亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于混沌多宇宙算法的蘋果表面缺陷檢測(cè)研究

        2018-02-06 07:39:50李紅娟楊穎輝
        江蘇農(nóng)業(yè)科學(xué) 2017年15期
        關(guān)鍵詞:缺陷檢測(cè)混沌

        李紅娟 楊穎輝

        摘要:采用混沌多宇宙算法,提高蘋果表面缺陷檢測(cè)的質(zhì)量。首先建立單宇宙、多宇宙結(jié)構(gòu),多個(gè)單宇宙群組成超單宇宙群;接著超單宇宙群信息交流通過自適應(yīng)策略選擇宇宙?zhèn)€體,Logistic映射對(duì)選中的宇宙?zhèn)€體進(jìn)行混沌優(yōu)化;然后采用改進(jìn)OTSU算法進(jìn)行蘋果缺陷區(qū)域目標(biāo)分割,分割區(qū)域內(nèi)像素紋理信息作為蘋果提取特征;最后給出了算法流程。試驗(yàn)仿真顯示,該算法對(duì)蘋果表面缺陷檢測(cè)效果清晰,各種缺陷檢測(cè)準(zhǔn)確率比較高。

        關(guān)鍵詞:混沌;多宇宙;蘋果表面;缺陷檢測(cè);仿真試驗(yàn);檢測(cè)準(zhǔn)確率

        中圖分類號(hào): TP391文獻(xiàn)標(biāo)志碼: A

        文章編號(hào):1002-1302(2017)15-0202-04

        蘋果在生長(zhǎng)、運(yùn)輸、存儲(chǔ)過程中,表面難免會(huì)產(chǎn)生各種缺陷,易造成蘋果深程度病變,因此蘋果表面缺陷檢測(cè)是確保蘋果制品安全的基礎(chǔ)[1]。目前,蘋果表面缺陷檢測(cè)依靠傳統(tǒng)的人工檢測(cè),但是人工檢測(cè)存在效率低下等弊端。Leemans等采用K均值聚類算法(K means clustering,KMC)提取RGB圖像中蘋果缺陷的特征,然后采用二次判別分析方法實(shí)現(xiàn)缺陷的檢測(cè)[2],但是算法復(fù)雜,需要事先進(jìn)行訓(xùn)練數(shù)據(jù)樣本。馬曉丹等采用模糊神經(jīng)網(wǎng)絡(luò)算法(fuzzy neural network,F(xiàn)NN)對(duì)蘋果表面缺陷進(jìn)行檢測(cè),采用缺陷和物理特征作為神經(jīng)網(wǎng)絡(luò)分類器的輸入?yún)?shù)訓(xùn)練樣本,此方法存在分級(jí)過程復(fù)雜、效率低等缺點(diǎn)[3]。Linker等通過蘋果色差對(duì)比算法(color difference contrast,CDC)對(duì)缺陷區(qū)域檢測(cè),格式化具有同樣特點(diǎn)的區(qū)域,分割這些區(qū)域,但是不能有效分割背景與提取目標(biāo)[4]。Keresztes等采用基于支持向量機(jī)算法(support vector machine,SVM)對(duì)蘋果表面缺陷進(jìn)行檢測(cè),將圖像分為缺陷區(qū)域和非缺陷區(qū)域2類,對(duì)各區(qū)域分別采集一定數(shù)量樣本進(jìn)行分析,但難以實(shí)施大規(guī)模訓(xùn)練樣本[5]。本研究采用混沌多宇宙算法(chaotic multi universe,CMU)檢測(cè)蘋果表面缺陷,建立單宇宙、多宇宙空間拓?fù)浣Y(jié)構(gòu),多個(gè)單宇宙群組成超單宇宙群;采用改進(jìn)OTSU算法分割蘋果缺陷區(qū)域目標(biāo),以分割區(qū)域內(nèi)像素紋理信息作為蘋果提取特征,旨在為快速檢測(cè)蘋果表面缺陷提供依據(jù)。

        1算法模型

        1.1多宇宙算法

        1.1.1多宇宙?zhèn)€體

        多宇宙將整個(gè)宇宙群劃分為多個(gè)單宇宙,每個(gè)單宇宙只與自己周圍的單宇宙進(jìn)行單向連接[6],多個(gè)單宇宙又可以組成相對(duì)單宇宙群,如圖1所示,U11、U12、U13、U14各代表1個(gè)單宇宙,U11、U12、U13、U14又組成相對(duì)其他單宇宙的單宇宙群U1;當(dāng)宇宙數(shù)目較多時(shí),多個(gè)單宇宙群又可組成超單宇宙,每個(gè)單宇宙群可與自己周圍的單宇宙群進(jìn)行雙向連接,U1、U2、U3、U4代表單宇宙群,U1、U2、U3、U4又組成相對(duì)其他單宇宙群U5、U6、U7、U8的超單宇宙群。

        式中:G(i,j)為灰度共生矩陣元素,k為灰度共生矩陣的維數(shù)。

        對(duì)提取的特征量數(shù)據(jù)通過混沌多宇宙算法尋優(yōu),即可獲得缺陷區(qū)域的最佳特征值。

        算法流程:(1)輸入待檢測(cè)蘋果圖像,進(jìn)行平滑、濾波處理;(2)利用OTSU算法進(jìn)行蘋果缺陷目標(biāo)分割;(3)分割閾值滿足t>1.25t*時(shí),進(jìn)行步驟(4),否則進(jìn)行步驟(2);(4)提取缺陷區(qū)域的特征量;(5)按混沌優(yōu)化多宇宙算法過程進(jìn)行特征量數(shù)據(jù)尋優(yōu);(6)滿足f[X(h+1)]→fbest(X*)時(shí),把X*作為混沌最優(yōu)搜索結(jié)果輸出,進(jìn)行步驟(7),否則進(jìn)行步驟(5);(7)輸出檢測(cè)結(jié)果。

        3試驗(yàn)仿真

        在試驗(yàn)中,依次進(jìn)行KMC算法、FNN算法、CDC算法、SVM算法、本研究CMU算法對(duì)比試驗(yàn),試驗(yàn)PC配置為 CPU 2.0 GHz、內(nèi)存4 GB、Intel主板、集成顯卡,利用MATLAB軟件實(shí)現(xiàn)仿真。試驗(yàn)中單宇宙50個(gè),單宇宙群9個(gè),單宇宙群里最多含有單宇宙8個(gè),超單宇宙群最多6個(gè),算法最大迭代次數(shù)為30次。水果表面缺陷包括碰壓傷、刺傷、疤痕、腐爛、蟲咬、裂傷、果銹等。

        3.1蘋果表面缺陷檢測(cè)

        從圖2、圖3可以看出,其他算法檢測(cè)出的缺陷區(qū)域不完整,視覺效果不好,本研究算法能夠完整檢測(cè)出缺陷區(qū)域,邊緣[CM(25]沒有間斷現(xiàn)象,這是因?yàn)椴捎酶倪M(jìn)OTSU算法進(jìn)行蘋果缺陷區(qū)域目標(biāo)分割,提高了CMU算法精度。

        3.2檢測(cè)準(zhǔn)確率分析

        對(duì)碰傷、刺傷、暗斑、蟲傷、干裂、萎縮進(jìn)行正確率檢測(cè)識(shí)別,數(shù)據(jù)樣本為700張有缺陷的蘋果圖像,其中碰傷679張、刺傷665張、暗斑658張、蟲傷654張、干裂660張、萎縮650張,存在1張圖片上有多個(gè)缺陷的樣本數(shù)據(jù),為了提高分析數(shù)據(jù)的可信性,各進(jìn)行10次蒙特卡羅試驗(yàn)仿真,取其均值,如圖4所示。

        從圖4可以看出,本研究算法能夠有效檢測(cè)出蘋果常見的各類缺陷,檢測(cè)準(zhǔn)確率最少為93%,高于其他算法,是一種非常有效的蘋果缺陷無損檢測(cè)方法,有利于蘋果在線分級(jí)。

        4結(jié)論

        本研究采用混沌多宇宙算法進(jìn)行蘋果表面缺陷檢測(cè),Logistic映射對(duì)選中的單宇宙?zhèn)€體進(jìn)行混沌優(yōu)化,改進(jìn)OTSU算法進(jìn)行蘋果缺陷區(qū)域目標(biāo)分割。試驗(yàn)仿真顯示,該算法對(duì)蘋果表面缺陷檢測(cè)效果清晰,各種缺陷檢測(cè)準(zhǔn)確率比較高,檢測(cè)正確率最少為93%,為蘋果缺陷智能檢測(cè)提供了一種新方法。

        參考文獻(xiàn):

        [1]程榮花,馬飛,石夢(mèng). 基于顏色特征的蘋果表面質(zhì)量檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J]. 遼寧農(nóng)業(yè)科學(xué),2014(3):22-24.

        [2]Leemans V,Destain M F. A real-time grading method of apples based on features extracted from defects[J]. Journal of Food Engineering,2004,61(1):83-89.endprint

        [3]馬曉丹,劉剛,周薇,等. 基于量子遺傳模糊神經(jīng)網(wǎng)絡(luò)的蘋果果實(shí)識(shí)別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2013,44(12):227-232,251.

        [4]Linker R,Cohen O,Naor A. Determination of the number of green apples in RGB images recorded in orchards[J]. Computers and Electronics in Agriculture,2012,81(1):45-57.

        [5]Keresztes J C,Goodarzi M,Saeys W. Real-time pixel based early apple bruise detection using short wave infrared hyperspectral imaging in combination with calibration and glare correction techniques[J]. Food Control,2016,66(1):215-226.

        [6]劉曉紅,曲志堅(jiān),曹雁鋒,等. 基于自適應(yīng)機(jī)制的多宇宙并行量子衍生進(jìn)化算法[J]. 計(jì)算機(jī)應(yīng)用,2015,35(2):369-373.

        [7]Yu F,Li P,Gu K,et al. Research progress of multi-scroll chaotic oscillators based on current-mode devices[J]. Optik-International Journal for Light and Electron Optics,2016,127(13):5486-5490.

        [8]Zhu Q B,Guan J Y,Huang M,et al. Predicting bruise susceptibility of ‘Golden Delicious apples using hyperspectral scattering technique[J]. Postharvest Biology and Technology,2016,114(4):86-94.

        [9]Lu Y Z,Li R,Lu R F. Structured-illumination reflectance imaging (SIRI) for enhanced detection of fresh bruises in apples[J]. Postharvest Biology and Technology,2016,117(7):89-93.

        [10]Ferrari C,F(xiàn)oca G,Calvini R,et al. Fast exploration and classification of large hyperspectral image datasets for early bruise detection on apples[J]. Chemometrics and Intelligent Laboratory Systems,2015,146(8):108-119.

        [11]Zhang B H,Huang W Q,Gong L,et al. Computer vision detection of defective apples using automatic lightness correction and weighted RVM classifier[J]. Journal of Food Engineering,2015,146(2):143-151.

        [12]Li C Y,Heinemann P,Sherry R. Neural network and Bayesian network fusion models to fuse electronic nose and surface acoustic wave sensor data for apple defect detection[J]. Sensors and Actuators B-Chemical,2007,16(1):301-310.

        [13]張保華,黃文倩,李江波,等. 基于亮度校正和AdaBoost的蘋果缺陷在線檢測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2014,45(6):221-226.

        [14]李江波. 臍橙表面缺陷的快速檢測(cè)方法研究[D]. 杭州:浙江大學(xué),2012.endprint

        猜你喜歡
        缺陷檢測(cè)混沌
        基于電渦流原理的無損檢測(cè)方案設(shè)計(jì)
        超聲波與特高頻方法下的GIS局部放電檢測(cè)技術(shù)分析
        基于極限學(xué)習(xí)機(jī)的玻璃瓶口缺陷檢測(cè)方法研究
        混沌與教育學(xué)
        考試周刊(2016年95期)2016-12-21 00:53:51
        混沌優(yōu)化算法在TSP問題的應(yīng)用
        基于一種Wang—Chen混沌系統(tǒng)的圖像加密算法分析
        科技資訊(2016年18期)2016-11-15 18:01:57
        基于混沌理論的自適應(yīng)參數(shù)圖像加密算法
        科技資訊(2016年18期)2016-11-15 07:45:11
        物理系統(tǒng)中隨機(jī)效應(yīng):混沌和隨機(jī)共振
        科技視界(2016年15期)2016-06-30 18:32:04
        基于圖像處理的印品質(zhì)量檢測(cè)系統(tǒng)研究
        科技視界(2016年3期)2016-02-26 11:42:37
        基于機(jī)器視覺的O型圈質(zhì)量檢測(cè)智能系統(tǒng)開發(fā)
        无码人妻精品一区二区三区9厂 | 亚洲丝袜美腿在线视频| 国产精品三级av及在线观看| 亚洲日韩精品欧美一区二区一| 精品国内在视频线2019| 国产看黄网站又黄又爽又色| 777久久| 亚洲三级香港三级久久| 999国产精品999久久久久久| 精品亚洲欧美无人区乱码| 亚洲人成影院在线无码观看| 日本第一区二区三区视频| 亚洲精品久久蜜桃av| 天堂av在线美女免费| v一区无码内射国产| 欧美成人www免费全部网站| 午夜国产精品视频免费看电影| 成人水蜜桃视频在线观看| 日韩网红少妇无码视频香港| 黑人巨大白妞出浆| 国产亚洲日本人在线观看| 国产高潮迭起久久av| 久久国产加勒比精品无码| 久久韩国漫画无删减漫画歪歪漫画| 亚洲一区二区高清在线| 少妇人妻字幕精品毛片专区| 欧美日韩国产码高清综合人成| 亚洲丁香婷婷综合久久小说| 亚洲视频在线中文字幕乱码| 少妇性俱乐部纵欲狂欢少妇| 无码av免费一区二区三区试看| 国产无码十八禁| 日本中文字幕有码在线播放| 特黄熟妇丰满人妻无码| 国产成人精品日本亚洲18| 按摩师玩弄少妇到高潮hd| 国产亚洲精品av久久| 久久夜色精品国产欧美乱| 天堂在线观看av一区二区三区| 国产免费成人自拍视频| yw尤物av无码国产在线观看|