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

        ?

        基于支持向量機(jī)的無(wú)核白葡萄串分級(jí)系統(tǒng)設(shè)計(jì)與測(cè)試

        2021-11-17 13:29:56李澤平郭俊先李雪蓮張亮亮
        食品與機(jī)械 2021年10期
        關(guān)鍵詞:像素點(diǎn)灰度葡萄

        李澤平 郭俊先 郭 陽(yáng) 李雪蓮 張亮亮 黃 華

        (1.新疆農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院,新疆 烏魯木齊 830052;2.新疆農(nóng)業(yè)大學(xué)數(shù)理學(xué)院,新疆 烏魯木齊 830052)

        無(wú)核白葡萄作為新疆吐魯番地區(qū)的主栽品種,在農(nóng)業(yè)經(jīng)濟(jì)發(fā)展中占重要地位[1]。長(zhǎng)期以來(lái),無(wú)核白葡萄上市前品質(zhì)等級(jí)主要依靠人工檢測(cè)和分級(jí),速度慢、效率低且主觀性強(qiáng),偏差較大,不利于其精確有效的分級(jí)[2-3]。隨著計(jì)算機(jī)技術(shù)的快速發(fā)展,機(jī)器視覺(jué)技術(shù)在農(nóng)產(chǎn)品檢測(cè)中的應(yīng)用越來(lái)越廣泛,徐瑩瑩[4]運(yùn)用圖像處理方法預(yù)處理甜瓜圖像,采用角點(diǎn)提取判斷瓜蒂區(qū),并通過(guò)大津算法分割不同區(qū)域,建立了支持向量機(jī)模式識(shí)別算法,其識(shí)別準(zhǔn)確率達(dá)92.2%。Peng等[5]以蘋果、香蕉、柑橘、梨、楊桃和火龍果為研究對(duì)象,采用機(jī)器視覺(jué)技術(shù)進(jìn)行分類。汪威等[6]提出了一種基于機(jī)器視覺(jué)的去柄鮮香菇智能分級(jí)方法,并設(shè)計(jì)了一套自動(dòng)分級(jí)系統(tǒng)。因此,機(jī)器視覺(jué)技術(shù)在農(nóng)產(chǎn)品檢測(cè)方面技術(shù)相對(duì)成熟,同時(shí)也是葡萄外部品質(zhì)檢測(cè)的有效手段。

        目前,國(guó)內(nèi)外相關(guān)學(xué)者主要依據(jù)葡萄果粒大小的識(shí)別和顏色分級(jí)葡萄。羅陸鋒等[7]提出了一種基于輪廓分析的雙串疊貼葡萄目標(biāo)識(shí)別方法。李俊偉等[8]運(yùn)用機(jī)器視覺(jué)技術(shù),預(yù)測(cè)與分級(jí)新疆無(wú)核白、紅提單粒葡萄的質(zhì)量和果徑大小,預(yù)測(cè)決定系數(shù)分別達(dá)0.980,0.945,準(zhǔn)確度達(dá)85%以上。肖壯等[9]采用梯度分割法有效地截取果粒輪廓并去除邊緣輪廓中的干擾弧段,利用隨機(jī)最小二乘橢圓檢測(cè)的方法提取果粒尺寸,實(shí)現(xiàn)了對(duì)整串紅提的分級(jí),分級(jí)正確率為90.48%。Li等[10]利用邊緣檢測(cè)對(duì)紅提輪廓完成兩次分割,最終分級(jí)準(zhǔn)確率為90%。陳英等[11]設(shè)計(jì)了一套基于計(jì)算機(jī)視覺(jué)的葡萄檢測(cè)分級(jí)系統(tǒng),采用投影面積法和果軸方向投影曲線計(jì)算果穗大小和形狀參數(shù),其準(zhǔn)確率分別為90.0%,88.3%。以上研究均只針對(duì)單粒葡萄的某些特征不能代表整串果粒,隨機(jī)性太大,正確率不高;或者只是單獨(dú)地進(jìn)行顏色分級(jí)和大小形狀分級(jí)試驗(yàn),未將顏色特征和大小形狀特征綜合考量。

        文章擬采用機(jī)器視覺(jué)與圖像技術(shù),通過(guò)圖像處理技術(shù)完成圖像預(yù)處理及二值化操作,提取無(wú)核白葡萄串分級(jí)特征,通過(guò)支持向量機(jī)算法實(shí)現(xiàn)無(wú)核白葡萄串分級(jí);并設(shè)計(jì)實(shí)現(xiàn)人機(jī)交互界面與分級(jí)算法模塊,以期實(shí)現(xiàn)對(duì)整串無(wú)核白葡萄進(jìn)行檢測(cè)分級(jí),旨在為鮮葡萄檢測(cè)分級(jí)提供依據(jù)。

        1 無(wú)核白葡萄串分級(jí)系統(tǒng)

        1.1 分級(jí)系統(tǒng)組成

        無(wú)核白葡萄串分級(jí)系統(tǒng)分為硬件和軟件兩部分,硬件部分完成數(shù)據(jù)采集工作,由無(wú)核白葡萄串圖像采集系統(tǒng)組成(圖1)。

        1.光源控制器 2.LED光源 3.鋁型材框架 4.鏡頭 5.攝像機(jī) 6.電腦 7.圖像采集卡(內(nèi)置主機(jī)箱中)

        自制的采集平臺(tái)外形尺寸為48 cm×43 cm×170 cm。用黑色幕布將整個(gè)平臺(tái)全部遮擋,圖像采集系統(tǒng)包括相機(jī)(丹麥JAI公司AT-200CL型3CCD面陣攝像機(jī))、鏡頭(日本NIKON公司LM35CLS型鏡頭)以及圖像采集卡、光源、計(jì)算機(jī)等硬件組成。

        軟件部分完成數(shù)據(jù)分析和處理工作,由python語(yǔ)言開發(fā),采用Tkinter圖形界面模塊主要可以完成圖像輸入、預(yù)處理、二值化、圖像分級(jí)以及參數(shù)輸出等功能。其中圖像處理部分調(diào)用OpenCV圖形圖像處理函數(shù)庫(kù)完成。

        軟件開發(fā)環(huán)境為Windows10系統(tǒng);CPU主頻:3.0 GHz 及以上;內(nèi)存頻率:1 333 MHz;內(nèi)存容量:8 GB;Python2.7;Pycharm 2017;OpenCV3.3;Tkinter框架等。軟件設(shè)計(jì)流程圖如圖2所示。

        圖2 軟件設(shè)計(jì)流程圖

        1.2 分級(jí)樣本

        選用烏魯木齊市北園春市場(chǎng)所售無(wú)核白鮮葡萄共100串,于1 ℃冰柜冷藏。參照無(wú)核白葡萄國(guó)家標(biāo)準(zhǔn)GB/T 19970—2005和行業(yè)標(biāo)準(zhǔn)NY/T 704—2003,將無(wú)核白葡萄串主要分為3個(gè)等級(jí):優(yōu)等品、一等品和二等品(見表1)。結(jié)合機(jī)器視覺(jué)系統(tǒng)的特點(diǎn),確定無(wú)核白葡萄串的分級(jí)主要通過(guò)顏色、果形等完成。分級(jí)過(guò)程中,為使無(wú)核白葡萄串分級(jí)更有意義,對(duì)表面無(wú)明顯缺陷或無(wú)明顯破損的無(wú)核白葡萄串樣本進(jìn)行分級(jí)。

        表1 無(wú)核白葡萄串分級(jí)要求

        1.3 尺寸標(biāo)定

        為了更準(zhǔn)確地分級(jí)無(wú)核白葡萄串,實(shí)現(xiàn)采集圖像的像素尺寸與無(wú)核白葡萄串的真實(shí)尺寸之間的轉(zhuǎn)換,需要尺寸標(biāo)定。尺寸標(biāo)定時(shí),在與被測(cè)樣品相同的條件下,使用有標(biāo)準(zhǔn)刻度的測(cè)量尺,通過(guò)圖像處理技術(shù)獲得圖像的標(biāo)準(zhǔn)長(zhǎng)度和相應(yīng)長(zhǎng)度所覆蓋的像素?cái)?shù),從而獲得與像素系數(shù)相對(duì)應(yīng)的真實(shí)長(zhǎng)度。

        2 圖像處理分析及特征參數(shù)提取

        2.1 圖像預(yù)處理

        利用硬件部分的圖像采集系統(tǒng)完成對(duì)無(wú)核白葡萄串圖像獲取后,需對(duì)原始圖像進(jìn)行圖像預(yù)處理,以消除圖像中的無(wú)關(guān)信息,降低圖像噪聲,以便于后續(xù)圖像特征參數(shù)的識(shí)別和提取。

        2.1.1 高斯濾波 灰度化處理原始圖像,隨后進(jìn)行圖像去噪處理,即對(duì)圖像過(guò)濾。目的是更加具體地提取圖像特征,進(jìn)而去除數(shù)字化圖像中的噪聲成分。而與均值濾波器相比,高斯濾波器具有更柔和的平滑效果和更好的邊緣保持能力,因此,選用高斯濾波器。高斯濾波是通過(guò)調(diào)用Opencv的庫(kù)函數(shù)來(lái)實(shí)現(xiàn)圖像預(yù)處理[12],高斯濾波后的無(wú)核白葡萄串圖像如圖3(b)所示。

        2.1.2 邊緣檢測(cè) 邊緣檢測(cè)的目的是提取目標(biāo)[13]。目前較常見的邊緣檢測(cè)算法有Roberts算子和Sobel算子,其中Roberts算子是根據(jù)某一點(diǎn)上對(duì)角線相反的兩個(gè)像素值之間的差值,然后根據(jù)差值的變化幅度和趨勢(shì)完成邊緣檢測(cè),其運(yùn)算精度高但不平滑,噪聲對(duì)邊緣檢測(cè)效果有一定影響。而Sobel算子是根據(jù)某點(diǎn)周圍的灰色加權(quán)差值是否存在極值來(lái)檢測(cè)邊緣。Sobel算子可以對(duì)圖像中的噪聲起到一定的平滑作用。因此,采用Sobel算子進(jìn)行邊緣檢測(cè)[14],其效果如圖3(c)所示。

        2.1.3 輪廓檢測(cè) 使用Canny算子提取目標(biāo)輪廓。在得到邊緣檢測(cè)的響應(yīng)后,統(tǒng)計(jì)邊緣檢測(cè)后的所有輪廓編碼序列,求出每一個(gè)輪廓的矩形左上角坐標(biāo)(x,y)和矩形的寬(w)、高(h),得到圖像外輪廓的最小外接矩形,其結(jié)果如圖3(d)所示。

        圖3 圖像預(yù)處理效果圖

        2.2 圖像二值化結(jié)果對(duì)比

        圖像二值化是將圖像上的像素灰度值設(shè)置為0或255,即整個(gè)圖像呈現(xiàn)出清晰的黑白效果從而便于圖像的下一步處理[15],其函數(shù)表達(dá)式為:

        (1)

        式中:

        T——閾值。

        二值化的關(guān)鍵在于閾值的選擇,使用3種二值化方法對(duì)比得出最佳的無(wú)核白葡萄串圖像分割效果。

        2.2.1 大津法 大津法(Otsu)是一種確定圖像二值化分割閾值的算法,Otsu法根據(jù)圖像的灰度特征,將圖像分成目標(biāo)和背景兩部分。如果目標(biāo)和背景之間的類間方差較大,則目標(biāo)與背景的差別較大,反之則說(shuō)明兩者之間的差異較小[16]。為了使二值化效果最好,必須使類間方差最大化。其分割效果如圖4(a)所示,具體實(shí)現(xiàn)過(guò)程為:

        若灰度為i的像素點(diǎn)個(gè)數(shù)為pi,則總像素點(diǎn)個(gè)數(shù)為

        (2)

        灰度為i的像素點(diǎn)個(gè)數(shù)占總像素點(diǎn)個(gè)數(shù)的比例為

        (3)

        目標(biāo)與背景的像素點(diǎn)個(gè)數(shù)占總像素點(diǎn)個(gè)數(shù)的比例分別為

        (4)

        (5)

        目標(biāo)與背景的加權(quán)平均灰度分別為

        (6)

        (7)

        整個(gè)圖像的加權(quán)平均灰度為

        μ=ω0×μ0+ω1×μ1,

        (8)

        類間方差

        G=ω0×(μ0-μ)2μ0+ω1×(μ1-μ)2,

        (9)

        將式(8)代入式(9)得:

        G=ω0×ω1×(μ0-μ1)2,

        (10)

        式中:

        M、N——圖像裁剪后的長(zhǎng)度和寬度(其值分別為460,350),像素點(diǎn);

        T——目標(biāo)和背景的分割閾值(范圍為0~255);

        G——類間方差;

        ω0——目標(biāo)像素點(diǎn)占圖像總像素點(diǎn)的比例;

        μ0——加權(quán)平均灰度;

        ω1——背景像素點(diǎn)占圖像總像素點(diǎn)的比例;

        μ1——加權(quán)平均灰度;

        μ——圖像的加權(quán)平均灰度。

        2.2.2 自適應(yīng)閾值法 實(shí)際處理過(guò)程中,某一個(gè)固定的閾值在圖像的不同區(qū)域的分割效果不同。為了解決這一問(wèn)題,需要將閾值取一個(gè)可以隨圖像區(qū)域位置變化的函數(shù)值,即自適應(yīng)閾值[17]。自適應(yīng)閾值是利用OpenCV中的一個(gè)函數(shù)對(duì)所選區(qū)域的像素加權(quán)平均,經(jīng)測(cè)試,選取的maxvalue為160,blockSize為25,C為10,分割效果比較明顯。分割效果如圖4(b)所示。

        2.2.3 固定閾值法 固定閾值法對(duì)圖像檢測(cè)是一種最為簡(jiǎn)單的圖像二值化處理方法,主要是對(duì)輸入單通道矩陣逐像素閾值分割,但通常固定閾值法的單一閾值很難滿足現(xiàn)實(shí)中圖像的降噪需求,選取THRESH_BINARY函數(shù)來(lái)實(shí)現(xiàn)固定閾值法,即

        (10)

        式中:

        maxval——設(shè)定的最大值;

        arc(x,y)——待處理的無(wú)核白葡萄串圖像;

        thresh——分割閾值。

        最終選取的數(shù)值為:maxval=255,thresh=130,此時(shí)分割效果較為明顯,分割效果如圖4(c)所示。

        圖4 圖像二值化對(duì)比圖

        從提取無(wú)核白葡萄串圖像信息的效果上看,自適應(yīng)閾值法和固定閾值法的圖像目標(biāo)與背景混雜在一起,無(wú)明顯的閾值分界,而大津法對(duì)圖像二值化的效果要優(yōu)于自適應(yīng)閾值法和固定閾值法,因此選用大津法對(duì)圖像進(jìn)行二值化處理。

        2.3 特征提取

        文章提取了葡萄目標(biāo)區(qū)域的面積、周長(zhǎng)、外接矩長(zhǎng)和寬以及3個(gè)顏色通道的平均灰度[18]。

        (1)面積:采用像素統(tǒng)計(jì)法,并按式(12)計(jì)算無(wú)核白葡萄串的真實(shí)面積。

        (12)

        式中:

        S——無(wú)核白葡萄串的真實(shí)面積;

        Pr——無(wú)核白葡萄串的像素?cái)?shù);

        Sr——二值化圖像的實(shí)際面積;

        P——二值化圖像的像素?cái)?shù)。

        (2)周長(zhǎng):通過(guò)計(jì)算目標(biāo)區(qū)域邊界上的像素點(diǎn)數(shù)量進(jìn)行計(jì)算。先計(jì)算兩個(gè)像素之間的距離,然后將所有像素的距離相加即得無(wú)核白葡萄的周長(zhǎng)。

        (3)長(zhǎng)和寬:無(wú)核白葡萄的最小外接矩形與無(wú)核白葡萄4個(gè)方向的切點(diǎn)即無(wú)核白葡萄圖像的上、下、左、右4個(gè)邊界點(diǎn),分別計(jì)算左、右和上、下的距離即可得到無(wú)核白葡萄的長(zhǎng)度和寬度。

        (4)顏色特征:用RGB分量直接表示。

        3 基于SVM的無(wú)核白葡萄串分級(jí)

        3.1 無(wú)核白鮮葡萄串SVM分級(jí)模型構(gòu)建

        SVM是基于統(tǒng)計(jì)學(xué)原理的一種分類識(shí)別方法,可有效解決線性及非線性、分類及預(yù)測(cè)問(wèn)題。其原理是基于統(tǒng)計(jì)學(xué)習(xí)理論的二類分類方法[19]。給定訓(xùn)練樣本集:

        D={(xi,yi),i=1,2,…,l}xi∈Rd。

        (13)

        每個(gè)樣本屬于y={+1,-1}中的一類,訓(xùn)練樣本集由超平面線性可分,則分類器的超平面方程為

        ωxi+b=0,

        (14)

        式中:

        xi——訓(xùn)練向量;

        ω——法向量;

        b——超平面的偏移。

        由于無(wú)核白葡萄串分類是一個(gè)多分類問(wèn)題,所以應(yīng)構(gòu)造一個(gè)多類分類器對(duì)無(wú)核白葡萄串進(jìn)行分級(jí),而在python中,使用最為廣泛的是sklearn模塊。無(wú)核白葡萄串分級(jí)時(shí),先加載待分級(jí)樣本,利用樣本庫(kù)特征參數(shù)得到最優(yōu)適應(yīng)度下的懲罰因子c和核參數(shù)值g,然后訓(xùn)練模塊對(duì)樣本庫(kù)訓(xùn)練學(xué)習(xí)并得到分類器模型,測(cè)試模塊對(duì)待分級(jí)樣本分類。

        分類時(shí),調(diào)用sklearn模塊,提取無(wú)核白葡萄串的顏色、輪廓及幾何特征作為數(shù)據(jù)集。使用200幅樣本訓(xùn)練SVM分級(jí)模型,選取不同的核函數(shù)訓(xùn)練,采取交叉驗(yàn)證的方式得到懲罰因子c和核參數(shù)值g的最優(yōu)解,參數(shù)coef()、d均取默認(rèn)值。訓(xùn)練模塊對(duì)訓(xùn)練集訓(xùn)練學(xué)習(xí)并得到分類器模型,最后對(duì)測(cè)試集樣本進(jìn)行分類[20],其訓(xùn)練結(jié)果如表2所示,其中全特征由顏色、輪廓及幾何特征共同組成使用。

        由表2可知,當(dāng)SVM模型的核函數(shù)為RBF核函數(shù)或Polynomial Kernel函數(shù)時(shí),顏色矩的特征優(yōu)于Sigmoid核函數(shù)的。使用其他特征,當(dāng)SVM模型的核函數(shù)為Polynomial Kernel核函數(shù)時(shí),測(cè)試集、訓(xùn)練集準(zhǔn)確率遠(yuǎn)優(yōu)于其他函數(shù)的,且特征為全特征時(shí)所得到的SVM模型最優(yōu),此時(shí)訓(xùn)練集準(zhǔn)確率為97.85%,測(cè)試集準(zhǔn)確率為95.81%,模型的魯棒性最佳,其參數(shù)值為Bestc=2.00,Bestg=0.24,coef()=0,d=3。

        表2 SVM模型訓(xùn)練結(jié)果

        3.2 基于SVM的無(wú)核白葡萄串分級(jí)軟件

        基于SVM算法的原理,使用python調(diào)用OpenCV圖像處理庫(kù),自行開發(fā)無(wú)核白葡萄串分級(jí)軟件如5圖所示,該界面主要分為4個(gè)區(qū)域,分別是無(wú)核白葡萄串識(shí)別區(qū)、圖像預(yù)處理區(qū)、算法效果展示區(qū)與無(wú)核白葡萄串分級(jí)區(qū)。

        圖5 軟件界面

        實(shí)際應(yīng)用中,用戶只需依照窗口提示點(diǎn)擊登錄,程序會(huì)自動(dòng)調(diào)出圖像處理界面,點(diǎn)擊加載圖像按鈕,加載需要分類的無(wú)核白葡萄串圖像,點(diǎn)擊分級(jí)按鈕,程序自動(dòng)計(jì)算處理并給出SVM分類結(jié)果圖像,同時(shí)窗口顯示每種特征的具體數(shù)值,人機(jī)交互界面友好,使用方便。

        4 系統(tǒng)試驗(yàn)測(cè)試

        為驗(yàn)證基于SVM的無(wú)核白葡萄串分級(jí)系統(tǒng)的準(zhǔn)確性,重新拍攝100幅無(wú)核白葡萄串圖像測(cè)試,測(cè)試結(jié)果見表3。

        由表3可知,基于SVM的無(wú)核白葡萄串分級(jí)系統(tǒng)對(duì)無(wú)核白葡萄串的分級(jí)準(zhǔn)確率可達(dá)96%,其主要原因是分級(jí)時(shí),無(wú)核白葡萄串顏色特征定義的范圍較為廣泛,如果顏色特征能夠相對(duì)更具體,識(shí)別準(zhǔn)確率將>96%。

        表3 基于SVM的無(wú)核白葡萄串分級(jí)測(cè)試結(jié)果

        5 結(jié)論

        針對(duì)無(wú)核白鮮葡萄串分級(jí)問(wèn)題,提出了一種由Python語(yǔ)言開發(fā),采用Tkinter圖形界面的基于SVM無(wú)核白鮮葡萄串分級(jí)系統(tǒng)。該系統(tǒng)可以實(shí)現(xiàn)葡萄串圖像采集、圖像預(yù)處理及二值化;葡萄串分級(jí)準(zhǔn)確率達(dá)96%。但試驗(yàn)中鮮葡萄串分級(jí)于水平面進(jìn)行,容易對(duì)穗形造成影響,不利于后期特征提取,因此在后續(xù)研究中將考慮將鮮葡萄串懸掛式采集圖像,進(jìn)行無(wú)核白鮮葡萄串分級(jí)。

        猜你喜歡
        像素點(diǎn)灰度葡萄
        采用改進(jìn)導(dǎo)重法的拓?fù)浣Y(jié)構(gòu)灰度單元過(guò)濾技術(shù)
        基于灰度拉伸的圖像水位識(shí)別方法研究
        葡萄熟了
        當(dāng)葡萄成熟時(shí)
        女報(bào)(2020年10期)2020-11-23 01:42:42
        基于canvas的前端數(shù)據(jù)加密
        基于最大加權(quán)投影求解的彩色圖像灰度化對(duì)比度保留算法
        基于逐像素點(diǎn)深度卷積網(wǎng)絡(luò)分割模型的上皮和間質(zhì)組織分割
        基于灰度線性建模的亞像素圖像抖動(dòng)量計(jì)算
        基于Node-Cell結(jié)構(gòu)的HEVC幀內(nèi)編碼
        亚洲丰满熟女一区二亚洲亚洲 | 最新手机国产在线小视频| 国产成人av 综合 亚洲| 亚洲熟妇久久精品| 新中文字幕一区二区三区| 麻豆国产精品伦理视频| 国产不卡视频一区二区在线观看| 国产天堂网站麻豆| 亚洲精品aa片在线观看国产| 色老板美国在线观看| 香蕉蜜桃av一区二区三区| 欧美v日韩v亚洲综合国产高清| 人妻少妇看a偷人无码精品| 777精品出轨人妻国产| 久久亚洲中文字幕伊人久久大 | 狠狠色噜噜狠狠狠777米奇| 91九色极品探花内射| 日韩精品一区二区三区中文9| 国内精品大秀视频日韩精品| 国产精品老熟女露脸视频| 亚洲日韩欧美一区、二区| 亚洲午夜狼人综合影院| 亚洲国产91高清在线| 和少妇人妻邻居做爰完整版| 国产亚洲高清不卡在线观看| 先锋影音av资源我色资源| 国产xxxx99真实实拍| 东京热无码av一区二区| 欧美午夜理伦三级在线观看| 亚洲av午夜福利精品一区不卡| 国产丝袜美腿诱惑在线观看 | 亚洲女人毛茸茸粉红大阴户传播| 国产av精品一区二区三区不卡| 亚洲欧美香港在线观看三级片| 99热免费观看| 亚洲国产综合精品 在线 一区 | 国色天香社区视频在线| 一区二区三区人妻av| 亚洲av狠狠爱一区二区三区| 精品人妻一区二区三区av| 真实国产网爆门事件在线观看|