论文部分内容阅读
蛋品人工分级工作量巨大,检测结果不具有客观性并且准确率低,不能满足现代化工业生产需要。全球蛋品自动分级检测技术主要分为基于计算机视觉的技术和基于声学和光学的技术。基于声学和光学的蛋品分级技术中使用的设备成本高昂并且在检测中会造成蛋壳破损。基于计算机视觉技术更适合在我国蛋品加工业推广。本课题基于计算机视觉蛋品检测技术,采用颜色聚类算法对蛋品图像进行分析,根据聚类结果测定哈夫指数和蛋形指数,进行蛋品分级。颜色聚类算法是在聚类算法的基础上,根据特定的颜色空间模型进行聚类分析。常用的颜色聚类算法分为阈值方法和区域方法。阈值方法因其简单而性能稳定而成为颜色聚类的基本技术。在传统颜色聚类算法中,K-means算法和模糊C均值算法的效果比较好。可信C均值算法是对模糊C均值算法在可信分割方面的改进。传统聚类算法依赖于聚类中心和初始聚类数目,常常收敛于局部最优解。将现代启发式算法引入传统聚类算法能弥补传统聚类算法的缺点和不足,遗传算法、神经网络和蚁群算法等与传统聚类算法相结合,聚类效果更好。本文基于遗传算法与可信C均值相结合设计蛋品分级算法,主要由蛋品聚类算法、食用新鲜度分级算法和种蛋优良度分级算法组成,其中聚类算法是本文研究的主要内容和重点。蛋品聚类算法采用HIS颜色模型,以聚类中心为基础的二进制编码,通过H分量统计图初始化种群,进行遗传操作,对每一代种群进行可信C均值优化,最终获得聚类中心矩阵V的最优解,然后通过解码输出聚类结果。根据蛋品聚类结果测定哈夫指数和蛋形指数,分别实现蛋品新鲜度和种蛋优良度分级。通过实验证明,利用H分量统计图初始化种群可以提高聚类有效性,可信C均值优化能够提高聚类的准确率,遗传算子的设计能够提高算法的收敛性能。哈夫指数和蛋形指数的测定算法准确率高。从而证明本文设计算法是对生产实践具有指导意义。