基于机器视觉的淡水鱼品种识别及重量预测研究

基于机器视觉的淡水鱼品种识别及重量预测研究

论文摘要

淡水鱼的肉味鲜美、营养丰富,是人们日常生活中最喜爱的食物之一。但是由于淡水鱼作为一种特有的食物资源,具有易腐性、季节性、区域性和集中性等特点,制约了淡水鱼产业的发展。因此,为了进一步提高淡水鱼产品的经济价值,需要对打捞上来的淡水鱼产品进行深度加工。但是在深加工之前需要对淡水鱼按品种和重量进行分类,目前在我国淡水鱼前处理加工过程中,品种分类主要依靠人工作业,作业环境恶劣,劳动强度大,效率低;而重量分级则主要依靠机械分级,对鱼体损伤比较严重,不利于鱼产品的商品价值,严重的制约了淡水鱼产业的快速发展。针对这一问题,本文以常见的淡水鱼为研究对象,采用机器视觉和数字图像处理技术对淡水鱼图像的颜色特征和体型特征进行提取,并以此对品种识别方法进行了研究,同时建立了四种淡水鱼的重量预测模型,为实现淡水鱼品种的自动识别和分级提供理论依据和技术基础。本文主要研究内容与结论如下:(1)构建用于淡水鱼识别的机器视觉系统。利用该系统采集了4种常见淡水鱼共240张图像,其中180张作为建模集,60张作为检验集。(2)利用数字图像处理技术对建模集中180条淡水鱼原始图像进行了颜色分量的提取、图像灰度化、二值化、图像增强和轮廓提取等预处理,得到了淡水鱼二值图像和轮廓图。(3)通过提取的淡水鱼图像的各个颜色分量特征和体型特征参数,建立四种淡水鱼的品种识别模型。并用检验集中的60个样本对该识别模型作了检验,其中鲢鱼的识别率为100%,鳊鱼的识别率为100%,鲫鱼的识别率为92.31%,鲤鱼的识别率为93.75%。同时对模型中误判的试验样本进行了分析,找出了主要造成误判的原因。(4)通过试验对建模集中的淡水鱼的体型特征进行了测量,获得了每种淡水鱼的各部分的体长比例均值,同时对鱼体进行了分解,测得了各部分的重量占总重量的比例均值,为后面对淡水鱼的重量预测做准备。(5)利用各种淡水鱼的体型特征参数对图像中的各部分的投影面积进行提取,可以获得淡水鱼各部分的原始投影面积,并利用各部分的重量比例对各部分的投影面积进行校正,之后利用spss软件对校正后的各部分面积与重量做回归分析,建立重量预测模型。用检验集对预测模型进行检验可知,各种淡水鱼的重量预测相对误差都比较小,鲢鱼的相对误差均值是3.57%,鳊鱼的相对误差均值为3.56%,鲫鱼的相对误差均值为3.41%,鲤鱼的相对误差均值为3.49%。由此可知利用机器视觉技术为淡水鱼的重量分级方法提供参考。(6)基于VC++6.0开发了淡水鱼品种识别和重量预测软件系统,该软件系统的主要功能包括图像预处理、特征参数提取、淡水鱼品种识别和重量预测等。经测试表明,该软件系统操作简便、运行稳定。

论文目录

  • 目录
  • 摘要
  • ABSTRACT
  • 1 绪论
  • 1.1 研究的目的和意义
  • 1.2 机器视觉技术简介及应用现状
  • 1.2.1 机器视觉技术简介
  • 1.2.2 机器视觉的应用现状
  • 1.3 研究内容与技术路线
  • 1.3.1 主要研究内容
  • 1.3.2 研究技术路线
  • 2 图像采集系统及预处理方法
  • 2.1 图像采集系统
  • 2.2 图像标定
  • 2.3 图像采集
  • 2.4 数字图像处理
  • 2.4.1 数字图像处理技术基础原理
  • 2.4.2 提取颜色分量
  • 2.4.3 图像灰度化
  • 2.4.4 图像二值化
  • 2.4.5 图像增强
  • 2.4.6 轮廓提取
  • 2.5 本章小结
  • 3 基于机器视觉的淡水鱼品种识别研究
  • 3.1 试验材料
  • 3.2 淡水鱼图像颜色特征提取与分析
  • 3.2.1 红色分量
  • 3.2.2 绿色分量
  • 3.2.3 蓝色分量
  • 3.3 淡水鱼体型特征提取与分析
  • 3.3.1 长短轴的提取
  • 3.3.2 体型特征的分析
  • 3.4 品种识别模型的建立
  • 3.5 模型的检验
  • 3.6 模型的分析与讨论
  • 3.7 本章小结
  • 4 基于机器视觉的淡水鱼重量预测研究
  • 4.1 试验材料
  • 4.2 鱼体特征分析
  • 4.2.1 鲢鱼体型特征提取
  • 4.2.2 鳊鱼体型特征提取
  • 4.2.3 鲫鱼体型特征提取
  • 4.2.4 鲤鱼体型特征提取
  • 4.3 图像特征提取
  • 4.3.1 鲢鱼图像特征提取
  • 4.3.2 鳊鱼图像特征提取
  • 4.3.3 鲫鱼图像特征提取
  • 4.3.4 鲤鱼图像特征提取
  • 4.4 重量预测模型的建立
  • 4.4.1 鲢鱼重量预测模型的建立
  • 4.4.2 鳊鱼重量预测模型的建立
  • 4.4.3 鲫鱼重量预测模型的建立
  • 4.4.4 鲤鱼重量预测模型的建立
  • 4.5 模型的检验
  • 4.6 模型分析与讨论
  • 4.7 本章小结
  • 5 结论与进一步研究设想
  • 5.1 主要研究结论
  • 5.2 进一步研究设想
  • 参考文献
  • 致谢
  • 附录 攻读硕士学位期间发表的论文
  • 相关论文文献

    • [1].机器视觉构造及应用综述[J]. 四川工程职业技术学院学报 2015(03)
    • [2].3D视觉,机器视觉未来蓝海[J]. 自动化博览 2019(12)
    • [3].台达:机器视觉“智造”未来[J]. 自动化博览 2019(12)
    • [4].基于机器视觉的南疆智能果蔬存放系统的设计研究[J]. 电子世界 2020(04)
    • [5].一种基于机器视觉的移动式汽车警示牌[J]. 电子世界 2020(03)
    • [6].基于深度学习的机器视觉儿童智能安防系统[J]. 电子质量 2020(04)
    • [7].5G战略应用机器视觉[J]. 中国公共安全 2020(04)
    • [8].基于机器视觉的快速分拣食品包装系统研究[J]. 肉类研究 2020(06)
    • [9].机器视觉影像测量技术在飞行器总装精测中的应用[J]. 装备制造技术 2020(07)
    • [10].智能制造专业机器视觉与检测课程线上教学探索[J]. 电子测试 2020(18)
    • [11].机器视觉让设备更智能[J]. 现代制造 2020(12)
    • [12].多项机器视觉新技术助力视觉产品性能提升[J]. 现代制造 2020(12)
    • [13].基于机器视觉与云平台监控的助农机器人设计[J]. 中国设备工程 2020(21)
    • [14].机器视觉对线缆市场的影响及趋势[J]. 功能材料信息 2018(04)
    • [15].机器视觉在网球捡球机器人中的应用研究[J]. 科技创新与应用 2019(16)
    • [16].机器视觉研究与发展综述[J]. 装备制造技术 2019(06)
    • [17].基于机器视觉的果园喷药机器人设计[J]. 湖北农机化 2019(16)
    • [18].国内机器视觉产业的技术市场[J]. 电子产品世界 2019(09)
    • [19].基于机器视觉的数字识别技术研究及实现[J]. 汽车实用技术 2019(22)
    • [20].机器视觉在汽车行业中的发展与应用[J]. 汽车实用技术 2017(22)
    • [21].基于GPS和机器视觉的自主导航定位农机设备研究[J]. 农机化研究 2018(02)
    • [22].机器视觉在多领域内的应用[J]. 电子技术与软件工程 2018(01)
    • [23].机器视觉时代,最好的时代![J]. 智能机器人 2018(02)
    • [24].台达机器视觉系统助力制造业迈向智造新时代——访台达集团-中达电通机器视觉产品项目经理王风路[J]. 国内外机电一体化技术 2016(06)
    • [25].宇视揭秘安防机器视觉[J]. 中国公共安全 2016(19)
    • [26].机器视觉:让中国制造2025“看”得更远[J]. 新经济导刊 2017(Z1)
    • [27].凌华科技推出三款高性能机器视觉产品[J]. 自动化应用 2017(02)
    • [28].台达携机器视觉系统解决方案 亮相2017上海国际机器视觉展[J]. 变频器世界 2017(03)
    • [29].机器视觉行业投资分析报告[J]. 机器人技术与应用 2015(05)
    • [30].邮电类高校《机器视觉与应用》课程教学创新改革与探索[J]. 学周刊 2020(21)

    标签:;  ;  ;  ;  ;  

    基于机器视觉的淡水鱼品种识别及重量预测研究
    下载Doc文档

    猜你喜欢