Design and Implementation of a Computer Vision-based System for the Estimation of Fermentation Degree in Industrial Bread Production

作     者：Bryan Gilbert Murengami 

作者单位：福建农林大学 

学位级别：硕士

导师姓名：陈学永

授予年度：2023年

学科分类：0832[工学-食品科学与工程（可授工学、农学学位）] 08[工学] 080203[工学-机械设计及理论] 083202[工学-粮食、油脂及植物蛋白工程] 0835[工学-软件工程] 0802[工学-机械工程] 081202[工学-计算机软件与理论] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：面包发酵 计算机视觉 YOLOv5s MLP神经网络 

摘      要：面包是世界各地日常食物消费的主要组成部分。在面包生产过程中,发酵阶段显著影响面包的质量、口味、质地发展和保质期。因此,判断发酵程度已成为面包制作过程中的一项重要实践。传统上,工作人员将盛放面包的手推车推入醒发室,评估面团的发酵阶段,并估计最佳结束发酵阶段的时间。利用这种方法需要工作人员的经验丰富、直觉敏锐和大量的时间投入,因此是一种耗时、劳动密集且成本高昂的方法。此外,生理因素的主观性很容易影响评估结果,导致结果不一致。研究的第一部分涉及设计一种面包发酵机,解决小规模生产设施中遇到的两个主要挑战。第一个挑战是有限的空间,通常导致面包推车过度拥挤。第二个挑战是工厂技术人员需要体力推动面包推车进出发酵室。这些过度体力劳作可能会对他们的认知能力产生不利影响,损害他们的决策能力和判断力。因此,这可能导致错误,最终影响到生产出劣质的面包。为了解决这些问题,拟议的面包机结合了能够定位面包车的传感器,同时采用了一个由PLC控制的气缸挂钩机制来移动面包车。该机器的关键部件经过了有限元分析,便于进行必要的优化调整。最终的设计代表了一种简单的、高能效、经济实惠的面包机。本研究的后续内容主要是利用深度学习框架YOLOv5开发一个面团品种检测模型。原始的YOLOv5s模型并不包含本研究中所利用的特定图像。因此,需要在自定义数据集上对模型进行训练,并利用Mix-up算法提高其检测精度。构建这个模型的主要原因有两个关键因素。首先,每种面团品种都需要一个专用模型来识别具有不同发酵特征的多个面团品种。这有助于在监测过程中部署相应的模型来估计发酵程度。其次,我们的目的在于利用YOLOv5模型提取已识别面包样本的边界框坐标。这些坐标可作为所采用的分割模型,即SAM模型的输入。我们模型的训练过程涉及利用六个不同的面团品种,包括椭圆形、百吉饼、泡芙、圆形、豆形和佛卡夏。通过这些改进,我们的模型达到了95.5%的平均精确度(m AP)。这项研究的第三个方面侧重于设计和开发一个估计发酵程度的系统。该系统包括图像采集、预处理、分割、特征提取和图像分类等阶段。图像经过采集后,使用中值滤波器进行滤波,分割过程采用SAM方法。进一步对分割后的图像应用自适应直方图均衡化(AHE)进行增强处理。从图像中提取了基于图像的定量特征,如面积、体积和面积扩展率,构建用于估计发酵程度的分类模型。值得注意的是,发酵程度和膨胀率之间存在相关性,表明面包中的酶活性。此外,利用GLCM算法提取了七个纹理特征。灰度级的归一化值与发酵程度之间存在相关性。采用多层感知机(MLP)神经网络构建了模型,输入包括发酵时间、面积、膨胀率、体积、对比度、能量、相关性、均匀性、方差、角二阶矩(ASM)和差异性。MLP的结构包括一个具有八个神经元的隐藏层和三个输出层,表示未发酵、发酵和过发酵的类别。在训练和验证过程中,该模型分别达到了高达98%和97%的准确率。本研究的最后一部分着重于将面包机的机械结构、面包品种识别系统和发酵程度估计模型进行集成。通过开发一个桌面应用程序来实现这种集成。该软件专门基于.NET平台,使用C#编程语言进行开发。创建了一个视觉上吸引人的用户界面,注重用户友好性。该软件在工业控制计算机上运行,与PLC实现无缝通信。PLC控制面包机并从各种传感器收集数据。面包机在实际的工业环境中进行了测试,并获得了90.5%的准确率。系统的整体性能被认为是令人满意的,实现了对面包发酵过程的自动化和智能控制。