基于卷积神经网络的玉米籽粒精选系统研制
发布时间：2020-12-06 10:26
论文选题源于国家自然科学基金资助项目（项目编号:51405078）、黑龙江省归国留学基金项目（项目编号:LC2018019）、东北农业大学学术骨干项目（项目编号:17XG01）,旨在利用电磁振动理论、自动控制技术和深度学习技术来设计优化玉米籽粒精选系统,以达到玉米籽粒品质批量精选与分级的目的。该文以玉米籽粒品质精选系统的自动控制和视觉分选算法为研究对象,从玉米粒群的整列分离、电磁控制、分选控制和在线视觉分选系统设计方面进行研究,以实现玉米籽粒品质的自动精选。基于上述内容该文主要工作如下:（1）试验样机速度差异式整列分离装置、控制和视觉系统的分析与设计。以传送轨道上玉米籽粒的运动形式和运动状态为研究对象,为实现玉米粒群的逐渐分离,结合电磁振动理论设计速度差异式电磁振动传输分离装置。以料槽配重、安装倾角及系统振幅为因素,粘连率和正向率为指标进行正交试验,通过正交试验得到系统较优参数组合:配重、安装倾角和系统振幅分别为0.3 kg、0°和0.36 mm,机械系统粘连率和定向率分别为9.40%和92.60%,可使玉米粒群在电磁振动系统的驱动下实现逐渐转化分离为单籽粒的整列输送。并结合自动控制技...
【文章来源】：东北农业大学黑龙江省 211工程院校
【文章页数】：90 页
【学位级别】：硕士
【文章目录】：
摘要
英文摘要
1 引言
1.1 研究目的与意义
1.2 国内外研究概况及现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 主要研究内容和方法
1.3.1 研究内容
1.3.2 研究方法
1.4 技术路线
2 基于电磁振动的玉米籽粒精选机械系统搭建
2.1 精选系统结构和工作流程设计
2.2 速度差异式电磁振动系统结构设计
2.2.1 玉米籽粒运动学建模与分析
2.2.2 玉米籽粒滑行及抛掷运动临界条件分析
2.3 系统试验结果与讨论
2.3.1 试验设计
2.3.2 试验方案与分析
2.4 玉米籽粒精选控制系统设计
2.4.1 传输控制方案设计
2.4.2 分选控制方案设计
2.5 恒定光强视觉系统设计
2.5.1 光源设计
2.5.2 图像采集装置设计
2.5.3 玉米品质精选软件设计
2.6 本章小结
3 玉米籽粒数据集设计制作
3.1 玉米籽粒数据集总体设计
3.2 玉米籽粒数据集样本及其图像采集
3.3 基于颜色特征的玉米籽粒图像分割
3.4 基于形态学处理的玉米籽粒图像去噪
3.5 基于RGB颜色空间的玉米籽粒类别和位置标定
3.6 本章小结
4 基于卷积神经网络的玉米品质精选视觉系统研究
4.1 深度学习相关理论和基本模型分析
4.1.1 深度置信网络
4.1.2 自编码神经网络
4.1.3 卷积神经网络及在玉米检测领域的优势
4.2 玉米籽粒品质精选检测网络
4.2.1 玉米籽粒品质精选检测网络方案设计
4.2.2 RPN网络优化
4.3 玉米籽粒品质精选检测网络设计
4.3.1 基于稀疏交互的卷积参数量压缩
4.3.2 基于参数共享的网络参数量压缩与加速
4.3.3 玉米籽粒品质精选检测网络的等变表示
4.4 玉米品质精选检测网络结构设计
4.4.1 共享卷积层设计
4.4.2 探测层非线性设计
4.4.3 池化层增强与降维
4.4.4 全连接层及输出分类层
4.5 玉米籽粒品质精选检测网络的训练机制
4.5.1 精选检测网络过拟合控制
4.5.2 精选检测网络梯度优化
4.5.3 精选检测网络分步训练策略
4.6 玉米籽粒精选视觉系统结果与讨论
4.6.1 评价标准
4.6.2 玉米籽粒精选视觉系统预训练试验
4.6.3 玉米籽粒精选视觉系统多分类检测结果
4.6.4 玉米籽粒精选视觉系统整体训练效果评估
4.6.5 玉米籽粒精选视觉系统可视化结果与分析
4.7 本章小结
5 基于卷积神经网络的玉米籽粒精选系统样机试验结果与讨论
5.1 评价标准
5.2 精选系统样机试验结果与讨论
5.3 本章小结
6 结论与展望
6.1 结论
6.2 展望
致谢
参考文献
攻读硕士学位期间发表的学术论文
【参考文献】：
期刊论文
[1]基于深度学习的森林虫害无人机实时监测方法[J]. 孙钰,周焱,袁明帅,刘文萍,骆有庆,宗世祥. 农业工程学报. 2018(21)
[2]基于卷积神经网络的花生籽粒完整性识别算法及应用[J]. 赵志衡,宋欢,朱江波,卢雷,孙磊. 农业工程学报. 2018(21)
[3]基于深度置信网络的农用地基准地价评估模型[J]. 王华,罗平,赵志刚,聂可. 农业工程学报. 2018(21)
[4]基于卷积神经网络与迁移学习的油茶病害图像识别[J]. 龙满生,欧阳春娟,刘欢,付青. 农业工程学报. 2018(18)
[5]基于卷积网络和哈希码的玉米田间杂草快速识别方法[J]. 姜红花,王鹏飞,张昭,毛文华,赵博,齐鹏. 农业机械学报. 2018(11)
[6]自然环境下多类水果采摘目标识别的通用改进SSD模型[J]. 彭红星,黄博,邵园园,李泽森,张朝武,陈燕,熊俊涛. 农业工程学报. 2018(16)
[7]基于多特征融合和深度置信网络的稻田苗期杂草识别[J]. 邓向武,齐龙,马旭,蒋郁,陈学深,刘海云,陈伟烽. 农业工程学报. 2018(14)
[8]基于自适应判别深度置信网络的棉花病虫害预测[J]. 王献锋,张传雷,张善文,朱义海. 农业工程学报. 2018(14)
[9]基于卷积神经网络的玉米根茎精确识别与定位研究[J]. 杨洋,张亚兰,苗伟,张铁,陈黎卿,黄莉莉. 农业机械学报. 2018(10)
[10]基于卷积神经网络的温室黄瓜病害识别系统[J]. 马浚诚,杜克明,郑飞翔,张领先,孙忠富. 农业工程学报. 2018(12)
博士论文
[1]基于色彩聚类的玉米种子纯度识别算法研究[D]. 刘双喜.山东农业大学 2018
[2]玉米种子高光谱图像品种检测方法研究[D]. 魏利峰.沈阳农业大学 2017
[3]玉米种子的图像精选定向定位方法及装置研究[D]. 王侨.中国农业大学 2017
[4]玉米种子内部机械裂纹特征与识别研究[D]. 张新伟.沈阳农业大学 2012
[5]农作物籽粒的图像处理和识别方法研究[D]. 杨蜀秦.西北农林科技大学 2012
[6]中国玉米国际竞争力研究[D]. 齐涛.西北农林科技大学 2011
[7]基于机器视觉的谷物外观品质检测技术研究[D]. 凌云.中国农业大学 2004
[8]稻种质量的机器视觉无损检测研究[D]. 成芳.浙江大学 2004
硕士论文
[1]马铃薯干式低损清选分级机的设计与清选试验研究[D]. 张恒.内蒙古农业大学 2018
[2]基于机器视觉的动态马铃薯外部品质无损检测研究[D]. 刘馨阳.宁夏大学 2018
[3]基于深度学习的交通视频检测及车型分类研究[D]. 楚翔宇.哈尔滨工业大学 2017
[4]基于机器视觉与光谱成像技术的玉米种子品质检测与分选[D]. 王超鹏.西北农林科技大学 2017
[5]基于机器视觉的马铃薯薯形与外部缺陷算法研究[D]. 崔胜春.中国矿业大学 2017
[6]基于机器视觉的大米外观品质判别研究[D]. 马丽霞.哈尔滨理工大学 2016
[7]便携式动态玉米种子纯度识别仪的研制[D]. 孟凡荣.山东农业大学 2015
[8]玉米籽粒数字化考种关键技术研究[D]. 汪珂.华中农业大学 2015
[9]玉米质量指标机器视觉技术研究[D]. 王伟宇.河南工业大学 2015
[10]基于图像处理的大米品质检测系统研究[D]. 崔雯雯.吉林大学 2015
本文编号：2901218
【文章来源】：东北农业大学黑龙江省 211工程院校
【文章页数】：90 页
【学位级别】：硕士
【文章目录】：
摘要
英文摘要
1 引言
1.1 研究目的与意义
1.2 国内外研究概况及现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 主要研究内容和方法
1.3.1 研究内容
1.3.2 研究方法
1.4 技术路线
2 基于电磁振动的玉米籽粒精选机械系统搭建
2.1 精选系统结构和工作流程设计
2.2 速度差异式电磁振动系统结构设计
2.2.1 玉米籽粒运动学建模与分析
2.2.2 玉米籽粒滑行及抛掷运动临界条件分析
2.3 系统试验结果与讨论
2.3.1 试验设计
2.3.2 试验方案与分析
2.4 玉米籽粒精选控制系统设计
2.4.1 传输控制方案设计
2.4.2 分选控制方案设计
2.5 恒定光强视觉系统设计
2.5.1 光源设计
2.5.2 图像采集装置设计
2.5.3 玉米品质精选软件设计
2.6 本章小结
3 玉米籽粒数据集设计制作
3.1 玉米籽粒数据集总体设计
3.2 玉米籽粒数据集样本及其图像采集
3.3 基于颜色特征的玉米籽粒图像分割
3.4 基于形态学处理的玉米籽粒图像去噪
3.5 基于RGB颜色空间的玉米籽粒类别和位置标定
3.6 本章小结
4 基于卷积神经网络的玉米品质精选视觉系统研究
4.1 深度学习相关理论和基本模型分析
4.1.1 深度置信网络
4.1.2 自编码神经网络
4.1.3 卷积神经网络及在玉米检测领域的优势
4.2 玉米籽粒品质精选检测网络
4.2.1 玉米籽粒品质精选检测网络方案设计
4.2.2 RPN网络优化
4.3 玉米籽粒品质精选检测网络设计
4.3.1 基于稀疏交互的卷积参数量压缩
4.3.2 基于参数共享的网络参数量压缩与加速
4.3.3 玉米籽粒品质精选检测网络的等变表示
4.4 玉米品质精选检测网络结构设计
4.4.1 共享卷积层设计
4.4.2 探测层非线性设计
4.4.3 池化层增强与降维
4.4.4 全连接层及输出分类层
4.5 玉米籽粒品质精选检测网络的训练机制
4.5.1 精选检测网络过拟合控制
4.5.2 精选检测网络梯度优化
4.5.3 精选检测网络分步训练策略
4.6 玉米籽粒精选视觉系统结果与讨论
4.6.1 评价标准
4.6.2 玉米籽粒精选视觉系统预训练试验
4.6.3 玉米籽粒精选视觉系统多分类检测结果
4.6.4 玉米籽粒精选视觉系统整体训练效果评估
4.6.5 玉米籽粒精选视觉系统可视化结果与分析
4.7 本章小结
5 基于卷积神经网络的玉米籽粒精选系统样机试验结果与讨论
5.1 评价标准
5.2 精选系统样机试验结果与讨论
5.3 本章小结
6 结论与展望
6.1 结论
6.2 展望
致谢
参考文献
攻读硕士学位期间发表的学术论文
【参考文献】：
期刊论文
[1]基于深度学习的森林虫害无人机实时监测方法[J]. 孙钰,周焱,袁明帅,刘文萍,骆有庆,宗世祥. 农业工程学报. 2018(21)
[2]基于卷积神经网络的花生籽粒完整性识别算法及应用[J]. 赵志衡,宋欢,朱江波,卢雷,孙磊. 农业工程学报. 2018(21)
[3]基于深度置信网络的农用地基准地价评估模型[J]. 王华,罗平,赵志刚,聂可. 农业工程学报. 2018(21)
[4]基于卷积神经网络与迁移学习的油茶病害图像识别[J]. 龙满生,欧阳春娟,刘欢,付青. 农业工程学报. 2018(18)
[5]基于卷积网络和哈希码的玉米田间杂草快速识别方法[J]. 姜红花,王鹏飞,张昭,毛文华,赵博,齐鹏. 农业机械学报. 2018(11)
[6]自然环境下多类水果采摘目标识别的通用改进SSD模型[J]. 彭红星,黄博,邵园园,李泽森,张朝武,陈燕,熊俊涛. 农业工程学报. 2018(16)
[7]基于多特征融合和深度置信网络的稻田苗期杂草识别[J]. 邓向武,齐龙,马旭,蒋郁,陈学深,刘海云,陈伟烽. 农业工程学报. 2018(14)
[8]基于自适应判别深度置信网络的棉花病虫害预测[J]. 王献锋,张传雷,张善文,朱义海. 农业工程学报. 2018(14)
[9]基于卷积神经网络的玉米根茎精确识别与定位研究[J]. 杨洋,张亚兰,苗伟,张铁,陈黎卿,黄莉莉. 农业机械学报. 2018(10)
[10]基于卷积神经网络的温室黄瓜病害识别系统[J]. 马浚诚,杜克明,郑飞翔,张领先,孙忠富. 农业工程学报. 2018(12)
博士论文
[1]基于色彩聚类的玉米种子纯度识别算法研究[D]. 刘双喜.山东农业大学 2018
[2]玉米种子高光谱图像品种检测方法研究[D]. 魏利峰.沈阳农业大学 2017
[3]玉米种子的图像精选定向定位方法及装置研究[D]. 王侨.中国农业大学 2017
[4]玉米种子内部机械裂纹特征与识别研究[D]. 张新伟.沈阳农业大学 2012
[5]农作物籽粒的图像处理和识别方法研究[D]. 杨蜀秦.西北农林科技大学 2012
[6]中国玉米国际竞争力研究[D]. 齐涛.西北农林科技大学 2011
[7]基于机器视觉的谷物外观品质检测技术研究[D]. 凌云.中国农业大学 2004
[8]稻种质量的机器视觉无损检测研究[D]. 成芳.浙江大学 2004
硕士论文
[1]马铃薯干式低损清选分级机的设计与清选试验研究[D]. 张恒.内蒙古农业大学 2018
[2]基于机器视觉的动态马铃薯外部品质无损检测研究[D]. 刘馨阳.宁夏大学 2018
[3]基于深度学习的交通视频检测及车型分类研究[D]. 楚翔宇.哈尔滨工业大学 2017
[4]基于机器视觉与光谱成像技术的玉米种子品质检测与分选[D]. 王超鹏.西北农林科技大学 2017
[5]基于机器视觉的马铃薯薯形与外部缺陷算法研究[D]. 崔胜春.中国矿业大学 2017
[6]基于机器视觉的大米外观品质判别研究[D]. 马丽霞.哈尔滨理工大学 2016
[7]便携式动态玉米种子纯度识别仪的研制[D]. 孟凡荣.山东农业大学 2015
[8]玉米籽粒数字化考种关键技术研究[D]. 汪珂.华中农业大学 2015
[9]玉米质量指标机器视觉技术研究[D]. 王伟宇.河南工业大学 2015
[10]基于图像处理的大米品质检测系统研究[D]. 崔雯雯.吉林大学 2015
本文编号：2901218
本文链接：https://www.wllwen.com/nykjlw/nygclw/2901218.html
