臺灣博碩士論文加值系統

本研究以「稻米品質自動檢測分級機」為研究改進之基礎，發展稻米檢測分級之系統軟體。探討了條件式、類神經網路與混合兩種分類機制等三種分類演算法分類檢測之性能。本研究中改進檢測機上的米粒自動進料機構、胴裂粒的偵測環境、皮帶張力之自動調整與米粒分類收集盒等機構之設計。檢測軟體的靜置取像與分析功能可建立檢測機線上檢測時所需的辨識參數，而由線上檢測之結果可作為分類參數設定的依據。檢測軟體包含有PLC控制模組、米粒參數測試與統計分析模組、分類參數設定模組與連續選取分類模組、影像處理模組、米粒參數計算模組與類神經網路分類模組等7個不同模組。當檢測系統的米粒填佈率達90%以上時，檢測系統每分鐘可處理1200顆以上之米粒。
實驗結果顯示，計算「相鄰區塊最大灰階值之差」進行胴裂粒檢測，檢出率可達89%。經由SAS統計軟體之Scheffe測試與數值區間分佈的探討，可挑選出合適的米粒品質檢測參數，進行白死米、青死米、病蟲害粒、異型粒、碎粒、白堊質粒、胴裂粒、白未熟粒、青未熟粒、完整粒、活青米與稻穀等米粒種類的類神經網路分類，正確率最高可達92.0%。分別以條件式、類神經網路與混合式等三種分類機制，配合檢測分級機進行稻米品質的線上分類檢測，顯示以條件式與混合式之檢測正確率較高。考量分類正確度、穩定度與分類參數的調整三種條件，建議以混合條件式與類神經網路之分類方式，在米粒分類的推廣應用上會有較好的表現。

According to the invented “Automatic Rice Quality Inspection Machine”, the purposes of this study are to improve the performance of the machine and to develop a “Rice Quality Inspection and Classification System Software”. There were three computer classification algorithms which are “if-then-else” rule base, artificial neural network and hybrid method, designed in this software to study their accuracy of inspection on this machine. Several devices of the machine are improved. They are the automatic kernel intake device, the cracked kernel photographic device, the automatic belt stretch adjustment device and the sorting boxes. From the functions of image analysis and static kernel image grabbing designed in the software, the first needed classifying parameters can be built. These parameters are adjusted and remodified according to their performance from online testing with the machine. The inspection software comprises seven modules and each has many functions on it. They are PLC control module, rice kernel inspection and statistical module, parameter setting module, continual selecting module, image processing module, rice parameter calculating module and neural network classifying module. Assume the kernel fill rate reaches the average level of 90%, the system can deal with 1200 rice kernels per minute at least.
From the experimental results, when using the method of “maximum gray level difference of contiguous blocks”, the exactitude of the cracked kernel inspection can reach 89%. According to the Scheffe test of the SAS and the analysis of the normalized value scope of those parameters, we choose the suitable parameters to build the rules and to set the artificial neural network. Each output of the neural network represents one of dead, discolored, off-type, broken, chalky, cracked, immature or sound kernel or rough rice. After the learning and testing process of the artificial neural network, the experiment shows that the accuracy of the classification reaches 92%. Inspecting brown rice kernel with the “if-then-else” rule base, artificial neural network, and the hybrid method of combining both, it shows that the “if-then-else” rule base and the hybrid method have better validity. Considering the accuracy and the stability of classification and the parameter adjustment, the hybrid method of combining “if-then-else” rule base and the artificial neural network shows higher performance on the rice quality classification.

第一章 前言與研究目的
1.1前言
1.2研究目的
第二章 文獻探討
2.1影像處理原理與應用
2.1.1.數位影像的原理
2.1.2.影像技術在農產品檢測上之應用
2.2類神經網路原理與應用
2.3.1.類神經網路之原理
2.3.2.誤差倒傳遞類神經網路
2.3.3.類神經網路在農產品檢測上之應用
2.3糙米的種類與量化參數
2.4糙米辨識演算法
2.5糙米外觀品質檢測分級系統
第三章 實驗設備與材料
3.1實驗設備
3.2實驗材料
第四章 研究方法
4.1胴裂粒的偵測
4.2糙米參數資料的建立
4.3類神經網路分類機制的建立
4.4條件式分類機制的使用
4.5混合分類機制之使用
4.6不同分類機制性能的比較
第五章 檢測系統
5.1檢測分級機的改進
5.1.1.米粒入料方式的改進
5.1.2.打光取像設計的改良
5.1.3.輸送皮帶的張力調整
5.1.4.米粒出料的設計
5.2檢測軟體的設計
5.2.1.檢測系統的功能設計
5.2.2.分級檢測的流程規劃
5.2.3.分級檢測的程式發展
5.2.4.檢測分級軟體
5.2.5.動態檢測的控制流程與效能
第六章 結果與討論
6.1偵測胴裂的結果
6.2類神經網路的設定與測試
6.2.1.分類參數之分類分析
6.2.2.類神經網路的設定與測試
6.2.3.配合條件式進行分類之測試結果
6.3不同分類機制之效能比較
6.3.1.檢測系統的穩定度測試
6.3.2.不同分類機制的分類效能之比較
第七章 結論
第八章 建議
參考文獻
附錄A 檢測分級系統的介紹
附錄B 米粒分類參數之分析資料
附錄C 不同分類機制的分類測試結果

1. 中國國家標準。1994。13446-N1126。經濟部中央標準局印行。
2. 稻米外觀品質判定參考手冊。1994。台灣省政府糧食局印行。
3. 周瑞仁、彭應武。1995。以數位影像系統判別稻米外觀品質。稻米自動化專輯第二冊 穀物非破壞性檢驗。行政院農委會。
4. 陳正義、謝英雄、曾美倉。1989。判別水稻穀粒外型之品種差異─利用影像處理技術。中國統計學報。27 (7) : 21 - 36。
5. 張文宏、陳世銘、連豐力、許豐益、謝廣文。1994。水果智慧型選別之研究。農業機械學刊。3(4)：25 - 35。
6. 黃膺任。1995。使用影像處理與類神經網路分級胡蘿蔔之研究。碩士論文。國立中興大學農業機械工程學研究所。
7. 溫惠雯。1996。糙米品質檢測系統之研製。碩士論文。國立中興大學農業機械工程學研究所。
8. 林建銘。1996。比較不同打光方式與影像處理演算法在胴裂米檢測之影響。國科會大專生專題研究計畫成果報告。NSC85-2815-C005-01-036B。
9. 萬一怒、林建銘、廖家興、周瑞仁。1997。胴裂米反光特性的分析與應用。農業機械學刊。6 (3) : 89 — 99。
10. 楊智超。1997。類神經網路應用於糙米外觀品質檢測之研究。碩士論文。國立中興大學農業機械工程學研究所。
11. 廖家興。1995。機器視覺在糙米外觀檢驗之應用。碩士論文。國立中興大學農業機械工程學研究所。
12. 葉怡成。1994。類神經網路模式應用與實作。儒林圖書公司。
13. 謝志誠。1993。類神經網路在稻穀乾減率模式建立與分析上之應用。農業機械學刊。2 (4) : 21 - 31。
14. Elster, R.T. and J.W. Goodrum. 1991. Detection of cracks in eggs using machine vision. Transactions of the ASAE. 34(1):307- 312.
15. Fekete, A., J. Felfoldi , F. Firtha , and E. Gyoral. 1996. Computer Vision for fruit and vegetable quality qssessment. ASAE Paper No.96-6014 .St. Joseph, MI;ASAE.
16. Gonzalez,R. C. and R.E. Woods. 1992. Digital Image Processing. Addision-Wesley Publishing Company.
17. Jacobs, R.A. ,1988. Increased rate of convergence throtgh learning rate adaptation. Neural Networks, vol. 1, 295-307.
18. Patel,V. C., R. W. McClendon , and J. W. Goodrum. 1994. Crack detection in dgg using computer and neural networks. AI Application , vol.8, No.2, 21 - 31.
19. Steinmetz, V., M. J. Delwiche, D. K. Giles, and R. Evans. 1994. Sorting cut roses with machine vision.Transactions of the ASAE 37 (4) : 1347 - 1353.
20. Zurada, Jacek M. 1992. Introduction to Artificial Neural Systems. West Info Access Distribution Pte Ltd.