基于机器视觉的核桃外观品质分选系统研究

作     者：汪祥 

作者单位：昆明理工大学 

学位级别：硕士

导师姓名：张付杰

授予年度：2023年

学科分类：09[农学] 0902[农学-园艺学] 090201[农学-果树学] 

主      题：核桃 机器视觉 外观品质 分选系统 

摘      要：核桃被列为世界四大干果之首,2021年云南省核桃产值451亿元,已成为全球最大的核桃主产区。本研究面向云南省核桃加工企业关于“现有核桃在线分选设备分选精度低,分选类别少,难以实现黑斑果、破损果的在线快速分选等问题,通过机器视觉的方式提出了基于机器视觉的核桃分类模型,设计了一种核桃在线快速检测设备的分选策略,以此来提供无损、快速、智能化的检测,高效筛分好核桃和坏核桃,该研究可有效地提升核桃的分选效率和准确率。本论文主要研究内容及结论如下:1、采用基于传统机器视觉算法的模型研究。搭建云南三台核桃图像数据采集系统,先对原始图像进行预处理,再提取其颜色、纹理等特征,研究不同特征选择方法后数据降维的效果,建立核桃分类模型,通过三种寻优算法进行参数优化,最终对比发现,IRIV-GWO-SVM的准确率为98.05%,高于IRIV-GA-SVM和IRIVPSO-SVM模型。因此,本研究选择IRIV-GWO-SVM模型作为核桃传统机器视觉分类的最优模型。2、采用基于深度学习算法的模型研究。制作云南三台核桃的图片数据集,建立基于不同目标检测算法的核桃分类模型;建立评价指标(P、R、F1、m AP、Time),通过综合对比分析评价指标的好坏及预测集的分类准确率,选择最优的分类模型并进行改进。对比分析发现,YOLOv5s-ACmix模型达到了更好的检测精度,其m AP值达到98.97%,因此,本研究选择YOLOv5s-ACmix模型作为核桃深度学习分类的最优模型。综合分析以上两种最优的分类模型发现,YOLOv5s-ACmix模型检测精度高、稳定性好,定为本研究中核桃外观品质的自动检测分类模型。3、基于机器视觉的核桃在线分选设备的开发与试验验证。根据上述分类模型所需要的试验环境,设计核桃在线检测机械结构,进行核桃在线检测分选设备下位机的控制策略研究。选择合适的仪器型号,编写设备在线检测软件,实现良好的人机交互,最终搭建整体分选系统。通过测试试验得出:在传送带运行速度为1.2m/s时,完成一帧图像处理需0.2s左右时,一分钟可分出300个核桃,目前单通道平均分选准确率为93.00%,平均误选率为7.00%。综上所述该设备可以满足中、小型核桃加工厂的基本要求,使核桃分选领域的智能化程度进一步提高。