автореферат диссертации по процессам и машинам агроинженерных систем, 05.20.02, диссертация на тему:Повышение эффективности сортирования яблок на основе цветных телевизионных датчиков

На правах рукописи

ГУРЬЯНОВ Дмитрий Валерьевич

ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ СОРТИРОВАНИЯ ЯБЛОК НА ОСНОВЕ ЦВЕТНЫХ ТЕЛЕВИЗИОННЫХ ДАТЧИКОВ

Специальность 05.20.02 - Электротехнологии и электрооборудование в

сельском хозяйстве (по техническим наукам)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Зерноград - 2004

Работа выполнена в Федеральном Государственном Образовательном Учреждении Высшего Профессионального Образования «Мичуринский государственный аграрный университет» (ФГОУ ВПО МичГАУ).

Научный руководитель доктор технических наук, профессор

Александр Сергеевич Гордеев (МичГАУ).

Официальные оппоненты: Заслуженный деятель науки и техники РФ,

доктор технических наук, профессор Геннадий Петрович Ерошенко (Саратовский ГАУ)

кандидат технических наук, доцент Лариса Петровна Щербаева (АЧГАА).

Ведущее предприятие: Всероссийский селекционно-технологический институт садоводства и питомниководства (ВСТИСП)

& ■з0'0

: « ЛГ » и*0КР 2004 г. в

Защита состоится 2004 г. в на заседании диссертацион-

ного совета Д 220.001.01 при ФГОУ ВПО « Азово-Черноморская государственная агроинженерная академия» (ФГОУ ВПО АЧГАА) по адресу: 347740, Ростовская область, г. Зерн оград, ул. Ленина 21,8 корпус, зал заседаний диссертационного совета.

С диссертацией можно ознакомиться в библиотеке АЧГАА.

Автореферат разослан « » .2004 г.

Отзывы на автореферат в двух экземплярах, заверенные и скрепленные гербовой печатью, просим направлять ученому секретарю диссертационного совета.

Ученый секретарь диссертационного совета доктор технических наук, профессор

Н.И. Шабанов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Важной операцией послеуборочной обработки плодов является их сортировка по качеству. Внешние повреждения, например ушибы, снижают товарное качество плодов и уменьшают срок их хранения, что приводит к снижению экономической эффективности их производства.

Для сортирования плодоовощной продукции по качеству существуют механические конвейерные системы с использованием ручного труда. С ростом количества плодов и недостатком квалифицированных рабочих целесообразно автоматизировать процесс сортировки плодов по качеству. Исследования в области автоматизации сортирования плодов (И.Ф. Бородин, A.M. Башилов, О.Н. Будаговская, А.С. Гордеев и др.) показывает, что производительность труда можно поднять в 3-4 раза. Препятствием на пути сортирования плодов до недавнего времени являлось отсутствие надежных средств съёма оптической информации с поверхности плода и средств манипуляции плодом в процессе его осмотра в минимальной степени повреждающих плоды. Съем оптической информации, выбор соответствующих оптических признаков распознавания показателей качества, а также её быстрая обработка (до 20-ти плодов в секунду) - одна из нерешенных задач, возникающих при построении автоматических устройств сортирования. Появившиеся на рынке цветные, твердотельные, малогабаритные видеокамеры могут открыть новое направление в развитии автоматических сортировочных устройств. Однако, конкретных исследований по применению существующих цветовых стандартов для распознавания показателей качества (пятен повреждений, болезней, проколов и т.п.) на поверхности плодов не проводилось.

Цель исследований. Научное обоснование имитационной модели распознавания товарного качества яблок и ее применение в устройствах сортирования плодов, а также решение ряда вопросов теории и практики обнаружения и оценки величины показателей товарного качества по их цветовым координатам.

Для практической реализации модели распознавания решались следующие задачи:

1.Исследовать объект сортирования - яблоки как поток изображений в системе технического зрения;

2.Исследовать оптические характеристики поверхности яблок в RGB видеосистеме;

3.Разработать и исследовать модель распознающего устройства для яблок с учетом требований к их качеству;

4.Разработать блок автоматического распознавания качества яблок;

5.Разработать методику расчета блока распознавания товарного качества и его привязки к устройству сортирования плодов;

6.Дать предложения по практическому применению и экономической эффективности.

Объект исследований. Модель распознавания товарного таиргггпя яблок.

Научная новизнаработы заключается в: НОС- НАЦИОНАЛЬНАЯ

БИБЛИОТЕКА С.П«т*ftyfT i.^fc

оэ уюЦчлЦЬ , Т)

- разработке методики съёма оптической информации о показателях качества поверхности плодов с созданием базы изображений показателей качества;

- выявлении связи между цветовыми характеристиками поверхности плода и показателями качества в RGB стандарте видеосигнала;

- обосновании применения линейных разделяющих функций между зонами цветовых координат, соответствующих разным показателям качества при обучении модели с помощью нейронной сети.

Практическая ценность. Использование предложенной модели при разработке и эксплуатации блоков распознавания автоматических сортировочных устройств для яблок. Методика обработки оптической информации при распознавании качества используется в учебном процессе по дисциплинам «Электротехнология» и «Автоматизация технологических процессов».

Реализация результатов исследований. Лабораторная установка на базе компьютера Pentium 4 внедрена в учебный процесс для студентов по направлению «Агроинженерия».

Апробация работы. Основные положения диссертационной работы доложены и одобрены на научной конференции профессорско-преподавательского состава, аспирантов и сотрудников МГСХА, посвященной 275-летию Российской академии наук (г. Мичуринск) 1998г., научно-практической конференции в Рязанской государственной сельскохозяйственной академии, г. Рязань, 1999 г., научной конференции студентов и аспирантов АЧГАА, г. Зерноград, 2000 г., научной конференции «Инженерное обеспечение АПК» МичГАУ, 2003 г., научной конференции МГАУ, г. Москва, 2004 г.

Публикации. Основные положения диссертации изложены в 8 работах.

Автор защищает: методику получения координат цвета поверхности яблок в цветовой системе RGB видеокамеры; алгоритм функционирования модели распознающего устройства для яблок с учетом требований к их качеству; применение линейной нейронной сети для обучения модели распознавания; методику расчета параметров блока распознавания товарного качества и его привязки к устройству сортирования плодов.

Структура и объем работы. Диссертация состоит из введения, пяти глав и выводов. Изложена на 199 страницах машинописного текста, включает 81 рисунок и 19 таблиц. Список использованной литературы включает 117 наименований, в том числе 3 зарубежных авторов. Имеются 10 приложений на 55 страницах.

Работа выполнена в соответствии с Федеральной программой «Создание техники и энергетики нового поколения и формирования эффективной инженерно-технической инфраструктуры агропромышленного комплекса» 2001-2005 г.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность работы, изложены цель и задачи исследования, сформулированы основные положения, выносимые на защиту.

В первой главе представлены результаты анализа состояния и развития систем распознавания. Приведены принципы их построения и особенности их применения для сортирования плодоовощной продукции.

Автоматизация сортирования сельскохозяйственной, в том числе растительной (плодов) продукции является важнейшей проблемой, которая ждёт своего технического решения. Потери плодоовощной продукции достигают 30% и более, снижение качества идет на всем пути ее движения от сада (поля) к потребителю.

Устройство для сортирования продукции (томаты, яблоки, перец, вишня) по цвету её поверхности состоит из транспортера, подающего сортируемые плоды в зону контроля под осветитель и фотоприемника. Устройство выделения координат цвета вычисляет оптическую координату "х", и "у" по формулам:

х = Рх / (Рх+Ру); у = Ру / (Рх+Ру), (1)

где: Рх - отраженный от поверхности плода поток красного цвета;

Ру - отраженный от поверхности плода поток зеленого цвета.

Эти координаты подаются на вход устройств сравнения, на вторые входы которых соответственно подаются диапазоны значений координат и соответствующие норме того или иного показателя качества

Хтах ^ ДХ ^ Хпш ^ Ушах ^ ЛУ * Ут!п , (2)

где: - максимальное и минимальное значения координаты х для

участка поверхности плода, который классифицируется, например, как «красный»; умах» Ут"т - максимальное и минимальное значения координаты у для участка поверхности плода, который классифицируется, например, как «зелёный».

Существующее многообразие сортировочных устройств в настоящее время не решает на должном уровне проблемы сортировки плодов.

Автоматическое сортирование продукции с учетом всех внешних показателей качества - пятен, проколов и т.д. возможно с помощью оптических сканирующих средств (телевизионных датчиков, видеокамер).

Видеокамера при осмотре должна обеспечивать: съем оптической информации с поверхности плода; быстродействие, определяющее производительность сортировочного устройства и количество одновременно осматриваемых плодов; не нанесение плодам дополнительных повреждений.

Практическая реализация сортировочных устройств обеспечивается с помощью систем технического зрения, которые помимо видеокамер и специальных технических средств обработки видеоинформации (электронные схемы, компьютеры) содержит также и программное обеспечение. Выход системы технического зрения соединяется с исполнительным механизмом, который распределяет поток плодов на товарные сорта.

Во второй главе представлено теоретическое исследование цветовых показателей качества поверхности яблок.

Изображение описывается двумерным массивом - растром, каждый элемент которого представляет собой RGB описание цвета одной точки изображения (пиксель).

Цвет поверхности продукции соответствует его товарному качеству. Это следует из накопленного в поколениях практического опыта человека, закрепленного в стандартах и технических условиях на качество растительной продукции.

В телевизионных системах процесс преобразования оптического изображения в видеосигнал можно записать как функцию времени, для каждой из RGB-составляющих:

Vc(t) = f[E„(Xl,Yl)], (3)

где: - амплитуда видеосигнала; t- время; - облученность

поверхности; Xj, - координаты i-ro элемента изображения с освещенностью

Ei.

В видеосигнале содержится информация о количестве R - красного, G - зеленого, В - синего составляющих цвета (далее RGB-координаты).

На рис. 1 приведена блок-схема алгоритма измерения показателей качества на поверхности плода. Обработка видеосигнала дает следующие признаки показателей качества:

1. Высота плода Н измеряется по оси "чашечка - плодоножка", т.е. отсчетом количества элементов в i-ой строке:

Н = Мах У n'(i),n'(i) = J !'при < Шр 1,

% [0,при n(i)>mpJ'

где Zj - число элементов разложения в строке j; Zf=16; шр=2 - пары дискретизации сигнала изображения; - дискретное значение изображения;

- величина исходного видеосигнала.

2. Максимальный диаметр плода.

Максимальный диаметр плода рассчитывается как число строк, пересекающих плод:

3. Площадь изображения плода:

4. Измерение окраски поверхности плода.

4.1. Световой поток, отраженный от плода:

Рисунок 1 - Блок-схема алгоритма оценки показателей качества

4.2. Излучённость поверхности плода: Е = Ф p/So,

где Фр - отраженный от плода поток, So - площадь проекции плода. 5. Измере^ние^размеров пятен от повреждений:^

Для измерения (оценки) размеров плода и пятен необходимо подсчитать количество элементов, приходящихся на соответствующую поверхность плода.

Исходной гипотезой данной работы является следующее утверждение: каждый показатель качества, занимающий определенную площадь на поверхности плода имеет свою группировку (зону) RGB-координат видеоизображения статистически отличающуюся от группировки (зоны) других показателей качества.

RGB признаки изображений показателей качества представляются в виде RGB-векторов трёхмерного пространства, рис.2. Для многомерного пространства с нормальной плотностью распределения признаков каждого класса байесовские решающие функции имеют вид

d,(x) = Inр(<о,)- l/2*lnС, -0.5*[(x-m1),*C1-'(x-m1)])i=l,2, ...,М, где х - RGB-вектор образа предъявленного к распознаванию со, - го класса показателей качества; - вероятность появления при распознавании - го класса; -ковариационная матрица класса; - среднее значение вектора образа х; М - множество классов подлежащих распознаванию.

Рисунок 2 - RGB-формат изображения поверхности плода

Рисунок 3 - Разделяющая поверхность с!у(х) между двумя зонами (классами)

На поверхности плода каждый показатель качества характеризуется зонами распределений КвБ-координат. Если эти зоны для различных показателей качества не пересекаются между собой в трехмерном пространстве КвБ-координат, то можно считать, что эти показатели качества разделимы по этим координатам.

На рисунке 3 показан пример двух зон (красной и зеленой) между которыми проведена разделяющая поверхность

с!у(х)=к1 *11+к2*С+кЗ*В+кО, (4)

где к1, к2, кЗ - коэффициенты уравнения плоско сф((я)т р и переменных К, в, В; к0 - постоянный член уравнения; ¡=1, '¡=2 - номера классов (1 -зеленый и 2 - красный).

Для нахождения коэффициентов уравнения 4 нами используется линейная нейронная сеть. Уравнение нейрона со смещением имеет вид, рисунок 4.

а=/(п*р+Ь$*1). (5)

Скалярный входной сигнал р умножается на скалярный весовой коэффициент у/, и результирующий взвешенный выход и>*р является аргументом функции активации нейрона/, которая порождает скалярный выход а.

Рисунок 4 -Линейный нейрон с двумя входами

Действие смещения можно свести к схеме взвешивания, если представить, что нейрон имеет входной сигнал со значением, равным 1. Вход функции активации нейрона остается скалярным и равным сумме взвешенного входа и смещения ¿5. Эта сумма является аргументом функции активации выходом функции активации является сигнал а. Константы и» и й$ являются скалярными параметрами

нейрона.

На рисунке 4 показан линейный нейрон с двумя входами. Он имеет структуру, использующую линейную функцию активации ригеНп. Основной принцип работы нейронной сети состоит в автоматической настройке параметров нейрона таким образом, чтобы выход сети а соответствовал бы некоторой желаемой величине.

Выход сети определяется выражением

а = ригеНп(п) = ригеНп(\Ур+Ь8)= ХУр+Ьв^И+и^СИлУзВ+Ьв, (6)

где W - весовая матрица.

Линейная сеть задает в пространстве входов разделяющую функцию, на которой функция активации п равна 0. На рисунке 5 показано разделение пространства двукоординатных признаков г и g с помощью разделяющей функции, где г=Я/(Я+С+В); g=G/(R+G+B).

Векторы входа р, расположенные выше этой линии, соответствуют положительным значениям выхода а, а расположенные ниже -отрицательным. Это означает, что линейная сеть может быть применена для решения задач классификации. Однако такая классификация может быть выполнена только для класса линейно отделимых объектов. В действительности, как показывают наши исследования, применение линейных функций при большом количестве показателей качества (более 2-х) встречает определенные трудности, связанные, прежде всего с ошибками при проведении эксперимента, использованием

• - щ-признаки, относящиеся к классу неоднозначных понятий, таких как

1, зрелый - не зрелый, поврежденный -А- ^-признаки, относящиеся к классу не поврежденный, окрашенный - не

2. окрашенный и т.д. Это вызывает

Рисунок 5 - Разделение пространства входов линейной сети.

необходимость дополнительной фильтрации исходной информации, которая должна осуществляться на этапе обучения.

Линейная сеть включает 8 нейронов, размещенных в одном слое и связанных с Я входами через матрицу весов W. Количество нейронов 8 определяется возможной ошибкой при распознавании.

На рисунке 6 показана укрупненная структурная схема этой сети, вектор выхода а которой имеет размер

Обучение линейной сети. В процессе обучения сети находятся такие значения весов и смещений, чтобы сумма квадратов соответствующих погрешностей была минимальной.

р{1} - вектор входа сети; IW{1,1} - вектор весов; Ь{1} - вектор значений; netsum - операция суммирования; purelin - расчет линейной функции d„; а{1} - вектор выхода сети.

Рисунок б - Укрупненная структурная -схема сети

В нашем анализе и исследованиях применяется процедура обучения с учителем, которая использует обучающее множество вида:

{rt,>. {gt2},{bt3}, (7)

где г, g, b - входы сети; t], tj, t3 - соответствующие целевые выходы, определяющие номер показателя.

Минимизируется следующая функция средней квадратичной ошибки:

теЛ±е{1суЛ±т-а(ь)), (8)

J i-l J

где k = 1, 2, 3; t(k) - желаемый выход сети на k-ом шаге; а(к) -действительный выход сети на к-ом шаге.

Процедура настройки использует нахождение минимальной ошибки е с помощью правила наименьших квадратов.

Обучающее правило наименьших квадратов. Для линейной нейронной сети используется рекуррентное обучающее правило наименьших квадратов.

В процессе обучения на вход сети необходимо подать rgb вектор, принадлежащий пикселю определенного показателя класса. На первом этапе исследования целесообразно находить параметры разделяющей функции w и bs между парами классов. Затем, применив процедуру дополнительной фильтрации, распространить результаты обучения на сочетания различных показателей.

В третьей главе представлена программа и методики экспериментального исследования модели распознающего устройства.

В программу исследований входило исследование цветовых характеристик плодов и исследование модели распознавания: исследование полноцветных изображений поверхности плодов с разными показателями качества с целью доказательства возможности разделения пространства признаков для различных пар показателей качества; нахождение коэффициентов разделяющих функций для каждого класса показателей качества; исследование модели устройства распознавания показателей качества плода; исследование модели устройства распознавания товарного качества плода.

Для изучения возможностей современных цветных видеодатчиков при распознавании качества продукции нами использовался экспериментальный стенд, схема которого приведена на рис. 7. С помощью стенда происходит считывание изображения с поверхности плодов.

В стенде используется видеокамера типа CCD корейской фирмы КОСОМ. Эта камера имеет цветную ПЗС-матрицу с выходным сигналом формата BNC и формата S-VHS. Формат BNC содержит полный RGB-

видеосигнал, а S-VHS-полный RGB-видеосигнал (Y) и два цветоразностных сигнала (R-Y, B-Y).

Рисунок 7 - Схема стенда для исследования полноцветных изображений

поверхности продукции 1-корпус; 2-подставка; 3-осветители; 4-видеокамера; 5 -компьютер; 6-программное обеспечение;7-исследуемый плод;8-пятно повреждения.

8 В соответствии с ГОСТ 25572-85 нами были взяты следующие показатели качества яблок: 1-фон; 2-зелёная здоровая; 3-красная здоровая; 4-парша; 5-прокол свежий; 6-прокол заживший; 7-сдир кожицы; 8-растрескивание; 9-чашечка; 10-воронка; 11-гниль плодовая; 12-грибная гниль; 13-ушиб; 14-сетка; 15-повреждение плодожоркой; 16-загар, рисунок 8.

Рисунок 8 - Изображения плодов с различными показателями качества

Для статистической обработки полноцветных изображений показателей качества поверхности продукции используется пакет прикладных программ Image Processing Toolbox, входящий в состав системы MATLAB 5. При помощи программ этого пакета часть изображения поверхности плода преобразуется в цифровой код полноцветного изображения и записывается в виде матрицы.

Рисунок 10 - Имитационная модель устройства сортирования плодов

Эти изображения обрабатываются специальными программами (fragment и experimentl), работающими в интерактивном режиме.

Имитационная модель устройства сортирования плодов приведена на рисунке 9. Она состоит из пяти блоков:

Б1 - генератора изображений показателя качества;

Б2 - блока весовых коэффициентов;

БЗ - блока порогов показателей качества;

Б4 - блока расчета товарных сортов;

Б5 - блока исполнительных механизмов.

Работа модели происходит следующим образом. Полученные массивы данных из математического ожидания и среднеквадратического отклонения по каждой составляющей цвета и каждому показателю качества (Mr, Mq, Mb, Sr, Sg, Sb) загружаются в рабочую область MATLAB. В блоке 6 производится считывание этих массивов данных и последующий расчет по всем показателям.

В четвертой главе представлены результаты экспериментальных исследований и проводился их анализ.

На рисунке 10 приведены зоны rg-группировок для некоторых показателей качества: зеленого здорового, красного здорового, ушиба и фона. Зоны для различных показателей пересекаются, накладываются друг на друга, особенно зона ушиба и зеленого здорового плода, а также красного здорового и фона.

" " " ■ Я

0 65

0 85

045

0.35

0-26 , 0.28 Ч 0.3

JTÍ»

<1,,- разделяющая функция между показателями качества I и)

Рисунок 10 - Разделяющие линии между четырьмя областями координат цвета (фон, здоровые зеленые, здоровые красные, ушиб).

Это показывает, что построение разделяющих границ между данными зонами с достаточно высокой вероятностью точности распознавания каждой зоны (класса) невозможно. Аналогичное пересечение зон наблюдается и для всех других сочетаний показателей качества. Использование всех трех координат цвета (переход от двумерного к

трехмерному цветовому пространству) несколько снизит неопределенность разделения зон, но не устранит ее совсем.

Получены коэффициенты \Уг, и Ьо для всех возможных сочетаний показателей качества. Результаты расчета коэффициентов для всех показателей качества относительно фона приведены в таблице 1.

Таблица 1 - Коэффициенты разделяющей функции с!ц между различными показателями качества _

показатель качества i показатель качества j Коэффициенты разделяющей функции d„

ЬО WI W2 W3

1 1 0 3746 01130 0 1288 0 1327

1 2 0 0726 1 0886 1 6527 -2 6688

1 3 0 0800 1 6064 1 7880 -3 3144

1 4 00819 14213 2 4804 -3 8198

1 5 01796 0 7886 2 6375 -3 2465

1 6 0 0453 -01974 2 5383 -2 2956

1 7 0 2628 1 2778 3 8495 -4 8645

1 8 01297 1 3377 1 6770 -2 8850

1 9 0 1835 •04493 5 0070 -4 3742

1 10 0 1856 0 3085 5 4531 -5 5761

1 1! 0 2835 1 4076 3 0353 -4 1594

1 12 0 0636 -0 5274 4 1798 -3 5888

1 13 0 0618 -04376 4 8804 -4 3810

1 14 0 0756 1 2654 2 5916 -3 7813

1 15 0 1001 1 8070 0 7940 -2 5008

1 16 0 2352 2 3380 0 3254 -2 4281

Результаты расчета вероятности правильного распознавания показателей качества относительно фона приведены в таблице 2.

Таблица 2 - Вероятности (PV1) правильного распознавания сочетаний Aij различных пар классов, между которыми рассчитывается разделяющая

i 1 2 3 4 5 < 7 1 » 10 II 12 13 14 15 1«

J Изображения фон зелСная здоровая красная здоровая 3 а. я с прокол свежий сдир кожицы 5 о sStí i 8 чашечка плодонож ка ¡ i ч гниль плодовая S i ё £ Iе ушиб сетка плодожор ка загар

1 фон 0S 1 1 1 1 1 i 1 1 1 1 1 1 1 1

2 зеленая зчоровая 1 0S6 0 88 0 86 098 1 ' 098 1 1 1 1 1 086 0 74 09

3 красная здоровая 1 1 034 0 96 1 1 l 1 1 1 1 1 1 096 1 096

4 парша 1 0 96 098 0 54 1 1 l 1 1 1 1 1 1 042 1 1

5 прокол свежий 09 0 98 098 0 92 03 08 0 74 086 07 0 72 07 048 0 S4 092 098 0 92

6 елнр кожицы 1 1 1 1 09 032 098 1 0 94 094 094 09 09 1 1 1

7 растрескивание поверхности 064 1 1 1 0 78 1 0 58 1 0 68 064 066 0 78 072 1 1 1

S чашечка 1 1 1 1 072 084 092 0S6 0 92 0 92 0 92 0 76 08 1 I 1

» плодоножка 082 1 1 1 08 096 066 098 064 04 0 54 08 078 1 1 1

10 прокол заживший 088 1 1 0 98 0 92 098 05 098 0 62 0 54 0 56 0 88 076 098 1 1

II гннль плодовая 0 82 0 98 I 0 98 0 78 094 05 092 0 36 042 044 0 76 074 098 1 1

II грибная гниль 094 1 1 1 0 S2 098 078 096 0 74 0 76 0 72 044 062 1 1 1

13 ушиб 098 1 1 1 066 1 084 1 08 0 82 076 06 05 1 1 1

14 cenca 1 1 09 0 38 1 1 1 1 1 1 1 1 1 044 1 09

IS плодожорка 1 0 56 09 0 88 1 1 1 1 1 1 1 1 1 0 86 052 096

16 загар 086 0 76 0 56 0 62 0 88 096 078 092 0 88 0 86 0 88 0 86 086 062 078 056

Все показатели качества распознаются относительно фоновой поверхности с вероятностью Р = 1.

При распознавании показателя на фоне этого же показателя (зеленая здоровая - зеленая здоровая) вероятность распознавания приближается к 0.5.

На фоне зеленой поверхности с вероятностью Р>0.7 распознаются все показатели, кроме плодожорки (Р=0.64). Низкую вероятность распознавания плодожорки можно объяснить маленькой площадью этого пятна, соизмеримой с размером отдельного пикселя.

На фоне красной поверхности с вероятностью Р>0.7 распознаются все показатели, кроме загара (Р=0.56). Сочетание показателей качества красная здоровая поверхность-загар в действительности не встречается, так как окрашенные плоды не загорают. Поэтому, полученный результат по распознаванию загара на фоне красной здоровой поверхности имеет только теоретическое значение.

На фоне плодоножки низкую распознаваемость Р<0.7 имеют прокол заживший, гниль и растрескивание.

На рисунке 11 приведен пример выхода Simulink-модели нейронной сети purelin а{1} для двух классов показателей качества j=2 (зеленая здоровая, к=1-50), i=6 (сдир кожицы, к=51-100). Первые к=1-50 векторов р{1}, принадлежащие к зеленой здоровой поверхности, отнесены к классу, имеющему а{1}<0.5. Вторые к=51-100 векторов р{1}, определяющие сдир кожицы, отнесены к классу, имеющему а{1}>0.5. Как видно из рисунка 12, величины а{1} внутри одного класса сильно варьируют, однако, перекрытие для двух классов незначительно.

Результат имитации определения товарного сорта показывает, что блок расчета товарного сорта работает с нулевой погрешностью. Увеличение размера плода приводит к пропорциональному понижению товарного сорта Ts, а увеличение размера повреждений - к повышению Ts, что абсолютно согласуется и с логикой работы блока расчета товарного сорта.

Рисунок 11 - Выход Simulink-модели нейронной сети purelin а{1} для двух классов показателей качества j=2 (зеленая здоровая, к=1-50), ¡=6 (сдир кожицы, к=51-100).

01

Результаты проведенных

имитационных экспериментов модели распознавания качества показывают, что вероятность распознавания показателей

качества в RGB цветовом пространстве видеокамеры

приближается к 1.

В пятой главе представлено практическое использование имитационной модели распознавания качества плодов в сортировочных устройствах, а также описаны два варианта блока распознавания качества и экономическая эффективность применения компьютерного варианта блока распознавания.

ttep Training J

Схема сортировочного устройства показана на рисунке 12. 1 2 3 4 5 6 7

1-устройство опорожнения тары;2-вибротранспортер;3-видео-камера;4-блок распознавания (БР);5-

приемная ячейка;б-заслонка с электромагнитом;7-блок управ-ления заслонками.

Рисунок 12 - Схема сортировочного устройства с блоком распознавания

В результате расчета зона сканирования равна 1111x800 мм, что соответствует одновременному сканированию 20 яблок, при производительности 15 тонн/час.

Создан блок распознавания качества плода для сортировочного устройства, рис 13. Он предназначен для ввода видеоизображения потока плодов и распознавания качества плодоовощной продукции по цвету. Он реализуется на микросхемах средней степени интеграции.

1-блок кадрового синхроимпульса (КСИ); 2-счетчик КСИ, 3-блок выбора кадра,4-блок строчного синхроимпульса (ССИ); 5-счетчик ССИ, 6-блок выбора строки; 7-генератор; 8-счетчик пикселя строки; 9-блок выбора пикселя строки; 10-логический управляемый ключ; 11-декодер PAL; 12-блок выделения координат цвета; 13-установка коэффициентов разделяющих функций; 14-вычисление разделяющих функций; 15-вычисление площади пятен на поверхности; 16-определение товарного сорта; ВК-видеокамера; ПВС - полный видеосигнал.

Рисунок 13 - Структурная схема блока распознавания качества плода

Достоинством созданного блока является распознавание каждого пикселя в текущем времени без применения большого объема памяти. К недостаткам можно отнести необходимость в специальных логических электронных устройствах, а также необходимость в периодическом обучении.

1 3 2 5 4

1 - плод; 2 - осветитель; 3 - видеокамера; 4 - компьютер Pentium 200MMX с платой ^ видеоконтроллера; 5 - модуль сопряжения 1 компьютера через LPT-порт.

Рисунок 14 -Лабораторная установка для определения товарного сорта плода

Предложенная компьютерная система (рисунок 14) позволяет в реальном времени осуществлять обработку изображений по каждому плоду. В системе хранятся коэффициенты

пвс

ЮЗЕ КШ КО

10

№ товарного сорта

1 13 N 14 15

4-

Í «

разделяющей функции по всему объему помологических сортов и показателей качества. При необходимости эти коэффициенты можно получить на этой же системе, то есть произвести обучение.

Предполагаемый экономический эффект от внедрения блока распознавания в устройства сортирования плодоовощной продукции даст дополнительный доход от экономии затрат труда 28950 рублей, при годовой экономии - 23017рублей, сроке окупаемости - 3,4 года. Чистый дисконтированный доход составляет 21470 рублей.

ОБЩИЕ ВЫВОДЫ

1. На основании литературных и патентных исследований устройств и методов сортирования плодов по качеству предложено показатели качества товарного сорта определять по координатам цвета пораженного участка плода при помоши стандартных RGB видеодатчиков.

2. Предложен алгоритм оценки показателей качества плода, содержащий поэлементный анализ координат цвета его поверхности, пороговое разделение цветового пространства с помощью линейных разделяющих функций на зоны, соответствующих различным показателям качества, с последующим накоплением результатов анализа по всей поверхности плода для каждого показателя в отдельности.

3. Предложена методика исследования координат цвета поверхности плодов, заключающаяся в создании базы изображений с различными показателями качества, определения зон группировок их координат цвета с последующим ее использованием для обучения модели распознавания качественного состояния поверхности яблок.

4. Разработана имитационная модель распознавания качественного состояния поверхности яблок, включающая в себя: генератор изображений показателя качества, блок весовых коэффициентов, блок порогов показателей качества, блок расчета товарных сортов, блок вывода информации на исполнительные механизмы. Модель позволяет с помощью предложенного алгоритма оценки показателей качества определять основные показатели качества и товарный сорт плода.

5. Экспериментально определены статистические характеристики (математическое ожидание М и среднеквадратическое отклонение S, соответственно для красной R, зеленой G, синей В составляющих) зон группировок координат цвета показателей качества:

здоровые зеленые - MR=219, SR=22, MG=192, SG=17, MB=77, SB=14;

здоровые красные - MR=220, SR=20, MG=79, SG=9, MB=80, SB=10;

ушибы- MR=90, SR=21,MG=53, SG=19, MB=49,SB=16.

6. В процессе обучения модели экспериментально определены коэффициенты линейных разделяющих функций вида а = Wp+bs с помощью линейной нейронной сети. Полученные коэффициенты сформированы в базу и могут быть использованы для работы реального сортировочного устройства.

7. С помощью линейных разделяющих функции все показатели качества распознаются относительно фоновой поверхности с вероятностью Р= 1. На фоне зеленой поверхности с вероятностью Р>0.7 распознаются все показатели, кроме плодожорки (Р=0.64). На фоне красной поверхности с вероятностью Р>0.7 распознаются все показатели, кроме загара (Р=0.56). На фоне плодоножки низкую распознаваемость Р<0.7 имеют прокол заживший, гниль и растрескивание.

8. На базе имитационной модели разработан компьютерный вариант установки для сортировки плодов, формирующий изображения плодов, разделяющий их по товарным сортам и выдающий решение на исполнительные устройства. Установка содержит: персональный компьютер с памятью 3,2 Гб; модуль сопряжения с компьютером; видеокамеру и плату ее контроллера. Обработка осуществляется в реальном масштабе времени по каждому плоду. Обработке

подвергается кадр размером 470000 пикселей при времени обработки менее 0,1 секунды.

9. Разработан электронный блок распознавания качества плода для сортировочного устройства, предназначенный для анализа и распознавания качества плодоовощной продукции по цвету. Работа блока осуществляется в текущем времени по мере поступления информации с видеокамеры. На выходе блока имеются сигналы о номере товарного сорта и номере плода.

10. Разработана методика расчета блока распознавания товарного качества и его привязки к устройству сортирования плодов, позволяющая проектировать средства автоматизации с использованием, предложенной модели. Одновременно можно обрабатывать до 20 плодов, движущихся со скоростью 0,1 м/с, что соответствует производительности 15 тонн/час.

11. Технико-экономический анализ показывает, что использование предложенной- модели в устройствах сортирования плодов позволяет автоматизировать процесс сортирования с чистым дисконтированным доходом 21469 руб. на одну установку.

Основное содержание диссертации изложено в следующих работах:

1. Гурьянов Д.В. Алгоритм анализа видеоинформации для сортировочных устройств / Гурьянов Д.В., Гордеев А.С. // Высш. школа и проблемы науч. обеспечения агропром. комплекса: Материалы науч. конф. профессорско-преподавательского состава, аспирантов и сотрудников МГСХА, посвящ. 275-летию Российской академии наук - Мичуринск.-1998.-4.1.-С. 91-93.

2. Гурьянов Д.В. Повышение контрастности изображения люминесцентным методом /, Гурьянов Д.В., Гордеев А.С. // Высш. школа и проблемы науч. обеспечения агропром. комплекса: Материалы науч. конф. профессорско-преподавательского состава, аспирантов и сотрудников МГСХА, посвящ. 275-летию Российской академии наук - Мичуринск.-1998.-4.1.-С. 93-95.

3.Гурьянов Д.В. Телевизионная система для исследования оптических характеристик поверхности сельскохозяйственной продукции./ Гурьянов Д.В., Гордеев А.С., Хмыров В.Д. // Вестник МГАУ.- Мичуринск - 2000. - Ч.№1- С. 75-77.

4.Гурьянов Д.В. Моделирование процесса распознавания качественного состояния' поверхности продукции на базе цветных изображений./ Гурьянов Д.В., Гордеев А.С. // Вестник МГАУ.- Мичуринск - 2001.-Ч.№2.-С. 68-75.

5.Гурьянов Д.В. Основы расчета телевизионных средств распознавания качества продукции в сортировочных устройствах./ Гурьянов Д.В., Тищенко B.C. // Мичуринск-2001.

6.Гурьянов Д.В. Принципиальные основы построения телевизионных сортировочных автоматов для плодоовощной продукции./ Вестник МГАУ.- Мичуринск - 2001.- Т. 1, №4.- С. 82-88.

7.Гурьянов Д.В. Методика исследования качественного состояния поверхности продукции цветными видеодатчиками / Гурьянов Д.В., Гордеев А.С.// Вестник МГАУ.-Мичуринск - 2004.- Т. 1.- (в печати).

8.Гурьянов Д.В. Блок распознавания качества // Вестник МГАУ.- Мичуринск - 2004.-Т.1.-(в печати).

Отпечатано в типографии МичГАУ Подписано в печать 15.04.04. г. Формат 60x84 '/16, Бумага офсетная № 1. Усл.печл. 3,4 Тираж 100 экз. Ризограф

_Заказ №11995_

Мичуринский государственный аграрный университет 393760, Тамбовская обл., г. Мичуринск, ул. Интернациональная, 101, тел.+7(07545) 5-26-35 E-mail: mgau@mich.ru

»11 558

ВВЕДЕНИЕ.

ГЛАВА 1. СОСТОЯНИЕ ВОПРОСА И ЗАДАЧИ ИССЛЕДОВАНИЯ.

1.1 Сортировка плодоовощной продукции и её место в технологическом процессе обработки пр одукции.

1.2 Системы распознавания качества продукции.

1.3 Системы технического зрения.

1.4. Выводы. Цель и задачи исследования.

ГЛАВА 2. ТЕОРЕТИЧЕСКОЕ ИССЛЕДОВАНИЕ ЦВЕТОВЫХ ХАРАКТЕРИСТИК ПОВЕРХНОСТИ ДЛЯ РАСПОЗНАВАНИЯ КАЧЕСТВА ЯБЛОК.

2.1. Цветовые характеристики изображения поверхности плода.

2.2 Теоретические основы распознавания в трехмерном R, G, В -пространстве признаков.

2.3. Линейная нейронная модель для распознавания пикселей изображения при распознавании показателей качества плодов.

2.4. Анализ применимости различных источников света для распознавания качества продукции.

ГЛАВА 3. ПРОГРАММА И МЕТОДИКИ ЭКСПЕРИМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ.

3.1. Программа исследований.

3.2. Методики экспериментальных исследований.

3.2.1. Описание стенда для исследования полноцветных изображений поверхности плодов.

3.2.2. Методика получения цветовых характеристик показателей качества поверхности плодов.

3.2.3. Методика обработки изображений показа телей качества.

3.2.4. Методика нахождения разделяющих функций показателей качества.

3.3. Имитационная модель определения товарного сорта плодов.

3.3.1. Процедуры имитации сортирования плодов.

3.3.2. Имитационная модель устройства сортирования плодов.

3.3.3. Генератор изображений показателей качества.

3.3.4. Блок весовых коэффициентов Б2.

3.3.5. Блок порогов показателей качества.

3.3.6. Блок расчета товарного сорта.

3.3.7. Окно управления имитационной моделью.

3.4. Методика проведения имитационного эксперимента.

ГЛАВА 4. РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ И ИХ АНАЛИЗ.

4.1. Результаты эксперимента по определению RGB координат показателей качества.

4.2 Результаты обработки нормированных RGB координат показателей качества с целью получения разделяющих функций между классами.

4.3. Имитационное моделирование процесса разделения показателей качества в rgb - пространстве.

4.4. Результат имитационного эксперимента по определению товарного сорта плода.

ГЛАВА 5. РЕКОМЕНДАЦИИ ПО ПРАКТИЧЕСКОМУ ИСПОЛЬЗОВАНИЮ И ЭКОНОМИЧЕСКАЯ ЭФФЕКТИВНОСТЬ РЕЗУЛЬТАТОВ

ИССЛЕДОВАНИЙ.

5.1. Использование имитационной модели распознавания качества плодов в сортировочных устройствах.

5.2. Блок распознавания качества плода для сортировочного устрой

5.3. Компьютерный вариант распознавания качества плодов.

5.4. Экономическая эффективность применения блока распознавания

ВЫВОДЫ.

Важной операцией послеуборочной обработки плодов является их сортировка по качеству. Внешние повреждения; например, ушибы, вдавливания, ожоги снижают товарное качество плодов и уменьшают срок хранения. В настоящее время сортировка по механическим и другим повреждениям плодов осуществляется вручную. С ростом количества плодов и недостатком квалифицированных рабочих необходимо автоматизировать процесс сортировки плодов по качеству, в частности сортировку по механическим повреждениям; Разработанные к настоящему времени способы и устройства сортировки плодов по качеству проблемы сортировки по механическим повреждениям не решают /1,2, 3/.

Первые работы в области автоматического сортирования были посвящены отдельным вопросам распознавания и построения сортировочных устройств для таких показателей качества как зрелость томатов по цвету, яблок, цитрусовых и других аналогичных продуктов, где цвет изображения однозначно определял распознаваемый показатель качества.Эти устройства были:основаны, на известных принципах построения интегральных оптико-электронных приборов в одном или нескольких спектральных диапазонах оптического излучения.

Анализ результатов исследований и разработок известных ученых И.Ф. Бородина, A.M. Башилова, О.Н. Будаговской, А.С. Гордеева /6, 7, 10, 13, 17, 18, 22, 26, 32, 34, 35/ по объективной оценке поверхности качества плодов и их автоматическому сортированию показал, что дальнейшее повышение производительности труда на операции сортирования возможно при сокращения времени осмотра плода.

Дальнейшим развитием подобных систем были попытки создать сортировочные системы для дифференциальных показателей качества - пятен повреждений, болезней, проколов и т.п. Первоначально такие распознающие системы создавались на базе оптико-механических сканирующих, а затем - телевизионных вычислительных устройствах - монохромных и спектрозональных, с использованием телевизионных (видео) датчиков вакуумных и твердотельных (приборов с зарядовой связью (ПЗС - матриц)).

Оптико-механические приборы имели сложную механическую конструкцию, низкую производительность съема информации с поверхности плодов и недостаточную надежность /5, 21, 24/.

По мере совершенствования видеодатчиков, особенно цветных на базе ПЗС - матриц, а также электронных средств обработки видеосигналов, распознающие системы для сортировочных устройств приобретали все более универсальный характер - число показателей качества, определяемых в одном устройстве росло, а надежность достигла уровня, когда их можно было уже применять в реальных условиях современного производства - цехах обработки хранилищ и переработки.

Цель,исследований. Научное обоснование модели распознавания товарного качества яблок и ее применение в устройствах сортирования плодов, а также решение ряда вопросов теории и практики обнаружения и оценки величины показателей товарного качества по их цветовым координатам.

Задачи исследования:

1.Исследовать объект сортирования — яблоки как поток изображений в системе технического зрения;

2.Исследовать оптические характеристики поверхности яблок в цветовой системе RGB видеокамеры;

3.Разработать и исследовать модель распознающего устройства для яблок с учетом требований к их качеству;

4.Разработать блок автоматического распознавания качества яблок;

5.Разработать методику расчета блока распознавания товарного качества и его привязки к устройству сортирования плодов;

6. Дать предложения * по практическому применению и экономической эффективности.

Объект исследований. Модель распознавания товарного качества яблок.

Предметом исследования являются алгоритм работы< модели и модель устройства распознавания качества яблок.

Методы исследований. В работе использованы теория распознавания образов, методы математической статистики и математического моделирования, а также планирования экспериментов.

Научная новизна работы заключается в:

- разработке методики съёма оптической; информации»о показателях качества поверхности плодов с созданием базы изображений показателей качества;

- выявлении связи между цветовыми характеристиками поверхности плода и показателями качества в RGB стандарте видеосигнала;

- обосновании: применения линейной разделяющей поверхности между зонами! цветовых координат, соответствующих разным показателям < качества, при обучении модели с помощью нейронной сети.

Реализация и внедрение результатов работы. Алгоритм работы модели распознающего устройства реализован в двух устройствах автоматического распознавания качества плодов. Результаты исследований внедрены по университетской программе об инновационных технологиях в учебном процессе на кафедре «Информационно-управляющие системы» МГАУ имени В.П. Горяч-кина в виде виртуальной лабораторной работы «Анализ качества яблок при помощи модуля сопряжения компьютера через LPT-порт».

Апробация работы. Основные положения диссертационной работы доложены и одобрены; на научной конференции профессорско-преподавательского состава, аспирантов t и > сотрудников МГСХА, посвященной 275-летию Российской академии наук (г. Мичуринск) 1998г., научно-практической конференции в Рязанской государственной сельскохозяйственной академии, г. Рязань, 1999 г., научной конференции студентов и аспирантов АЧГАА, г. Зерноград, 2000 г., научной конференции «Инженерное обеспечение АПК» МичГАУ, 2003 г., научной конференции МГАУ, г. Москва, 2004 г.

Публикации. По результатам исследований опубликовано 9 работ. Объем работы. Диссертация состоит из 5-ти глав и приложения. Изложена на 199 страницах, включая 19 таблиц, 81 рисунка и списка литературы из 117 наименований.

ВЫВОДЫ

1. На основании литературных и патентных исследований устройств и методов сортирования плодов по качеству предложено показатели качества товарного сорта определять по координатам i цвета пораженного участка плода при помощи стандартных RGB видеодатчиков.

2. Предложен алгоритм оценки< показателей: качества; плода, содержащий поэлементный анализ координат цвета его поверхности, пороговое разделение цветового пространства с помощью линейных разделяющих функций на зоны, соответствующих различным показателям качества, с последующим накоплением результатов анализа по всей поверхности плода для каждого показателя в отдельности.

3. Предложена методика исследования координат цвета поверхности плодов, заключающаяся в создании базы изображений с различными-показателями качества, определения зон; группировок их координат цвета- с последующим: ее использованием для обучения модели: распознавания качественного состояния поверхности яблок.

4. Разработана имитационная модель, распознавания качественного состояния поверхности яблок, включающая в себя: генератор изображений показателя качества, блок весовых коэффициентов, блок порогов показателей качества, блок расчета товарных сортов, блок вывода? информации на исполнительные механизмы. Модель позволяет с помощью предложенного алгоритма оценки показателей качества определять, основные показатели качества и товарный сорт плода.

5. Экспериментально определены статистические характеристики (математическое ожидание М и среднеквадратическое отклонение S, соответственно для красной R, зеленой G, синей В составляющих) зон группировок координат цвета показателей качества: здоровые зеленые - MR=219, SR=22, MG=192, SG=17, MB=77, SB=14; здоровые красные - MR=220, SR=20, MG=79, SG=9; MB=80, SB=10; ушибы- MR=90, SR=21, MG=53, SG=19, MB=49, SB=16.

6. В процессе обучения модели экспериментально определены коэффициенты линейных разделяющих функций^ вида а = Wp+bs с помощью линейной нейронной сети. Полученные коэффициенты сформированы в базу и могут быть использованы для работы реального сортировочного устройства.

7. G помощью линейных разделяющих функций все показатели качества распознаются относительно фоновой поверхности с вероятностью Р=1. На фоне зеленой поверхности с вероятностью Р>0.7 распознаются все показатели, кроме плодожорки (Р=0.64). На фоне красной поверхности с вероятностью Р>0.7 распознаются все показатели, кроме загара (Р=0.56). На фоне плодоножки низкую распознаваемость Р<0.7 имеют прокол заживший, гниль и растрескивание.

8. На базе имитационной модели разработан компьютерный вариант установки для сортировки плодов, формирующий изображения плодов, разделяющий их по товарным сортам и выдающий решение на исполнительные устройства. Установка содержит: персональный компьютер с памятью 3,2 Гб; модуль сопряжения с компьютером; видеокамеру и плату ее контроллера: Обработка осуществляется в реальном масштабе времени по каждому плоду. Обработке подвергается кадр размером 470000 пикселей при времени обработки менее 0,1 секунды.

9. Разработан электронный блок распознавания качества плода для сортировочного устройства, предназначенный для анализа и распознавания качества плодоовощной продукции; по цвету. Работа блока осуществляется в текущем времени по мере поступления информации с видеокамеры. На выходе блока имеются сигналы о номере товарного сорта и номере плода.

10. Разработана методика расчета блока распознавания товарного качества и его привязки к устройству сортирования плодов, позволяющая проектировать средства автоматизации с использованием предложенной модели. Одновременно можно обрабатывать до 20 плодов, движущихся со скоростью 0,1 м/с, что соответствует производительности 15 тонн/час.

11. Технико-экономический анализ показывает, что использование предложенной модели в устройствах сортирования плодов позволяет автоматизировать процесс сортирования с чистым дисконтированным доходом 21469 руб. на одну установку.

1. Авторское свидетельство СССР N 650468 "Устройство для обнаружения дефектов на поверхности плодов'УГордеев А.С., Четвертаков А.В.//Бюллетень "Изобретения, промышленные образцы, товарные знаки".- 1978,- N 25.

2. Авторское свидетельство СССР N 707478 "Устройство для обнаружения дефектов на поверхности плодов"/ Четвертаков А.В., Гордеев А.С., Ильинский А.С., Соловьев В.Н.//Бюллетень "Изобретения, промышленные образцы, товарные знаки".- 1979.-N 22.

3. Бородин И.Ф., Гордеев А.С. Способ определения качества плодов и овощей. Авторское свидетельство СССР N 561800. "Изобретения, промышленные образцы, товарные знаки". 1977.- N 22.

4. Бородин И.Ф., Гордеев А.С. О возможности контроля механических повреждений на плоде фотоэлектрическим методом. //Доклады ВАСХНИЛ, 1975, 12.

5. Бородин И.Ф., Гордеев А.С. Оптоэлектронная установка для сортирования яблок.//Механизация= и электрификация социалистического сельского хозяйства. 1976, 2.

6. Будаговская О.Н: Математическая модель процесса съема видеоинформации в высокопроизводительных линиях товарной обработки с автоматическим управлением. //Математическое моделирование в садоводстве / ВНИИС им. И.В. Мичурина. Мичуринск, - 53-57 с.

7. Будаговская О.Н. Универсальная полуавтоматическая установка для сортирования фруктов и овощей по качеству //Перспективы отечественного садоводства. Киев, 1991, с.138.

8. Будаговская О.Н. Оптикоэлектронный контроль качества яблок: Автореферат дис. канд. техн. наук. М., 1993.,-16с.

9. Гордеев А.С. Исследование метода и разработка автоматического устройства послеуборочной обработки яблок. Диссертация на соискание ученой степени к.т.н. М.: 1977.

10. Гордеев А.С., Гасанов А.К., Богоявленский А.К., Бородин И.Ф. Устройство для сортировки плодов и овощей по цвету.//Авт. свидетельство СССР N 624664. "Изобретения, промышленные образцы, товарные знаки".-1978.- N35.

11. Гордеев А.С. Устройство для автоматической сортировки яблок.// Проблемные вопросы автоматизации производства. М., 1978.

12. Гордеев А.С. Минимизация погрешностей автоматического сортирования яблок по качеству.// Сборник научных трудов ВНИИС им.И.В.Мичу-рина, вып.26,- Мичуринск, 1978.

13. Гордеев А.С., Ильинский А.С., Соловьев В.Н., Четвертаков А.В. Устройство для обнаружения дефектов на поверхности плодов. //Авт. свидетельство СССР N 707478. "Изобретения, промышленные образцы, товарные знаки".- 1979.- 48.

14. Гордеев А.С. К вопросу автоматического сортирования яблок.// Сборник научных трудов МИИСП им.В.П. Горячкина, т.16, в.13, -М., 1979.

15. Гордеев А.С. Определение качества плодов по цвету. //Консервная и овощесушильная промышленность. N 9. 1980.

16. Гордеев А.С. Распознавание качества плодов,- В кн. Проблемные вопросы автоматизации производства (тезисы докладов). ВСНТО.- М.,1981.

17. Гордеев А.С., Ильинский А.С. Устройство для сортирования плодов.// Авт. свидетельство СССР. 876215. "Изобретения, промышленные образцы, товарные знаки".- 1981.- 40 .

18. Гордеев А.С., Будаговская О.Н: Устройство для распознавания качества плодов.// Механизация производственных процессов в; садоводстве. Сб. научных трудов, вып. 37, Мичуринск, 1982.

19. Гордеев А.С. Кобозев Р.П., Ильинский А.С., Соловьев В.Н. Устройство для транспортирования плодов при сортировании. Авт. свидетельство СССР N 933069."Изобретения, промышленные образцы, товарные знаки",- 1982.- N 21.

20. Гордеев А.С. Телевизионный автомат для калибрования яблок. //Мех. и электрификация с.-х. производства, 1982, N12, с. 55-57.

21. Гордеев А.С., Будаговская О.Н. Оптический метод контроля качества плодов.//В кн. Краткие тезисы докладов Всесоюзной конференции молодых ученых, Мичуринск, 1982.

22. Гордеев; А.С.,. Будаговская О.Н. Определение качества плодов спектрозональным методом://Дефектоскопия, 1985. N 3. 41-45 с.

23. Гордеев А.С., Горшенин В.И. Автоматизация товарной обработки плодов.// Плодоовощное хозяйство, 1985, N2, с.48-51.

24. Гордеев А.С., Бородин И.Ф:, Ильинский А.С., Будаговская О.Н; Автоматизация сортирования яблок.// Механизация и электрификация сельского хозяйства, 1986, N 4, с.50-52.

25. Гордеев А.С. Алгоритмы классификации плодов по качеству. //Плодоовощное хозяйство 1987, N 6, 41 с.

26. Гордеев А.С., Будаговекая О.Н., Кобозев Р.П. Устройство для автоматического управления сортировочной машиной. // "Изобретения, промышленные образцы, товарные знаки".- 1988.- N 16, стр. 50.

27. Гордеев А.С. Проблемы комплексной механизации и автоматизации обработки плодов.//Механизация и электрификация сельского хозяйства, 1989, N9, с 15.

28. Гордеев А.С. Математическое моделирование в садоводстве: Сб. науч. тр./ВНИИ садоводства им. И.В. Мичурина.-Мичуринск,1990.

29. Гордеев А.С. Машина для сортировки плодов. // Авторское свидетельство СССР. N 1658989. "Изобретения, промышленные образцы, товарные знаки".- 1991.-N-21.

30. Гордеев А.С. Автоматизированная обработка яблок. Диссертация на соискание ученой степени д.т.н. М.: 1996 г.

31. Гордеев А.С. Исследование метода и разработка автоматического устройства послеуборочной обработки яблок. Диссертация на соискание ученой степени к.т.н. М.: МИИСП, 1977

32. Ильинский А.С., Гордеев А.С. Способ определения механических повреждений на плодах.//Авт. свидетельство СССР N 1009539. "Изобретения, промышленные образцы, товарные знаки".- 1983.- N13.

33. Старовойтов В.И., Башилов A.M., Андержанов A.JI. Автоматизация контроля качества картофеля, овощей и плодов.-М.: Агропромиздат, 1987.-197с.

34. Тенденция развития средств автоматического сортирования плодов и овощей по качеству. Обзорная информация. Серия "Новая сельскохозяйственная техника и методы ее испытаний" ЦНИИТЭИ, М., 1978.

35. Линия обработки томатов и фруктов голландской фирмы AWETA.

36. Демидко М.Е., Беренштейн И.В. Механизация интенсивного садоводства (на укр. яз.). Киев, "Урожай", 1970.

37. Криценко В.П., Самохвалов С.Г. Анализ качества продукции инфракрасной спектрометрией; //Сельское хозяйство за рубежом, 1984, N 4, с. 6164.

38. Нечаева И;А. Цветоведение и теория трехцветной репродукции. Mi: Государственное изд-во «Искусство», 1956.-190 с.

39. Мишкинд С.И. Системы технического зрения для автоматизации производства// Механизация и автоматизация производства, 1983,№ 6.С. 39-42.

40. Schwartz G., Vicek J: Realtime image processing for robotic and inspection system with specialized processors// 2 Int. Conf. Artif. Intel, and Information -Control System of Robots. Prepr. of Papers. 1982, 18-22 October. P.220-223.

41. Schmidberger E. J., Ahlers K. J. Quality Control with a Robot guided Electro-optucal Sensor// Proc. Of the 4-th Intern. Conf. On Robot Vision and Sensory Controls.9-11 October 1984.Londfon:U.K.P.27-35.

42. Жаботинский Ю.Д., Сердцев A.A. Системы технического зрения для промышленных роботов // Зарубежная радиоэлектроника, 1985; № 12, С. 23-33.

43. Levi P. CVS: A prayscale vision system for iconic image processing // Proc. Of the 4-th Intern. Conf. On Robot Vision and Sensory Controls. 9-11 October 1984^ London; U.K. P. 45-53.

44. Быков P.E. и др. Телевидение: Учебное пособие для вузов.- М.: Высшая школа. 1988, 248 с.

45. Горелик C.JI:, Кац Б.М., Киврин В.И. Телевизионные измерительные системы.-М: Связь. 1980;49; Рудаков П.И., Сафонов В.И., Обработка сигналов и изображений * Matlab 5.x., ДИАЛОГ-МИФИ; Москва, 2000, с. 361

46. Пересада В.П. Автоматическое распознавание образов. "Энергия", Л., 1970.92с. с рис.

47. Либенсон М.Н. и др. Автоматизация распознавания телевизионных изображений. М.,"Энергия", 1975.- 160с. с ил.

48. Кормен Т., Лейзерсон Ч. Алгоритмы: построение и анализ. Издательство: Московский центр непрерывного математического образования, М.: 1999.-960 с.

49. Даджион Д., Мерсеро Р. Цифровая обработка многомерных сигналов.-М.: Наука, 1997.-560с.

50. Лазарев Ю.Ф. MatLAB 5.x. К.:Издательская группа BHV, 2000.-384с. (Серия "Библиотека студента").

51. Введение в Matlab 6, Н. Н. Мартынов, Москва, Кудиц-образ, 2002.

52. Гультяев А.К. MATLAB 5.2. Имитационное моделирование в среде Windows: Практическое пособие. СПб.: КОРОНА принт, 1999. - 288с.

53. Гультяев А. Визуальное моделирование в среде MATLAB: учебный курс Спб: Питер, 2000. - 432.: ил.

54. Абрашитов Р.Т., Пищухин A.M., Есин С.А. Оптимизация проблемно-ориентированных СТЗ. стр.6-7 в сб. "Методы использования искусственного интеллекта в автоматизированных системах", Самара, 1991.

55. Берестенко Е.Б., Великотный М.А., Иванов Ю.В. Телевизионные информационно-измерительные системы контроля чистоты поверхностей для гибких автоматизированных производств// Электронная техника. Сер.8,1984,вып.3(108). С. 43-45.

56. Бобров В.П. Применение систем технического зрения. Механизация и автоматизация производства. N 9, 1989, стр. 23.

57. Бусаров Н.А. Сбор и товарная обработка плодов и ягод. М., "Колос", 1970.

58. Генкин B.JI. и др. Системы распознавания» автоматизированных производств/ В.Л. Генкин, И.Л. Ерош, Э.С. Москалёв.-Л.: Машиностроение. Ленингр. отделение, 1988.-246с.: ил.

59. Гольденберг Л.М. и др. Цифровая обработка сигналов: Справочник.-М.: Радио и связь, 1985. 312с.

60. Гоноровский И.С. Радиотехнические цепи и сигналы.-М.: Радио и связь, 1986, 521с.

61. Горелик А.Л. Об одном подходе к выбору пространства признаков, используемого при построении системы распознавания объектов и явлений.-Кибернетика, 1972, №4, с. 142-146.

62. Горелик А.Л. Игровой подход к построению пространства признаков, систем распознавания объектов и явлений.-Кибернетика, 1973, №5, с.114-116.

63. Горелик А.Л., Гуревич И.Б., Скрипкин В.А. Современное состояние проблемы распознавания.-М.: Радио и связь, 1985.-160с.

64. Гришкин В.М. Методы и средства построения прикладных систем технического зрения. Канд. Дисс.-Л.: 1987, 205с.

65. Златопольский; В.И. и др. Сегментация изображения (состояние, проблемы)//Автоматика и телемеханика №7., 1987, с. 3-56.

66. Источники и приёмники излучения.-СПб.: Политехника, 1991, 240с.

67. Казанцев Г.Д., Курячий М.И., Пустынский И.Н. Измерительное телевидение: Учеб. пособие для вузов/-М.: Высш. Шк., 1994.-288 е.: ил.

68. Кольцов В.Н. Системы технического зрения для диагностики и неразрушающего контроля. Приборы и системы управления, N 5, 1989. МНПО "Спектр".

69. Кривошеев М.И. Основы телевизионных измерений. Изд. 2-е, перераб. и доп. М.,"Связь", 1976.-536с. с ил.

70. Кузин Ф.А. Кандидатская диссертация. Методика написания, правила оформления и порядок защиты. Практическое пособие для аспирантов и соискателей учёной степени.-2-е изд.-М.:"Ось-89", 1998.-208 с.

71. Марр Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов.-М.: Радио и связь, 1987.-400с.

72. Мирошников М.М. Теоретические основы оптико-электронных приборов. Машиностроение. Л:, 1983, - 696 с.

73. Новицкий П.В., Зограф И.А. Оценка погрешностей результатов измерений.-Л.: Энергоатомиздат, 1991.-304с.

74. Обиралов А.И. Дешифрирование снимков для целей сельского хозяйства. М., Недра, 1982, 144с.

75. Очин Е.Ф. Вычислительные системы обработки изображений.-Л.:Энергоатомиздат. Ленингр.отд-ние,1989.- 136 е.: ил.

76. Павлидис Т. Алгоритмы машинной графики и обработки изображений. Пер. с анг. М.: Радио и связь, 1986. - 400 е., ил.

77. Прэтт У. Цифровая обработка изображений: В 2 т. М.: Мир, 1982.

78. Рабинер Л., Гоулд Б. Теория и применение цифровой обработки сигналов.-М.: Наука, 1977.-560с.

79. Савельев А.Я. Арифметические и логические основы цифровых автоматов. М.: Высшая школа. 1980.

80. Тарасевич Ю. Ю. Математическое и компьютерное моделирование. Вводный курс: Учебное пособие М.: Эдиториал УРСС, 2001. - 144 с.

81. Техническое зрение роботов. М.: Машиностроение, 1990.-272с.

82. Ту Гонсалес. Принципы распознавания образов. Мир.- М.: 1978.

83. Узилевский В.А. Передача, обработка и воспроизведение цветных изображений. М.: Радио и связь. 1981.

84. Хенсен Б.Л. Контроль качества. Теория и применение. М., 1968.

85. Яншин В.В. Калинин Г.А. Обработка изображения на языке Си для IBM PC: Алгоритмы и программы М: Мир,1994 - С., ил.

86. Ярославский JI.П. Введение в цифровую обработку изображений; М.: Сов. радио, 1979.- 312с., ил.

87. Kidode M., Tabata M., Aihara N. High-speed compact image processing system, TOSPIX// Toshiba revue, 1982, V.37. N. 12.P. 1047-1050.

88. Мельников C.B. Планирование эксперимента в исследованиях сельскохозяйственных процессов/С.В. Мельников, В.Р. Алешкин, Рощин П.М.-Л.:Колос,1972-302с.

89. Методика определения экономической эффективности использования в народном хозяйстве новой техники, изобретений и рационализаторских предложений, М:1977.-65с.

90. Методика определения экономической эффективности модернизации технологических линий пищевой промышленности. М.: Минсельхозпром России, 1997-129с.

91. Старик Д.Э. Как рассчитать эффективность инвестиций/Д.Э: Старик.-М;:Финстатинформ, 1996.-93с.

92. ЮО.Шеффе Г. Дисперсионный анализ:Пер. с англ./Г. Шеффе.-М.:Физматгиз, 1963.-114с.

93. Родиков С.А. Электронно-оптический контроль при обработке и хранении плодов//Диссертация на соискание ученой степени кандидата технических наук. Мичуринск.: ВНИИС им.И.В.Мичурина, 1995г.

94. Родиков С.А. Построение математической модели электрофизических параметров плода. //Математическое моделирование в садоводстве / ВНИИС им. И.В. Мичурина. Мичуринск, - 57-62 с.

95. Франчук Е.П: Товарное качество плодов. М:: Агропромиздат, 1986. - 269 е., ил.

96. Шерстяных В.М. Определение товарного сорта плодов при приемке и реализации с помощью ЭВМ. //Математическое моделирование в садоводстве/ ВНИИС им. И.В. Мичурина. Мичуринск, - 30-34с.

97. Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6 /Под общ. Ред; К.т.н. В.Г. Потемкина. М.: ДИАЛОГ-МИФИ, 2002.-496 е.- (Пакеты прикладных программ; Кн. 4).

98. Юб.Зборищук Ю.Н. Дистанционные методы инвентаризации и мониторинга почвенного покрова. -М.: Изд-во МГУ, 1992.- 86 с.

99. Hagan М.Т., Demuth Н.В., Beale М.Н. Neural Network Design. Boston, MA: PWS Publishing, 1996.

100. Гурьянов Д.В. Телевизионная система для исследования оптических характеристик поверхности сельскохозяйственной продукции./ Гурьянов Д.В., Гордеев А.С., Хмыров В.Д. // Вестник МГАУ.- Мичуринск 2000. - Ч:№1- С. 75-77.

101. A.С.// Вестник МГАУ.- Мичуринск 2004.- Т.1.

102. Гурьянов Д.В. Основы расчета телевизионных средств распознавания; качества продукции в сортировочных устройствах./ Гурьянов Д.В., Тищенко1. B.C. // Мичуринск-2001.

103. Гурьянов Д.В. Принципиальные основы построения телевизионных сортировочных автоматов для плодоовощной продукции./ Вестник МГАУ.-Мичуринск 2001.- Т.1, №4.- С. 82-88.

104. Гурьянов Д.В. Блок распознавания качества // Вестник МГАУ.-Мичуринск 2004.- Т. 1.

105. Гордеев А.С., Гурьянов Д.В., Рындюк К.Д. Имитационная модель определения товарного сорта плодов.

106. Герман-Галкин С.Г. Компьютерное моделирование полупроводниковых систем в MATLAB 6.0: Учебное пособие. Сб.: КОРОНА принт, 2001.-320 е., ил.