水果品質(zhì)自動分級的機(jī)器視覺系統(tǒng)外文翻譯中文-免費(fèi)閱讀
【正文】 Heinemann P H。 Johnson R S (1993). Image analysis methods for realtime color grading of stonefruit. Computers and Electronics in Agriculture, 9, 71– 84 Singh N。 Nicolai B M (2020). Quality determination of apple fruits with a hyperspectral imaging system. AgEng 02. Budapest, Paper No. 02PH 028 Penman DW(2020). Determination of stem and calyx location on apples using automatic visual inspection. Computers and Electronics in Agriculture, 33(2020), 7– 18 Rehkugler G E。Perotto G (1997). SHIVA: A robotics solution for automatic handling, inspection and packing of fruit and and automated machinery for bioproductions,BIOROBOTICS 97, Gand!?a, Valencia, Spain, pp65– ： ISBN: 8484986594 Molt!o E。 Baur C。 Failla S。 這項(xiàng)研究由 ESPRIT 項(xiàng)目的 9230（綜合處理系統(tǒng)，檢驗(yàn)和包裝的水果和蔬菜）獲得了歐洲委員會一部分贊助資金。機(jī)器視覺系統(tǒng)表現(xiàn)出良好的結(jié)果在定位桔子，桃子，蘋果的莖干時和 探測它們大多數(shù)時，很少和面部污點(diǎn)混淆。這些錯誤是由于在預(yù)測質(zhì)量時三個因素被考慮了：最長的缺陷，受損面積和褐色化區(qū)。 當(dāng)專家按分類中所述的尺寸種類進(jìn)行水果分類時，他們表現(xiàn)出平均 94％的可重復(fù)性。在蘋果中， 87個圖像中有兩個莖沒有檢測出來，然而，卻被誤測為三分之十三。測試包括水果通過傳遞機(jī)，盒裝水果，根據(jù)相應(yīng)的類別。每個蘋果的大小被專家用卡鉗測量了兩次。 為了評估該對莖的位置的算法的性能，每一個， 100個桔子隨機(jī)的角度圖片和 100蘋果的都被使用。 圖 3 （ a）分割圖像顯示褐色度，莖和損壞的區(qū)域（ b）圖像顯示周長，褐色度中心和莖區(qū)和最長損害 區(qū)的長度 雖然分割方法的可靠性可由系統(tǒng)通過結(jié)果和可重復(fù)推導(dǎo)出來，為了在水果的圖像上分析分割程序通常要做個初步試驗(yàn)。該流程的整個過程如圖4所示。為了糾正分割過程中產(chǎn)生的錯誤，表面積少于一定的閾值的區(qū)域被認(rèn)為是無效的分類像素。 （ d）第四圖像的采集 杯 2抓住水果并旋轉(zhuǎn) 180176。 貝葉斯判別分析包括對上述每個類別的 RGB 值組合的概率的計算。該軟件分為兩 模塊：一個為培訓(xùn)系統(tǒng)的應(yīng)用 。 機(jī)器視覺系統(tǒng)是由一個三電荷耦合器件（ CCD）彩色攝像機(jī)（索尼 XC003P）和一個圖像采集卡（流星的 Matrox）組成的，并被連接到了一臺可兼容的個人電腦 [奔騰 200兆赫， 48Mb 隨機(jī)存取存儲器（ RAM） ]。切魯托等， 1996。 在桔子，桃子，蘋果這些水果中，有必要進(jìn)行長莖檢測，以避免損害其他水果，或者是因?yàn)闆]有他們可能意味著質(zhì)量損失。1994）。在莖塊的定位和瑕疵的檢測中也取得了良好的效果。而水果的均勻性和外觀對消費(fèi)者的決策有著重大的影響。由于這個原因，農(nóng)農(nóng)產(chǎn)品的展現(xiàn)無論是在田地里還是在最后流向消費(fèi)者的不同階段，都會被處理，而 且通常是朝著同類產(chǎn)品的清洗和分類方面來進(jìn)行的。該系統(tǒng)在用大批量蘋果進(jìn)行在線測試分級后也取得了很不錯的表現(xiàn)，并且并在缺陷檢測和規(guī)模估計中分別取得了 86％和 93％的重復(fù)一致性。顏色也是一個重要的品質(zhì)因素，已被廣泛研究（ Singh等人， 1992年， 1993年。已經(jīng)有若干解決方案被提出了來確定莖的位置，如：使用結(jié)構(gòu)的照明檢測蘋果凹陷（楊， 1993） 。萊曼斯等， 1999， 2020。該系統(tǒng)提供了 768每 576像素的圖像，以 35mm 每像素實(shí)現(xiàn)。另一個系統(tǒng)需要離線預(yù)先訓(xùn)練。一個阿雷爾（ 1991）描述的算法被應(yīng)用，即采用不同的協(xié)方差矩陣為每個類，它的結(jié)果在二次判別模型。 在線操作最先要獲取第一幅圖像，并 利用上面提到的表格將其按先前定義的類進(jìn)行分類（圖 .2（ a）） 。對于有效的地區(qū)，根據(jù)他們的像素所處類別不同，不同的參數(shù)被計算。該水果四個角度被不斷重復(fù)。在這些測試中，代表團(tuán)體桔子，桃子，蘋果的圖像的像素，對應(yīng)于其背景，皮膚完整度，損傷和莖稈（除了桃子），被人工選定生成基于貝葉斯非線性判別的判別分析函數(shù)。在桃子的情況下， 76個水果中每個水果都隨機(jī)取向的取了兩個圖像，共提出了 152圖像。兩個測量進(jìn)行了比較并且通過平均誤差來計算精度。各自的箱反復(fù)通過該系統(tǒng)，并且對在分類中產(chǎn)生的變化進(jìn)行觀察并計數(shù)。對于剩下的三個水果的圖像，莖被正確的檢測和定位（見表
畢業(yè)設(shè)計相關(guān)推薦
鄂ICP備17016276號-1