基于機(jī)器視覺(jué)的大豆籽粒精選技術(shù)答辯PPT

1、基于機(jī)器視覺(jué)的大豆籽粒精基于機(jī)器視覺(jué)的大豆籽粒精 選技術(shù)選技術(shù) 本文的背景 u 大豆是中國(guó)的主要經(jīng)濟(jì)作物和糧食作物，集中分布在 東北平原、黃淮平原、長(zhǎng)江三角洲和江漢平原。近年來(lái)， 由于農(nóng)業(yè)部大豆振興計(jì)劃的實(shí)施，大豆種植面積逐年增加。 對(duì)大豆的選種、出口、加工的質(zhì)量標(biāo)準(zhǔn)也越來(lái)越嚴(yán)格。目 前，市場(chǎng)上的大豆精選器，基本利用震動(dòng)、離心、摩擦等 機(jī)械原理設(shè)計(jì)而成，精度較低，適合前期分選中去除雜質(zhì)。 為適應(yīng)更高的質(zhì)量標(biāo)準(zhǔn)，必須采用精度更高的精選方式， 應(yīng)用比較廣泛的精選方法有：紅外法、電解法、機(jī)器視覺(jué) 等。紅外法和電解法能較精確地確定其成分，但是性價(jià)比 較低，并且不適用于普通大眾，適宜實(shí)驗(yàn)研究使用。隨著

2、圖像處理技術(shù)的發(fā)展，機(jī)器視覺(jué)技術(shù)廣泛的應(yīng)用于農(nóng)產(chǎn)品 品質(zhì)的檢測(cè)與分級(jí)。 1 敘述了本次研究的背景和圖 像處理技術(shù)。 2 已獲取圖片的預(yù)處理。 3 介紹了本文圖像分割所用的 方法 4 特征參數(shù)的提取 5 大豆籽粒精選模型 論 文 結(jié) 構(gòu) CONTENTS 論文主要章節(jié)及內(nèi)容論文主要章節(jié)及內(nèi)容 u1.1. 緒論緒論 u1.1.圖像處理技術(shù) u1.2.圖像處理中常用的彩色空間 u1.3.大豆圖像的獲取 u1.4.技術(shù)路線 u2.2. 圖像預(yù)處理圖像預(yù)處理 u2.1.圖像平滑 u2.2.圖像邊緣銳化 u2.3.灰度化 u3.3. 圖像分割圖像分割 u3.1.閾值分割 u3.2.邊緣分割 u3.3.直方

3、圖法 u4.4. 特征提取特征提取 u4.1.大豆特征參數(shù)的選擇與提取 u4.2.形狀特征參數(shù) u4.3.顏色特征參數(shù) u4.4.紋理特征參數(shù) u5.5. 大豆籽粒精選模型大豆籽粒精選模型 u5.1.圖像識(shí)別與神經(jīng)網(wǎng)絡(luò)識(shí)別方法 u5.2.BP神經(jīng)網(wǎng)絡(luò) u5.3.結(jié)果與分析 圖像處理技術(shù)及常用的彩色空間圖像處理技術(shù)及常用的彩色空間 u 機(jī)器視覺(jué)系統(tǒng)中，主要強(qiáng)調(diào)用計(jì)算機(jī)實(shí)現(xiàn)人的視覺(jué)功能，以圖像的視覺(jué) 信息為主要分析與技術(shù)處理對(duì)象。所以機(jī)器視覺(jué)需要運(yùn)用數(shù)字圖象處理、模 式識(shí)別、機(jī)器學(xué)習(xí)等多種技術(shù)手段，它包括圖像預(yù)處理、圖像分割、圖像特 征提取等內(nèi)容。 u RGB顏色模型稱(chēng)為與設(shè)備相關(guān)的顏色模型，RG

4、B顏色模型所覆蓋的顏色域 取決于顯示設(shè)備熒光點(diǎn)的顏色特性 ，是與硬件相關(guān)的。它是我們使用最多， 最熟悉的顏色模型。 u Lab模式是根據(jù)Commission Internationale Eciarage制定的一種彩色模 式。自然界中任何一點(diǎn)色都可以在Lab空間中表達(dá)出來(lái)，它的色彩空間比RGB 空間大。另外，這種模式是以數(shù)字化方式來(lái)描述人的視覺(jué)感應(yīng)，與設(shè)備無(wú)關(guān)， 所以它彌補(bǔ)了RGB模式必須依賴(lài)于設(shè)備色彩特性的不足。 u HIS顏色系統(tǒng)可以定量的描述顏色對(duì)人眼的視覺(jué)作用，更適用于用戶的肉 眼判斷，是與人類(lèi)對(duì)顏色的視覺(jué)感受最接近的顏色系統(tǒng)。HSI色彩空間用色調(diào) （hue）、色飽和度（saturat

5、ion）和亮度（intensity）來(lái)描述色彩。 圖像預(yù)處理圖像預(yù)處理 u 圖像平滑主要是為了消除噪聲。圖像平滑主要介紹了 中值濾波與數(shù)學(xué)形態(tài)學(xué)兩種方法。下圖就是通過(guò)數(shù)學(xué)形態(tài) 學(xué)方法濾除噪聲的效果圖。 u 邊緣模糊是圖像中常出現(xiàn)的質(zhì)量問(wèn)題，由此造成的輪 廓不清晰，線條不鮮明使圖像特征提取、識(shí)別和理解難以 進(jìn)行。圖像銳化處理常用來(lái)對(duì)圖像的邊緣進(jìn)行補(bǔ)償，增強(qiáng) 圖像的邊緣及灰度跳變的部分，使圖像變得清晰。下圖是 一組經(jīng)過(guò)銳化后的對(duì)比圖。 圖像分割圖像分割 u 圖像分割就是把圖像分成若干個(gè)特定的、具有獨(dú)特性 質(zhì)的區(qū)域并提出感興趣目標(biāo)的技術(shù)和過(guò)程。它是由圖像處 理到圖像分析的關(guān)鍵步驟?，F(xiàn)有的圖像分割方法

6、主要分以 下幾類(lèi)：基于閾值的分割方法、基于區(qū)域的分割方法、基 于邊緣的分割方法以及基于特定理論的分割方法等。本文 采用的是基于閾值的分割方法。在許多情況下，物體和背 景的對(duì)比度在圖像中的各處不是一樣的，這時(shí)很難用一個(gè) 統(tǒng)一的閾值將物體與背景分開(kāi)。這時(shí)可以根據(jù)圖像的局部 特征分別采用不同的閾值進(jìn)行分割。實(shí)際處理時(shí)，需要按 照具體問(wèn)題將圖像分成若干子區(qū)域分別選擇閾值，或者動(dòng) 態(tài)地根據(jù)一定的鄰域范圍選擇每點(diǎn)處的閾值，進(jìn)行圖像分 割。這時(shí)的閾值為自適應(yīng)閾值。 u下圖為自動(dòng)閾值分割法效果圖。 特征提取特征提取 u 一般在適合生長(zhǎng)的正常環(huán) 境中，適時(shí)采收的農(nóng)產(chǎn)品，其 品種固有特性決定的外形，尺 寸，色澤是

7、農(nóng)產(chǎn)品內(nèi)在品質(zhì)的 外在表現(xiàn)。也就是說(shuō)外形、尺 寸、顏色、缺損等各項(xiàng)指標(biāo)表 征著農(nóng)產(chǎn)品的內(nèi)外在品質(zhì)。因 此農(nóng)產(chǎn)品的形狀、顏色、紋理 等外在特性必然地成為機(jī)器視 覺(jué)測(cè)量的重要研究對(duì)象和分等 依據(jù)。本文用圖表的方式表述 了非正常豆。 純糧率 定義 出去雜質(zhì)的大豆占試樣重量的百分率 不 完 善 粒 未 熟 粒 籽粒不飽滿，皺癟占粒面1/2以上 蟲(chóng) 蝕 粒 被蟲(chóng)蛀蝕，傷及子葉的顆粒 破 碎 粒 子葉殘缺（包括整半粒）、橫斷、破裂的 顆粒 病 斑 粒 粒面帶有病斑，傷及子葉的顆粒 霉 變 粒 粒面生霉或子葉變色變質(zhì)的顆粒 生 芽 粒 芽或幼根突破種皮的顆粒 形狀特征形狀特征 u 大豆籽粒外觀特征包括形態(tài)特

8、征、顏色特征和紋理特 征。其中形態(tài)參數(shù)是描述大豆籽粒大小、形狀的幾何度量。 從外觀上觀察可知，對(duì)于皺癟、破碎大豆籽粒，輪廓形狀 一般不規(guī)則，比較復(fù)雜，我們首先考慮提取大豆的形態(tài)特 征用于分類(lèi)。 u以下是本文選取的形狀特征參數(shù)的計(jì)算公式 u面積 式中，D為大豆籽粒的投影區(qū)域。一個(gè)區(qū)域的面積定義為區(qū)域中像素的數(shù)目總和。 D xydxdyS u周長(zhǎng) 對(duì)于數(shù)字圖像，當(dāng)把像素看作一個(gè)個(gè)點(diǎn)時(shí)，則周長(zhǎng)可用近似線段和來(lái)表示，即周長(zhǎng)為 大豆區(qū)域邊界各點(diǎn)最短距離長(zhǎng)度總和。 u離心率 離心率也稱(chēng)伸長(zhǎng)度。式中Ma為與區(qū)域具有相同標(biāo)準(zhǔn)二階中心矩的橢圓的長(zhǎng)軸長(zhǎng)度，通 過(guò)計(jì)算大豆質(zhì)心的最長(zhǎng)線段長(zhǎng)度得到。Mi為與區(qū)域具有相同

9、標(biāo)準(zhǔn)二階中心矩的橢圓的 短軸長(zhǎng)度，通過(guò)計(jì)算大豆質(zhì)心且與長(zhǎng)軸垂直的線段長(zhǎng)度得到。 u圓度 它在一定程度上反映了大豆區(qū)域的似圓程度，對(duì)于圓來(lái)說(shuō)，圓度為1，對(duì)于其他形狀， 圓度小于1. u形狀因子 在一定程度上描述了大豆籽粒的接近圓形的程度。 n i iiii yyxxC 1 2 1 2 1 )()( Mi Ma Ec 2 4 Mi S R A C F 4 2 顏色特征和紋理特征顏色特征和紋理特征 u 顏色特征是一種全局特征,描述了圖像或圖像區(qū)域所 對(duì)應(yīng)的景物的表面性質(zhì)。大豆籽粒顏色差異主要在于正常 粒與異色粒（霉變粒）的外表皮帶來(lái)的直觀差異，所以可 以在單一的RGB彩色模型表征的顏色特征能夠區(qū)分各

10、色大 豆。通過(guò)分析20粒大豆的R、G、B三個(gè)分量的均值與方差 散點(diǎn)圖，選擇了三個(gè)分量的均值為顏色特征參數(shù)。 u 紋理的標(biāo)志有三個(gè)要素：一是某種局部的序列性在該 序列更大的區(qū)域內(nèi)不斷重復(fù)；二是序列由基本部分非隨機(jī) 排列組成的；三是各部分都是均勻的統(tǒng)一體，紋理區(qū)域內(nèi) 任何地方都有大致相同的結(jié)構(gòu)尺寸。灰度共生矩陣是常用 的紋理統(tǒng)計(jì)分析方法之一，它能較精確地反應(yīng)紋理粗糙程 度和重復(fù)方向。本文以對(duì)比度、能量、熵作為紋理特征。 大豆籽粒精選模型大豆籽粒精選模型 u 圖像識(shí)別，是指利用計(jì)算機(jī)對(duì)圖像進(jìn)行處理、分析和 理解，以識(shí)別各種不同模式的目標(biāo)和對(duì)像的技術(shù)。近年來(lái)， 在模式識(shí)別方面，以特征提取為基礎(chǔ)的方法遇

11、到了極大地 困難，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。識(shí)別過(guò)程復(fù)雜，所需運(yùn)算使得系統(tǒng)難 以滿足實(shí)時(shí)性的要求。為此人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別的興起 成為解決此問(wèn)題的有效方法。人工神經(jīng)網(wǎng)絡(luò)從仿生學(xué)的途 徑模擬了人腦的智能行為如信息處理、存儲(chǔ)及檢索功能， 結(jié)構(gòu)簡(jiǎn)單，易實(shí)現(xiàn)，具有抗干擾能力強(qiáng)、能自適應(yīng)學(xué)習(xí)以 及能把識(shí)別處理和若干預(yù)處理融為一體來(lái)完成等優(yōu)點(diǎn)，因 此在圖像識(shí)別中應(yīng)用廣泛。 BPBP神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò) u BP (Back Propagation)神經(jīng)網(wǎng)絡(luò)，即誤差反傳誤差反向傳播算 法的學(xué)習(xí)過(guò)程，由信息的正向傳播和誤差的反向傳播兩個(gè)過(guò)程組成。 輸入層各神經(jīng)元負(fù)責(zé)接收來(lái)自外

12、界的輸入信息，并傳遞給中間層各神 經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力 的需求，中間層可以設(shè)計(jì)為單隱層或者多隱層結(jié)構(gòu)；最后一個(gè)隱層傳 遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向 傳播處理過(guò)程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實(shí)際輸出與期 望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段。誤差通過(guò)輸出層，按誤差 梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始 的信息正向傳播和誤差反向傳播過(guò)程，是各層權(quán)值不斷調(diào)整的過(guò)程， 也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過(guò)程，此過(guò)程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減 少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。BP神經(jīng)網(wǎng)絡(luò)模 型BP網(wǎng)絡(luò)模型包括其輸入輸出模型、作用函數(shù)模型、誤差計(jì)算模型和 自學(xué)習(xí)模型。 結(jié)果與分析結(jié)果與分析 u 試驗(yàn)選取訓(xùn)練樣本80粒、測(cè)試 樣本20粒。對(duì)特征參數(shù)進(jìn)行歸一化 處理，加快網(wǎng)絡(luò)收斂速度。構(gòu)建輸 入層為4個(gè)神經(jīng)元、輸出層為3個(gè)節(jié) 點(diǎn)的BP網(wǎng)絡(luò)并進(jìn)行訓(xùn)練。訓(xùn)練次數(shù) 為10次，期望的誤差為0.01。經(jīng)過(guò) 多次訓(xùn)練和誤差分析，發(fā)現(xiàn)當(dāng)隱含 層神經(jīng)元為12時(shí)每次輸出的結(jié)果相 對(duì)穩(wěn)定。得出有效網(wǎng)絡(luò)結(jié)構(gòu)為4- 12-3。將20粒測(cè)試樣本分別輸入BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試。試驗(yàn)選取一級(jí) 豆粒（正常豆粒）、二級(jí)豆粒（破 碎豆、蟲(chóng)蝕豆）、三級(jí)豆粒（霉變 豆）共20粒，其中正常豆粒10粒、 破碎豆粒4粒、霉變豆粒3粒