1.选题意义
1.1理论意义
智慧农业已成为当今现代农业发展的大趋势,而水果图像的识别在智慧农业领域具有重要的地位。传统的水果秤需要通过人工辨别水果的种类,然后选择对应的价格进行计价操作。在该方式下,由于人的分辨能力以及记忆有限,所以计价环节容易出错,特别是在大型超市中,会带来不小的经济损失。
1.2现实意义
随着国内农产品电子商务的快速发展,水果和蔬菜的销售模式发生了巨大改变。超市和果蔬连锁经营店,越来越多的采用“线上下单,线下配送”的模式与传统的经营模式相结合的方法来进行果蔬的销售。这种新型的果蔬销售经营方式,在“多订单,快配送”的要求下,在进行人工识别果蔬时很可能会发生错误。同时,果蔬类食品追溯体系也希望对果蔬种类进行快速和准确的识别和称重。
2.研究现状(文献综述)
2.1国外研究现状
国外对果蔬种类识别的研究可追溯到 21 世纪 80 年代,由于当时计算机的处理水平较低,计算速度慢,对果蔬识别分类的研究集中在理论方面。近些年来随着科学技术的快速发展,硬件技术得到了极大的提高,计算机对大量数据的处理速度也越来越快,这极大的促进了机器视觉在果蔬分类中的应用发展。以下是最近几年部分国外学者对果蔬分类识别的研究成果:
2010 年,Anderson Rocha等人针对机器视觉和模式识别问题中分类器的问题,提出一种能够结合多种特征和多分类器的统一分类法,能够应用到配送中心和超市等半控制的环境中,实现多层次的果蔬识别,结果表明,能够降低分类误差。
2014 年,Seema Paragi 和 H. Girish提出一种 intermeans 分割算法对水果图像进行分割。通过实验验证,该种方法能够避免水果图像中阴影问题的干扰,进而对水果图像准确分割。同时,对三种不同的分类器进行对比,得出距离分类器只需要较少的样本就可以取得较好的分类结果,贝叶斯分类器在只利用一种特征时也能够取得较好的结果,而 SVM 分类器对于二分类问题具有较好的效果。
2.2国内研究现状
国内将机器视觉技术应用在果蔬识别分类中的研究起步较晚,但是近些年来国内学者对果蔬的自动识别分类已经取得了一些成果和进步。以下是最近几年国内部分学者对果蔬识别分类的研究成果:
2011 年,阳江平选用 35 种果蔬图像作为研究对象,利用主成分分析法对果蔬图像的 Gabor 特征进行降维处理,将处理后的特征作为判断果蔬种类的特征,并利用纠错 SVM 对果蔬进行分类,实验证明识别率能够达到 97.14%。 2013 年,高瑞军、黄永盛等提出一种基于稀疏表征特征的果蔬识别算法,文中首先对果蔬装置采集得到的果蔬图像进行预处理,得到归一化的果蔬图像,然后提取果蔬图像的 5 尺度 8 方向的 Gabor 小波特征,采用 PCA 对 Gabor 特征进行降维处理,构建稀疏表征识别分类模型,并对提取的特征进行分类识别。实验证明识别的正确率能够达到 96%左右,并且具有错识率低,识别速度快的特点。
2014 年,陶华伟、赵力、奚吉等在对果蔬种类识别方法的研究中,用HSV 颜色直方图和内外点颜色直方图表述果蔬的颜色特征,用颜色完全局部二值模式提取果蔬图像的纹理特征,然后融合颜色特征和纹理特征,采用最近邻分类器对果蔬图像进行分类,实验证明在识别率和识别时间上都有大幅的提高。
2015 年,霍志林等针对我国蔬菜类食品安全追溯系统中有关蔬菜种类信息采集中存在的问题,利用灰度共生矩阵提取蔬菜的纹理特征,并利用支持向量机作为分类器,实验表明利用灰度共生矩阵表征的纹理特征能够对蔬菜种类识别取得较好的分类结果。
2016 年,朱黎辉针对单一特征不能够完全表征图像特征的问题,提出一种多特征组合的球形果蔬智能分选方法,文中将颜色矩、Zernike 矩、灰度共生矩三种图像特征融合,并利用 BP 神经网络和支持向量机验证分选的效果,实验证明分选率能够达到 95%以上。
从最近几年国内外学者在果蔬分类识别的研究中,可以看到国内外学者已经进行了许多的理论和算法的研究。但是将理论算法应用于实际应用场合的较少。
3.毕业论文(设计)提纲。
1.绪论
1.1研究背景及意义
1.2国内外研究现状
1.3研究内容与组织结构
2.系统硬件模块选择与平台搭建
2.1系统概述
2.2系统模块选择
2.3硬件开发环境搭建
2.4软件开发环境搭建
3.系统总体设计方案
3.1系统工作流程
3.2系统设计需求
3.2.1 功能需求
3.2.2 性能需求
3.3 系统软件设计
3.3.1 数据库设计
3.3.2 水果识别软件设计
3.3.3 水果信息管理软件设计
3.4 系统硬件设计
3.4.1 图像采集模块设计
3.4.2 存储模块设计
3.4.3 接口模块设计
4.系统实现与测试
4.1前端界面实现
4.2 后端接口实现
4.3 运行测试
5.总结与展望
参考文献
[1]雷得超,任守华.基于OpenCV图像处理车牌识别系统分析研究[J].电脑与信息技术,2022,30(04):15-17.
[2]曹树星.基于OpenCV的直道车道线识别技术研究[J].汽车实用技术,2022,47(05):26-29.
[3]林孝腾,孙茜,郑书河.基于OpenCV的低能耗植物工厂照明系统设计与试验[J].浙江农业学报,2022,34(03):626-635.
[4]邓国立,杨春山.基于OpenCV-Python的卷积神经网络手写数字识别研究[J].桂林航天工业学院学报,2021,26(04):428-434.
[5]李先锋,徐森,花义明.基于OpenCV计算机视觉的海事视频船舶火灾烟雾检测技术[J].舰船科学技术,2021,43(22):202-204.
[6]姜淑凤,柯寅峰,张然,何鑫林.基于Opencv2的零件轮廓图像自动检测法研究[J].齐齐哈尔大学学报(自然科学版),2022,38(01):39-43.
[7]李成勇,王莎,陈成瑞.基于OpenCV的人脸识别系统设计与实现[J].国外电子测量技术,2021,40(11):168-172.
[8]张伯辰,施鑫杰,霍梅梅.基于OpenCV的树莓派人脸识别疲劳驾驶检测系统[J].现代计算机,2021,27(23):129-132.
[9]李军,钟鹏.OpenCV的车道线检测方法[J].华侨大学学报(自然科学版),2021,42(04):421-424.
[10]聂文都,蔡锦凡.基于OpenCV与SVM的车牌识别方法[J].计算机与数字工程,2021,49(06):1244-1247+1268.
[11]邓永康. 基于OpenCV运动目标检测的跟踪系统开发[D].北京化工大学,2021.
[12]张玉荣,王强强,吴琼,祝方清.基于Python-OpenCV图像处理技术的小麦不完善粒识别研究[J].河南工业大学学报(自然科学版),2021,42(06):105-112.
[13]张启轩,袁明辉.基于OpenCV的物体图像边缘缺陷识别研究[J].软件导刊,2021,20(04):231-235.
[14]姜玉良. 基于OpenCV的复杂背景下苹果目标的识别定位方法研究[D].哈尔滨理工大学,2021.
[15]王恒涛.基于TensorFlow、Keras与OpenCV的图像识别集成系统[J].电子测试,2020(24):53-54+124.
[16]赵博文,潘在峰,王蓉,郭雅馨.基于OpenCV的图像滤波方法比较[J].信息与电脑(理论版),2020,32(15):78-80.
[17]蓝若岚,谢清连,唐红宾.基于PLC的工业电子秤设计[J].装备制造技术,2020(04):15-18.
[18]崔传宝,丁昊生,刘加树.电子皮带秤零点漂移检测装置与研究[J].数字技术与应用,2019,37(05):123-124.
[19]冯硕.基于PLC的全自动粮食包装机电气控制系统的设计[J].农机化研究,2019,41(12):199-203.
[20]杨芳. 基于OpenCV的双目视觉系统目标定位与测距方法研究[D].宁夏大学,2018.
[21]岳兵. 基于OpenCV的目标检测与跟踪算法的研究与实现[D].安徽大学,2016.
[22]卜秋月. 基于OpenCV的人脸识别系统的设计与实现[D].吉林大学,2015.
[23]孙志. 基于OpenCV的人脸识别算法实验平台研究与实现[D].吉林大学,2014.
标签:基于,OpenCV,--,opencv,文档,2021,图像,果蔬,识别 From: https://blog.51cto.com/u_16306489/7921440