在模式识别方面，以特征提取为基础的方法遇到了极大地困难，如何表示和提取特征，需要多少特征，都存在很大的盲目性和低效率。识别过程复杂，所需运算使得系统难以满足实时性的要求。为此人工神经网络模式识别的兴起成为解决此问题的有效方法。人工神经网络从仿生学的途径模拟了人脑的智能行为如信息处理、存储及检索功能，结构简单，易实现，具有抗干扰能力强、能自适应学习以及能把识别处理和若干预处理融为一体来完成等优点，因此在图像识别中

11、应用广泛。BPBP神经网络神经网络u BP (Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息

12、正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。BP神经网络模型BP网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。结果与分析结果与分析u 试验选取训练样本80粒、测试样本20粒。对特征参数进行归一化处理，加快网络收敛速度。构建输入层为4个神经元、输出层为3个节点的BP网络并进行训练。训练次数为10次，期望的误差为0.01。经过多次训练和误差分析，发现当隐含层神经元为12时每次输出的结果相对稳定。得出有效网络结构为4-12-3。将20粒测试样本分别输入BP神经网络进行测试。试验选取一级豆粒（正常豆粒）、二级豆粒（破碎豆、虫蚀豆）、三级豆粒（霉变豆）共20粒，其中正常豆粒10粒、破碎豆粒4粒、霉变豆粒