基于機器視覺的小麥并肩雜與不完善粒動態(tài)實時檢測研究.pdf

1、我國是世界上最大的小麥生產(chǎn)國和消費國，對小麥質(zhì)量進行等級劃分的重要意義不言而喻。目前依據(jù)國標對小麥并肩雜和不完善粒的檢測仍采用人工方法，而基于機器視覺技術(shù)的動態(tài)實時檢測能有效保障其結(jié)果的客觀性，并提高檢測精度和速度。本論文綜合應(yīng)用光學(xué)、高光譜、數(shù)字圖像處理及模式識別技術(shù)，研究了基于機器視覺的小麥并肩雜與不完善粒動態(tài)實時檢測方法，并結(jié)合機械、電子、計算機等技術(shù)進行樣機研制。
　　 主要研究內(nèi)容和結(jié)論如下：
　　 1.小麥高

2、光譜實驗與RGB圖像采集系統(tǒng)構(gòu)建。通過對高光譜數(shù)據(jù)做主成分分析，得到最有效主成分，由最有效主成分中各波段的貢獻率確定最佳波段。針對小麥外觀特征的有效提取，經(jīng)研究630nm波段的貢獻率最大。根據(jù)該波段確定相機的波段光譜響應(yīng)參數(shù)，構(gòu)建了RGB圖像采集系統(tǒng)。
　　 2.小麥動態(tài)圖像預(yù)處理與特征提取。通過不同顏色背景下的小麥圖像直方圖和對比度分析，確定黑色不反光背景為小麥并肩雜與不完善粒檢測的最佳背景。對采集到的小麥動態(tài)圖像進行多余背景

3、去除、同態(tài)濾波等圖像預(yù)處理，并通過閾值分割和形態(tài)學(xué)處理進行形態(tài)特征描述、通過顏色空間變換進行顏色特征描述、通過二維小波變換進行紋理特征描述，分別提取了7個形態(tài)特征、27個顏色特征和144個紋理特征。
　　 3.小麥并肩雜和不完善粒識別算法研究。對1169個正常小麥、897個并肩雜、710個黑胚粒小麥和627個破損小麥樣本所提取的特征數(shù)據(jù)，分別采用遺傳算法與支持向量機(GA-SVM)、主成分分析與支持向量機(PCA-SVM)、偏最

4、小二乘判別分析(PLS-DA)、偏最小二乘與支持向量機(PLS-SVM)、主成分分析與人工神經(jīng)網(wǎng)絡(luò)(PCA-ANN)和線性判別分析(LDA)算法進行模式識別比較分析，結(jié)果表明GA-SVM對小麥并肩雜的識別率最高可達99.34％，PCA-SVM對不完善粒中的黑胚粒、破損粒和正常小麥的識別率分別為97.2％、98.4％和97.9％。
　　 4.小麥并肩雜與不完善粒動態(tài)實時檢測裝置研制。采用旋轉(zhuǎn)輸送方式進行小麥單粒化喂入和下料分級，通