基于機器視覺技術的對蝦規(guī)格檢測方法研究.pdf

1、對蝦是我國水產(chǎn)消費品中一大主力軍，不僅肉質(zhì)細嫩、味道鮮美、營養(yǎng)豐富，還具有較高的經(jīng)濟價值，因此一直深受人們的喜愛。隨著人民生活水平的提高，近年來國內(nèi)外對蝦需求量日益增大，品質(zhì)要求也不斷提升。傳統(tǒng)對蝦品質(zhì)檢測常以人工感官評定顏色和完整度；機械設備或重量傳感器評定規(guī)格。前者勞動強度大、主觀性強；后者檢測指標單一、智能化程度低。機器視覺利用非接觸式圖像技術，能夠?qū)崿F(xiàn)快速地無損檢測，將其應用于對蝦檢測不僅可以克服傳統(tǒng)方式存在的問題，也是最終實現(xiàn)

2、在線檢測的有效途徑。
　　 本文以新鮮對蝦為對象，研究了機器視覺技術應用于對蝦規(guī)格檢測的基本理論和方法，主要研究內(nèi)容和結論如下：
　　 1、構建了對蝦靜態(tài)圖像采集系統(tǒng)。通過對光源、照明方式和背景材料顏色的實驗分析，結果表明將LED條形光源朝上打光產(chǎn)生的光線反射到對蝦上可以有效地消除其表面的高光區(qū)。為了保證前向照明獲得的對蝦彩色圖像不受分割過程的影響，采用了背向照明獲得的輪廓圖對其直接進行分割。分析了紅、綠、藍、白四種背景

3、下的對蝦彩色圖像L*a*b*分量的差異性及相關性，結果表明白色背景下的圖像效果最佳。
　　 2、獲取了對蝦二值圖像及邊緣圖像。對對蝦RGB分量圖進行分析，結果表明B分量灰度直方圖峰頂-峰谷差異最顯著，對蝦輪廓信息最完整。使用最大類間方差法(OTSU)進行對蝦圖像背景分割，進行3×3中值濾波，以及半徑為1的圓盤結構元素開運算、閉運算、膨脹及腐蝕，最后通過Sobe1算子獲取邊緣圖像。結果表明本文處理方法能有效獲取對蝦二值化及邊緣圖像

4、。
　　 3、提取了對蝦主骨架線并識別了對蝦不同部位?；趜hang細化算法生成了對蝦骨架圖，提出了一種長度閾值變化法去除骨架線的分支，最終獲得了光滑、連續(xù)其寬度為1個像素的主骨架線。對帶肢和去肢不同姿態(tài)的對蝦圖像進行了算法驗證，去支算法準確率為100.00％。識別了對蝦的頭尾和腹背，算法準確率分別為95.40％和96.10％。根據(jù)主骨架線長度比例對頭尾進行了分割，與手動分割結果對比，算法分割準確率在97.00％以上。
　

5、　 4、基于對蝦圖像主骨架線預測其長度規(guī)格。分析了帶肢和去肢不同姿態(tài)的對蝦主骨架線長度與實際長度之間的關系，當對蝦不帶肢且姿態(tài)接近直線時，主骨架線長度與實際長度相關性最高為0.946，預測結果的絕對和相對誤差均值為2.28 mm和1.07％。對于任意姿態(tài)的對蝦，利用了主骨架線長度與彎曲度共同預測實際長度，建立了三者之間的數(shù)學模型，預測結果絕對和相對誤差均值為5.27 mm和3.86％。結果表明根據(jù)主骨架線預測對蝦實際長度是切實可行的。

6、
　　 5、基于對蝦圖像面積預測其重量規(guī)格。考慮到對蝦不同部位的厚度及密度差異，根據(jù)之前的頭尾分割結果，將各部分重量比例作為權重校正各部分面積，校正后的總面積與重量之間的一次線性相關性0.979要高于校正前的0.971。建立了校正后各部分面積與重量的多元數(shù)學模型，相關系數(shù)為0.991，預測結果的絕對和相對誤差均值為0.41 g和5.03％。為了體現(xiàn)此模型的優(yōu)越性，分別建立了總面積與重量的一次線性、二次線性、乘冪及指數(shù)模型，分析了

7、四種模型的相關性以及預測精度，乘冪模型效果最好，模型相關性為0.974，絕對和相對誤差均值為0.50 g和5.60％。結果表明通過權重校正后的各部分面積所建立的重量預測模型準確度更高。
　　 6、設計了對蝦檢測分級動態(tài)系統(tǒng)。整套系統(tǒng)主要包括下料系統(tǒng)、圖像采集系統(tǒng)和分級系統(tǒng)。對整個系統(tǒng)的機械機構以及圖像采集系統(tǒng)部件進行了設計。下料系統(tǒng)實現(xiàn)了對蝦的單?；瑘D像處理系統(tǒng)實現(xiàn)了對蝦的規(guī)格檢測，分級系統(tǒng)根據(jù)圖像處理系統(tǒng)結果將對蝦分成了四級