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

        ?

        基于顏色和形狀的鮮茶葉圖像特征提取及在茶樹品種識別中的應用

        2021-08-02 15:54:56劉自強周鐵軍傅冬和彭華
        江蘇農業(yè)科學 2021年12期
        關鍵詞:機器學習

        劉自強 周鐵軍 傅冬和 彭華

        摘要:對鮮茶葉顏色、形狀特征進行提取,運用計算機視覺、圖像處理技術識別茶葉品種。先用數(shù)碼相機收集茶葉圖像,然后對圖像格式進行轉換和預處理,再運用 HSI 模型提取茶葉顏色特征參數(shù)并采用二值化后圖像提取茶葉形狀特征參數(shù),針對每一類特征,用6種分類器訓練建模,并比較各模型的預測精度。結果表明,其中SVMKM和隨機森林以2類特征建模,運用十折交叉驗證,獨立預測分類這2種方法的精確度達到89.5%。說明本研究運用的方法能成功識別出茶葉品種。

        關鍵詞:圖像處理;圖像特征提取;特征篩選;機器學習;品種識別;鮮茶葉

        中圖分類號:TP391.41 文獻標志碼: A

        文章編號:1002-1302(2021)12-0168-05

        收稿日期:2020-09-03

        基金項目:湖南省教育廳科學研究項目(編號:17C0589)。

        作者簡介:劉自強(1988—),男,湖南衡陽人,碩士,講師,主要從事生物信息處理研究。E-mail:362791767@qq.com。

        隨著茶葉加工工藝的提高,研究者更加注重茶葉加工和商品茶制作,逐漸忽視茶樹栽培與茶樹品種研究,不利茶樹優(yōu)良品種保護。而人工識別是以感官評價為主,這使得茶葉識別存有一定的誤差,為了提高茶葉評定的準確性,利用計算機技術來識別茶葉成為一種新的選擇[1]。

        近年來,計算機科學技術快速發(fā)展,圖像處理技術在諸多領域已有廣泛應用?,F(xiàn)階段已有研究者利用數(shù)字圖像處理技術對成品茶葉或植物葉片提取顏色、形狀等特征,來識別茶葉品種。本研究通過提取多種鮮茶葉圖像中的顏色、形狀等有效特征參數(shù),對鮮茶葉種類進行精準識別,并通過此方法來分辨茶樹品種,這對茶樹名優(yōu)品種的發(fā)展保護及茶樹品種的認知具有重大現(xiàn)實意義。

        1 茶葉采樣及圖像處理

        1.1 茶葉采樣

        分別摘取碧香早、福豐、福云6號、紅芽佛手、尖波黃、金萱、茗豐、平云6號、香紀翠和政和大白等10種茶樹品種的鮮茶葉片。另外,每個品種再摘取5張成熟葉,用于研究識別其他需要。

        光源箱內開啟白光源,相機型號為Nikon 1 J1,拍攝分辨率為1 900×1 700,光圈為F5.6,曝光時間為1/30 s,鏡頭距白板10 cm,具體操作如圖1所示。

        根據(jù)如上方法,在2 h內采集10種不同品種的100張鮮茶葉圖像,每類鮮茶葉圖像如圖2所示(每種只列出1張)。

        1.2 茶葉的圖像處理

        拍攝的圖像光照和設備硬件等因素的影響,存在光照、陰影、邊界等問題,會導致重影、邊緣模糊、噪聲等,須對其進行預處理,以提高特征提取精度。對所采集的圖像去除無關信息,恢復有效信息,增強相關信息的可檢測性。預處理的過程包括圖像灰度化、圖像分割、去除小孔洞及清除邊界附近對象等。為提高圖像的清晰度和圖像分析準確度,對圖像進行中值濾波去噪和直方圖均衡等預處理。鮮茶葉圖像經過預處理,一方面通過圖像格式的轉換,對得到的HSI圖像提取出顏色特征參數(shù),另一方面通過圖像的二值化處理,得到茶葉的形狀和輪廓圖,提取其形狀特征參數(shù)[2-5]。

        鮮茶葉圖像預處理步驟如下:第1步,對鮮茶葉圖像經過B通道灰度化處理;第2步,對灰度化后的圖像做二值化處理,用Otsu算法自動確定分割閾值,使目標與背景分離;第3步,對分割后的茶葉圖像先閉運算處理后開運算處理,再去除目標圖像外不相關目標;第4步,清除邊界附近對象及區(qū)域外目標操作處理,得到最終預處理后圖像。

        對所有樣本的鮮茶葉圖像用相同方法進行預處理,以提取到準確的特征參數(shù)。具體流程及示例如圖3所示。

        2 茶葉顏色和形狀特征的提取

        2.1 顏色特征提取方法

        提取10種不同品種共100幅原始鮮茶葉圖像的R(紅)G(綠)B(藍)、H(色調)I(亮度)S(飽和度)、L*(亮度)a*(從紅色到綠色的光譜變化值)b*(從黃色到藍色的光譜變化值)分量值特征,對每個品種鮮茶葉的RGB、HIS 分量特征參數(shù)求平均值,結果見表1。由表1可知,各顏色分量特征的平均值有所差異,可利用不同品種的顏色差異做進一步分

        析處理[6]。

        2.2 形狀特征提取方法

        2.2.1 重心 預處理后的二值圖像質量分布均勻,質心就是目標圖像的重心。重心到茶葉目標圖像邊界最遠距離稱為最長半徑,重心到邊界最近距離稱為最短半徑,如圖4所示。

        2.2.2 面積、周長 面積是目標圖像區(qū)域尺寸的度量,常用統(tǒng)計目標區(qū)域中像素點數(shù)的方法來計算。因像素點統(tǒng)計區(qū)域不盡相同,可分為投影面積、凸多邊形面積、填充面積(圖5)。周長是目標圖像區(qū)域邊緣長度。圓形度是周長2/面積的值,用來形容目標圖像邊緣復雜程度,而圓形性是4π×面積/周長2的值[7]。

        2.2.3 最小外接矩形、長軸和短軸 包含目標圖像且面積最小的矩形,稱為最小外接矩形(MER,圖6-a);最小面積矩形與周長的比值稱為偏心率;以目標圖像邊界點間最長距離為外接矩形主軸,得到的矩形稱之為主軸法外接矩形(MAR,圖6-b)[8]。通常以主軸法得到的外接矩形的長稱為長軸,寬稱為短軸,長軸與短軸的比值稱為伸長率,可將細長茶葉與方形或圓形的茶葉區(qū)分開來[9]。

        2.2.4 最大內切圓半徑 最大內切圓是目標圖像內所能包含的最大面積的圓(圖7)。

        本試驗主要測定的形狀特征有投影面積、凸多邊形面積、填充面積、周長、長軸、短軸、等價直徑、最長半徑、最短半徑、內切圓半徑、偏心率、實度、伸展度、最短長半徑比、圓形度、短長軸比、面積周長比等19個。在Matlab軟件中,可利用regionprops函數(shù)的Area、MajorAxisLength、MinorAxisLength、Eccentricity、EquivDiameter等命令實現(xiàn)參數(shù)測定[10]。

        茶葉圖像經預處理后,顏色、形狀特征由軟件處理(湖南農業(yè)大學農業(yè)信息研究所研發(fā)的農作物數(shù)字圖像分析系統(tǒng)V2.0)獲得。對形狀特征參數(shù)求平均值,部分特征平均值如表2所示。

        3 特征參數(shù)分析及篩選

        3.1 茶樹品種間特征參數(shù)差異性分析

        利用單因素多水平方差分析(ANOVA)方法,對10個茶樹品種鮮茶葉圖像的31個特征參數(shù)分別進行顯著性水平分析[11]。因為有10種茶樹,所以自由度取值9。以周長特征為例, 用Matlab軟件算出的P值為3.513 4×10-24,遠小于上述臨界值。對于周長特征,顯然各品種間差異極顯著[12]。

        利用此方法,對10個樣本品種的31個初始特征參數(shù)做單因素方差分析,結果見表3。

        3.2 有效特征篩選

        當樣本數(shù)量相對較少,特征數(shù)量相對較大時,容易產生過擬合風險。用以上方法提取大量鮮茶葉圖像特征參數(shù)后,由于茶葉樣本數(shù)據(jù)間存在大量相關性,信息冗余,特征維數(shù)大,在機器識別過程中,會降低識別精度。因此,需對數(shù)據(jù)進行特征篩選,去除與目標值無關且?guī)碓肼暩蓴_的特征量,以利于在后續(xù)機器識別建模時,縮短訓練時間,提高識別精度。

        通過多輪末尾淘汰對特征因子進行篩選,對所有特征用libsvm經10次交叉驗證建立模型可得初始分類精度,依次剔除每一特征,并以剩余特征利用libsvm經10次交叉驗證建立分類模型。在第1輪的31個分類模型中找出最高的分類精度,如果該精度小于所有特征建模時所得的分類精度,說明所有特征均對建模有利,不能刪除,應該保留;如果該精度大于原始精度,說明刪除該特征后,有助于模型精度的提高,則該特征應刪除并進入下一輪汰選;重復以上過程,直至某輪次刪除某特征后,所有模型的最高分類精度小于上輪的最高分類精度;此時上輪次的最高精度即為該整個過程中模型的最高精度,其所對應的特征均應保留,汰選終止。

        經過多輪汰洗后,保留27個特征參數(shù):(1)顏色特征。圖像顏色的R、G、B、L*、a*、b*分量特征。(2)形狀特征。填充面積、周長、長軸、短軸、等效直徑、最長半徑、最短半徑、偏心率、伸展度、最短長半徑比、圓形度、短長軸比、面積周長比。

        4 分析及討論

        4.1 結果

        數(shù)據(jù)經歸一化處理后,對100個鮮茶葉圖像樣本集數(shù)據(jù)采用K-折交叉驗證方法(K取值為10),分別應用SVMKM、RF、NBC、Fisher、KNN和ELM算法進行建模分類識別[13],得出識別結果,比較分析各分類器的識別精度,并對顏色、形狀特征分別建模識別,對結果進行比較分析,說明其特征的有效性。

        通過檢驗,各分類器的識別精度都最高,數(shù)據(jù)集的泛化能力也最強[14]。針對所得到的鮮茶葉圖像樣本數(shù)據(jù)的樣本小、種類多等特點,通過6種分類器從顏色、形狀特征識別中得出結果,結果(表4)表明,通過圖像處理方法,提取鮮茶葉片圖像的顏色、形狀特征[15],建立分類識別模型,能達到89.5%的識別精度。鮮茶葉葉片與茶樹品種存在對應關系,利用圖像處理方法分類識別不同品種鮮茶葉,同時也識別了鮮茶葉所屬的茶樹品種。

        4.2 結論與討論

        本研究采用圖像處理技術實現(xiàn)了茶葉顏色、形狀特征參數(shù)提取等功能,建立了茶葉品種識別模型,對不同茶葉進行鑒別,預測準確率達到了89.5%,表明圖像處理技術對識別茶葉品種是一種可行的方法。為了提高檢測的準確性,可進一步提取茶葉的紋理、分形特征等信息并加以判別,從而更精準識別茶葉品種。

        本研究利用圖像處理技術解決了茶葉品種識別問題,且識別率較高、精確。根據(jù)目前圖像處理技術的發(fā)展及在諸多領域的應用進展,圖像處理技術在農作物實時、無損、快速在線營養(yǎng)檢測與病蟲害防治方面有很長遠的發(fā)展前景[16]?,F(xiàn)今,食品安全問題也日益突出,非破壞性無損檢測技術在農作物營養(yǎng)檢測與病蟲害防治中越來越受到重視。隨著農作物圖像處理技術發(fā)展,且分析處理能力逐漸提高,采用圖像處理技術與相關專家的見解相結合方法,可及時掌握作物營養(yǎng)與病蟲害信息,采取相應措施,對農作物生長能起到良好的促進作用[17],食物安全問題也能較好較快地解決。

        參考文獻:

        [1]汪 建,杜世平. 基于顏色和形狀的茶葉計算機識別研究[J]. 茶葉科學,2008,28(6):420-424.

        [2]楊福增,楊亮亮,田艷娜,等. 基于顏色和形狀特征的茶葉嫩芽識別方法[J]. 農業(yè)機械學報,2009,40(增刊1):119-123.

        [3]陸江鋒,單春芳,洪小龍,等. 基于數(shù)字圖像的茶葉形狀特征提取及不同茶葉鑒別研究[J]. 茶葉科學,2010,30(6):453-457.

        [4]唐 敏,劉 英,費葉琦,等. 圖像處理技術在現(xiàn)代林果采摘中的應用[J]. 林業(yè)機械與木工設備,2020,48(4):4-7.

        [5]張俊峰. 基于統(tǒng)計形狀特征的茶葉梗分離與識別[D]. 合肥:安徽大學,2012.

        [6]陳怡群,常 春,肖宏儒,等. 人工神經網絡技術在鮮茶葉分選中的應用[J]. 農業(yè)網絡信息,2010(7):37-40,43.

        [7]李清光,李曉鐘,周惠明. 茶葉品種與產地識別技術研究進展[J]. 食品科學,2011,32(13):341-344.

        [8]陳全勝,趙杰文,蔡健榮,等. 支持向量機在機器視覺識別茶葉中的應用研究[J]. 儀器儀表學報,2006,27(12):1704-1706.

        [9]Pandolfi C,Mugnai S,Azzarello E,et al. Artificial neural networks as a tool for plant identification:a case study on Vietnamese tea accessions[J]. Euphytica,2009,166(3):411-421.

        [10]Mugnai S,Pandolfi C,Azzarello E,et al. Camellia japonica L. genotypes identified by an artificial neural network based on phyllometric and fractal parameters[J]. Plant Systematics and Evolution,2008,270(1/2):95-108.

        [11]Pandolfi C,Messina G,Mugnai G,et al. Discrimination and identification of morphotypes of Banksia integrifolia (Proteaceae) by an Artificial Neural Network (ANN),based on morphological and fractal parameters of leaves and flowers[J]. Taxon, 2009,58(3):925-933.

        [12]李國正,王振曉,楊 杰,等. 基于SVM的特征篩選方法及其若干應用[J]. 計算機與應用化學,2002,19(6):703-705.

        [13]郭金鑫,陳 瑋. 基于HOG多特征融合與隨機森林的人臉識別[J]. 計算機科學,2013,40(10):279-282,317.

        [14]李錦衛(wèi). 基于計算機視覺的水稻、油菜葉色-氮營養(yǎng)診斷機理與建模[D]. 長沙:湖南農業(yè)大學,2010.

        [15]Pham B T,Prakash I. Evaluation and comparison of LogitBoost Ensemble,F(xiàn)ishers Linear Discriminant Analysis,logistic regression and support vector machines methods for landslide susceptibility mapping[J]. Geocarto International,2019,34(3):316-333.

        [16]刁智華,袁萬賓,刁春迎,等. 病害特征在作物病害識別中的應用研究綜述[J]. 江蘇農業(yè)科學,2019,47(5):71-74.

        [17]張 浩,李和平,葉 娟. 小麥籽粒外觀形態(tài)特征測定技術研究[J]. 糧食與飼料工業(yè),2013(3):7-9.

        猜你喜歡
        機器學習
        基于詞典與機器學習的中文微博情感分析
        基于網絡搜索數(shù)據(jù)的平遙旅游客流量預測分析
        時代金融(2016年27期)2016-11-25 17:51:36
        前綴字母為特征在維吾爾語文本情感分類中的研究
        科教導刊(2016年26期)2016-11-15 20:19:33
        下一代廣播電視網中“人工智能”的應用
        活力(2016年8期)2016-11-12 17:30:08
        基于支持向量機的金融數(shù)據(jù)分析研究
        基于Spark的大數(shù)據(jù)計算模型
        基于樸素貝葉斯算法的垃圾短信智能識別系統(tǒng)
        基于圖的半監(jiān)督學習方法綜述
        機器學習理論在高中自主學習中的應用
        極限學習機在圖像分割中的應用
        日韩精品在线视频一二三| 免费一级a毛片在线播出| 日本最新一区二区三区视频| 日韩人妻久久中文字幕| 国产成人精品2021| 欧美巨大性爽| 免费一级a毛片在线播出| 蜜桃网站入口可看18禁| 亚洲中国精品精华液| 国产真实夫妇交换视频| 国产精品久久久久久久久免费观看 | 精品黄色一区二区三区| 精品国产一区二区三区三级| 色综合久久久久久久久久| 93精91精品国产综合久久香蕉| 亚洲精品国产福利在线观看| 女同av一区二区三区| 成年女人a级毛片免费观看| 亚洲欧美日韩综合久久| 久热re在线视频精品免费| 99久久久69精品一区二区三区| 亚洲国产婷婷六月丁香| a级毛片无码免费真人| 精品一区二区av天堂| 久久久人妻丰满熟妇av蜜臀| 国产精品蝌蚪九色av综合网| 亚洲欧美aⅴ在线资源| 久久国产亚洲AV无码麻豆| 男女啦啦啦视频在线观看 | 人妻精品久久无码区| 中文字幕+乱码+中文字幕无忧| 日韩肥熟妇无码一区二区三区| 丝袜美腿丝袜美腿丝袜美腿丝袜| 午夜男女很黄的视频| 亚洲精品成人片在线观看| 成人国产自拍在线播放| 国产亚洲精品品视频在线| 欧美 国产 综合 欧美 视频| 亚洲片一区二区三区| 日本视频一区二区三区三州 | 老太脱裤子让老头玩xxxxx|