《大米色选》由会员分享，可在线阅读，更多相关《大米色选（43页珍藏版）》请在金锄头文库上搜索。
1、基于彩色线阵CCD大米色选算法 实验研究 硕士研究生：xxx 指 导 教 师 ：xxx 副教授 学 科 专 业 ：光学工程 答 辩 日 期 ： 一、绪 论 二、大米图像数据采集 三、图像数据的特征分析及预处理 四、 K-均值聚类分析在色选中的应用 五、基于聚类分析的色选算法的效果评估 六、结 论 论文概要：一、绪论 1.1 研究课题的背景 色选机（即颜色分选机）利用农副产品的光学特性和 光电检测原理，通过分析检测到的物体外表颜色信息，将 产品中的杂质去除或将产品分类。 用色选机取代人工手选，排除人为因素的干扰，既提 高了生产效率，又降低了生产费用。无论从经济学角度或 从生态学角度考虑，色选机的
2、应用都是极为有利和有效的 。 随着我国国民经济的发展，人民生活水平日益提高 ，高质量、高标准、精良且安全的食品成为人们生活的 首选，人们对优质 大米的需求大大增加。但由于碾米工 业生产技术落后等诸多原因，我国优质大米的产量不高。l 国外的颜色检测研究起步较早，各种颜色检测仪器应 用广泛，其中典型的应用之一就是颜色分选机。主要用于 农业综合企业、农产品出口、食品加工业及出口，其次还 有化学品及矿产品企业。（现在主要从事生产色选机的企业有日本的 佐竹公司、安西制作所，瑞士的布勒公司，以及英国和美国的一些粮食加工设备公司）。 在世界范围内，日本佐竹公司和瑞士布勒公司的产品 代表了农产品加工机械的先进
3、水平，其产品遍布亚洲、欧 洲、美洲、大洋洲及非洲等。日本佐竹株式会社其机械产 品广泛运用光电、传感、信息等先进技术，服务于大米的 种植、收割和加工等各个生产阶段，自动化程度很高。 1.2国内外色选机研究状况 国内对大米色选机的研究起步较晚，还处在开发阶段。 (1) 20世纪80年代，国内部分碾米厂开始使用色选机。 (2) 90年代以来，人们逐渐认识到大米色选背后的巨大经济价值，完全依赖 进口设备是不行的，需要拥有自己的知识产权。 (3)因此国内也开始研制色选机，现已有数家色选机制造厂，其产品被很多 精米加工厂所选用。 现有的国产大米色选机存在光源不稳定、一次去除率不高等 问题，且光电检测元件一
4、般都为硅光电池，其检测精度相对 国外产品而言要低。同时国内研发的大米色选机选别效率较 低，其生产效率很难与国外产品相抗衡。 进入21世纪以来，不少科研单位开始利用黑白或彩色 CCD研发大米色选机，已有部分产品投入市场。虽然目前 国内自主生产机械在新技术的开发方面与国外设备以及外资 合资企业生产的设备相比仍存在差距，但正逐步缩小。（像 安科生产的SS-B_MC系列CCD杂粮色选机就已经投入市场，而且其各方面的性 能在同类产品中都毫不逊色）。 1.3 色选方法概述 色选就其本质而言可以说是模式识别的问题。模式识别 是指用计算机的方法来实现人的识别能力，更具体的说是用 计算机实现人对多种事物或对象的
5、分析、描述、判别和识别 。从数理方法上讲，目前模式识别已形成三大类：统计识别 方法、结构识别法和模糊集（神经网络）识别法。 统计模式识别方法是受数学中的决策理论的启发而产生 的一种识别方法，它一般假定被识别的对象是符合一定分布 规律的随机变量。其基本思想是将特征提取阶段得到的特征 向量定义在一个特征空间中，这个空间包含了所有的特征向 量，不同的特征向量（不同类别的对象）对应于空间中的一点。 在分类阶段，则利用统计决策的原理对特征空间进行划分， 从而达到识别不同特征的对象的目的。统计模式识别中个应 用的统计决策分类理论相对比较成熟，研究的重点是特征提 取。 文献资料显示，基于人工神经网络模式识别
6、方法，统计 识别方法都已开始应用于研发色选设备。本文提出的k-均值 聚类分析色选方法就属于统计识别方法的范畴。（目前文献中尚 未见此方法应用到色选算法中） 1.4 课题研究的意义 作为一个农业大国，生产高质量的农副产品，提高农 副产品的竞争力将在很大程度上影响着国民经济的发展。 （我国对颜色分选仪器的研究起步较晚，核心技术还并不成熟，主要依靠国 外进口，或国外公司在我国投资建厂，而且进口费用极其昂贵，很大程度制 约了我国农业及粮食加工业的发展。） 对于粮食加工企业来说，提高产品质量、走精品路线 、创立自己的品牌也是在国际化竞争中能够避免被淘汰的 必由之路。无论是从满足消费者需要， 还是从企业长
7、远 发展的角度看， 目前国内的大米生产厂家都会添置色选 机来进一步提高产品质量。 因此，研制适合我国国情和农业发展的高技术水平颜 色分选仪器将带来十分可观的经济效益。二、大米图像数据采集 2.1 线阵CCD图像数据采集实验装置 根据大米色选机的色选过程，利用现有的彩色线阵CCD 数据采集系统搭建了一个图像采集的实验装置。如下图所示 ： 该实验装置由：光源、背景板、彩色线阵CCD数据采 集系统及固定支架辅助装置组成。 1、光源：采用宽谱、高频率荧光灯管作为光源。这借 鉴了大米色选机的光源设计。 2、背景：通过不断的实验验证，为了得到较高的对比 度，而采用白色作为背景。具体制作的背景板是将大纸箱
8、一个切去一个平面，然后将纸箱内壁贴上白纸制成。纸箱 的开口处作为米粒下落的检测面。 3、彩色线阵CCD数据采集系统：包括ADA12GH-PCI -3数据采集卡与TCD2557D线阵CDD摄像头，该套系统是 直接向厂家购买的。 4、固定支架及辅助装置： 为了调整、固定CCD摄像 头的位置，本实验采用铝合 金管架加以固定。由于线阵 CCD只能对大米的局部进 行扫描，因此为了能采集到 整粒米的信息，必须改变大 米的空间位置。实验中具体 的实施办法是：将米粒用胶 水和细铜丝固定在塑料管上 ，排成一列，总宽度约为 17cm然后用细线将待测米 连接于精密调节螺杆上，如 右图所示：2.2大米图像数据的采集
9、大米图像数据的采集是通过操作ADA12GH-PCI-3数据 采集卡来控制CCD摄像头实现数据采集的 通过该套数据采集卡生产厂家提供的支持二次开发的 动态链接库，利用VB编写了人机交互界面，实现对CCD 的控制与数据采集。该操作界面效果如下图所示 ：Picturebox控件上就显示出采 集的数据波形初始化通过Combobox控件选择CCD工作档位 ，即曝光时间点击单帧采集按钮等待文本框提示采样完成是否需要显示采 集数据波形YesNo点击采样显示按钮点击保存数据按钮生成 数据文件CCD进行图像采集单帧采样完成 由于CCD数据采集卡的最高采样频率只有5Mhz，不能 满足动态测量自由落体的大米图像，因
10、此在数据采集方面采 用静态采集的方式，即通过人为的、等间距的调节螺杆来改 变待测大米的空间位置，每改变一次，就执行一次图像数据 采集。重复以上的操作就可以得到待测大米的一系列图像数 据。该数据都以文本文档形式储存在电脑中，作为后续算法 实验研究的源数据。 为了方便观察图像数据的特点，便于今后验证色选算法 的准确性。我们分三种情况进行图像数据的采集：1、仅对背景进行数据采集。2、对正常米较多的情况采集数据。3、异色米粒较多的情况采集数据。 三、图像数据的特征分析及预处理 3.1 图像数据的特征分析 由彩色线阵CCD测量的大米图像数据都是离散型数 字信号，每一帧数据都具有三个分量，分别为红色分量、
11、 绿色分量和蓝色分量。根据RGB颜色空间理论，每个分量 的特征都决定了米粒的部分特征，因此若想把异色粒从待 选大米中一一定位出来，就必须提取各个颜色分量的数据 特征，这样才能达到对大米进行色选的目的。通过对每一 帧图像数据波形的观察与分析，得出以下结论： 1、背景图像的数据信号中含有大量的高频噪声，同时背 景数据信号还具有一定的波动性与上升趋势。原因是光源 不稳定，辐射光强得空间分布不均匀以及CCD各个像素的光谱响应有差异。 2、大米图像的数据信号是在背景数据信号的基础上发生一 系列正负脉冲，这些脉冲信号就是由米粒出现引起的。负脉冲 说明这是一种异色粒暗色颗粒，但是对于正脉冲，很难确定 是正常
12、米粒还是异色米。（这就需要通过对R、G、B各分量的幅值大小进 一步判断是否为正常米粒。同一帧数据各颜色分量的波形图在形状上具有一定的相似性。）其信号波形如下图所示： 3、每一帧图像数据一般都包含有三类信号：背景信号、 正常米信号和异色粒信号，并且每类信号都具有不同的内 部特征。大多数的图像信号显示，同一帧数据各颜色分量 的波形图在形状上具有一定的相似性 根据这一特点提出了利用k-均值聚类算法来提取图像中 的异色粒信息。3.2 图像数据信号预处理根据上述特点对图像数据进行预处理： 一、作帧相减（用目标图像数据减去背景图像数据）处理，其目的是 突出目标数据的特点，消除部分噪声便于聚类分析。其效果如
13、下图所 示 二、去除图像中的负脉冲信号。具体方法是：根据背景波动 的范围，确定一个阈值，只要相对幅值小于这个阈值，就认 为这个下凹的信号是异色颗粒产生的，记录信号发生的位置 ，将该位置的幅值置为零（即覆盖这部分信息）从而得到一 帧新的图像数据，便于进行处理。 该阈值的确定是通过大量实验分析，对背景波动范围研 究分析，得出的一个经验值，大小约为-190。 原始的色差数据图像滤去负脉冲后的数据波形 三、对滤去下凹脉冲信号的图像色差数据进行Haar小波滤波 。通过调用MATLAB小波工具箱函数生成硬阈值对数据的高 频系数进行处理，并通过反变换得到平滑的色差数据图像。 4.1 K-均值聚类理论 聚类分
14、析也称数据分割，涉及把一个对象集合分组或分 割为子集或“簇”（也称“聚类”），使得每个簇内部的对象之 间的相关性比与其他簇中对象之间的相关性更紧密。聚类分 析也用于形成描述性的统计数据，以确认数据是否包括几个 不同的子组，且每个组代表具有实质上不同特征的对象（后一 个目标要求评估个簇对象之间的差异程度）。 聚类分析算法能够自适应地提取图像数据的统计特征， 并根据这些特征将图像数据分割为不同的类别，使每个数据 到所属类的聚类最近（与距其他类相比），而且，使每个类的点 到该类中心的差方最小。因此，聚类分析在图像数据的分割 中得到了广泛的应用。 聚类方法中的K-均值聚类算法能够动态聚类，具有一定 的
15、自适应性，较其他的方法更容易实。（目前，有很多的文献中都 采用聚类分析的方法根据图像数据自身的特征对其进行分类，并得到了理想的效 果）四、K-均值聚类分析在色选中的应用 K-均值算法是一种主流的迭代下降聚类方法，具有计算 简单、能够动态聚类、自适应性强等特点，并有着广泛的应 用领域。它专门用于所有变量都是定量类型的情况，并采用 平方欧式距离作为相似度度量。损失函数就可以表示为：其中，是与第k个簇相关联的均值向量。并且该准则的极小化通过如下方法实现：将N个观测指派到k个簇，使得在每个簇内，观测到簇均值（由该簇中的点定义） 的均值相异度最小。 求解下式的一个迭代下降算法：可以通过如下步骤得到。注意，对于任意的观测集合S可以通过求解放大的优化问题 来获得 K-均值算法的基本思想是取定类，并选取个初始聚类中 心，按最小距离原则将各数据点分配到类中的某一类；之后 不断地计算类心，同时调整各数据点的类别，最终使各数据 点到其判属类别中心的距离平方之和最小。算法的具体步骤 如下： 第一步：对给定的簇指派C，给定k个均值。 第二步：对给定的均值集
