基于多源信息融合技術的板栗分級檢測方法研究.pdf

1、板栗營養(yǎng)豐富,是重要的經濟作物,霉爛、蟲害等缺陷粒嚴重影響了板栗的整體質量。目前,對缺陷板栗的剔除主要靠人工分選,費時耗力效率低,且板栗形狀組織復雜,尤其是內外部病蟲害和霉變等缺陷板栗不易識別。因此尋求一種快速、準確、無損識別缺陷板栗的檢測方法具有重要的科學意義和實用價值。
　　 論文以湖北京山板栗為試驗材料,研究了近紅外光譜分析技術與機器視覺技術的板栗分級檢測方法。用近紅外光譜分析技術對缺陷和合格板栗進行了分析,比較了5種光譜

2、數(shù)據預處理方法對建模結果的影響,建立了基于近紅外光譜分析技術的板栗分級檢測模型:構建了板栗圖像采集系統(tǒng),建立了基于機器視覺技術的板栗分級檢測模型；為提高識別精度,提出了近紅外光譜和機器視覺的多源信息融合技術板栗分級檢測新方法,建立了基于多源信息融合技術的板栗分級無損檢測模型。主要研究結論如下:
　　 1.建立了基于近紅外光譜分析技術的板栗分級檢測模型。用主成分分析法(PCA)提取板栗光譜特征參數(shù)。以訓練集中的240個板栗樣本的光

3、譜特征參數(shù)為輸入,建立了基于近紅外光譜和BP神經網絡的板栗分級檢測模型,采用測試集中80個板栗樣本對模型進行驗證。試驗結果表明:該模型對訓練集中樣品的回判率為96.25％,模型對測試集中樣品的識別率為86.25％。
　　 2.構建了基于機器視覺技術的板栗圖像采集系統(tǒng)。通過MATLAB編寫圖像處理與分析程序,確定中值濾波為板栗圖像消噪的最優(yōu)方法；用邊緣檢測與灰度閾值分割相結合的混合分割方法實現(xiàn)了板栗與背景的分割；提取板栗圖像的顏色

4、特征(L*、a*、b*)、紋理特征(角二階矩、對比度、熵、逆差矩、相關)及缺陷特征參數(shù)能有效地表征缺陷和合格板栗在色澤、紋理等特征的差異。
　　 3.采用訓練集中的240個板栗樣本,以主成分分析法(PCA)提取的板栗圖像特征參數(shù)為輸入,建立了基于機器視覺和BP神經網絡的板栗分級檢測模型,采用測試集中80個板栗樣本對該模型進行驗證。試驗結果表明:模型對訓練集中樣品的回判率為96.67％,模型對測試集中樣品的識別率為83.75％。<

5、br>　　 4.運用數(shù)據融合技術對板栗分級檢測方法進行研究,研究了基于近紅外光譜分析與和機器視覺技術的多源信息融合板栗分級檢測新方法,選取特征層信息融合方式對板栗光譜特征參數(shù)和圖像特征參數(shù)進行融合,融合算法選擇BP神經網絡和最小二乘支持向量機的方法,分別建立BP神經網絡和最小二乘支持向量機的板栗分級多源信息融合模型。
　　 采用訓練集中的240個板栗樣本,以主成分分析法(PCA)提取的板栗光譜和圖像特征參數(shù)為輸入,建立了網絡結

6、構為9-15-2的3層BP神經網絡板栗分級多源信息融合模型。采用測試集中80個板栗樣本對該模型進行驗證。試驗結果表明:通過BP神經網絡建立的板栗分級多源信息融合模型對訓練集中樣品的回判率為97.92％；模型對測試集中樣品的識別率為90％。
　　 采用訓練集中的240個板栗樣本,以主成分分析法(PCA)提取的板栗光譜和圖像特征參數(shù)為輸入,建立了基于最小二乘支持向量機的板栗分級多源信息融合模型,確定當C為5.6840,σ2為14.2