基于數字圖像處理的哈密瓜成熟度無損檢測技術研究.pdf

1、哈密瓜的成熟度是評價其品質的重要依據,也是影響消費者購買的主要因素。針對目前哈密瓜成熟度檢測手段落后,效率低,精度差,本文綜合利用光學、農業(yè)物料學、計算機技術、CCD技術、數字圖像處理技術、Matlab、人工神經網絡等眾多領域的知識,研究了金蜜16號哈密瓜果實的可見光彩色數字圖像的顏色信息與其成熟度之間的關系,從而建立了哈密瓜成熟度無損檢測的方法。首先,利用數字圖像處理技術對不同成熟度的哈密瓜果實的6個不同方向的可見光彩色數字圖像進行采

2、集和分析。然后,從這些圖像中提取出哈密瓜顏色特征值作為BP人工神經網絡的輸入進行訓練。最后,比較分析了用三種不同的哈密瓜顏色特征值作為 BP人工神經網絡的輸入對哈密瓜成熟度進行分類的結果,從而確定了最佳模型。
　　本文為進一步研究哈密瓜成熟度無損檢測裝備奠定了理論基礎,主要結論如下:
　　1.采用哈密瓜數字圖像的色度平均值和峰值色度值(像素數目最多的色度值)作為BP人工神經網絡的輸入對哈密瓜成熟度進行分類時,利用瓜側面圖像進

3、行分類的精度更高且更穩(wěn)定,其中使用對數S形函數作為輸入神經元的傳遞函數,線性函數作為輸出神經元的傳遞函數,彈性BP算法作為訓練函數的BP人工神經網絡模型的分類精度最高,達到79.375％。
　　2.采用哈密瓜數字圖像的所有色度頻度值作為BP人工神經網絡的輸入對哈密瓜成熟度進行分類時,利用瓜側面圖像進行分類的精度仍然更高且更穩(wěn)定。其中使用雙曲正切S形函數作為輸入神經元的傳遞函數,線性函數作為輸出神經元的傳遞函數,彈性BP算法作為訓練

4、函數的BP人工神經網絡模型的分類精度最高,達到96.25%。
　　3.采用主成分分析法,對哈密瓜側面數字圖像的所有色度頻度值進行縮減后的特征值作為BP人工神經網絡的輸入對哈密瓜成熟度進行分類時,使用前2個主成分作為BP人工神經網絡的輸入,對數 S形函數作為輸入神經元的傳遞函數,線性函數作為輸出神經元的傳遞函數, Levenberg-Marquardt算法作為訓練函數的BP人工神經網絡模型的分類精度和使用前16個主成分作為BP人工神