哈密瓜分级装置设计开题报告.docx
- 文档编号:25648647
- 上传时间:2023-06-11
- 格式:DOCX
- 页数:7
- 大小:20.46KB
哈密瓜分级装置设计开题报告.docx
《哈密瓜分级装置设计开题报告.docx》由会员分享,可在线阅读,更多相关《哈密瓜分级装置设计开题报告.docx(7页珍藏版)》请在冰豆网上搜索。
哈密瓜分级装置设计开题报告
哈密瓜分级装置设计开题报告
哈密瓜分级装置的设计开题报告一、本课题来源及研究的目的和意义11、课题来源XXXX22、本课题研究的目的和意义1)研究目的随着经济的快速发展,人民生活水平的提高,消费者的消费观念也日益提高,人民在选购农产品时,不仅关注其外部品质,而且关心它们的内在营养价值。
例如消费者在选购哈密瓜时除了注重哈密瓜的大小、颜色、外观形状等外部品质之外,对于内部品质如口感度、糖度以及酸度等指标也极为看重。
我国加入世贸组织后,水果需求大量增加,品质要求日益提高,水果采后分级作为保证其品质的技术受到重视,并直接影响水果的出口。
中国的水果种植面积和总产量均居世界之首,但是水果出口量和出口价格都较低,这是由于水果未经商品化处理,在水果的大小、颜色、纹理、糖度、酸度等方面未进行规格的等级划分,良莠不齐,造成价格低,严重影响了我国水果的经济效益。
2)研究意义目前我国的水果分级主要依靠人工完成,利用人工进行水果品质检测和分级虽然可行,但劳动强度大,工作效率低,且由于个人视力差别、情绪、疲劳和光线强弱等因素的影响,分级的准确性较差。
近年来,随着电子技术、计算机技术、图像处理技术和模式识别技术的飞速发展,利用机器视觉技术进行水果自动分级得到了广泛研究,国内外都已开发出了基于机器视觉技术的水果自动分选机,并且基于多光谱在线检测与分级技术也已经进行了大量研究。
而这类产品的三个核心基础部件就是水果在线检测装置、水果输送装置以及水果分级卸料装置。
水果输送装置必须确保机器视觉系统的图像采集系统能够采集到被检测水果的有效信息。
利用机器视觉进行水果分级可以同时对多个标准,包括水果的尺寸大小、颜色、形状、纹理等外观品质一次性进行综合分级。
其分级的客观性强、标准稳定、一致性好、效率高,而且非接触无伤害。
高光谱图像技术集合了图像学、光学、
信息处理以及计算机科学技术,在传统的二维成像技术的基础上,有效的结合光谱技术,可获得待测对象的超多波段、光谱高分辨率和图谱合一的信息,实现其综合品质的检测。
高光谱图像技术结合了图像学和光谱学两种技术的优势,在农产品的内部和外部综合品质进行多信息融合无损检测分级中具有很大的发展潜力。
因此,研究机器视觉技术结合高光谱图像技术为多光谱在线检测与分级技术打下良好的理论基础,实现哈密瓜品质的自动检测分级。
二、本课题所涉及的问题在国内((外))研究现状及分析11、国外研究现状Dull等(1989)利用近红外光谱技术检测了成熟罗马甜瓜中蔗糖与可溶性固形物的含量。
实验结果表明:
完整果相关系数仅为0.60,正标准误差(SEC)为1.67,预测标准误差(SEP)为2.18,薄片样本取得较好的试验结果,其相关系数为0.97,SEC为0.56,SEP为1.56,造成较大差异的原因主要是瓜皮厚的特性,使得果皮有较强的吸收。
Dull等(1990)利用近红外透射光谱仪测定甜瓜的可溶性固形物,运用2个二阶导数的比值建立校正模型,模型校正相关系数为0.85,标准误差为1.5。
Brandon等(1990)利用机器视觉系统获得胡萝卜顶部图像,以外部形状特征参数输入神经网络,将胡萝卜顶部形状分为5个等级,平均分类准确率为85%。
Dull等(1992)研制了一个能对甜瓜可溶性固形物含量进行无损检测的仪器。
仪器使用斜台-干涉-滤波技术进行扫描,使用一个有轨探测器检测透过瓜肉内部的光谱。
其相关系数为0.91,校正标准误差和预测标准误差分别为0.82%,和1.85%。
Paulus等(1997)提出三种方法进行水果大小分级依据的尺寸:
表面积(根据水果四个不同角度的投影面积来计算)、直径(每个水果四幅图像中直径的平均值)、体积(将水果看作半径为平均半径的球体而进行计算),但Paulus等人没有进行验证性试验研究。
Alexios等(2002)开发了基于DSP的柑橘在线多光谱并行检测系统,可以检测柑橘的大小、颜色和缺陷,工作效率为每秒5个柑橘。
Tsuta等(2002)利用红外光谱仪通过测量甜瓜赤道部位25mm直径的圆柱形区域得到其吸收光谱,在874nm和902nm的吸收峰与甜瓜总糖含量建立相关性研究,相关系数为0.99,标准误差为0.333。
Maruo等(2002)在光谱800-1000nm波段范围内采用激光透射方法对甜瓜进行光谱采集,建立光谱与果肉可溶性固形物、坚实度的相关关系,并对其它样品进行预测。
试验表明,采用激光透射方式可以实现对甜瓜品质指标的无损检测。
Juan等(2005)采用高光谱图像技术实现了对GoldenDelicious和Jonagold苹果表面损伤的检测:
采用均值滤波法,首先对采集到的高光谱图像光谱维区域进行预处理;然后利用主成分分析法进行图谱数据降维,得到苹果表面损伤检测的最佳主成分图像;最后,采取阈值分割法对苹果表面损伤进行检测。
试验结果表明,对GoldenDelicious苹果表面损伤的检测正确率为86%,Jonagold苹果表面损伤的检测正确率为75%。
MasateruNagata等(2005年)应用近红外高光谱成像技术对草莓的可溶性固形物进行了预测,测量波长范围为650-1000nm,最后提取五个特征波长建立预测模型对可溶性固形物获得0.87的相关系数。
Gamal等(2006)研究采用高光谱成像技术(400-1000nm)检测草莓的含水率、酸度及可溶性固形物。
利用PLS方法对光谱数据进行处理分析,确定最佳波段,并建立多元线性回归模型,对其含水率、酸度及可溶性固形物检测的相关系数分别为0.90,0.87,0.80。
RenfuLu(2007)研究采用高光谱散射成像技术对两种苹果的可溶性固形物进行无损检测,采用主成分分析和神经网络结合方法对两种苹果的坚实度和可溶性固行物进行预测,对GoldenDelicious苹果SSC预测相关系数为0.79,预测样本中的标准误差为0.72%,而对RedDelicious苹果坚实度预测相关系数为0.64,预测样本中的标准误差为0.81%。
Hyun等(2007)利用高光谱成像技术无损检测苹果品质。
试验中,采用主成分分析对光谱数据进行处理,并通过神经网络建立回归预测模型。
试验结果表明,对苹果可溶性固形物和可滴定酸含量的预测相关系数R分别为0.75和0.57。
ELMASRYG等(2007)利用高光谱图像技术研究了草莓含水率、酸度及可溶性固形物。
采用偏最小二乘法(PLS)进行数据处理,并获得最佳光谱波段。
采用全光谱波段进行多元线性回归建模,预测模型的含水率、酸度及可溶性固形物预测的相关系数分别为:
0.90,0.870,0.80;利用最佳光谱波段进行多元线性回归建模,预测模型的含水率、酸度及可溶性固形物预测的相关系数分别为:
0.87,0.92,0.80。
试验结果表明,高光谱图像技术可无损检测水果内部品质。
22、、国内研究现状
我国学者是近几年来才开始利用机器视觉技术及高光谱图像对水果品质进行无损检测研究的。
国内江西农业大学的刘木华教授、江苏大学的赵杰文教授和蔡健荣教授、华南农业大学的洪添胜教授、中国农业大学的彭彦昆教授、浙江大学的应义斌教授等均对西瓜、梨、苹果、柑橘、猕猴桃等水果的品质无损检测及分级系统进行了一定研究工作。
应义斌等(2002)[31]研制了一套适合黄花梨品质检测的机器视觉系统,设计了一种利用水果最小外接矩形(MER)法求最大横径,以适应实际生产中水果方向的随机性和水果外形的不规则的要求。
试验表明:
实际最大横径与预测最大横径的相关关系为0.9962。
洪添胜等(2007)[32]利用高光谱图像技术无损检测雪花梨内部品质。
对光谱信息进行MSC预处理,通过获得雪花梨的光谱反射回归曲线,分别选取含糖量和含水量相关性最好的5个特征波段,采用人工神经网络方法对雪花梨的含糖量和含水量进行建模回归分析。
结果表明,对含糖量和含水量预测的误差分别为0.4749及0.0658%。
田海清、应义斌等(2007)[33]设计了近红外透射式西瓜可溶性固形物含量(SSC)检测系统,对50个样本的麒麟瓜SSC进行预测试验研究,采用主成分回归和偏最小二乘回归的方法分别建立样品的原始光谱、一阶微分光谱、二阶微分光谱和SCC的预测模型。
试验表明:
偏最小二乘法的建模效果较好,其校正集相关系数为0.951,均方根误差0.347,预测集相关系数为0.910,均方根误差0.302。
刘木华等(2008)[34]利用高光谱图像技术对脐橙糖度进行检测的研究。
通过获取光谱数据处理,获取反映脐橙糖度的特征波长;应用人工神经网络方法建立脐橙糖度的预测模型。
结果表明,脐橙糖度预测模型相关系数R=0.831。
蔡健荣等(2009)[35]探寻了猕猴桃糖度快速无损检测方法。
采用小波滤噪法对猕猴桃近红外光谱区域进行预处理,运用偏最小二乘(PLS)、区间偏最小二乘(iPLS)和联合区间偏最小二乘(siPLS)分别建立预测模型。
试验表明,采用联合偏最小二乘法(siPLS)建立的猕猴桃糖度模型效果最佳,校正集相关系数和均方根误差分别为0.9414和0.3788,预测集相关系数和均方根误差分别为0.9295和0.3904。
33、技术分析紧密结合新疆地区的农业生产实际,选择新疆的特色水果哈密瓜为研究对象,综合利用机械设计基础、农业物料学、Matlab、C程序设计、光学、光谱分析、数学、计算机、模式识别、计算机图像处理技术、CCD技术、主成分分析、
小波分析、独立分量分析、波段比算法、小波变换、主成分回归、偏最小二乘回归、人工神经网络等众多领域的知识,自主创新,采用理论分析和试验研究相结合的方法,拟开展以下研究工作:
①优化配置好适于哈密瓜检测的机器视觉及高光谱图像试验系统。
主要进行物距调整、哈密瓜光源系统的选择及输送装置的优化。
②利用机器视觉系统获得用于检测哈密瓜外部品质的图像信息,通过图像处理技术,提取哈密瓜外部品质特征用于检测哈密瓜的大小、重量和网纹率。
③研究不同品质的哈密瓜在不同波长光线(400-1000nm)照射下的分光反射特性,从获取的高光谱图像中寻找最能反映哈密瓜品质的最优特征波长和特征波长下的图像信息,提取光谱信息并确定其品质与糖度之间的相关关系,建立哈密瓜糖度预测模型。
④研究不同大小、网纹品质的哈密瓜分级检测方法,对获取的哈密瓜高光谱图像进行边缘提取及二值化等处理,以其自然对称形态特征为依据,确定哈密瓜外部品质检测方向,进一步检测哈密瓜的大、重量小及网纹率,对比分析两种技术,并建立哈密瓜分级输送装置设计参比数据。
⑤设计哈密瓜分级输送装置。
根据哈密瓜大小不同,设计哈密瓜平稳输送试验系统,并保证哈密瓜在输送过程中不出现明显的机械损伤。
三、对课题提出的任务要求及实现预期目标及内容:
预期目标:
1.搭建哈密瓜分级装置三维模型;2.对关键部件进行优化设计;3.完成哈密瓜分级装置样机制备。
具体内容:
1.毕业设计开题报告1份,文献综述以及外文资料翻译;2.运用SolidWorks软件进行三维图绘制;3.购买所需材料并进行试验台搭建。
四、本课题需要重点研究的、关键的问题及解决的思路存在的问题利用人工进行水果品质检测和分级虽然可行,但劳动强度大,工作效率低,
且由于个人视力差别、情绪、疲劳和光线强弱等因素的影响,分级的准确性较差解决问题的途径①优化配置好适于哈密瓜检测的机器视觉及高光谱图像试验系统。
主要进行物距调整、哈密瓜光源系统的选择及输送装置的优化。
②利用机器视觉系统获得用于检测哈密瓜外部品质的图像信息,通过图像处理技术,提取哈密瓜外部品质特征用于检测哈密瓜的大小、重量和网纹率。
③研究不同品质的哈密瓜在不同波长光线(400-1000nm)照射下的分光反射特性,从获取的高光谱图像中寻找最能反映哈密瓜品质的最优特征波长和特征波长下的图像信息,提取光谱信息并确定其品质与糖度之间的相关关系,建立哈密瓜糖度预测模型。
④研究不同大小、网纹品质的哈密瓜分级检测方法,对获取的哈密瓜高光谱图像进行边缘提取及二值化等处理,以其自然对称形态特征为依据,确定哈密瓜外部品质检测方向,进一步检测哈密瓜的大、重量小及网纹率,对比分析两种技术,并建立哈密瓜分级输送装置设计参比数据。
⑤设计哈密瓜分级输送装置。
根据哈密瓜大小不同,设计哈密瓜平稳输送试验系统,并保证哈密瓜在输送过程中不出现明显的机械损伤。
五、完成本课题所必须的工作条件及解决的办法1、完成本课题所必须的工作条件1)SolidWorks软件,手册及书籍;2)SolidWorks软件,计算机环境;3)设计研究场所2、解决的办法
(1)使用自己的计算机一台,并且安装有SolidWorks软件,
(2)教师电子备课室的开放时间足以保证时间要求。
(3)通过个人购买、网络搜索、大学图书馆和学院资料室借阅解决。
六、完成本课题的工作方案及进度计划1、完成本课题的工作方案为完成本课题的基本任务要求,拟定工作方案如下:
(1)在查阅、分析、研究相关资料的基础上,完成开题报告和文献综述;
(2)掌握SolidWorks软件,ANSYS仿真软件的使用方法,利用SolidWorks软件,ANSYS
仿真软件进行力、角度等参数的分析计算;(3)总体结构的搭建及控制系统的设计;(4)完成毕业论文的撰写。
2、完成本课题的进度计划(以周为单位,共14周)
(1)撰写开题报告,文献综述以及设计方案阶段:
(12周)
(2)对哈密瓜的物料特性进行研究:
(35周)(3)使用SolidWorks绘制哈密瓜分级装置三维图:
(58周)(4)完成哈密瓜分级装置样机制作:
(11周)(5)撰写论文,准备答辩阶段:
(1214周)七、主要参考文献[1]廖新福,刘曼双.新疆哈密瓜产业现状及发展对策[J].新疆农业科技,2011,03:
1-2.[2]马本学,李锋霞,王丽丽,等.大型瓜果品质检测分级技术研究进展[J].农机化研究,2013
(1):
248-252.[3]赵启明.6GF―500型小杂果分级技术装备的开发[J].中国农机化学报,2013,34
(1):
143-145.[4]李国进,董第永,陈双.基于计算机视觉的芒果检测与分级研究[J].农机化研究,2015,10:
13-18+23.[5]王运祥,马本学,杨杰,王静,叶晋涛,蒋伟,吕琛,张巍.双锥压缩式哈密瓜承载托辊的设计及参数计算[J].农机化研究,2016,09:
88-93.[6]刘启全,郭俊先,刘明涛,刘航,王艳.基于机器视觉的哈密瓜大小分级研究[J].新疆农机化,2016,02:
16-18.[7]王旭,赵志衡.基于机器视觉的柑橘分级技术研究[J].怀化学院学报,2016,05:
60-63.[8]任杰,李婷婷.基于PLC的水果大小连续分级设备设计[J].机械工程与自动化,2015,06:
100-101.[9]王映龙,徐辉辉,刘道金,刘木华.球形水果实时分级PLC控制系统[J].农业机械学报,2007,12:
229-231.[10]孟繁臻,宫元娟.基于PLC的寒富苹果自动分级生产线控制系统设计[J].农业科技与装备,2014,06:
37-38.
[11]黄信兵,刘小娟.基于PLC的脐橙分拣及装箱自动系统设计[J].广东农业科学,2013,15:
183-184+206.[12]沈从举,贾首星,郑炫,等.红枣分级机械的现状与发展[J].中国农机化学报,2013,34
(1):
26-30.[13]张有正.机器视角下的柑橘体积检测[J].长春理工大学学报,2013,8
(2):
191-192.[14]毛丽民,刘叔军,朱培逸,等.基于FPGA的水果边缘检测方法研究[J].科学技术与工程,2013,13(12):
3472-3480.[15]朱培逸,王引佳,高珏,等.基于PLC和组态王的水果品质分级系统设计[J].农机化研究,2013(10):
103-106.[16]葛纪帅,黄文倩,张弛,等.基于SolidWorks的称重式水果分选机设计[J].机械设计与制造,2012(7):
33-35.[17]胡静,郭新,何浩甲,等.基于多分类器融合的水果自动分级系统[J].上海电机学院学报,2012,15(3):
163-170.[18]夏卿,李先锋.基于改进PSO算法和LS-SVM的苹果分级检测[J].计算机与现代化,2012(5):
161-166.[19]周竹,黄懿,李小昱,等.基于机器视觉的马铃薯自动分级方法[J].农业工程学报,2012,28(7):
178-183.[20]龚昌来,罗聪,黄杰贤,等.基于机器视觉的柚子尺寸检测系统的研究[J].农机化研究,2013(11):
22-25..
指导教师审阅意见:
开题报告成绩:
指导教师(签字)2017年1月10日备注:
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 哈密瓜 分级 装置 设计 开题 报告