Электроннооптическое устройство оценки морфологических параметров клубней картофеля при сортосопровождении

• Автор: Покидов, Олег Викторович
• Шифр специальности: 05.20.02
• Научная степень: Кандидатская
• Год защиты: 2005
• Место защиты: Москва
• Количество страниц: 185 с. : ил.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ.

Глава 1. СОСТОЯНИЕ ПРОБЛЕМЫ И ЗАДАЧИ ИССЛЕДОВАНИЯ

1.1 Обоснование применения электроннооптического способа контроля морфологических параметров ООС клубней для сортоиспытания и в производстве семенного картофеля

1.2 Анализ современных систем машинного зрения для контроля качества агропродукции.

1.3 Цели и задачи исследования.

Глава 2. ЭЛЕКТЮННООГТГИЧЕСКОЕ УСТРОЙСТВО ИНФОРМАЦИОННОГО СОПРОВОЖДЕНИЯ МОРФОЛОГИЧЕСКИХ ПАРАМЕТРОВ КЛУБНЕЙ ДЛЯ ПРОЦЕССА СОРТОИСПЫТАНИЯ И ПРОИЗВОДСТВА СЕМЕННОГО КАРТОФЕЛЯ
2.1 Функциональная схема информационного сопровождения морфологических параметров клубней для процесса сортоиспытания и производства семенного картофеля

2.2 Исследование процесса формирования изображения объекта.

2.3 Теоретическое описание пространства признаков объекта

2.4 Обоснование структуры оценки морфологических параметров клубней

Глава 3. РАЗРАБОТКА ЭЛЕКТРОННООПТИЧЕСКОГО УСТРОЙСТВА ОЦЕНКИ МОРФОЛОГИЧЕСКИХ ПАРАМЕТРОВ ООС КЛУБНЕЙ.
3.1 Разработка аппаратной части электроннооптического устройства оценки морфологических параметров ООС клубней
3.2 Оценка формы клубня.
3.3 Оценка цветовых параметров клубня.
3.3.1 Выбор цветового пространства.
3.3.2 Составление алфавита классов цветовых параметров
3.3.3 Оценка окраски кожуры клубня
3.3.4 Оценка цвета основания глазка.
3.3.5 Оценка окраски мякоти клубня
Глава 4. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ ЭЛЕКТРОННООПТИЧЕСКОГО УСТРОЙСТВА ОЦЕНКИ МОРФОЛОГИЧЕСКИХ ПАРАМЕТРОВ ООС КЛУБНЕЙ.
4.1 Программа и методика исследований
4.2 Испытания электроннооптического устройства оценки морфологических параметров ООС клубней.
4.3 Определение погрешности измерения формы клубня.
4.4 Расчт наджности электроннооптического устройства оценки морфологических параметров ООС клубней
4.5 Оценка экономической эффективности.
ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ
СПИСОК ЛИТЕРАТУРЫ


Тем не менее, данную разработку нельзя назвать высокоэффективной из-за следующих обстоятельств: низкая информативность получаемых изображений клубней картофеля (по данным изображениям можно было оценивать только геометрические параметры клубня); низкая вычислительная мощность и сложная конструкция аппаратной части оптико - электронного устройства; невозможность приспособить устройство к новым задачам (при изменении числа фракций разделения необходимо заново разрабатывать аппаратную часть устройства). Тем не менее, к тому времени данное устройство было признано эффективным, так как срок его окупаемости составлял не более одного года. Однако, на сегодняшний день, электроннооптические системы, выполненные на основе ПЗС-матриц, из-за своих вышеперечисленных преимуществ, в большинстве своём заняли и продолжают удерживать центральную роль при контроле качества агропродукции. К сожалению, за последнее десятилетие резко сократилась разработка отечественных электроннооптических систем контроля качества агропродукции, а также отечественных научных публикаций посвященных данному вопросу. Эго обстоятельство объясняется тяжелой экономической ситуацией, сложившейся в нашей стране после распада СССР. Applied Engineering in Agriculture” и “Transactions of the ASAE” американской ассоциации инженеров аграриев (США) на период с по гг. Автором также был проведён патентный обзор разработок и достижений высокоразвитых капиталистических стран (Япония, Германия, США) за - годы. В настоящее время разработано множество электроннооптических систем (в зарубежной литературе систем машинного зрения) для контроля качества агропродукции, которые успешно применяются в сельском хозяйстве при автоматизации процесса сортирования агропродукции (яблок, томатов, зерен кукурузы и т. Создание современных систем машинного зрения для контроля качества агропродукции идет по двум взаимосвязанным направлениям. Первое направление - разработка аппаратной части систем машинного зрения. Второе направление - разработка прикладного программного обеспечения (ПО) для обработки получаемой цифровой информации с последующим принятием на ес основе соответствующего решения. Следует отметить, что возможности улучшения аппаратной части систем машинного зрения исчерпаны тем ассортиментом компонентов, которые на данный момент выпускает электронная промышленность. Тогда как в области улучшения ПО подобных ограничений нет, все зависит лишь от опыта и квалификации программиста. Исходя из этого, при обзоре современных систем машинного зрения для контроля качества агропродукции большее внимание будет уделено ПО рассматриваемых систем, функциональным и конструктивным особенностям. На рисунке 1. Бункер представляет собой цилиндр диаметром см, изготовленный из сетчатого листового металла. Внутренняя поверхность бункера имеет белый матовый цвет, тем самым обеспечивается отражение рассеянного света и исключается возможность появления теней и бликов на поверхности образца. Равномерное освещение внутри бункера обеспечивается четырьмя флуоресцентными лампами. В нижнем центре бункера установлен V-образный желоб-держатель образца с углом 0°. С двух сторон бункер оснащён окнами для установки блока видеодатчиков. Блок видеодатчиков представляет собой тандем из двух цветных ПЗС-камер Sony XS-1, соединённых через видео мультиплексор с фреймграбером (устройство для захвата изображения) Data Translation DT. Камеры регистрировали цифровые изображения образцов в цветовой системе RGB (red-красный; green-зелёный; blue-синий). На рисунке 1. ПЗС-камера. После захвата цифровое изображение образца на голубом фоне, размер которого составлял 2x2 пикселей и глубиной цвета 8 бит на пиксель, помещалось в один из трёх буферов памяти. Полученные изображения обрабатывались и анализировались на персональном компьютере Everex Step 6/ оснащённым процессором Intel 7/ с математическим сопроцессором для ускорения арифметических вычислений. Размер оперативной памяти персонального компьютера составлял 4 Мб (мегабайта), а размер кэш памяти составлял Кб (килобайта). Цифровые изображения образцов (клубней картофеля и яблок) обрабатывались по специально разработанному алгоритму классификации. На рисунке 1.