基于卷积神经网络的花生籽粒完整性识别算法及应用

针对现有色选设备在花生颗粒筛选过程中处理速度慢、准确率低的缺点,提出基于卷积神经网络的花生籽粒完整性识别算法。以完好花生、表皮破损花生和果仁破损花生的分类为例,构建花生图像库;搭造卷积神经网络,提取花生图像特征;为提高分类准确率和实时性,从训练集构成、减小过拟合、加快训练收敛速度、简化网络结构等几方面对卷积神经网络进行优化;最终利用含2个卷积层、2个池化层、2个全连接层的3层神经网络实现了上述3类花生的分类。试验结果表明:该方法对花生分类的准确率达到98.18%,平均检测一幅单粒花生图像的时间为18ms,与现有色选设备相比有效提高了色选设备筛选的准确率和实时性。

基于颜色分割与GA-SVM的花生表皮破损识别

传统农作物色选方法以设定颜色阈值为主,具有分类准确率较低、泛化能力较差等缺点,本研究提出基于颜色分割的预处理与遗传算法优化支持向量机参数的花生表皮破损识别算法。根据花生表皮的破损情况将花生分为完好花生及表皮破损花生2类,在不同光照条件下构建了含有多个品种的花生图像数据集。对花生图像提取方向梯度直方图特征,利用支持向量机对花生图像进行分类。为提高分类准确率,在RGB颜色空间基于支持向量机对彩色花生图像进行颜色分割预处理;同时采用软间隔非线性支持向量机模型,并基于遗传算法对模型参数进行寻优。综合优化后的算法在训练集上对花生图像分类时的准确率达到96.88%,在测试集上的准确率达到100%,测试时平均每张花生图像耗时5.6 ms。仿真测试结果表明本文构建的花生表皮破损识别算法对花生品种及光照变化等干扰有较好的鲁棒性,且算法不依赖于人的经验,泛化能力强,具有良好的应用前景。

基于ZYNQ SoC的黑白色选系统设计

针对传统黑白色选系统检测速度慢、集成度低等问题,设计了一种基于ZYNQ-7000系列全可编程SoC为核心的新型图像色选系统。采用软硬件协同设计的方法;首先在PL端实现了线阵CCD图像采集、图像预处理等功能,然后使用AXI接口,将补正后灰度值、气阀输出信号和设置参数缓存至DDR3SDRAM存储器,最后在PS端移植嵌入式Linux操作系统,进行图像特征检测和人机交互。实验结果表明,该系统可有效对待筛选物料的特征值参数进行测量,并进行选别,运行稳定可靠,满足工业应用要求。