摘要：为了进一步提升油茶果壳籽分选效率,该研究采集油茶果脱壳后经过初步筛分的果壳与茶籽图像,构建壳籽分类图像数据集,以VGG16为基础网络,通过深度可分离卷积模块和全连接层神经元数目优选等方式缩小模型规模,采用跨层特征融合机制与引入指数线性单元(exponential linear units,ELU)激活函数优化网络结构,提出一种适用于油茶果壳籽分选的卷积神经网络模型。结果表明,跨层特征融合机制加强了深层网络特征的有效信息表达能力,相比于未融合时的模型精度得到了明显提升,并且三次跨层特征融合总体优于一次与二次融合方式。ELU激活函数加快了模型收敛速度,同时缓解了梯度爆炸,提高了模型鲁棒性。当全连接层神经元个数减少为128时模型得到进一步压缩,并且拟合程度较好。改进模型在油茶果壳籽图像分类上的验证集准确率为98.78%,模型的占存仅需8.41MB,与未改进的VGG16模型相比,准确率提高了0.84个百分点,模型占存减少了519.38MB,并且改进模型的性能相比于AlexNet、ResNet50与MobileNet_V2等其他网络更具优势,同时在测试试验中该模型分选准确率达到了98.28%,平均检测时间为85.06 ms,满足油茶果的壳籽在线快速分选要求。该研究提出的改进卷积神经网络模型具有较高的准确率与较强的泛化能力,可为深度学习运用于油茶果壳籽实时分选提供理论参考。

摘要：该文利用自行搭建的油茶果壳籽分选装置采集壳籽图像,提出一种HOG和LBP特征融合的方法应用于壳籽的自动识别,实现了油茶果壳籽快速分选。将采集图像进行预处理,分割出壳籽前景图像,提取壳籽的HOG形状特征和LBP纹理特征信息,为了提升检测速率,分别采用主成分分析法(PCA)对HOG特征、LBP特征以及HOG+LBP特征进行降维,利用BP神经网络(BP)、朴素贝叶斯(NBM)、K近邻(KNN)和支持向量机(SVM)等4种机器学习算法训练壳籽分类模型,并通过测试集对比各分类模型性能。实验结果表明,HOG+LBP融合特征的支持向量机分类模型识别效果最好,其训练准确率为100%,平均测试准确率为96.00%,并且特征融合后的识别准确率均高于单一特征,说明该方法对于油茶果壳籽的自动识别有效。

摘要：油茶果脱壳后果壳与茶籽混合在一起,采用传统的机械分选仍会出现掺杂果壳的情况,清选率有待提高。比较ResNet不同层数模型,发现在当前壳籽实验样本下ResNet18与其他模型相比每次迭代的平均训练时间最少,并且验证集平均准确率最高,同时均优于其他CNN分类模型。为进一步提升分选效率,在ResNet18网络中引入注意力机制,结果表明,SE-ResNet18模型与改进前的模型相比,训练过程中每次迭代的平均时间由1.31 s下降到1.13 s,缩短0.18 s,验证集平均准确率为98.88%,提升1.4个百分点。经过测试后得出,测试集整体准确率为98.43%,与原模型相比提升1.3个百分点,说明使用ResNet18模型结合注意力机制的方法在油茶果果壳与茶籽的分选上是可行的,为油茶果在分选方法提供一种新的理论基础与思考方向。

摘要：为了实现油茶果脱壳后果壳与茶籽的高效分选,进行了油茶果壳籽分选装置上料模块、视觉采集模块、执行模块和控制系统的设计。其中,整体装置采用一种阵列式凹槽传送机构,避免执行喷吹时产生对茶籽的带出干扰。利用有效的图像预处理方法获取壳籽目标,并提取目标图像的颜色及纹理信息共18个;考虑到分选的高效实时性,进一步对特征参数实施Spearman相关性分析,将特征减少至6个,建立随机森林分类模型,并与K最邻近分类算法(KNN)、支持向量机(SVM)及偏最小二乘法判别分析(PLS-DA)模型进行对比,发现随机森林模型的分类效果最佳。试验中,分选系统识别准确率达到95.5%,平均检测时间为41.9ms,分选速率达20个/s,表明系统实现了油茶果的壳籽高效率实时分选。

摘要：为提高加工对象适应性及减少茶籽破损,设计一种基于刨削原理的多通道高速刨削式油茶果破壳机,对其工作原理及其关键部件的结构设计进行分析。以推进滚筒转速和摊晒天数为试变量因子,进行油茶果脱壳试验。试验结果表明:破壳率超过99%,碎籽率小于1%。

摘要：油茶果脱壳后果壳与茶籽混合在一起,油茶果的果壳与茶籽如何分选以及如何提升分选的准确率,是油茶果产业化所面临的一个难题。基于改进ResNet18模型的油茶果果壳与茶籽的分选模型,通过油茶果分选机进行图片的采集和处理获取实验样本图像,比较不同批量尺寸、学习率、激活函数以及优化器的影响,进一步优化模型。实验表明,经过改进后的ResNet18模型,与未改进前相比,在损失函数上有了明显的降低,并且验证集准确率得到提升,验证集平均准确率由之前的97.03%,而最终测试集准确率由97.25%提高至97.75%。较高的准确率可以满足油茶果分选的需要。