论文部分内容阅读
我国哈密瓜产量虽然占据世界第一,但是国际市场竞争力弱,售价远低于日韩等其他国家,经济效益低下。主要因为传统网纹哈密瓜外观品质检测及分级以人工分选为主,效率低下,精度差。随着图像处理技术和计算机软硬件的日益提高,使得智能的机器视觉技术在网纹哈密瓜外部品质检测中应用越加广泛。本研究以西州蜜17号,金蜜3号和八六王三种网纹哈密瓜为研究对象,根据网纹哈密瓜重要的外部品质之一——纹理特征对哈密瓜不同品种和不同纹理等级进行分类研究,并初步探究了哈密瓜外部纹理和内部中心糖度的相关性。主要研究内容和结论有:(1)设计构建了哈密瓜图像采集装置,装置由移动托盘、彩色CCD相机、LED光源、自制光照箱和计算机等组成,可以获取完整清晰的哈密瓜图像。分析了截取ROI的必要性,并介绍了一种ROI截取方法,综合对比了 500×500、400×400、300×300、200×200和100×100像素五种不同大小的ROI截取方案,最终选择了 300×300像素的ROI图像。(2)建立了基于纹理特征的哈密瓜品种分类模型。对西州蜜17号、金蜜3号和八六王等3个品种,采用5种不同的纹理特征分析方法,提取了 84个纹理特征,发现GLCM提取的8个纹理特征能够有效区分不同品种哈密瓜的图像,预测集分类准确率达到了 98.52%。通过制定相应的映射规则,实现了哈密瓜三品种样本分类,样本分类的结果达到了 100%。实验结果说明GLCM提取的纹理特征可以较高精度的区分哈密瓜三品种的图像和样本,满足哈密瓜不同品种分类要求。(3)建立了基于纹理特征的哈密瓜纹理等级分类模型。对于特等、一等和等外3个等级纹理,对比了 SFS、GA和mRMR三种特征选择方法优选后的纹理特征对不同等级纹理的分类结果。发现采用SFS方法对组合特征的降维效果相对最好,优选后的特征数量分别为13、33和21。另外,SFS方法对三品种哈密瓜不同等级纹理图像的预测集分类准确率也相对最高,分别为90.00%、89.44%和86.67%。定义了相应的映射规则实现了哈密瓜三等级样本分类,样本的分类准确率分别为91.67%、88.33%和83.33%,与三等级纹理图像的分类结果基本接近。实验结果说明了组合纹理特征结合SFS特征优选的方法能够实现哈密瓜不同等级纹理图像和样本的分类,且对不同哈密瓜品种具有较好的鲁棒性。(4)分析了纹理特征与哈密瓜糖度的相关性。以八六王为例,从哈密瓜纹理等级和纹理特征两个方面分析与中心糖度的相关性。对比了 PLS、SMLR和PCR三种建模方法对糖度的预测结果,发现采用PLS糖度检测模型的预测结果最好,校正集和交叉验证相关系数分别为0.8804和0.7524,RMSEC为0.9476°Brix,RMSECV为1.3403°Brix。实验结果说明纹理特征与中心糖度存在一定的相关性。