臺灣博碩士論文加值系統

花粉為保健食品之一，有良好的經濟效益。花粉為蜜蜂採自雄花花藥中的粉狀物，由於台灣植物相非常混雜，不同的蜜蜂，有不同的行為，所以收集的花粉也會不同，即使同一季節，蜜蜂採集花粉，種類也相當複雜，對商品價值造成嚴重影響。蜂農以人工進行選別，得到外觀整齊及色澤均勻之商業品質花粉，以提高售價。目前芒果、蓮霧及稻米等之色澤選別機，已達商品化實用化。花粉因顆粒小、質地軟，目前尚未有相關機械產品開發出來。
本研究將建立花粉色澤影像處理選別模式及其機構之研製。花粉選別機主要由花粉補充裝置、花粉排列與輸送裝置、檢測裝置及分級動作裝置等所構成，期能以自動化替代人工選別之耗時費眼力的工作，以提昇國產蜂產品之競爭能力。
整個作業流程由PLC與電腦整合控制機械之運作，以LabVIEW圖控程式語言撰寫控制程式，分別掌握機器主控權與影像處理，精準控制作業時序，並可以從數量上精確分辨顏色，避免人工識別顏色時由於熟練程度不同和視覺逐漸疲勞造成的誤差，並且可將顏色訊息反饋到自動控制系統。其中檢測裝置部分，由彩色攝影機擷取影像，解析度為780x580畫素。根據所擷取之影像，分析結果，顯示正確判斷率為93.4%，其中誤判情形大部份發生在將合格花粉判為不合格。若吸附針頭不堵塞，每小時作業能力可達72,000粒花粉。

Pollen is one of the health food, and has a good economic benefit. Pollen made from the male anthers that plant, which is collected by bees. Because the plant is very complex species in Taiwan and bees have different behavior in collecting pollens, they made the pollen in different kind of quality. Even in the same season, bees collect different kind of pollens which had a severe impact on product value. Beekeeper sorts pollen with neat and uniform color pollens to increase prices. At present, color sorting machines in mangoes, wax apples and rice have commercial products, but the pollens are small and soft, any sorting machine hasn’t been developed.
This study mainly built the model of color pollens sorting with digital image processing. The pollens sorting machine consists of pollen feeder, aligning mechanism, two CCD cameras, and sorting device. Using the automation techniques can substitute the time-consuming manual sorting in order to enhance the competition of the domestic bee product.
PLC and PC control the process. In detection part, a CCD camera which resolution is 780X580 pixels was used to acquire the image of pollens. Conveyor for transport pollens is carried by chain mechanism. An aluminum rod was fastened on each pitch of chain. In order to avoid interference of light reflection, the surface of rod was made as dark-hued. A program written in LabVIEW was used to control the machine precisely and did image processing for the pollen images. According to 20 grabbed images, the average rate of correctly sorting is about 93.4%. Most of the erroneous situations happened in recognizing qualified pollen as an in-qualified pollen. If the needle does not choked, the capacity of the machine is up to 72,000 pollens per hour.

目錄
中文摘要 I
ABSTRACT III
目錄 IV
表目錄 VII
圖目錄 VIII
第一章 前言
1.1 研究動機 1
1.2 研究目的 2
第二章 前人研究概況 4
第三章 材料與方法
3.1 彩色影像處理之理論分析 10
3.2 直方圖處理之應用 14
3.3 實驗材料 16
3.4 影像資料硬體系統 16
3.5 實驗儀器與設備 19
3.6 系統組成 20
3.7 機械開發 27
第四章 LabVIEW圖控影像處理與應用
4.1 LabVIEW圖控之應用 41
4.2 機器視覺影像處理開發與操作 48
第五章 結果與討論
5.1 花粉影像處理與分析 57
5.2 花粉顆粒試驗結果 65
5.3 花粉色澤選別機試驗 66
5.4 花粉色澤選別機之探討與改良 73
第六章 結論與建議
6.1 結論 83
6.2 建議 85
6.3 未來發展 85
參考文獻 87
附錄A 花粉選別機PLC接點 92
附錄B 花粉選別機PLC控制流程圖 94
附錄C 花粉選別機PLC程式 95
附錄D 背景HSL平均值 98
附錄E 穴槽HSL平均值 100
附錄F 合格花粉HSL平均值 102
附錄G 不合格花粉HSL平均值 105
附錄H 程式方塊圖 ……………………………………………...107
附錄I 函數物件 113
附錄J 選別機儀器程序圖塊總覽 117


















標題 4表目錄

表5.1 茶花花粉三色的RGB 60
表5.2　HSL參數說明 69
表5.3　HSL平均值 69
表5.4　花粉顆粒色澤判別測試結果 72
表5.5 輸送帶前進速度 76
表5.6 機體骨架規格表 77
表5.7 花粉補充裝置規格表 78
表5.8 花粉排列裝置規格表 79
表5.9 花粉色澤攝影判別裝置規格表 80
表5.10 不良花粉剔除收集裝置規格表 81
表5.11 電控系統規格表 82
表A.1 花粉選別機PLC接點表 92
表D.1 背景HSL平均值 98
表E.1 穴槽HSL平均值 100
表F.1 合格花粉HSL平均值 102
表G 1 不合格花粉HSL平均值 105


標題 5圖目錄
圖3.1 HIS彩色模型圖 13
圖3.2 影像對比度與直方圖的關係 15
圖3.3 花粉選別機LabVIEW程式專案樹枝結構圖 22
圖3.4 人機界面程式流程圖 23
圖3.5 主控制迴圈處理流程圖 23
圖3.6 參數、校正、位置標定之參數檔案示意圖 24
圖3.7 花粉顆粒大小分級機 31
圖3.8 花粉顏色選別機 32
圖3.9 花粉色澤選別機動作流程圖 33
圖3.10 花粉色澤選別機三視圖 34
圖3.11 花粉色澤選別機機構平面配置示意圖 35
圖3.12　花粉槽震盪器 36
圖3.13　花粉排列裝置 37
圖3.14　花粉用收集器 37
圖3.15 未分級、良好及異常色茶花花粉 38
圖3.16　花粉色澤選別機人機界面主畫面 39
圖3.17　影像圖形及顯示視窗 40
圖4.1 茶花花粉含黑色背景圖 42
圖4.2 花粉顆粒放置承載盤背景色 42
圖4.3 茶花花粉與花粉背景色對比差異程式方塊圖 43
圖4.4茶花花粉與花粉背景色對比差異程式方塊結果顯示圖 44
圖4.5 茶花花粉 45
圖4.6 HSL(RGB)量測影像處理程序 46
圖4.7 檢測物直方圖、條件設定值與濾除判定結果 47
圖4.8 機械視覺影像檢視判別系統示意圖 49
圖4.9 機械視覺影像檢視判別作業流程圖 50
圖4.10 花粉樣本正常色與黑色比對圖 51
圖4.11 檢測花粉產品參數頁面條件設定圖 51
圖4.12 檢測花粉參數頁面條件設定圖 53
圖4.13 人工挑選茶花花粉辨識圖 54
圖4.14 選擇花粉採樣點座標及其HSL值 54
圖4.15 檢測花粉參數頁面條件設定HSL全範圍比對圖 55
圖4.16 檢測花粉參數頁面條件設定判讀比對圖 55
圖5.1 茶花花粉黑色、異常顏色及正常顏色 57
圖5.2 RGB分布圖及平均值 58
圖5.3 花粉顆粒HSL直方圖 59
圖5.4 正常色茶花花粉三原色RGB直方圖 61
圖5.5 異色茶花花粉三原色RGB直方圖 62
圖5.6 黑色茶花花粉三原色RGB直方圖 62
圖5.7 茶花花粉RGB之3D分布圖 63
圖5.8 R_紅色之三種色別茶花花粉直方圖 63
圖5.9 G_綠色之三種色別茶花花粉直方圖 64
圖5.10 B_藍色之三種色別茶花花粉直方圖 64
圖5.11　花粉顆粒粒徑圖 65
圖5.12 花粉顆粒分佈圖 66
圖5.13 合格花粉、不合格花粉、背景與穴槽ROI之HSL值分佈 .68
圖5.14 合格花粉、不合格花粉、背景與穴槽ROI之HL值分佈…. 68
圖5.15　相機影像擷取圖 71
圖5.16 第二代花粉選別機構示意圖 75
圖5.17 花粉排列裝置 75
圖B.1 PLC控制流程圖 94
圖C.1 PLC程式 97
圖H.1 程式碼 112
圖I.1 LabVIEW圖控程式函式圖塊 113
圖I.2 LabVIEW圖控程式函式圖塊 114
圖I.3 LabVIEW圖控程式函式圖塊 115
圖I.4 LabVIEW圖控程式函式圖塊 116

1.田秉才、馮丁樹、陳世銘。1989。檸檬顏色選別裝置之研製。中國農業工程學報 3(4):73-82。
2.李芳繁。1988。以機器視覺選別草莓苗。中國農業工程學報34(4):34-38。
3.李芳繁。1991。檸檬顏色分級方法之建立。農業工程學報37(2):59-64。
4.李芳繁、蔡玉芬。1997。以機器視覺與類神經網路分級玫瑰切花之研究。農業機械學刊 6(1):57-69。
5.李汪盛、蕭介宗。2000。以手提式近紅外線分光度計非破壞性偵測梨果酸度。桃園區農業改良場研究彙報 41：6-16。
6.李汪盛、蕭介宗。2000。近紅外線光應用於梨及蘋果非破壞性糖度及酸度檢測。出自〝八十九年農業機械論文發表會論文摘要集〞，107-108。台北：中華農業機械學會。
7.吳德輝、陳世銘。2000。應用近紅外光遙測水稻生長性狀。出自〝八十九年農業機械論文發表會論文摘要集〞，131-132。台北：中華農業機械學會。
8.林淑華。1993。南投名間地區秘風花粉團之研究。台北：國立台灣大學植物學研究所碩士論文。
9.陳世銘、張文宏。2000。近紅外光應用於水果內部品質之檢測。出自〝農產品乾燥與加工學術研討會論文集〞，p.67-86。台北：國立台灣大學農業機械工程學系。
10.陳世銘、張嘉麟。2000。以近紅外光檢測乳粉之脂肪含量。出自〝2000年近紅外光在農產品、乳品、飼料檢測及動物營養之應用研討會論文集〞，17-18。台北：國立台灣大學農業機械工程學系。
11.陳加增、陳世銘、鍾國基。2000。近紅外光應用於水果糖酸度線上檢測系統之開發。出自〝八十九年農業機械論文發表會論文摘要集〞，109-110。台北：中華農業機械學會。
12.陳加增、陳世銘、黃峻吉、楊宜璋。2000。近紅外光技術應用於芒果內部品質分析之研究。出自〝八十九年農業機械論文發表會論文摘要集〞，111-112。台北：中華農業機械學會。
13.陳加增、陳世銘、楊宜璋、黃峻吉。2000。以近紅外光技術檢測葡萄糖酸度之研究。出自〝八十九年農業機械論文發表會論文摘要集〞，113-114。台北：中華農業機械學會。
14.陳世銘、謝廣文。1988。番茄顏色之光電選別。中國農業工程學報 3(2):49-54。
15.陳世銘、馮丁樹、張家禎。1995。番茄與柑橘共同型顏色選別指標之研究。農業機械學刊 4(4):47-57。
16.陳世銘、馮丁樹、宏慎霆、吳春杰、呂昆忠、田秉才、張文宏。1996。柑橘類水果光電選別機之研製。農業機械學刊 5(4):36-46。
17.黃膺任、李芳繁。1997。使用影像處理進行棗子分級之研究。農業機械學刊 6 (2)：15-23.
18.黃正霖。1994。應用彩色機器視覺技術選別蔬菜種子之研究。國立中興學農業機械工程學研究所碩士論文 110pp.
19.張鴻文、蕭介宗、李盛銘、洪梅珠。2000。以近紅外線及影像技術鑑別水稻品種。農業機械學刊 9〈4〉：1-15。
20.張鴻文、蕭介宗。2000。以近紅外線及影像技術鑑別不同期別之水稻品種。2000年近紅外光在農產品、乳品、飼料檢測及動物營養上之應用研究會專輯。P21-22。
21.楊清富。1993。應用機器視覺進行蕃茄顏色分級之研究。台中：國立中興大學農業機械工程學研究所碩士論文。
22.楊清富、李芳繁。1994。應用機器視覺進行蕃茄顏色分級之研究。農業機械學刊。 3(1)：15-29.
23.雷震山、肖成勇、魏麗、趙晨光。2012。LabVIEW高級編成與虛擬儀控工程應用。中國鐵道出版社。
24.鄭經偉、黃裕益、陳添福、張恆睿。1997。震動盤應用於洋蔥種球分級之研究。嘉義農專學報 P75-88。
25.蕭介宗、李汪盛。2000。紅外線光譜技術及影像處理技術應用於非破壞性米質檢測。行政院農委會苗栗區農業改良場特刊1號。p.145-164。
26.謝青霖、馮丁樹、陳世銘。1992。數位影像處理在水果大小選別之應用。農業機械學刊1(1):28-41。
27.繆紹綱。2003。數位影像處理。普林斯頓國際有限公司。Pp.844。
28.Bato, P. M., Nagata, M., Cao, Q., Hiyoshi, K., and Kitahara, T. 2000. Study on sorting system for strawberry using machine vision (part 2): development of sorting system with direction and judgement functions for strawberry (Akihime variety). Journal of the Japanese Society of Agricultural Machinery, 62(2), 101-110.
29.Blasco, J., Aleixos, N., and Molto, E. 2003. Machine vision system for automatic quality grading of fruit. Biosystems Engineering, 85(4), 415-423.
30.Bulanon, D. M., Kataoka, T., Ota, Y., and Hiroma, T. 2002. A color model for recognition of apples by a robotic harvesting system. Journal of the Japanese Society of Agricultural Machinery, 64(5), 123-133.
31.Gonzalez, R. C., and R. E. Woods, 2002, Digital Image Processing, 2nd Ed., Prentice-Hall, Inc., N.Y.
32.Hodges, D., 1952. The pollen loads of the honeybee. Chapter I-III.
Bee Research Association Limited.
33.Kutz, L. J., Miles, G. E., Hammer, P. A., and Krutz, G. W. 1987. Robotic transplanting of bedding plants. Transactions of the ASAE, American Society of Agricultural Engineers, 30(3), 586-590.
34.Miller, B. K. and M. J. Delwiche, 1989. Color vision system for peach grading. Transactions of the ASAE 32(4): 1484-1490.
35.Molto, E., Blasco, J., and Benlloch, J. V. 1998. Computer vision for automatic inspection of agricultural produces. 3543, 91-100.
36.Molto Garcia, E., Pla Banon, F., and Juste Perez, F. 1990. Sensing and sorting of fruit. Application of machine vision systems. Maquinas y Tractores Agricolas, 1(7), 34-38.
37.Moncaster, M. E. 1985. Applications of robotics to agriculture. 347-352.
38.Nagata, M., Cao, Q., Bato, P. M., Shrestha, B. P., and Kinoshita, O. (1997). Basic study on strawberry sorting system in Japan. (973095), 8 pp.
39.Peleg, K. (1981). Quality criteria of sorting operations. Transactions of the ASAE, 24(6), 1459-1465.
40.Qiao, J., Shibusawa, S., Sasao, A., Morimoto, E., and Kondo, N. (2004). Mobile Fruit Grading Robot: grading sweet pepper by machine vision system (pp. 977-991). St. Paul: Precision Agriculture Center, University of Minnesota, Department of Soil, Water and Climate.
41.Rehkugler, G. E., and J. A. Throop. (1989). Image processing algorithm for apple defect detection. Transaction of the ASAE 32(1): 267-272.
42.Sarkar, N., and Wolfe, R. R. (1985). Feature extraction techniques for sorting tomatoes by computer vision. Transactions of the ASAE (American Society of Agricultural Engineers), 28(3), 970-974, 979.
43.Shibata, T., Iwao, K., and Takano, T. (1996). Evaluating tomato ripeness using a neural network. Journal of Society of High Technology in Agriculture, 8(3), 160-167.
44.Throop, J. A., Rehkugler, G. E., and Upchurch, B. L. (1989). Application of computer vision for detecting watercore in apples. Transactions of the ASAE, 32(6), 2087-2092.
45.Wolfe, R. R., Ruzhitsky, V. N., and Hoernlein, C. A. (1992). Measurement of surface areas of interest such as bell pepper coloration using multiple orthogonal images. Transactions of the ASAE, 35(5), 1723-1727.
46.Wolfe, R. R., and Sandler, W. E. (1985). An algorithm for stem detection using digital image analysis. Transactions of the ASAE, 28(2), 641-644.
47.Wolfe, R. R., and Swaminathan, M. (1987). Determining orientation and shape of bell peppers by machine vision. Transactions of the ASAE, 30(6), 1853-1856.