跳到主要內容

臺灣博碩士論文加值系統

(44.200.171.156) 您好!臺灣時間:2023/03/27 09:22
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:程梓傑
研究生(外文):CHENG,ZI-JIE
論文名稱:基於電腦視覺深度學習之辨識咖啡瑕疵豆方法研究與系統實作
論文名稱(外文):Research and Development of Defect Coffee Beans Identification System Based on Computer Vision and Deep Learning Techniques
指導教授:沈岱範
指導教授(外文):SHEN, DAY-FANN
口試委員:沈岱範林春宏何前程林俊吉林俊慧
口試委員(外文):SHEN, DAY-FANNLIN, CHUEN-HORNGHO, CHIAN-CHENGLIN, CHUN-CHILIN, CHUN-HUI
口試日期:2020-07-22
學位類別:碩士
校院名稱:國立雲林科技大學
系所名稱:電機工程系
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:2021
畢業學年度:109
語文別:中文
論文頁數:80
中文關鍵詞:咖啡瑕疵豆辨識深度學習電腦視覺篩選機工業攝影機自動化機電咖啡豆輸送系統
外文關鍵詞:Identification of defective coffee beansdeep learningcomputer visionscreening machinesindustrial camerasautomated electromechanicscoffee bean conveying systems
相關次數:
  • 被引用被引用:4
  • 點閱點閱:260
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
咖啡產業已是全球商機無限的一種產業,且產業產值更是十分龐大!本論文提出的『基於電腦視覺深度學習之辨識咖啡瑕疵豆方法研究與系統實作』重點包含: 1.取得動態原始影像,目的為貼近實際咖啡生豆在篩選機中移動的情況,實驗時在咖啡豆輸送移動的條件下,調整輸送速度,光源照明,攝影機光圈、快門及取像率,目的是取得清晰原始影像。2. 從取得原始影像中快速判斷是否有咖啡生豆並擷取製作動態訓練與測試影像集,選擇兼具速度與辨識率的CNN模型,並進行模型訓練及參數調整,目的是得到最佳動態辨識模型。3. CNN動態辨識模型與自動化機電配合,咖啡生豆依辨識模型判斷結果,配合自動化機電將正常豆與瑕疵豆實體自動分離,並以測試改進。目的是建構可運作的咖啡瑕疵豆篩選機系統雛形。上述技術開發出符合咖啡業者篩選瑕疵咖啡豆需求可運作的系統雛形。
Coffee industry has been a global business opportunities unlimited industry, and the industrial output value is very large! The key points of ' Research and Development of Defect Coffee Beans Identification System Based on Computer Vision and Deep Learning Techniques' proposed in this paper are included: 1. To obtain the dynamic original image, the purpose is close to the actual coffee raw beans in the screening machine movement, the experiment in the coffee bean transport movement conditions, adjust the transmission speed, light source lighting, camera aperture, shutter and image rate, the purpose is to obtain a clear original image. 2. Quickly determine whether there are coffee beans from the original images and capture the production of dynamic training and test image sets, select CNN models with both speed and recognition rate, and carry out model training and parameter adjustments in order to obtain the best dynamic recognition model. 3. CNN dynamic identification model and automated mechanical and electrical cooperation, coffee raw beans according to the identification model to determine the results, with automated mechanical and electrical will be normal beans and defective bean entities automatically separated, and test improvement. The aim is to construct a functioning coffee defect bean screening machine system prototype. The above technology has developed a system prototype that can operate in line with the coffee industry's demand for screening defective coffee beans.
摘要 i
ABSTRACT ii
誌謝 iii
目錄 iv
表目錄 vi
圖目錄 vii
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機與目的 2
1.3 論文特色與貢獻 2
1.4 研究團隊 2
第二章 文獻回顧 4
2.1 咖啡瑕疵豆相關文獻回顧 4
2.2 學術界相關文獻回顧與評述 5
2.3 工業界相關文獻回顧與評述 6
2.4 光源與演色性相關文獻回顧與評述 9
2.5 卷積神經網路(Convolution Neural Network)相關文獻回顧與評述 11
2.5.1 卷積層(Convolution layer) 12
2.5.2 線性整流單元(Rectified Linear Unit,ReLU) 13
2.5.3 池化層(Pooling layer) 14
2.5.4 全連結層(Fully-connected layer) 15
第三章 系統架構與實驗環境 19
3.1 系統需求(System Requirements) 19
3.2 研究方法大綱 21
3.3 透明玻璃滑板架構之篩選機自動化機電設計 22
3.4 架構參數調整 25
3.4.1 攝影機參數設定 25
3.4.2 透明玻璃滑板傾斜角度調整 28
3.5 製作動態訓練影像集與測試影像集 28
3.5.1 偵豆演算法 29
3.5.2 準備咖啡生豆 30
3.5.3 拍攝環境介紹 32
3.5.4 產生動態訓練影像集與動態訓練影像集 34
第四章 CNN動態模型訓練調整測試與自動化機電整合 37
4.1 CNN動態模型訓練及參數設定 37
4.2 CNN動態模型辨識準確率測試評估改進 41
4.2.1 CNN動態模型辨識準確率 41
4.2.2 CNN動態模型測試(內部動態測試) 41
4.2.3 CNN動態模型測試(外部動態測試) 42
4.2.4 影響準確率分析與改進 42
4.3 CNN動態模型與自動化機電整合 44
第五章 咖啡豆瑕疵篩選機電整合系統效能測試評估及改進 46
5.1 定義準確率 47
5.2 以定義測試咖啡生豆(正常豆、瑕疵豆各200顆)實體機電測試 48
5.3 實體機電篩選速度 49
5.4 影響咖啡豆檢測速度(顆/s)的因素分析 50
5.5 系統需求符合度評估 53
5.5.1 咖啡豆瑕疵辨識準確率 53
5.5.2 篩選機篩選速度、處理顆數 54
5.5.3 製作成本與維修成本 54
第六章 輸送帶系統機構 55
6.1 前言 55
6.2 實驗設備差異 55
6.3 實體架構 56
6.3.1 製作輸送帶 56
6.3.2 不同輸送帶速度影像取像效果 58
6.4 咖啡生豆影像辨識準確率評估 59
6.5 實體機構測試 60
第七章 結論與未來展望 64
7.1 結論 64
7.2 未來展望 66
參考文獻 67

[1]卓偉民(2010)。探索精品咖啡的秘密第二版。品度股份有限公司。
[2]維基百科, "咖啡"
https://zh.wikipedia.org/wiki/coffee
[3]林晋億(2013)。全彩機械視覺於咖啡生豆檢測之研究。國立雲林科技大學電子與光電工程研究所碩士班碩士論文,雲林縣。取自https://hdl.handle.net/11296/mxq3y9
[4]Pinto, C., et al. (2017). "Classification of Green coffee bean images basec on defect types using convolutional neural network (CNN)." IEEE International Conference on Theory and Applications.
[5]C.-J. Kuo et al., "A Labor-Efficient GAN-based Model Generation Scheme for Deep-Learning Defect Inspection among Dense Beans in Coffee Industry," in 2019 IEEE 15th International Conference on Automation Science and Engineering (CASE), 2019: IEEE, pp. 263-270.
[6]陳柏宇(2020)。基於深度學習卷積神經網路之咖啡瑕疵豆辨識方法。國立雲林科技大學電機工程系碩士論文,雲林縣。 取自https://hdl.handle.net/11296/sgv73g
[7]凃亞廷(2014)。咖啡公豆母豆自動選別裝置之開發。國立中興大學生物產業機電工程學系所碩士論文,台中市。 取自https://hdl.handle.net/11296/7wwyvw
[8]認識光源。利航企業有限公司。http://www.leonh.com.tw/lightsource.php?page=2
[9]LED色溫基本常識。LEDinside, a Business Division of TrendForce Corp。ttps://www.ledinside.com.tw/knowledge/20070530-263.html
[10]A. Krizhevsky, I. Sutskever, and G. E. Hinton, "Imagenet classification with deep convolutional neural networks," in Advances in neural information processing systems, 2012, pp. 1097-1105.
[11]Simonyan, K. and A. Zisserman (2014). "Very Deep Convolutional Networks for Large-Scale Image Recognition." arXiv:1409.1556 [cs.CV] https://arxiv.org/pdf/1409.1556.pdf.
[12]Szegedy, C. (2015). "Going deeper with convolutions." IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
[13]G. Huang, Z. Liu, L. Van Der Maaten, and K. Q. Weinberger, "Densely connected convolutional networks," in Proceedings of the IEEE conference on computer vision and pattern recognition, 2017, pp. 4700-4708.
[14]Arboleda, E. R., et al. (2018). "Classification of coffee bean species using image processing, artificial neural network and K nearest neighbors." IEEE International Conference on Innovative Research and Development (ICIRD).
[15]Lecun, Y., et al. (1998). "Gradient-based learning applied to document recognition." Proceedings of the IEEE.
[16]E, C., et al. (2014). "An approach for improve the recognition of defects in coffee beans using retinex algorithms."2014 XL Latin American Computing Conference (CLEI).
[17]H., R., et al. (2014). "Automatic classification of physical defects in green coffee beans using CGLCM and SVM." 2014 XL Latin American Computing Conference (CLEI).
[18]Srividya and P. Kurian (2014). "White light source towards spectrum tunable lighting — A review." 2014 International Conference on Advances in Energy Conversion Technologies (ICAECT).
[19]Loiselle, R., et al. (2015). "LED Lighting for Oil and Gas Facilities." IEEE Transactions on Industry Applications 51(2): 1369-1374.
[20]He, K., et al. (2015). "Deep Residual Learning for Image Recognition." arXiv:1512.03385 [cs.CV] https://arxiv.org/pdf/1512.03385.pdf.
[21]Liu, J. G., et al. (2017). "Advances in higher color quality and healthier white LEDs." IEEE Transactions on Industrial Electronics: 13-16.
[22]Waal, D. d., et al. (2018). "Toward the adaptive control of the colour rendering of LED lighting with an RGBW sensor." 2017 International Conference on Image and Vision Computing New Zealand (IVCNZ).
[23]Rolling Shutter vs Global Shutter: What’s the difference.
https://www.premiumbeat.com/blog/know-the-basics-of-global-shutter-vs-rolling-shutter/
[24]Rolling shutter - Wikipedia
https://en.wikipedia.org/wiki/Rolling_shutter
[25]Specialty Coffee Association . "research"
https://sca.coffee/research/
[26]維基百科, "卷積神經網路"
https://zh.wikipedia.org/wiki/%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C
[27]Activation_function – Wikipedia
https://en.wikipedia.org/wiki/Activation_function
[28]維基百科,"線性回歸"
https://zh.wikipedia.org/wiki/%E7%B7%9A%E6%80%A7%E5%9B%9E%E6%AD%B8
[29]維基百科,"深度學習"
https://zh.wikipedia.org/wiki/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0
[30]成美堂出版編輯部 (2018)。完美咖啡的細節:從原豆履歷、杯測口感、烘焙研磨到沖煮萃取,每個環節都精準到位。方言文化出版。
[31]盧郭杰和(2016)。爐鍋咖啡-咖啡的分級制度。https://www.luguocafe.com/blogs/coffee-guide/coffee-grading-systems-around-the-world#article-author

電子全文 電子全文(網際網路公開日期:20260122)
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊