哈密瓜分級裝置的設(shè)計含SW三維及15張CAD圖帶開題-獨家.zip
哈密瓜分級裝置的設(shè)計含SW三維及15張CAD圖帶開題-獨家.zip,哈密瓜,分級,裝置,設(shè)計,SW,三維,15,CAD,開題,獨家
哈密瓜分級裝置的設(shè)計開題報告
一、本課題來源及研究的目的和意義
1、課題來源
XXXX
2、本課題研究的目的和意義
1）研究目的
隨著經(jīng)濟的快速發(fā)展，人民生活水平的提高，消費者的消費觀念也日益提高，
人民在選購農(nóng)產(chǎn)品時，不僅關(guān)注其外部品質(zhì)，而且關(guān)心它們的內(nèi)在營養(yǎng)價值。例如消費者在選購哈密瓜時除了注重哈密瓜的大小、顏色、外觀形狀等外部品質(zhì)之
外，對于內(nèi)部品質(zhì)如口感度、糖度以及酸度等指標也極為看重。我國加入世貿(mào)組
織后，水果需求大量增加，品質(zhì)要求日益提高，水果采后分級作為保證其品質(zhì)的
技術(shù)受到重視，并直接影響水果的出口。中國的水果種植面積和總產(chǎn)量均居世界
之首，但是水果出口量和出口價格都較低，這是由于水果未經(jīng)商品化處理，在水
果的大小、顏色、紋理、糖度、酸度等方面未進行規(guī)格的等級劃分，良莠不齊，
造成價格低，嚴重影響了我國水果的經(jīng)濟效益。
2）研究意義
目前我國的水果分級主要依靠人工完成, 利用人工進行水果品質(zhì)檢測和分
級雖然可行，但勞動強度大，工作效率低，且由于個人視力差別、情緒、疲勞和
光線強弱等因素的影響，分級的準確性較差。近年來，隨著電子技術(shù)、計算機技
術(shù)、圖像處理技術(shù)和模式識別技術(shù)的飛速發(fā)展，利用機器視覺技術(shù)進行水果自動
分級得到了廣泛研究，國內(nèi)外都已開發(fā)出了基于機器視覺技術(shù)的水果自動分選
機，并且基于多光譜在線檢測與分級技術(shù)也已經(jīng)進行了大量研究。而這類產(chǎn)品的
三個核心基礎(chǔ)部件就是水果在線檢測裝置、水果輸送裝置以及水果分級卸料裝
置。水果輸送裝置必須確保機器視覺系統(tǒng)的圖像采集系統(tǒng)能夠采集到被檢測水果
的有效信息。
利用機器視覺進行水果分級可以同時對多個標準, 包括水果的尺寸大小、顏
色、形狀、紋理等外觀品質(zhì)一次性進行綜合分級。其分級的客觀性強、標準穩(wěn)定、
一致性好、效率高, 而且非接觸無傷害。高光譜圖像技術(shù)集合了圖像學(xué)、光學(xué)、
信息處理以及計算機科學(xué)技術(shù)，在傳統(tǒng)的二維成像技術(shù)的基礎(chǔ)上，有效的結(jié)合光
譜技術(shù)，可獲得待測對象的超多波段、光譜高分辨率和圖譜合一的信息，實現(xiàn)其
綜合品質(zhì)的檢測。高光譜圖像技術(shù)結(jié)合了圖像學(xué)和光譜學(xué)兩種技術(shù)的優(yōu)勢，在農(nóng)
產(chǎn)品的內(nèi)部和外部綜合品質(zhì)進行多信息融合無損檢測分級中具有很大的發(fā)展?jié)?
力。因此，研究機器視覺技術(shù)結(jié)合高光譜圖像技術(shù)為多光譜在線檢測與分級技術(shù)
打下良好的理論基礎(chǔ)，實現(xiàn)哈密瓜品質(zhì)的自動檢測分級。
二、本課題所涉及的問題在國內(nèi)(外)研究現(xiàn)狀及分析
1、國外研究現(xiàn)狀
Dull等（1989）利用近紅外光譜技術(shù)檢測了成熟羅馬甜瓜中蔗糖與可溶性固形物的含量。實驗結(jié)果表明：完整果相關(guān)系數(shù)僅為0.60，正標準誤差（SEC）為1.67，預(yù)測標準誤差（SEP）為2.18，薄片樣本取得較好的試驗結(jié)果，其相關(guān)系數(shù)為0.97，SEC為0.56，SEP為1.56，造成較大差異的原因主要是瓜皮厚的特性，使得果皮有較強的吸收。
Dull等(1990) 利用近紅外透射光譜儀測定甜瓜的可溶性固形物，運用2個二階導(dǎo)數(shù)的比值建立校正模型，模型校正相關(guān)系數(shù)為0.85，標準誤差為1.5。Brandon等(1990) 利用機器視覺系統(tǒng)獲得胡蘿卜頂部圖像，以外部形狀特征參數(shù)輸入神經(jīng)網(wǎng)絡(luò)，將胡蘿卜頂部形狀分為5個等級，平均分類準確率為85%。
Dull等(1992) 研制了一個能對甜瓜可溶性固形物含量進行無損檢測的儀器。儀器使用斜臺-干涉-濾波技術(shù)進行掃描，使用一個有軌探測器檢測透過瓜肉內(nèi)部的光譜。其相關(guān)系數(shù)為0.91，校正標準誤差和預(yù)測標準誤差分別為0.82%，和1.85%。
Paulus等(1997) 提出三種方法進行水果大小分級依據(jù)的尺寸：表面積（根據(jù)水果四個不同角度的投影面積來計算）、直徑（每個水果四幅圖像中直徑的平均值）、體積（將水果看作半徑為平均半徑的球體而進行計算），但Paulus等人沒有進行驗證性試驗研究。
Alexios等（2002） 開發(fā)了基于DSP的柑橘在線多光譜并行檢測系統(tǒng), 可以檢測柑橘的大小、顏色和缺陷, 工作效率為每秒5個柑橘。
Tsuta等(2002) 利用紅外光譜儀通過測量甜瓜赤道部位25 mm直徑的圓柱形區(qū)域得到其吸收光譜，在874 nm和902 nm的吸收峰與甜瓜總糖含量建立相關(guān)性研究，相關(guān)系數(shù)為0.99，標準誤差為0.333。
Maruo等(2002) 在光譜800-1000 nm波段范圍內(nèi)采用激光透射方法對甜瓜進行光譜采集，建立光譜與果肉可溶性固形物、堅實度的相關(guān)關(guān)系，并對其它樣品進行預(yù)測。試驗表明，采用激光透射方式可以實現(xiàn)對甜瓜品質(zhì)指標的無損檢測。
Juan 等(2005) 采用 高 光譜圖 像 技術(shù) 實 現(xiàn) 了對 “GoldenDelicious” 和“Jonagold”蘋果表面損傷的檢測：采用均值濾波法，首先對采集到的高光譜圖像光譜維區(qū)域進行預(yù)處理；然后利用主成分分析法進行圖譜數(shù)據(jù)降維，得到蘋果表面損傷檢測的最佳主成分圖像；最后，采取閾值分割法對蘋果表面損傷進行檢測。試驗結(jié)果表明，對“GoldenDelicious”蘋果表面損傷的檢測正確率為86%，“Jonagold”蘋果表面損傷的檢測正確率為75％。
Masateru Nagata等（2005年） 應(yīng)用近紅外高光譜成像技術(shù)對草莓的可溶性固形物進行了預(yù)測，測量波長范圍為650-1000nm，最后提取五個特征波長建立預(yù)測模型對可溶性固形物獲得0.87的相關(guān)系數(shù)。
Gamal等（2006） 研究采用高光譜成像技術(shù)（400-1000 nm）檢測草莓的含水率、酸度及可溶性固形物。利用PLS方法對光譜數(shù)據(jù)進行處理分析，確定最佳波段，并建立多元線性回歸模型，對其含水率、酸度及可溶性固形物檢測的相關(guān)系數(shù)分別為 0.90，0.87，0.80。
Renfu Lu（2007） 研究采用高光譜散射成像技術(shù)對兩種蘋果的可溶性固形物進行無損檢測，采用主成分分析和神經(jīng)網(wǎng)絡(luò)結(jié)合方法對兩種蘋果的堅實度和可溶性固行物進行預(yù)測，對Golden Delicious蘋果SSC預(yù)測相關(guān)系數(shù)為 0.79，預(yù)測樣本中的標準誤差為0.72%，而對Red Delicious蘋果堅實度預(yù)測相關(guān)系數(shù)為0.64, 預(yù)測樣本中的標準誤差為 0.81%。
Hyun等（2007） 利用高光譜成像技術(shù)無損檢測蘋果品質(zhì)。試驗中，采用主成分分析對光譜數(shù)據(jù)進行處理，并通過神經(jīng)網(wǎng)絡(luò)建立回歸預(yù)測模型。試驗結(jié)果表明，對蘋果可溶性固形物和可滴定酸含量的預(yù)測相關(guān)系數(shù)R分別為0.75和0.57。
ELMASRYG等（2007） 利用高光譜圖像技術(shù)研究了草莓含水率、酸度及可溶性固形物。采用偏最小二乘法(PLS)進行數(shù)據(jù)處理，并獲得最佳光譜波段。采用全光譜波段進行多元線性回歸建模，預(yù)測模型的含水率、酸度及可溶性固形物預(yù)測的相關(guān)系數(shù)分別為：0.90，0.870，0.80；利用最佳光譜波段進行多元線性 回歸建模，預(yù)測模型的含水率、酸度及可溶性固形物預(yù)測的相關(guān)系數(shù)分別為：0.87，0.92，0.80。試驗結(jié)果表明，高光譜圖像技術(shù)可無損檢測水果內(nèi)部品質(zhì)。
2、 國內(nèi)研究現(xiàn)狀
我國學(xué)者是近幾年來才開始利用機器視覺技術(shù)及高光譜圖像對水果品質(zhì)進行無損檢測研究的。國內(nèi)江西農(nóng)業(yè)大學(xué)的劉木華教授、江蘇大學(xué)的趙杰文教授和蔡健榮教授、華南農(nóng)業(yè)大學(xué)的洪添勝教授、中國農(nóng)業(yè)大學(xué)的彭彥昆教授、浙江大學(xué)的應(yīng)義斌教授等均對西瓜、梨、蘋果、柑橘、獼猴桃等水果的品質(zhì)無損檢測及分級系統(tǒng)進行了一定研究工作。應(yīng)義斌等（2002） [31] 研制了一套適合黃花梨品質(zhì)檢測的機器視覺系統(tǒng)，設(shè)計了一種利用水果最小外接矩形（MER）法求最大橫徑，以適應(yīng)實際生產(chǎn)中水果方向的隨機性和水果外形的不規(guī)則的要求。試驗表明：實際最大橫徑與預(yù)測最大橫徑的相關(guān)關(guān)系為0.9962。
洪添勝等(2007) [32] 利用高光譜圖像技術(shù)無損檢測雪花梨內(nèi)部品質(zhì)。對光譜信息進行MSC預(yù)處理，通過獲得雪花梨的光譜反射回歸曲線，分別選取含糖量和含水量相關(guān)性最好的5 個特征波段，采用人工神經(jīng)網(wǎng)絡(luò)方法對雪花梨的含糖量和含水量進行建?；貧w分析。結(jié)果表明，對含糖量和含水量預(yù)測的誤差分別為0.4749°及0.0658%。
田海清、應(yīng)義斌等(2007) [33] 設(shè)計了近紅外透射式西瓜可溶性固形物含量(SSC)檢測系統(tǒng)，對50個樣本的麒麟瓜SSC進行預(yù)測試驗研究，采用主成分回歸和偏最小二乘回歸的方法分別建立樣品的原始光譜、一階微分光譜、二階微分光譜和SCC的預(yù)測模型。試驗表明：偏最小二乘法的建模效果較好，其校正集相關(guān)系數(shù)為0.951，均方根誤差0.347，預(yù)測集相關(guān)系數(shù)為0.910，均方根誤差0.302。
劉木華等(2008) [34] 利用高光譜圖像技術(shù)對臍橙糖度進行檢測的研究。通過獲取光譜數(shù)據(jù)處理，獲取反映臍橙糖度的特征波長；應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法建立臍橙糖度的預(yù)測模型。結(jié)果表明，臍橙糖度預(yù)測模型相關(guān)系數(shù)R=0.831。
蔡健榮等(2009) [35] 探尋了獼猴桃糖度快速無損檢測方法。采用小波濾噪法對獼猴桃近紅外光譜區(qū)域進行預(yù)處理，運用偏最小二乘（PLS）、區(qū)間偏最小二乘(iPLS)和聯(lián)合區(qū)間偏最小二乘(siPLS)分別建立預(yù)測模型。試驗表明，采用聯(lián)合偏最小二乘法（siPLS）建立的獼猴桃糖度模型效果最佳，校正集相關(guān)系數(shù)和均方根誤差分別為0.9414和0.3788，預(yù)測集相關(guān)系數(shù)和均方根誤差分別為0.9295和0.3904。
3、技術(shù)分析
緊密結(jié)合地區(qū)的農(nóng)業(yè)生產(chǎn)實際，選擇的特色水果—哈密瓜為研究對象，綜合利用機械設(shè)計基礎(chǔ)、農(nóng)業(yè)物料學(xué)、Matlab、C 程序設(shè)計、光學(xué)、光譜分析、數(shù)學(xué)、計算機、模式識別、計算機圖像處理技術(shù)、CCD 技術(shù)、主成分分析、小波分析、獨立分量分析、波段比算法、小波變換、主成分回歸、偏最小二乘回歸、人工神經(jīng)網(wǎng)絡(luò)等眾多領(lǐng)域的知識，自主創(chuàng)新，采用理論分析和試驗研究相結(jié)合的方法，擬開展以下研究工作：
① 優(yōu)化配置好適于哈密瓜檢測的機器視覺及高光譜圖像試驗系統(tǒng)。主要進行物距調(diào)整、哈密瓜光源系統(tǒng)的選擇及輸送裝置的優(yōu)化。
② 利用機器視覺系統(tǒng)獲得用于檢測哈密瓜外部品質(zhì)的圖像信息，通過圖像處理技術(shù)，提取哈密瓜外部品質(zhì)特征用于檢測哈密瓜的大小、重量和網(wǎng)紋率。
③ 研究不同品質(zhì)的哈密瓜在不同波長光線(400-1000 nm)照射下的分光反射特性，從獲取的高光譜圖像中尋找最能反映哈密瓜品質(zhì)的最優(yōu)特征波長和特征波長下的圖像信息，提取光譜信息并確定其品質(zhì)與糖度之間的相關(guān)關(guān)系，建立哈密瓜糖度預(yù)測模型。
④ 研究不同大小、網(wǎng)紋品質(zhì)的哈密瓜分級檢測方法，對獲取的哈密瓜高光譜圖像進行邊緣提取及二值化等處理，以其自然對稱形態(tài)特征為依據(jù)，確定哈密瓜外部品質(zhì)檢測方向，進一步檢測哈密瓜的大、重量小及網(wǎng)紋率，對比分析兩種技術(shù)，并建立哈密瓜分級輸送裝置設(shè)計參比數(shù)據(jù)。
⑤ 設(shè)計哈密瓜分級輸送裝置。根據(jù)哈密瓜大小不同，設(shè)計哈密瓜平穩(wěn)輸送試驗系統(tǒng)，并保證哈密瓜在輸送過程中不出現(xiàn)明顯的機械損傷。
三、對課題提出的任務(wù)
要求及實現(xiàn)預(yù)期目標及內(nèi)容：
預(yù)期目標：1.搭建哈密瓜分級裝置三維模型；
2.對關(guān)鍵部件進行優(yōu)化設(shè)計；
3.完成哈密瓜分級裝置樣機制備。
具體內(nèi)容：1.畢業(yè)設(shè)計開題報告1份，文獻綜述以及外文資料翻譯；
2.運用SolidWorks軟件進行三維圖繪制；
3.購買所需材料并進行試驗臺搭建。
4、 本課題需要重點研究的、關(guān)鍵的問題及解決的思路
存在的問題
利用人工進行水果品質(zhì)檢測和分級雖然可行，但勞動強度大，工作效率低，且由于個人視力差別、情緒、疲勞和光線強弱等因素的影響，分級的準確性較差
解決問題的途徑
① 優(yōu)化配置好適于哈密瓜檢測的機器視覺及高光譜圖像試驗系統(tǒng)。主要進行物距調(diào)整、哈密瓜光源系統(tǒng)的選擇及輸送裝置的優(yōu)化。
② 利用機器視覺系統(tǒng)獲得用于檢測哈密瓜外部品質(zhì)的圖像信息，通過圖像處理技術(shù)，提取哈密瓜外部品質(zhì)特征用于檢測哈密瓜的大小、重量和網(wǎng)紋率。
③ 研究不同品質(zhì)的哈密瓜在不同波長光線(400-1000 nm)照射下的分光反射特性，從獲取的高光譜圖像中尋找最能反映哈密瓜品質(zhì)的最優(yōu)特征波長和特征波長下的圖像信息，提取光譜信息并確定其品質(zhì)與糖度之間的相關(guān)關(guān)系，建立哈密瓜糖度預(yù)測模型。
④ 研究不同大小、網(wǎng)紋品質(zhì)的哈密瓜分級檢測方法，對獲取的哈密瓜高光譜圖像進行邊緣提取及二值化等處理，以其自然對稱形態(tài)特征為依據(jù)，確定哈密瓜外部品質(zhì)檢測方向，進一步檢測哈密瓜的大、重量小及網(wǎng)紋率，對比分析兩種技術(shù)，并建立哈密瓜分級輸送裝置設(shè)計參比數(shù)據(jù)。
⑤ 設(shè)計哈密瓜分級輸送裝置。根據(jù)哈密瓜大小不同，設(shè)計哈密瓜平穩(wěn)輸送試驗系統(tǒng)，并保證哈密瓜在輸送過程中不出現(xiàn)明顯的機械損傷。
五、完成本課題所必須的工作條件及解決的辦法
1、完成本課題所必須的工作條件
1）SolidWorks軟件，手冊及書籍；
2）SolidWorks軟件，計算機環(huán)境；
3）設(shè)計研究場所
2、解決的辦法
（1）使用自己的計算機一臺，并且安裝有SolidWorks軟件，
（2）教師電子備課室的開放時間足以保證時間要求。
（3）通過個人購買、網(wǎng)絡(luò)搜索、大學(xué)圖書館和學(xué)院資料室借閱解決。
六、完成本課題的工作方案及進度計劃
1、完成本課題的工作方案
為完成本課題的基本任務(wù)要求，擬定工作方案如下：
（1）在查閱、分析、研究相關(guān)資料的基礎(chǔ)上，完成開題報告和文獻綜述；
（2）掌握SolidWorks軟件，ANSYS仿真軟件的使用方法，利用SolidWorks軟件，ANSYS仿真軟件進行力、角度等參數(shù)的分析計算；
（3）總體結(jié)構(gòu)的搭建及控制系統(tǒng)的設(shè)計；
（4）完成畢業(yè)論文的撰寫。
2、完成本課題的進度計劃（以周為單位，共14周）
（1）撰寫開題報告，文獻綜述以及設(shè)計方案階段：（1—2周）
（2）對哈密瓜的物料特性進行研究：（3—5周）
（3）使用SolidWorks繪制哈密瓜分級裝置三維圖：（5—8周）
（4）完成哈密瓜分級裝置樣機制作：（11周）
（5）撰寫論文，準備答辯階段：（12—14周）
7、 主要參考文獻
[1] 廖新福,劉曼雙. 哈密瓜產(chǎn)業(yè)現(xiàn)狀及發(fā)展對策[J]. 農(nóng)業(yè)科技,2011,03:1-2.
[2] 馬本學(xué),李鋒霞,王麗麗,等.大型瓜果品質(zhì)檢測分級技術(shù)研究進展[J].農(nóng)機化研究,2013(1):248-252.
[3] 趙啟明. 6GF―500型小雜果分級技術(shù)裝備的開發(fā)[J].中國農(nóng)機化學(xué)報,2013,34(1):143-145.
[4] 李國進,董第永,陳雙. 基于計算機視覺的芒果檢測與分級研究[J]. 農(nóng)機化研 究,2015,10:13-18+23.
[5] 王運祥,馬本學(xué),楊杰,王靜,葉晉濤,蔣偉,呂琛,張巍. 雙錐壓縮式哈密瓜承載托輥的設(shè)計及參數(shù)計算[J]. 農(nóng)機化研究,2016,09:88-93.
[6] 劉啟全,郭俊先,劉明濤,劉航,王艷. 基于機器視覺的哈密瓜大小分級研究[J]. 農(nóng)機化,2016,02:16-18.
[7] 王旭,趙志衡. 基于機器視覺的柑橘分級技術(shù)研究[J]. 懷化學(xué)院學(xué)報,2016,05:60-63.
[8] 任杰,李婷婷. 基于PLC的水果大小連續(xù)分級設(shè)備設(shè)計[J]. 機械工程與自動化,2015,06:100-101.
[9] 王映龍,徐輝輝,劉道金,劉木華. 球形水果實時分級PLC控制系統(tǒng)[J]. 農(nóng)業(yè)機械學(xué)報,2007,12:229-231.
[10] 孟繁臻,宮元娟. 基于PLC的寒富蘋果自動分級生產(chǎn)線控制系統(tǒng)設(shè)計[J]. 農(nóng)業(yè)科技與裝備,2014,06:37-38.
[11] 黃信兵,劉小娟. 基于PLC的臍橙分揀及裝箱自動系統(tǒng)設(shè)計[J]. 廣東農(nóng)業(yè)科學(xué),2013,15:183-184+206.
[12] 沈從舉,賈首星,鄭炫,等.紅棗分級機械的現(xiàn)狀與發(fā)展[J].中國農(nóng)機化學(xué)報,2013,34(1):26-30.
[13] 張有正.機器視角下的柑橘體積檢測[J].長春理工大學(xué)學(xué)報,2013,8(2):191-192.
[14] 毛麗民,劉叔軍,朱培逸,等.基于FPGA的水果邊緣檢測方法研究[J].科學(xué)技術(shù)與工程,2013,13(12):3472-3480.
[15] 朱培逸,王引佳,高玨,等.基于 PLC和組態(tài)王的水果品質(zhì)分級系統(tǒng)設(shè)計[J].農(nóng)機化研究,2013(10):103-106.
[16] 葛紀帥,黃文倩,張弛,等.基于SolidWorks的稱重式水果分選機設(shè)計[J].機械設(shè)計與制造,2012(7):33-35.
[17] 胡靜,郭新,何浩甲,等.基于多分類器融合的水果自動分級系統(tǒng)[J].上海電機學(xué)院學(xué)報,2012,15(3):163-170.
[18] 夏卿,李先鋒.基于改進PSO算法和LS-SVM的蘋果分級檢測[J].計算機與現(xiàn)代化,2012(5):161-166.
[19] 周竹,黃懿,李小昱,等.基于機器視覺的馬鈴薯自動分級方法[J].農(nóng)業(yè)工程學(xué)報,2012,28(7):178-183.
[20] 龔昌來,羅聰,黃杰賢,等.基于機器視覺的柚子尺寸檢測系統(tǒng)的研究[J].農(nóng)機化研究,2013(11):22-25.
.
指導(dǎo)教師審閱意見：
開題報告成績：
指導(dǎo)教師（簽字） 2017 年 1月10日
備注：
9
收藏