论文部分内容阅读
马铃薯主粮化战略的实施大大推进了马铃薯产业的发展。马铃薯收获后种植户会根据其重量、薯形和品质对马铃薯进行分选,马铃薯的外部品质会直接影响到马铃薯的商品价值。为提高马铃薯外部品质的检测精度和分选效率,降低马铃薯分选的人工成本,本文设计了一种收获后马铃薯外部缺陷检测剔除装置,能够一次性实现马铃薯除杂、整序和病伤薯剔除。主要研究内容如下:（1）检测剔除硬件系统的设计。本文提供了一种基于PSO-BP神经网络的马铃薯外部缺陷智能检测剔除装置,可一次性自动完成马铃薯360°翻转、马铃薯外部视频信息采集、图像裁剪、特征参数提取、外部缺陷判别和缺陷马铃薯的剔除。该装置由移动底座、固定支架、图像采集检测控制箱、剔除装置和翻转装置等组成。通过优化翻转装置仿形滚子的形状参数增加与马铃薯的接触面积,从而提高马铃薯翻转的稳定性和连续性;图像采集检测控制箱实现图像的采集和处理;剔除装置接收控制箱传来的信号对伤病马铃薯进行剔除。（2）基于图像处理的马铃薯除杂系统的研究。本文提出了一种基于B分量灰度差异的含杂马铃薯中土块的识别方法,该方法以RGB图像的B分量灰度图像为基础,对其分别进行直方图均衡化处理、灰度变换增强、形态学闭运算和全局阈值分割将目标土块分离出来。实验结果表明,该方法对收获后马铃薯中只掺杂有土块的图像（58张）、同时掺杂有土块和石块的图像（121张）以及掺杂有土块和其它杂物的图像（21张）检测准确率分别为96.55%、92.56%和95.24%,具有一定稳定性和实用性。（3）基于通道剪枝YOLOv4算法的含杂马铃薯中土（石）块检测方法。该YOLOv4检测模型以CSPDarknet53为主干特征提取网络,在保证检测准确率的前提下利用通道剪枝算法对模型进行剪枝处理,以简化模型结构降低运算量。采用Mosaic数据增强方法扩充图像数据集（8621幅图像）对模型进行微调,实现了马铃薯中土（石）块的检测。测试结果表明,模型参数量减少了94.37%,模型所占空间下降了187.35MB,前向推理时间减少了24.1%,平均精度均值下降了0.04%。为验证模型的性能,将模型与Faster R-CNN、Tiny-YOLO v2、YOLO v3、SSD四种深度学习算法进行比较。比较结果表明,该模型平均精度均值为96.42%,检测速度为78.49f/s,模型大小为20.75MB。平均精度均值比其它四种算法分别高11.2%、11.5%、5.65%和10.78%,检测速度满足实际生产需要,可应用于收获后马铃薯除杂处理。（4）基于改进的粒子群算法优化BP神经网络的马铃薯外部缺陷检测方法。该方法利用马铃薯在线检测分选装置获取马铃薯全面域视频信息,并按照每一帧提取单幅图像。利用尺度不变特征转换（Scale-invariant feature transform,SIFT）提取图像中的特征点,通过K-mean聚类算法找到疑似马铃薯外部缺陷的形心位置,根据形心位置将图像裁剪为疑似马铃薯外部缺陷图块。提取出图块中的灰度信息、边缘信息和纹理信息构成特征矩阵。通过基于自适应递增双Sigmoid函数调整惯性权重策略,改进粒子群算法对BP神经网络进行优化,结合SIFT与K-mean聚类算法建立了SK-MPSO-B P神经网络的马铃薯外部缺陷识别模型。为验证该模型的有效性,比较该模型与SKSVM识别模型（SIFT和K-mean聚类算法与支持向量机组合）识别8种目标物（包括背景、背景+马铃薯、完好马铃薯、细摔伤、粗摔伤、机械伤、撞伤和干腐）的混淆矩阵和分类精度。结果表明,SK-MPSO-BP识别模型对训练集目标物的识别正确率为92.6%,优于SK-SVM识别模型81.3%的识别正确率。SK-MPSO-BP识别模型对测试集目标物的识别正确率为90.4%,优于SK-SVM识别模型75.2%的识别正确率。因此,SK-MPSO-BP识别模型相对于SK-SVM识别模型有着极大的优势,可用于在线检测。