水果品質(zhì)自動分級的機(jī)器視覺系統(tǒng)外文翻譯中文(存儲版)
【正文】 2）。視覺系統(tǒng)的可重復(fù)性由最小尺寸水果的 89％變化到極端大的水果的 100％，平均為 93％（見表 3）。如果只有其中一個估計(jì)參數(shù)變化，品質(zhì)變化從一個傳遞到另外，果實(shí)將被歸類在不同的類別。損壞的區(qū)域在蘋果中能正確地檢測到，但該算法在橙子和桃子應(yīng)用時需要更廣泛地進(jìn)行測試。 參考文獻(xiàn) Aleixos N。 Schillaci G (1996). Identification of blemishes on oranges. International Conference on Agricultural Engineering, AgEng 96, Madrid, Spain. EurAgEng Paper No. 96F017 Dobrzanski B。 Gugerli P。 Blasco J。 Throop J A (1986). Apple sorting with machine vision. Transactions of the ASAE, 29(5), 1388– 1397 Ruiz L A。 Delwiche M J。 Sommer H J。 Morrow C T。 Delwiche M J。 De Baerdemaeker J。 Navarr!on F。 Zimmerman T。 Reid J F (1994). Size assessment of stacked logs via the Hough Transform. Transactions of the ASAE, 37(1), 303– 310 Cerruto E。出于這個原因，機(jī)器的性能是由每個盒子的整體內(nèi)容的估計(jì)測量，而不是單獨(dú)考察成果作為機(jī)分類結(jié)果，被所有的專家認(rèn)為是正確的。出于這個原因，系統(tǒng)需要經(jīng)常由專門操作人員調(diào)試。表 5顯示，該系統(tǒng)在線進(jìn)行外觀缺陷檢測時，有 86％重復(fù)性。因此，一個 1mm 的誤差課容許，當(dāng)分析系統(tǒng)在線結(jié)果的重復(fù)性時。對于桃子， 73個圖像中有一幅莖沒有檢測出來，盡管其中 79圖像中有11幅沒有莖，所以有誤測。果實(shí)在西班牙標(biāo)準(zhǔn)為基礎(chǔ)上被分為三類，根據(jù)其尺寸和外部污點(diǎn)。 在第一個實(shí)驗(yàn)中， 40個周長 63和 86毫米之間的蘋果被隨機(jī)挑選。這些指數(shù)從獵人實(shí)驗(yàn)室獲得，和由三色度計(jì)圓形區(qū)域（ 8毫米直徑）在選定的每一個部門隨機(jī)提供的值一致。 盡管一些用于顏色描述的立體模型，作為 HIS或 La * b *值，描述的顏色和我們的感覺很接近，但 RGB系統(tǒng)被用來描述是由于圖像采集卡直接提供本系統(tǒng)中的圖像的像素顏色，所以后面的進(jìn)一步消耗的計(jì)算資源的轉(zhuǎn)換是不需要的。在分配到基本和次等的顏色區(qū)域，質(zhì)心及顏色 RGB均值要計(jì)算。 在第三步中，各地區(qū)不再視作為單果，每個獨(dú)立的區(qū)域面積卻要被測定 (圖 . 3（ a） )。 （ c）第三個圖像的采集杯 1將水果再旋轉(zhuǎn) 120176。 由于每個類代表性的區(qū)域已選定，貝葉斯判別模型被創(chuàng)建，它 利用像素的三個基本色：紅色，綠色和藍(lán)色作為獨(dú)立變量（ RGB）。 圖像分析是由 IVIA用編程語言 C研發(fā)的一個特定的應(yīng)用軟件來來執(zhí)行的，在磁盤操作系統(tǒng)下運(yùn)行（ DOS）。為了評估視覺系統(tǒng)的效率，自動檢驗(yàn)的性能和重復(fù)性和專家們的人工檢測進(jìn)行了比較。勒費(fèi)弗爾等， 1994。在這種情況下，它是不可能完全只把全球面色彩作為質(zhì)量參數(shù)的。Varghese 等， 1999），周長（薩卡＆沃爾夫， 1985）或直徑（布羅迪等。水果由此系統(tǒng)測出的顏色，和目前被用作標(biāo)準(zhǔn)的色度指標(biāo)值非常吻合。 E. Vision System for Automatic Quality Grading of Fruit. Biosystems Engineering (2020) 85 (4), 415– 423； 摘要 水果和蔬菜，通常以批次的形式提供給消費(fèi)者消費(fèi)。該項(xiàng)目的 ESPRIT3，參考 9230。此系統(tǒng)的準(zhǔn)確性和可重復(fù)性和人工分級幾乎一樣。哈恩， 2020年 。顏色分割技術(shù)來區(qū)分柑橘 有時候，莖容易混淆成皮膚上的缺陷或瑕疵。 Blasco 及蛻皮澳， 2020年）。圖像采集卡從相機(jī)擷取并解碼復(fù)合視頻信號為在紅，綠，藍(lán)色坐標(biāo)（ RGB）的三個用戶定義的緩沖區(qū)。利用錄制的水果圖像，專家選擇不同區(qū)域的圖像和分配所有每一個地區(qū)像素于其中一個預(yù)先確定的類別：背景，原色，次主色，一般傷害類型 1，一般傷 害類型 2，特定的功能，莖，花萼。此過程可參考表來進(jìn)行。 圖 2 (a) 照相機(jī)拍攝的原始 圖像（ b）分割圖像顯示完好皮膚，褐色化度，莖塊和損壞區(qū)域（ c）除了莖和背景以外的所有區(qū)域，用來計(jì)算的大小類別（ d）展示了大小如何估計(jì)的圖像 同一種類的八個相連的像素中的每一份被認(rèn)為是相互獨(dú)立的區(qū)域。例如，在有任何類各地區(qū)組成的損害像素區(qū)域中，長度和面積分別計(jì)算。 當(dāng)最后一個圖像被處理時 ,每個果實(shí)下列特征都要測量： (1)主要損傷的長度 —— 定義為主要區(qū)域的長度，歸類為損傷，在上面四種視角中都有； (2)損傷面積 —— 等同于所有受傷區(qū)域的總和，在四個獨(dú)立的視角中 。這些功能在一個獨(dú)立設(shè)置的像素上進(jìn)行了測試，屬于不同圖像，也是人工選定。該圖像分析算法得到了應(yīng)用同時莖的重
畢業(yè)設(shè)計(jì)相關(guān)推薦
鄂ICP備17016276號-1