论文部分内容阅读
哈密瓜的成熟度是评价其品质的重要依据，也是影响消费者购买的主要因素。针对目前哈密瓜成熟度检测手段落后，效率低，精度差，本文综合利用光学、农业物料学、计算机技术、CCD技术、数字图像处理技术、Matlab、人工神经网络等众多领域的知识，研究了金蜜16号哈密瓜果实的可见光彩色数字图像的颜色信息与其成熟度之间的关系，从而建立了哈密瓜成熟度无损检测的方法。首先，利用数字图像处理技术对不同成熟度的哈密瓜果实的6个不同方向的可见光彩色数字图像进行采集和分析。然后，从这些图像中提取出哈密瓜颜色特征值作为BP人工神经网络的输入进行训练。最后，比较分析了用三种不同的哈密瓜颜色特征值作为BP人工神经网络的输入对哈密瓜成熟度进行分类的结果，从而确定了最佳模型。本文为进一步研究哈密瓜成熟度无损检测装备奠定了理论基础，主要结论如下：1．采用哈密瓜数字图像的色度平均值和峰值色度值（像素数目最多的色度值）作为BP人工神经网络的输入对哈密瓜成熟度进行分类时，利用瓜侧面图像进行分类的精度更高且更稳定，其中使用对数S形函数作为输入神经元的传递函数，线性函数作为输出神经元的传递函数，弹性BP算法作为训练函数的BP人工神经网络模型的分类精度最高，达到79.375%。2．采用哈密瓜数字图像的所有色度频度值作为BP人工神经网络的输入对哈密瓜成熟度进行分类时，利用瓜侧面图像进行分类的精度仍然更高且更稳定。其中使用双曲正切S形函数作为输入神经元的传递函数，线性函数作为输出神经元的传递函数，弹性BP算法作为训练函数的BP人工神经网络模型的分类精度最高，达到96.25%。3．采用主成分分析法，对哈密瓜侧面数字图像的所有色度频度值进行缩减后的特征值作为BP人工神经网络的输入对哈密瓜成熟度进行分类时，使用前2个主成分作为BP人工神经网络的输入，对数S形函数作为输入神经元的传递函数，线性函数作为输出神经元的传递函数，Levenberg-Marquardt算法作为训练函数的BP人工神经网络模型的分类精度和使用前16个主成分作为BP人工神经网络的输入，对数S形函数作为输入神经元的传递函数，线性函数作为输出神经元的传递函数，弹性BP算法作为训练函数的BP人工神经网络模型的分类精度最高，都达到96.25%。后者更加稳定，前者为最佳模型。综上，哈密瓜的成熟度与其表皮颜色之间存在相关性。利用哈密瓜的彩色数字图像的色度信息可以判断其成熟度。并且采用哈密瓜侧面的彩色数字图像的色度频度值，利用BP人工神经网络结合主成分分析法，可以更好解决人类分级的主观、费时及有损判断。