CN109460781A - 一种基于决策树归纳学习的牛排等级划分方法 - Google Patents
一种基于决策树归纳学习的牛排等级划分方法 Download PDFInfo
- Publication number
- CN109460781A CN109460781A CN201811227345.5A CN201811227345A CN109460781A CN 109460781 A CN109460781 A CN 109460781A CN 201811227345 A CN201811227345 A CN 201811227345A CN 109460781 A CN109460781 A CN 109460781A
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- steak
- decision tree
- beefsteak
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003066 decision tree Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000006698 induction Effects 0.000 title claims abstract description 5
- 235000004348 Perilla frutescens Nutrition 0.000 title abstract description 9
- 244000124853 Perilla frutescens Species 0.000 title abstract description 9
- 210000003205 muscle Anatomy 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 230000001939 inductive effect Effects 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000005314 correlation function Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000005311 autocorrelation function Methods 0.000 claims description 8
- 235000015278 beef Nutrition 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 239000004579 marble Substances 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 8
- 238000013145 classification model Methods 0.000 abstract 1
- 235000013305 food Nutrition 0.000 description 2
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于决策树归纳学习的牛排等级划分方法，主要包括：A.建立牛排等级划分模型，统一采集牛里脊肉横切面图像，对图像进行预处理，消除图像背景；B.计算牛排图像的边缘分布，对其进行水平集演化得到图像梯度，从而提取图像边缘，进行肌肉和脂肪的分割；C.建立牛排大理石花纹的像素灰度几何矩，通过将像素灰度矩特征作为大理石花纹图像特征进行提取；D.建立大理石花纹特征的相关函数作为测试属性构造决策树，进行归纳学习，对牛排进行自动分级，完成牛排等级划分。该方法具有较好的稳定性和鲁棒性，能够达到规模化、标准化、批量化，肌肉和脂肪的分割精确，评定结果客观、评定速度快、准确率高，从而保证商品的高效、连续供应。
Description
技术领域
本发明涉及一种基于决策树归纳学习的牛排等级划分方法，属于食品生产、图像识别、数学领域。
背景技术
牛排作为西餐的招牌菜，受到众多消费者的青睐，随着牛排越来越普及，消费者对牛排的等级也更加看重。目前大多数牛排等级划分都是通过大理石花纹进行分级，仅靠人的感官难以进行评定，受评级员主观因素、环境因素的影响，效率较低且分级速度慢。而利用计算机视觉进行无损检测，由于牛排中肌肉和脂肪分布较为杂乱，目标提取效率低，分类不准确，易造成企业的损失。
发明内容
为解决上述问题，本发明的目的在于提供一种具有较好的稳定性和鲁棒性的牛排等级划分方法，能够达到规模化、标准化、批量化，肌肉和脂肪的分割精确，评定结果客观、评定速度快、准确率高，从而保证商品的高效、连续供应。
本发明解决其问题所采用的技术方案，包括以下步骤：
A.建立牛排等级划分模型，统一采集牛里脊肉横切面图像，对图像进行预处理，消除图像背景；
B.计算牛排图像的边缘分布，对其进行水平集演化得到图像梯度，从而提取图像边缘，进行肌肉和脂肪的分割；
C.建立牛排大理石花纹的像素灰度几何矩，通过将像素灰度矩特征作为大理石花纹图像特征进行提取；
D.建立大理石花纹特征的相关函数作为测试属性构造决策树，进行归纳学习，对牛排进行自动分级，完成牛排等级划分。
本发明的有益效果是：
在牛排等级划分越来越重要的情况下，本发明具有较好的稳定性和鲁棒性，能够达到规模化、标准化、批量化，肌肉和脂肪的分割精确，评定结果客观、评定速度快、准确率高，从而保证商品的高效、连续供应。
附图说明
图1为一种基于决策树归纳学习的牛排等级划分方法的整体流程图；
图2为牛排等级划分模型图；
图3为决策树归纳学习流程图。
具体实施方式
参照图1，本发明所述的方法包括以下步骤：
A.建立牛排等级划分模型，统一采集牛里脊肉横切面图像，对图像进行预处理，
消除图像背景；
(1)建立牛排等级划分模型，如图2所示，统一采集牛里脊肉横切面图像，传送给主控设备。将图像中的每个像素点(x,y)的灰度值f(x,y)按照一定的比例映射进行灰度变换：
其中，[a,b]是变换前的灰度范围，(α,β)是变换后的灰度范围。扩大图像的灰度范围。牛排图像的灰度直方图为：
其中，N是图像的总像素数，nk是第k个灰度等级的像素数量。通过直方图的峰值和谷值确定背景区域。
(2)通过最大方差法在图像灰度级间选取阈值：
其中，σb是目标与背景的类间方差，σc是类内方差，(i＝1,2,…L)是图像的灰度级，M∈L，Pi是灰度值的概率，Pi＝ni/N，N是图像像素总数量，n是灰度值的像素数量。通过阈值分割将背景去除。
B.计算牛排图像的边缘分布，对其进行水平集演化得到图像梯度，从而提取图像边缘，进行肌肉和脂肪的分割；
(1)原图像通过初始平滑后得到图像f(x,y)，对图像进行高斯滤波：
其中，σ是图像高斯滤波的标准差。根据滤波结果进行水平集演化得到图像的梯度矢量V(x,y)，水平集演化为：
其中，V是速度函数，是拉普拉斯算子。
V(k)＝V0+V1(k)＝F(x,y)*(1-εk)
其中，k是函数的曲率，F(x,y)是图像的边缘函数，ε是常数项。
(2)图像的边缘函数为：
边缘函数推动水平集随时间进行迭代演化，使水平集演化函数达到最优，最终向边缘收敛，获取零水平集作为曲线演化的最终结果，即完成肌肉和脂肪的分割。
C.建立牛排大理石花纹的像素灰度几何矩，通过将像素灰度矩特征作为大理石
花纹图像特征进行提取；
(1)统计水平方向x和垂直方向y的连续灰度值相同像素累加值和频数，即定向灰度值P(r,s)和灰度频数N。将图像设为二值图像，肌肉灰度值为255，脂肪灰度值为0。分别计算两个方向上定向灰度值与灰度频数的比值：和r是肌肉像素，s是脂肪像素。
(2)设立图像的二维连续函数为f(x,y)，则像素灰度的(m+n)阶几何矩为：
像素灰度的(m+n)阶中心矩为：
其中，(x0,y0)是图像的重心坐标。归一化中心矩：
其中，肌肉像素
构造不变矩：M1＝y20+y02，M2＝(y20-y02)2+4y11，作为矩阵向量，以此得到大理石花纹图像特征。
D.建立大理石花纹特征的相关函数作为测试属性构造决策树，进行归纳学习，对牛排进行自动分级，完成牛排等级划分(如图3所示)。
(1)输入训练样本，设立训练样本集的自相关函数：
其中，Xi(i＝1,2,…,n)是训练样本集，n是样本数量，P是类别的先验概率。自相关函数在第m维空间的投影为Am(X)，则投影的归一化能量E为：
其中，是样本在第m空间的投影。
(2)自相关函数的傅里叶变换为：
其中，t∈X，i是虚数单位，ρ是训练样本的频谱。将自相关函数投影集合进行排序，取较大的元素代替训练样本。将训练样本构成的数字滤波器的中心作为训练样本数据集的重心，则：
其中，Cov(X)是样本集的协方差。选取E中最大的元素对应的属性作为测试属性来构造决策树进行自学习。决策树学习结束后输入步骤C提取的矩特征进行分类，从而对牛排等级进行划分。
综上所述，便完成了本发明所述的一种基于决策树归纳学习的牛排等级划分方法。该方法具有较好的稳定性和鲁棒性，能够达到规模化、标准化、批量化，肌肉和脂肪的分割精确，评定结果客观、评定速度快、准确率高，从而保证商品的高效、连续供应。
Claims (5)
1.一种基于决策树归纳学习的牛排等级划分方法，其特征在于，对牛排进行肌肉和脂肪分割，提取像素灰度矩特征作为图像特征进行识别，所述方法包括以下步骤：
A.建立牛排等级划分模型，统一采集牛里脊肉横切面图像，对图像进行预处理，消除图像背景；
B.计算牛排图像的边缘分布，对其进行水平集演化得到图像梯度，从而提取图像边缘，进行肌肉和脂肪的分割；
C.建立牛排大理石花纹的像素灰度几何矩，通过将像素灰度矩特征作为大理石花纹图像特征进行提取；
D.建立大理石花纹特征的相关函数作为测试属性构造决策树，进行归纳学习，对牛排进行自动分级，完成牛排等级划分。
2.根据权利要求1所述的基于决策树归纳学习的牛排等级划分方法，其特征在于，所述步骤A的具体实现方式为：
(1)建立牛排等级划分模型，统一采集牛里脊肉横切面图像，传送给主控设备，将图像中的每个像素点(x,y)的灰度值f(x,y)按照一定的比例映射进行灰度变换：
其中，[a,b]是变换前的灰度范围，(α,β)是变换后的灰度范围，扩大图像的灰度范围，牛排图像的灰度直方图为：
其中，N是图像的总像素数，nk是第k个灰度等级的像素数量，通过直方图的峰值和谷值确定背景区域；
(2)通过最大方差法在图像灰度级间选取阈值：
其中，σb是目标与背景的类间方差，σc是类内方差，(i＝1,2,…L)是图像的灰度级，M∈L，Pi是灰度值的概率，Pi＝ni/N，N是图像像素总数量，n是灰度值的像素数量，通过阈值分割将背景去除。
3.根据权利要求2所述的基于决策树归纳学习的牛排等级划分方法，其特征在于，所述步骤B的具体实现方式为：
(1)原图像通过初始平滑后得到图像f(x,y)，对图像进行高斯滤波：
其中，σ是图像高斯滤波的标准差，根据滤波结果进行水平集演化得到图像的梯度矢量V(x,y)，水平集演化为：
其中，V是速度函数，是拉普拉斯算子，
V(k)＝V0+V1(k)＝F(x,y)*(1-εk)
其中，k是函数的曲率，F(x,y)是图像的边缘函数，ε是常数项；
(2)图像的边缘函数为：
边缘函数推动水平集随时间进行迭代演化，使水平集演化函数达到最优，最终向边缘收敛，获取零水平集作为曲线演化的最终结果，即完成肌肉和脂肪的分割。
4.根据权利要求3所述的基于决策树归纳学习的牛排等级划分方法，其特征在于，所述步骤C的具体实现方式为：
(1)统计水平方向x和垂直方向y的连续灰度值相同像素累加值和频数，即定向灰度值P(r,s)和灰度频数N，将图像设为二值图像，肌肉灰度值为255，脂肪灰度值为0，分别计算两个方向上定向灰度值与灰度频数的比值：和r是肌肉像素，s是脂肪像素；
(2)设立图像的二维连续函数为f(x,y)，则像素灰度的(m+n)阶几何矩为：
像素灰度的(m+n)阶中心矩为：
其中，(x0,y0)是图像的重心坐标，归一化中心矩：
其中，肌肉像素
构造不变矩：M1＝y20+y02，M2＝(y20-y02)2+4y11，作为矩阵向量，以此得到大理石花纹图像特征。
5.根据权利要求4所述的基于决策树归纳学习的牛排等级划分方法，其特征在于，所述步骤D的具体实现方式为：
(1)输入训练样本，设立训练样本集的自相关函数：
其中，Xi(i＝1,2,…,n)是训练样本集，n是样本数量，P是类别的先验概率，自相关函数在第m维空间的投影为Am(X)，则投影的归一化能量E为：
其中，是样本在第m空间的投影，
(2)自相关函数的傅里叶变换为：
其中，t∈X，i是虚数单位，ρ是训练样本的频谱，将自相关函数投影集合进行排序，取较大的元素代替训练样本，将训练样本构成的数字滤波器的中心作为训练样本数据集的重心，则：
其中，Cov(X)是样本集的协方差，选取E中最大的元素对应的属性作为测试属性来构造决策树进行自学习，决策树学习结束后输入步骤C提取的矩特征进行分类，从而对牛排等级进行划分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811227345.5A CN109460781B (zh) | 2018-10-20 | 2018-10-20 | 一种基于决策树归纳学习的牛排等级划分方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811227345.5A CN109460781B (zh) | 2018-10-20 | 2018-10-20 | 一种基于决策树归纳学习的牛排等级划分方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109460781A true CN109460781A (zh) | 2019-03-12 |
| CN109460781B CN109460781B (zh) | 2022-08-19 |
Family
ID=65607958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811227345.5A Active CN109460781B (zh) | 2018-10-20 | 2018-10-20 | 一种基于决策树归纳学习的牛排等级划分方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109460781B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110973440A (zh) * | 2019-12-31 | 2020-04-10 | 石家庄市惠康食品有限公司 | 一种牛肉套皮的制作方法 |
| CN115393659A (zh) * | 2022-10-27 | 2022-11-25 | 珠海横琴圣澳云智科技有限公司 | 基于多级决策树的个性化分类流程优化方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140233826A1 (en) * | 2011-09-27 | 2014-08-21 | Board Of Regents Of The University Of Texas System | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images |
| CN106780504A (zh) * | 2017-01-22 | 2017-05-31 | 中国农业大学 | 一种基于距离保持水平集的牛肉图像中背长肌自动分割方法 |
| CN107194937A (zh) * | 2017-05-27 | 2017-09-22 | 厦门大学 | 一种开放环境下中医舌象图像分割方法 |
| US20170301081A1 (en) * | 2015-09-30 | 2017-10-19 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for determining a breast region in a medical image |
-
2018
- 2018-10-20 CN CN201811227345.5A patent/CN109460781B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140233826A1 (en) * | 2011-09-27 | 2014-08-21 | Board Of Regents Of The University Of Texas System | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images |
| US20170301081A1 (en) * | 2015-09-30 | 2017-10-19 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for determining a breast region in a medical image |
| CN106780504A (zh) * | 2017-01-22 | 2017-05-31 | 中国农业大学 | 一种基于距离保持水平集的牛肉图像中背长肌自动分割方法 |
| CN107194937A (zh) * | 2017-05-27 | 2017-09-22 | 厦门大学 | 一种开放环境下中医舌象图像分割方法 |
Non-Patent Citations (6)
| Title |
|---|
| 丁幼春等: "基于Bayes的竹片颜色检测分级方法", 《华中农业大学学报》 * |
| 刘木华等: "基于图像处理和支持向量机分类的牛肉大理石花纹等级评定", 《沈阳农业大学学报》 * |
| 孙艳忠等: "基于边缘检测与改进最大类间方差法的火箭序列图像分割算法", 《计算机应用》 * |
| 李玮姿: ""基于图像的牛肉大理石纹理自动评级方法研究"", 《食品科学》 * |
| 杨水山等: "Boosting优化决策树的带钢表面缺陷识别技术", 《红外与激光工程》 * |
| 赵楠等: "基于纹理特征的道路图像分类", 《电脑知识与技术》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110973440A (zh) * | 2019-12-31 | 2020-04-10 | 石家庄市惠康食品有限公司 | 一种牛肉套皮的制作方法 |
| CN115393659A (zh) * | 2022-10-27 | 2022-11-25 | 珠海横琴圣澳云智科技有限公司 | 基于多级决策树的个性化分类流程优化方法和装置 |
| CN115393659B (zh) * | 2022-10-27 | 2023-01-24 | 珠海横琴圣澳云智科技有限公司 | 基于多级决策树的个性化分类流程优化方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109460781B (zh) | 2022-08-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105574063B (zh) | 基于视觉显著性的图像检索方法 | |
| CN107657279B (zh) | 一种基于少量样本的遥感目标检测方法 | |
| CN105488536B (zh) | 一种基于多特征深度学习技术的农田害虫图像识别方法 | |
| CN107103298B (zh) | 基于图像处理的引体向上计数系统及计数方法 | |
| CN110837768B (zh) | 一种面向珍稀动物保护的在线检测与识别方法 | |
| CN105303150B (zh) | 实现图像处理的方法和系统 | |
| CN105005565B (zh) | 现场鞋底痕迹花纹图像检索方法 | |
| CN111724355B (zh) | 一种鲍鱼体型参数的图像测量方法 | |
| CN103778435A (zh) | 一种基于视频的行人快速检测方法 | |
| CN108985170A (zh) | 基于三帧差分法及深度学习的输电线路悬挂物识别方法 | |
| CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
| CN110097537B (zh) | 一种基于三维纹理特征的肉质定量分析评价方法 | |
| CN105023027B (zh) | 基于多次反馈机制的现场鞋底痕迹花纹图像检索方法 | |
| CN104751147A (zh) | 一种图像识别方法 | |
| CN102509085A (zh) | 基于轮廓不变矩特征的猪行走姿态识别系统和方法 | |
| CN103325122A (zh) | 基于双向排序的行人检索方法 | |
| CN103853724A (zh) | 多媒体数据分类方法及装置 | |
| CN108009557A (zh) | 一种基于共享权重卷积网络的三维模型局部特征描述方法 | |
| CN109460781B (zh) | 一种基于决策树归纳学习的牛排等级划分方法 | |
| CN106778897B (zh) | 基于余弦距离和中心轮廓距离的两次植物物种识别方法 | |
| CN108629762A (zh) | 一种骨龄评测模型减少干扰特征的图像预处理方法及系统 | |
| CN114863125A (zh) | 一种书法/美术作品智能评分方法及系统 | |
| CN107944453A (zh) | 基于Hu不变矩和支持向量机SVM的高压套管检测方法 | |
| CN109741351A (zh) | 一种基于深度学习的类别敏感型边缘检测方法 | |
| CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220728 Address after: 201716 No. 16, Lane 89, zhengxia Road, Liantang Town, Qingpu District, Shanghai Applicant after: SHANGHAI RUIXUAN FOOD Co.,Ltd. Address before: 265700 No. 218 Huancheng North Road, Donglai Street, Longkou City, Yantai City, Shandong Province Applicant before: LONGKOU WEIMEISI ENVIRONMENTAL PROTECTION TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A steak grading method based on decision tree inductive learning Granted publication date: 20220819 Pledgee: Shanghai Rural Commercial Bank Co.,Ltd. Qingpu sub branch Pledgor: SHANGHAI RUIXUAN FOOD Co.,Ltd. Registration number: Y2024310000400 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |