书目详细信息
： 基于机器视觉与深度学习咖啡豆的品质检测与分级研究
书目信息 机读格式(MARC)
| ISBN/价格： | CNY20.00 (估\呈缴)学位论文 |
|---|---|
| 作品语种： | chi |
| 出版国别： | CN 530000 |
| 题名责任者项： | 基于机器视觉与深度学习咖啡豆的品质检测与分级研究/.张成尧著/.张艳诚指导 |
| 出版发行项： | 2023.5.29 |
| 载体形态项： | 78页:;+图表:;+30cm |
| 一般附注： | 机电工程学院, 学号2020210041 |
| 提要文摘： | 随着中国社会经济不断发展，咖啡作为外来饮品进入中国，因其具有独特口感风味，能提神解压具有保健功效的作用，受到越来越多的人的青睐，带来了巨大的经济效益。近年来我国咖啡产业不断增大，云南作为中国最大的咖啡种植基地之一，也扮演着咖啡贸易和出口的重要角色，但我国精品咖啡豆环节在国际市场却没有竞争优势，由于我国在咖啡生豆品质检测分级方法较为落后，主要依靠人工和色选机筛选，导致咖啡品质分级评判标准具有主观性和机筛的片面性，极大地影响咖啡生豆品质检测分级的准确性和分级效率。因此提出一种咖啡快速、准确的品质检测与分级技术具有重要意义。 本研究主要以云南阿拉比卡小粒种咖啡生豆为研究对象，依据咖啡生豆品质检测的农业行业分级标准NY/T604-2020为指导依据，运用深度学习技术，实现咖啡生豆的瑕疵检测，通过机器视觉技术利用图像处理方法获取咖啡正常豆的分级特征，建立咖啡正常豆的含水率预测模型和分级模型。 具体研究内容如下： （1）咖啡生豆图像采集系统的搭建及图像采集与图像预处理。结合咖啡品质检测与分级的要求，搭建获取咖啡生豆的图像采集装置，获取咖啡生豆图像。为提高咖啡生豆图像质量，对采集的图像进行标定、去噪和目标分割等处理，为咖啡生豆含水率预测模型和分级模型的建立奠定基础。 （2）咖啡瑕疵豆检测研究。首先建立咖啡瑕疵豆检测数据集，并对数据集进行数据增强。其次介绍模型结构背景与原理，采用YOLOv5s算法为深度学习模型，通过优选不同的注意力机制模块与激活函数来提高咖啡瑕疵豆识别准确率。经过200次迭代训练，模型准确率为99.5%，平均精度均值为97.6%，召回率为0.98，识别速率为64幅/s，模型大小为15 M。将改进的模型与目前主流的目标检测模型Faster-RCNN、SSD、YOLOv3、YOLOv4、YOLOv5s进行对比分析。针对咖啡生豆在检测过程中存在的实际情况分别分析了模型在单粒识别、多粒识别和粘连识别，在单粒识别中，咖啡生豆的破损豆、带壳豆、霉菌豆和正常豆的准确率分别为96.7%、100%、96.7%、90%，模型的平均准确率为97.4%；多粒识别中8粒、30粒、60粒、90粒120粒、300粒的平均准确率分别为91.25%、89%、87.7%、85.6%、80.2%、67.6%；在粘连识别分析中，轻度粘连、中度粘连和重度粘连的识别准确率分别是90.5%、83.3%、45.5%，三种粘连平均准确率为73.1%。 （3）咖啡正常豆含水率检测研究。对经过预处理的咖啡正常豆图像进行颜色特征、形状特征的提取。对22个颜色特征量和6个形状特征量，进行相关性分析，将相关性高的特征量作为线性回归分析的特征量。其中G分量与周长在一元回归分析中的含水率拟合效果最好，其  分别为0.789和0.795，最后通过G分量和周长建立含水率多元回归预测模型，并对模型进行线性诊断和样本修正得到最终的含水率预测模型。（4）咖啡正常豆分级研究。本章利用PCA对含水率预测模型中表现为极显著的9个咖啡生豆特征指标进行降维，得3个主成分，这3个量纲可以解释原数据96.411%，并利用降维数据与原始数据分别建立KNN咖啡正常豆的分级模型，当K值为16时的原始数据+KNN模型准确率最高，其值在验证集和测试集的准确率分别为70.2%、70%；当K值为2时的PCA+KNN模型准确率最高，其值在验证集和测试集的准确率分别为93.8%、92.2%，且具有良好的泛化能力和稳定性。 |
| 并列题名： | Research on Quality Detection and Grading of Coffee Beans Based on Machine Vision and Deep Learning |
| 题名主题： | 咖啡生豆 品质检测与分级 深度学习 含水率 KNN 学位论文 |
| 中图分类： | TS201.1-533 |
| 个人名称等同： | 张成尧 著 |
| 个人名称次要： | 张艳诚 指导 |
| 团体名称等同： | 云南农业大学 授予 |
| 记录来源： | CN YNAUL 20240301 |