论文部分内容阅读
在饲料加工过程中,由于原料输送设备或旋转分配器等机械故障或操作失误等原因可能导致原料不能进入固定的配料仓,当下大部分饲料厂仍利用人工在溜管取样口取样,对入仓原料种类进行感官识别。为顺应生产饲料过程的自动化、智能化发展需求,针对入仓原料种类采用人工感官识别的生产实际问题,本研究采集饲料原料的光谱和图像信息,建立饲料原料种类识别模型,分别提出基于光谱和图像信息的饲料原料种类识别方法,以及基于光谱和图像信息融合的原料种类识别方法,为实现入仓原料种类识别的自动化提供参考。主要研究内容和结果如下:（1）采集十类大宗饲料原料,包括玉米粉、小麦粉、稻谷粉、麸皮、面粉、膨化玉米、豆粕、棉籽粕、花生粕、鱼粉各60份。利用自主搭建的可见/近红外光谱信息采集系统,分别采集十类原料的原始光谱数据,求得平均光谱作为其光谱数据;利用MV-VS1200S机器视觉实验开发平台分别采集十类原料的图像,运用Matlab提取6个表示图像颜色特征的R、G、B、H、S、V值,利用Python提取对比度（Contrast）、相异性（Dissimilarity）、同质性（Homogeneity）、能量（Energy）、相关性（Correlation）和角二阶矩（Asm）6个纹理特征值,对各项求平均值作为纹理特征参数。利用SPXY算法按照7:3的比例划分校正集和预测集,用于原料种类识别模型的建立与验证。（2）开展基于光谱信息的饲料原料种类识别方法研究。采用平滑（Smoothing）、归一化（Normalize）、多元散射校正（MSC）和导数（Derivatie）四种光谱预处理方法,采用竞争性自适应加权算法（CARS）、无信息变量消除法（UVE）和连续投影法（SPA）三种特征波长提取算法,分别建立偏最小二乘判别分析（PLS-DA）、支持向量机（SVM）、人工神经网络（ANN）和Baseline模型。以原料种类识别准确率为评价指标,确定最优预处理、特征波长提取和建模方法。结果表明,采用归一化（Normalize）预处理后所建立的SVM识别模型校正集识别准确率为93.10%,预测集识别准确率为91.11%,交互验证准确率为98.33%;采用竞争性自适应加权算法（CARS）特征提取方法所建立的SVM识别模型校正集准确率为93.56%,预测集准确率为92.78%,交叉验证准确率为90.00%。基于光谱信息所建立的原料种类识别模型可以实现原料种类识别,但识别准确率有待提高。（3）开展基于图像信息的饲料原料种类识别方法研究。分别利用颜色、纹理、颜色和纹理特征作为输入变量建立偏最小二乘判别分析（PLS-DA）、支持向量机（SVM）和人工神经网络（ANN）模型,以原料种类识别准确率为评价指标确定最优特征变量。结果表明,颜色和纹理特征作为输入变量建立的SVM模型校正集准确率可达99.78%,预测集准确率可达100%。基于图像信息所建立的原料种类识别模型可以很好地实现原料种类识别。（4）开展基于光谱和图像信息融合的饲料原料种类识别方法研究。以特征层、决策层两种形式融合信息。在特征层方面,分别利用光谱结合颜色、光谱结合纹理、光谱结合颜色和纹理三个特征作为输入变量分别建立偏最小二乘判别分析（PLSDA）、支持向量机（SVM）、人工神经网络（ANN）和Baseline模型。结果表明,利用光谱结合颜色和纹理特征建立的ANN模型校正集准确率可达94.05%,预测集准确率可达100%;在决策层融合方面,基于D-S证据融合理论建立SVM识别模型,其校正集准确率为94.76%,预测集准确率为91.11%。特征层水平融合识别效果更好,基于光谱和图像信息融合的饲料原料种类识别方法能够很好地完成定性识别任务。比较基于光谱信息、图像信息和信息融合所建模型的识别效果,采用信息融合方法可以很好地处理颜色、纹理特征各具差异的饲料原料,模型结果较为稳定,能够很好地解决多类饲料原料的识别问题,为解决饲料原料入仓前的种类识别提供了一种新的思路和方法。