基于机器视觉的机器人货品分拣技术研究外文翻译资料

 2022-05-06 09:05

摘要

分拣是加工和包装石榴果实行的重要步骤。目前石榴被手动分类到质量类别。但手工分拣存在繁琐，精确度低，主观性差等问题。此外，出口品质水果不推荐手动分拣。因此，需要机器视觉系统来分拣石榴果实。本文旨在开发一种稳健的非破坏性方法，使用小波特征和人工神经网络（ANN）训练对石榴进行分类。石榴分为“患病”或“健康”类。最初，患病和健康石榴的图像是从当地水果市场获得的。作为预处理的一部分，应用直方图均衡化，随后进行小波去噪。然后将预处理的图像馈送到特征提取模块，在该模块中提取15个空间域特征和252个小波特征。实验进行训练人工神经网络和分别计算基于空间和小波特征的性能。网络性能根据参数进行分析：灵敏度，特异性，准确度，均方误差和受试者操作特性（ROC）曲线。实验结果表明，与空间域特征相比，当小波特征用于训练时，ANN的性能很高。灵敏度，特异性，准确性，均方误差和受试者工作特征（ROC）曲线。实验结果表明，与空间域特征相比，当小波特征用于训练时，ANN的性能很高。灵敏度，特异性，准确性，均方误差和受试者工作特征（ROC）曲线。实验结果表明，与空间域特征相比，当小波特征用于训练时，ANN的性能很高。

关键词：空间域特征、小波特征、ANN培训、混淆矩阵、ROC曲线、灵敏度、特异性、准确性

第一章 介绍

石榴，植物学名称石榴属，被认为是“天堂的果实”，是干旱地区的主要水果作物之一。它在世界东部和西部地区广泛流行。这种水果由于其多汁，甜酸性和多汁颗粒的“假种皮”而生长。神奇的治疗价值和对餐桌和加工产品的需求不断增长以及出口潜力巨大，使得石榴近期成为热带和亚热带地区的热门水果。石榴的消费价值是真正实现的，因为它具有潜在的健康益处，基于用真正的石榴汁进行的重要医学研究。石榴因其药用和营养特性而享有消费者的赞助。

印度是全球最大的石榴市场之一。在印度石榴主要出口到孟加拉国，巴林，加拿大，德国，英国，日本，科威特，斯里兰卡，阿曼，巴基斯坦，卡塔尔，沙特阿拉伯，新加坡，瑞士，阿联酋和美国。遗憾的是，石榴没有系统化的营销系统。农民通常把他们的农产品交给远离市场承担运输责任的承包商，远离市场[1][2]。图1描述了过去5年来印度石榴出口量（百万吨）（来源：商业情报和统计总局）。

图1 过去5年的石榴出口统计

机器视觉领域在近几十年被证明是精通小型和大型工业的技术。它在诸如质量控制，工业过程控制，医疗诊断，空中监视，机器人，遥感，光学字符识别，人脸识别，语音识别等相关领域得到应用。

计算机视觉系统由三个主要部分组成，1.图像采集单元2.图像处理单元和3.分析单元。它包括研究和应用技术和使计算机能够检查和提取有用的图像内容的方法，并协助解决特定的视觉问题。

随着数字图像处理和智能控制技术的发展，机器视觉被广泛应用于农业领域。诸如农作物检测，农作物中的细菌检测，农产品分类，农业机器人，机器人应用（如水果采摘机器人的视觉导航，农作物非破坏性信息监测等）等农业领域广泛使用机器视觉。

与工业产品相比，农产品质量检验存在明显的挑战，因为外观等方面非常不一致和不准确[3]。食品工业在利用机器视觉的十大行业中处于领先地位。它在农业，园艺和食品自动分类和分级领域的作用是不可替代的。

农业正在经历许多问题。这些包括主观性，收获后的高损失，繁琐性，不一致性，劳动力需求，可用性等。实验已经表明，通过将数字图像处理技术结合到该过程中可以克服这些问题。

计算设备和摄像机价格的指数降低为应用基于机器视觉的系统来评估这个问题增加了突破[4]。因此，本研究旨在开发一种有效的机器视觉系统，可将石榴果实分为两类：健康的和患病的。应用有效的降噪技术以提高结果的准确性。

其余的论文结构如下。第二部分讨论文献综述。用于实施的材料和方法在第三节中讨论。结果在第四节中讨论，并且该论文在第五节以及未来的研究方向中得出结论。

第二章 文献评论

全球有许多研究人员在基于数字图像处理和模式识别的水果分类/分级领域工作。从文献中可以清楚地看出，基于机器视觉的石榴分类是有一定的空间的。在本节中，我们将讨论一些有关用于农业的机器视觉技术的重要著作。

Nima Teimouri等人开展的研究工作的目标[5]是设计和开发一种将杏仁图像分为三类的高效算法，1.背景的阴影2.背景和3.物体。该算法基于数字图像处理结合人工神经网络（ANNs）。使用带有绿色纸板的扫描仪作为背景获取杏仁的图片。从获取的图像中，为每个像素提取20个特征。已纳入灵敏度分析（SA），以使用NeuroSolutions5软件对8个优异特征的最佳特征进行排序和选择。使用具有8-5-3结构的多层感知器（MLP）类型的ANN，其中8个上位特征作为输入馈送，3个类别的杏仁是输出类别。预测结果与1）使用Adobe Photoshop手动分割的图像进行比较2）Otsu方法3）动态阈值处理和4）分水岭算法。三个标准被用来评估分类算法的性能，即，1.灵敏度（Se）2.特异性（Sp）和3.准确度（Ac）。所提出的方法优于所有其他方法，其中Se，Sp和Ac的平均值分别为96.88,99.21和98.82。此外，该算法平均处理图像平均需要1.35秒的时间。

研究论文的目的[6]将开发基于图像处理的个体自动油桃品种验证系统。该应用程序的开发是为了验证油桃在所有其他品种中的应用，即1）Honey BlazePVC 2）ASF 08.21 3）ASF 08.05 4）Queen Gem 5）NectareinePVC 6）Nectarreve PVCR，PVC代表植物品种证书，PVCR是植物品种要求的品种证书。所提出的方法解决了与（a）水果包装线中的品种混合（b）可能遭受疲劳，压力和疲劳的操作人员相关的问题。该方法从图像采集系统开始。开发的算法有4个步骤：1.基于Otsu方法的分割。2.灰色转换。3.定义内部循环ROI。4.特征直方图矢量的计算和分析。所提出的系统与用操作人员进行的静态实验进行比较，该操作人员显示出87％的准确度。因此，所提出的系统可以比人工操作员执行得更好。

Javier Clement等[7]根据欧洲分级标准提出了一种机器视觉辅助的黄瓜分类方法。该方法利用基于长度和曲率的人工视觉的主动轮廓评估。360个黄瓜的总数据集被用于进行实验，并被分为3个质量类别，即，额外或I，II和III。采用两种方法分析黄瓜的长度和曲率。它们是：（1）椭球近似（2）连续近似法（活动轮廓或“蛇”）。活动轮廓（蛇）方法基于重量和能量的评估。结果验证基于经验丰富的人工操作员，观察到椭圆体近似度为84％，误差率为2％。基于#39;蛇#39;观察到99％的准确性。

该研究的目标[8]是将正常的眼睛图像与患病的青光眼图像进行分类。这是通过使用从三个小波族获得的平均纹理特征的扩展来完成的。此外，为了提高眼睛图像分类中的特异性和灵敏度，对显着特征进行评估和选择。作者收集了印度Manipal KMC（Kasturba医学院）的视网膜图像。所有图像均以无损JPEG格式存储，分辨率为560x720像素。数据集中的所有图像最初应用标准直方图均衡。然后使用3个小波滤波器（即，1）双正交（bio3.3，bio3.5，bio3.7），2）daubechies（db3）和3）Symlets（sym3）的离散小波变换（DWT）应用图像。然后3个特征被认为是。1.详细水平系数的平均值2。详细垂直系数的平均值3.来自详细垂直系数的小波能量信号。使用上述小波滤波器提取总共14个特征。然后这些特征经历z分数标准化的过程。然后使用4个众所周知的排序方案即特征排名进行特征排名。1.平方2.获得配额3.信息增益4.救济特征排名。通过应用一致性子集评估（CSE）来选择相关特征的子集。四个特征子集选择方案被使用，即，1.贪婪逐步2.最好的第一次3.随机搜索4.遗传搜索。排名特征和特征子集然后通过应用4种方法进行验证，即，1.朴素贝叶斯2. SVM（支持向量机）2. SMO（顺序最小优化）3.随机森林。测试使用2种方法完成。1。十折交叉验证2. 60:40滑动测试。结果证明非常准确，93.33％只使用14个中的两个判别特征。

[9]的研究工作的目标是通过采用二维DTW特征来对狭窄和广泛的杂草进行分类。最初，狭窄和宽阔的杂草的图像是从掌上油田采用标准分辨率的CCD相机获取的240lowast;320采用JPEG格式。收集了1000多幅图像的数据集。获取的图像被转换为​​灰度。然后使用Haar小波族用二维离散小波变换（DTW）处理图像。然后用线测量技术（Line Measure Technique，LMT）提取垂直子带和水平子带的系数特征，其中在00,450,900和1350的角度下在小波系数矩阵中测量像素值连续性。将特征馈送到一个线性分类器系统，其中有两个分离的特征集群为每种窄型和宽型杂草形成。对于值为7和10的LMT进行了实验。以450的角度实现了高性能，并且发现分类准确度为87.25％。

Yousef Al Ohali [10]开发了用于日期水果分级和分类的计算机视觉系统。根据五个外在质量特征将日期分为三个质量等级：1）缺陷2）尺寸3）松弛4）强度和5）形状。两种PBNN模型被用于分类目的。Modell中的神经元数目是5-10-2。Model2中的神经元数量是2-10-2。共使用1200个（每个级别400个样品）训练组和660个（每个级别220个样品）测试组。结果令人满意，如表1所示。

表1 分级日期的实验结果

NursuriatiJamil等[11]开发了一种自动化分级系统，以对棕榈油新鲜水果串（FFB）进行分级。FFB被分为三个等级：熟透，成熟和未成熟的类别。共有90张图片用于实验。采用两种分级方法：（1）使用RGB数字编号（DN ）的颜色分级和（2）使用监督学习Hebbtechnique（神经模糊系统）训练的颜色分级。结果表明，神经模糊系统优于DN方法，准确率达到73.3％。

MOmid等[12]设计和开发了一种高效的机器视觉系统来分级散装葡萄干。考虑了两个等级：（1）合乎要求，（2）不合要求。图像处理算法的开发是为了提取RGB颜色特征，尺寸特征和重心。对于理想的和不需要的葡萄干种类获得了混淆矩阵。所提出的算法与人类专家进行比较，显示出96％的正确分类率（CCR）。

Anderson Rochaa等[13]提出了超级市场规模的多级水果蔬菜分类新体系。在5个月期间共收集了1533种产品的2633张图片。应用图像处理技术来提取包含统计颜色，纹理和结构描述符的特征袋。该系统的开发是为了根据提取的特征对水果和蔬菜进行分类。所提出的方法结合了许多特征和分类器。结果显示分类错误的减少高达基线的15％。

Arman Arefi等[14]开发了一种新的分割算法，作为机器人手臂挑选成熟番茄的辅助手段。在RGB色彩空间中共捕获110个温室栽培番茄品种的彩色图像。为了从捕获的图像中提取成熟番茄，使用了HSI和YIQ模型的组合。一旦完成了成熟番茄的提取，本地化已通过采用形态学操作完成。随机使用共40幅图像进行测试。算法的总体准确率为96.36％，每张番茄图像的处理时间为2.2秒。这证明了算法作为机器人视觉辅助在机器人收获西红柿的适用性。

第三章 材料和方法

研究的整个过程如图2所示：

图2 石榴果实分选的步骤

石榴果实的图像数据集是从当地的水果市场获得的。图像然后被预处理，然后被馈送到特征提取模块。提取的特征具有双重特征：空间域特征和小波特征。然后通过人工神经网络（ANN）训练进行分类过程并分析结果。实施过程是使用搭载Core2Duo CPU 2.2GHz和3GB RAM的笔记本电脑上运行的Matlab R2010a软件进行的。以下部分详细讨论材料和方法。

A.图像采集

图像采集是我们开始处理图像之前的主要步骤。在目前的工作中，石榴水果样品的图像采用封闭的金属隔间拍摄，内部放置光源和相机，模仿工业中的包装线。图3显示了图像采集室。

图3 图像采集室

用于图像采集的相机是带有2MP传感器和8MP照片的Logitech Webcam C905。所有获取的图像都以jpg格式存储。为健康和患病的水果样本创建单独的图像数据集。

B.图像预处理

图像是用光源拍摄的。因此，光线对图像处理后的结果有影响。为了抵消光线的影响，我们需要平衡强度值的传播。等效的数字图像处理方法是直方图均衡化。但是直方图均衡会降低图像的信息。为了改善图像的信息，我们可以应用小波去噪。小波去噪试图去除信号中存在的噪声，同时保持信号特征，而不管其频率如何[16]。这将大大增加图像的信息熵。

C.特征提取

预处理后的图像分别输入到两个模块：空间特征提取模块和小波特征提取模块。

a）空间域特征

由图像坐标跨越的真实平面部分称为空间域[15]。通过分析空间域中图像的表示来提取图像的特征。表II列出了当前工作中提取的空间特征。

表2 空间域特征

b）频域特征

DWT广泛用于信号和图像处理，因为它捕获空间和频率信息。DWT将图像分解成近似子带和细节子带。进一步的分解水平被应用于近似子频带。图4显示了三个级别的图像分解。

在本研究中，我们使用了三种熟悉的小波系列的二维DWT：haar，daubuchies db2和symlet（sym2）。每个小波族的小波变换在3个层次完成。在每个级别考虑七个特征。表3显示了为目前工作测

全文共7063字，剩余内容已隐藏，支付完成后下载完整资料

英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[12614]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章