基于机器视觉图像特征参数的马铃薯质量和形状分级方法

马铃薯自动分级过程中,存在既要保证分级精度又对分级速度有一定要求的难点问题。该文探讨了利用机器视觉技术快速获取马铃薯图像特征参数,结合多元线性回归方法,建立马铃薯质量和形状分级预测模型,实现基于无损检测的马铃薯自动分级。搭建了同时获取马铃薯三面投影图像的机器视觉系统,通过图像数据处理获得马铃薯俯视图像轮廓面积、两侧面图像轮廓面积、俯视及侧面图像外接矩形长度及宽度数据等图像特征参数,通过多元数据回归分析,建立了马铃薯质量和形状分级预测模型。选择100个试验样本运用该方法进行质量和形状分级模型构建和预测,采用电子称获取样本实际质量,采用目测法对马铃薯进行形状分选。对比试验结果表明,质量分级相关度系数R为0.991,形状分级分辨率为86.7%。表明该方法对马铃薯质量和形状分级进行预测具有可行性,可运用于马铃薯自动分选系统中。

基于高光谱技术的马铃薯外部品质检测

为了快速无损检测马铃薯外部品质,研究采用高光谱成像技术对马铃薯外部品质分级。选取合格、发芽、绿皮、孔洞4种马铃薯外部特征,获取光谱数据,采用不同预处理方法对光谱数据进行处理,并分别建立偏最小二乘判别模型,结果显示采用标准正态变量变换法(SNV)获得的模型效果最优。对预处理后的光谱数据利用连续投影算法(SPA)及加权权重法(WWM)分别优选出了13个和9个特征波段,对两种不同方法得出的特征波段分别建立了支持向量机判别模型,结果显示两种方法对预测集的判别准确率均达到了100%,WWM-SVM判别模型对校正集的交叉验证率为99.5%,高于SPA-SVM判别模型的交叉验证率。利用高光谱成像技术结合SPA-SVM和WWM-SVM对马铃薯外部品质进行分级具有可行性。

面向大质量串型水果采摘的夹持试验与仿真

对于香蕉这类大质量水果采摘的末端执行机构,确定合理、可靠的夹持方式是机构精简的关键。文中对不同夹持因素组合产生的夹持效果进行了试验研究及夹持过程的有限元仿真分析,得到各夹持因素与夹持效果之间的影响关系及最佳的夹持方式。在自制的夹持试验平台上,针对摩擦夹持方式,进行了不同接触材料及不同夹持力的夹持效果试验;针对钉刺夹持方式,开展了钢钉数量、钢钉直径、钉刺深度的三因素三水平正交试验。试验数据表明,对于依靠摩擦力夹持蕉串的摩擦夹持方式,可靠性不足;钉刺夹持方式夹持效果优于摩擦夹持,影响夹持效果的因素主次顺序为:钢钉数量、钢钉直径、钉刺深度,最佳夹持效果因素组合为:钢钉数量6颗、钢钉直径5 mm、钉刺深度10 mm。文中研究为香蕉这类大质量串型水果采摘机械手夹持机构的设计提供了理论依据。

基于机器视觉的马铃薯图像特征参数获取方法n

目前马铃薯的分级方法主要还是以人工为主,而人工分级普遍存在不稳定性,费时成本高,依赖人的主观经验等.近些年来,机器视觉技术在农业领域取得了广泛的应用,尤其是农产品分级领域取得了较多的成果.机器视觉技术具有无损害、经济性好、精确率高等优点.对于马铃薯分类,可以从外观尺寸上判断马铃薯的形状类型和重量范围.人工分级时,通过观察不同马铃薯样本的不同横截面大小,就可以主观上判断出马铃薯的形状类型,大致评估质量范围.基于人工分级的特点,通过机器视觉进行分级,只需获得不同横截面的的投影,通过提取图像特征参数的方式来对这些横截面进行定量分析,就可以模拟人工分级的模式对马铃薯进行基于机器视觉的自动分级.本文设计了一套机器视觉系统,分别获取马铃薯平放时的图片与竖放时的图片,以获取最大横截面与最小横截面的投影.采集图片并对得到的照片进行图像处理,得到只有目标区域和背景的二值化图像.从一副图像中获得9个特征,然后通过100个马铃薯样本得到了基于这些特征的数据集.利用软件Unscramble对这些数据集进行分析,以验证方法的合理性.

基于PCA-ELM和光谱技术预测香蕉成熟度

本文利用高光谱成像技术(Hyperspectral imaging)对常温下贮存的450个未剥皮香蕉样本光谱数据进行采集,首先检测样本果肉可溶性固形物含量(TSS)、坚实度(FIM),采用SPSS单因素方差分析,然后运用线性优化岭回归分析-偏最小二乘法(RR-i PLS)建立了香蕉成熟度理化指标的光谱和图像特征分类模型,结果表明通过实验平台获取光谱数据预测香蕉可溶性固形物含量以及坚实度的相关系数R2值分别为0.92和0.94。再通过连续投影法(successive projections algorithm,SPA)法以及主成分分析法(principal component analysis,PCA)分别选取特征波长,建立基于特征波长的极限学习机(extreme learning machine,ELM)对光谱数据进行建模交叉验证。通过比较RR-i PLS,SPA-ELM与PCA-ELM三种分类预测模型,表明基于特征波长的PCA-ELM分类模型具有较好的预测性能。交叉验证准确率达到99%。为能快速无损识别香蕉果实品质提供一种有效的预测研究,基本满足对香蕉成熟度分类检测且显示出有效建模分析,且能达到有效的经济效益。