CN110796639A - 一种基于神经网络的半夏品质分级方法 - Google Patents
一种基于神经网络的半夏品质分级方法 Download PDFInfo
- Publication number
- CN110796639A CN110796639A CN201910943122.7A CN201910943122A CN110796639A CN 110796639 A CN110796639 A CN 110796639A CN 201910943122 A CN201910943122 A CN 201910943122A CN 110796639 A CN110796639 A CN 110796639A
- Authority
- CN
- China
- Prior art keywords
- pinellia
- image
- pixel
- neural network
- pinellia ternate
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于神经网络的半夏品质分级方法。该方法包括以下步骤:终端将采集的半夏图像通过机器视觉获得半夏的大小、缺陷面积、形状、色泽、表面纹理、颜色分布;半夏的大小、缺陷面积、形状、色泽、表面纹理、颜色分布进一步结合作业区域的温度和湿度,构成8维特征数据作为BP神经网络的输入量,人工标注的半夏品质等级作为输出量;进行BP神经网络训练和测试;将采集到的半夏图像输入前述步骤1处理和步骤2训练好的神经网络模型得到半夏品质等级,结合GPS传感器采集半夏收获机的作业位置以及人工记录的收货批次号,采用QR Code编码技术生成专属的可溯源信息二维码。本发明可以精确地确定半夏品质,实现半夏产品信息可溯源。
Description
技术领域
本发明属于农业技术领域,尤其涉及一种基于神经网络的半夏品质分级方法。
背景技术
在信息技术高速发展的背景下,“智慧农业”是集合互联网、云计算、物联网和人工智能为一体的新一代全新农业生产方式,使得多种信息技术在农业中得以实现综合、全面的应用。农产品信息可溯源是其品质、安全的重要保障,半夏作为一种具备抗癌功效的重要中药材,其生产信息可溯源尤其重要。而当前在半夏种植生产的过程中的大量数据如产地、生产环境、施肥等没有有效地得到记录,消费者不能全面的了解产品的信息,更无法判断其真实可靠程度,而半夏种植者也无法像消费者说明、展示自己的半夏是否无害且绿色环保,如果发生安全事件,消费者利益受损,而广大药民朋友的利益更受到严重冲击,因此,为了避免各方利益受损,并维护半夏产品品牌市场公信力,进行半夏种植数据可溯源是目前普遍采用的方法。
通过专利检索,目前并没有专门针对半夏的可溯源信息采集方法,当前对于农产品进行可溯源数据采集的思路主要基于基于无线射频识别技术,在产品上贴上有芯片的标识,通过芯片记录其出库入库、运输、流向信息,通过条码记录其批号、生产日期等数据。这种方式所记录的信息有限,大多是产品的加工信息而非生产信息,且部分数据依靠人工进行输入,难免存在数据可靠性的问题,因此其不适用于半夏这样的农产品。如何结合半夏的种植、生长、收获进行数据的有效采集并分析,进行记录在库,并提供给消费者进行查询,是目前要解决的技术问题。
发明内容
本发明的目的在于提供一种基于神经网络的半夏品质分级方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于神经网络的半夏品质分级方法,该方法包括以下步骤:
本发明系统的技术方案为一种基于神经网络的半夏品质分级系统,其特征在于,包括:摄像头、GPS传感器、温度传感器、湿度传感器、无线网络传输模块、终端;所述无线网络传输模块分别与所述的摄像头、GPS传感器、温度传感器、湿度传感器通过有线方式依次连接;所述无线网络传输模块与所述终端通过无线方式连接;
作为优选,所述摄像头用于采集出土的半夏图像;
作为优选,所述GPS传感器用于采集半夏收获机的作业位置;
作为优选,所述温度传感器采集当前作业区域的温度;
作为优选,所述湿度传感器采集当前作业区域的湿度;
作为优选,所述无线网络传输模块用于将半夏图像、半夏收获机的作业位置、作业区域的温度、作业区域的湿度无线传输至所述终端;半夏图像、半夏收获机的作业位置、作业区域的温度、作业区域的湿度构成基础数据;
本发明方法的技术方案为一种基于神经网络的半夏品质分级方法,具体包括以下步骤:
步骤1:终端将采集的半夏图像通过机器视觉获得半夏的大小、缺陷面积、形状、色泽、表面纹理、颜色分布;
步骤2:半夏的大小、缺陷面积、形状、色泽、表面纹理、颜色分布进一步结合作业区域的温度、作业区域的湿度,构成8维特征数据以作为训练集,通过人工标注得到半夏品质等级,通过训练集以及半夏品质等级训练BP神经网络得到训练后BP神经网络;
步骤3:将采集到的半夏图像输入前述步骤1处理和步骤2训练后的神经网络模型得到半夏品质等级,结合GPS传感器采集半夏收获机的作业位置以及人工记录的收货批次号,采用QR Code编码技术生成专属的可溯源信息二维码。
作为优选,步骤1中所述通过机器视觉获得半夏的大小、缺陷面积、形状、色泽、表面纹理、颜色分布具体为:
所述原始半夏图像为彩色图像,通过转换后为灰度图像,用二维函数I(x,y)为半夏图像,i和j分别代表横坐标和纵坐标,I(i,j)表示点(i,j)的灰度值,即灰度值,转换计算方法如下:
I(i,j)=0.299*R(i,j)+0.587*G(i,j)+0.144*B(i,j)
0<i<m
0<j<n
其中,I(i,j)表示点(i,j)的灰度值,R(i,j)表示点(i,j)的红色像素值,0.587*G(i,j)表示点(i,j)的绿色像素值,0.144*B(i,j)表示点(i,j)的蓝色像素值,灰度图像为m行、n列的图像;
图像的像素大小为l*p,其像总素数为q=l×p;
半夏的大小为:
其中,N为半夏区域内的像素个数,Pe为像素当量,c为图像压缩率;
所述半夏区域内的像素个数N,通过遍历图片像素,在m×n灰度图像中,设置条件当像素不为0时的像素值(N<m×n),进行统计得到;
所述像素当量的具体计算如下:
利用尺寸已知的标准件对像素当量进行标定,采用工件横向实际长为La,横向长像素为Lp,纵向实际长度为Wa,纵向长像素个数Wp,横向像素当量Pex和纵向像素Pey当量为:
半夏的缺陷面积为:
其中,Nb为半夏缺陷区域内的像素个数,半夏缺陷主要为浅色,在灰度图像中,像素灰度值大于120的次大区域即为缺陷,通过统计灰度值大于120的像素点数,即是Nb;
半夏的色泽为:半夏黄色区域内的像素数与总面积内像素数N之间的比值,通过统计灰度值在80-120的像素点数,即是半夏黄色像素数;
半夏的形状用凸度表示为:
其中,Sc为目标凸起部分的像素点数,通过定义其坐标范围,统计得到。
半夏的表面纹理为:
通过计算灰度来得到共生矩阵,采用反差参数C表征半夏纹理特征;
设,p(i,j)为图像的灰度共生矩阵,i和j代表灰度值;
所述灰度共生矩阵的计算如下:
灰度共生矩阵的计算,在图像中任意一点(x,y)及偏离它的一点(x+a,y+b),(其中a,b为整数,认为定义)构成点对,设该点对的灰度值为(f1,f2),假设图像的最大灰度级为L,则f1与f2的组合共有L*L种;
对于整福图像,统计每一种(f1,f2)值出现的次数,然后排列成一个方阵,再用(f1,f2)出现的总次数将它们归一化为出现的概率P(f1,f2),由此产生的矩阵为灰度共生矩阵;
则半夏纹理特征为:
半夏的颜色分布r可用平均灰度值g表示:
作为优选,训练BP神经网络得到训练后BP神经网络的具体步骤如下:
步骤2.1:将输入量数据归一化处理,方法如下:
Xk,s为原始输入量数据,X′k,s为归一化之后的输入量数据,k表示第k个输入量,k=1,2...,8以此代表输入量R,S,Q,D,C,r,T,P,s表示第s个训练样本,s属于[1,W],W表示总训练样本数量;
步骤2.2:将输出量数据归一化处理,输出量为半夏品质级别,分为四个等级:A,B,C,D,归一化之后分别是1,0.75,0.5,0.25,0
所述BP神经网络的网络结构为:输入层,隐含层,输出层;
输入层包含8个节点,输出层包含1个节点,隐含层节点若干;
步骤2.3:以0.8W组样本(即前1-0.8W组)作为训练样本,剩下的0.2W组数据作为测试集,对模型进行训练及验证;
步骤2.4:进行品质分级,计算方法如下:
F=f(R,S,Q,D,C,r,T,P)
F表示最终确定的半夏品质等级,R表示大小,S表示缺陷面积,Q表示色泽,D表示形状,C表示表面纹理,r表示颜色分布,T表示温度,P表示湿度;
与现有技术相比,本发明的优点在于:采用本发明所述的基于神经网络的半夏品质分级方法与系统,弥补了半夏种植领域当前无法进行可溯源数据采集的不足,且信息采集方式与一般农业合作社进行纸质记录更为精准、可靠、便捷,且信息量更为丰富,为半夏提供更为安全的溯源数据追踪,有效弥补半夏溯源信息缺失的弊端,一方面为消费者选择安全可靠的半夏产品提供了方式和指导,另一方面,有利于增强半夏的市场销售量和议价能力,为种植药农增加收入提供保障。本发明为农产品数据溯源提供了新的思路,强化了信息在农产品生产与市场上的作用,有利于保护农产品的声誉,优化产品品牌建设。
附图说明
图1:为本发明系统结构示意图;
图2:为本发明方法流程图。
图3:为基于神经网络的半夏品质分级模型。
图4:为图像处理与分析过程中像素点统计流程。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明具体实施中将半夏品质分级系统安装在半夏收获机上;在半夏收获机进行作业时,安装在机器上的半夏品质分级系统采集数据;数据通过无线网络传输模块传输至终端,进行数据分析以生成专属可溯源信息二维码。
如图1所示为本发明的一种基于神经网络的半夏品质分级系统,其特征在于,包括:摄像头、GPS传感器、温度传感器、湿度传感器、无线网络传输模块、终端;所述无线网络传输模块分别与所述的摄像头、GPS传感器、温度传感器、湿度传感器通过有线方式依次连接;所述无线网络传输模块与所述终端通过无线方式连接。
所述摄像头选型为OV6620摄像头,用于采集出土的半夏图像;
所述GPS传感器选型为GE864-GPS无线模块,用于采集半夏收获机的作业位置;
所述温度传感器选型为WRM-101温度传感器,采集当前作业区域的温度;
所述湿度传感器选型为HTF3223型湿度传感器,采集当前作业区域的湿度;
所述无线网络传输模块选型为,用于将半夏图像、半夏收获机的作业位置、作业区域的温度、作业区域的湿度无线传输至所述终端;半夏图像、半夏收获机的作业位置、作业区域的温度、作业区域的湿度构成基础数据;
所述终端选型为TS-653B型存储器单元,DSP单片机图像作为处理单元以及STM32单片机单片机作为系统的主控单元。
下面结合图1至图4介绍本发明的具体实施方式为一种基于神经网络的半夏品质分级方法,具体包括以下步骤:
步骤1:终端将采集的半夏图像通过机器视觉获得半夏的大小、缺陷面积、形状、色泽、表面纹理、颜色分布;
步骤1中所述通过机器视觉获得半夏的大小、缺陷面积、形状、色泽、表面纹理、颜色分布具体为:
所述原始半夏图像为彩色图像,通过转换后为灰度图像,用二维函数I(x,y)为半夏图像,i和j分别代表横坐标和纵坐标,I(i,j)表示点(i,j)的灰度值,即灰度值,转换计算方法如下:
I(i,j)=0.299*R(i,j)+0.587*G(i,j)+0.144*B(i,j)
0<i<m
0<j<n
其中,I(i,j)表示点(i,j)的灰度值,R(i,j)表示点(i,j)的红色像素值,0.587*G(i,j)表示点(i,j)的绿色像素值,0.144*B(i,j)表示点(i,j)的蓝色像素值,灰度图像为m行、n列的图像,所选摄像头拍摄的图像,其像素大小为2048*1536,即m=2048,n=1536其总像素数为3145728;
半夏的大小为:
其中,N为半夏区域内的像素个数,Pe为像素当量,c为图像压缩率;
所述半夏区域内的像素个数N,通过遍历图片像素,在m×n灰度图像中,设置条件当像素不为0时的像素值(N<m×n),进行统计得到;
所述像素当量的具体计算如下:
利用尺寸已知的标准件对像素当量进行标定,采用工件横向实际长为La,横向长像素为Lp,纵向实际长度为Wa,纵向长像素个数Wp,横向像素当量Pex和纵向像素Pey当量为:
半夏的缺陷面积为:
其中,Nb为半夏缺陷区域内的像素个数,半夏缺陷主要为浅色,在灰度图像中,像素灰度值大于120的次大区域即为缺陷,通过统计灰度值大于120的像素点数,即是Nb;
半夏的色泽为:半夏黄色区域内的像素数与总面积内像素数N之间的比值,通过统计灰度值在80-120的像素点数,即是半夏黄色像素数;
半夏的形状用凸度表示为:
其中,Sc为目标凸起部分的像素点数,通过定义其坐标范围,统计得到。
半夏的表面纹理为:
通过计算灰度来得到共生矩阵,采用反差参数C表征半夏纹理特征;
设,p(i,j)为图像的灰度共生矩阵,i和j代表灰度值;
所述灰度共生矩阵的计算如下:
灰度共生矩阵的计算,在图像中任意一点(x,y)及偏离它的一点(x+a,y+b),(其中a,b为整数,认为定义)构成点对,设该点对的灰度值为(f1,f2),假设图像的最大灰度级为L,则f1与f2的组合共有L*L种;
对于整福图像,统计每一种(f1,f2)值出现的次数,然后排列成一个方阵,再用(f1,f2)出现的总次数将它们归一化为出现的概率P(f1,f2),由此产生的矩阵为灰度共生矩阵;
则半夏纹理特征为:
半夏的颜色分布r可用平均灰度值g表示:
步骤2:半夏的大小、缺陷面积、形状、色泽、表面纹理、颜色分布进一步结合作业区域的温度、作业区域的湿度,构成8维特征数据以作为训练集,通过人工标注得到半夏品质等级,通过训练集以及半夏品质等级训练BP神经网络得到训练后BP神经网络;
训练BP神经网络得到训练后BP神经网络的具体步骤如下:
步骤2.1:将输入量数据归一化处理,方法如下:
Xk,s为原始输入量数据,X′k,s为归一化之后的输入量数据,k表示第k个输入量,k=1,2...,8以此代表输入量R,S,Q,D,C,r,T,P,s表示第s个训练样本,s属于[1,W],W表示总训练样本数量;
步骤2.2:将输出量数据归一化处理,输出量为半夏品质级别,分为四个等级:A,B,C,D,归一化之后分别是1,0.75,0.5,0.25,0
所述BP神经网络的网络结构为:输入层,隐含层,输出层;
输入层包含8个节点,输出层包含1个节点,隐含层节点若干;
步骤2.3:以0.8W组样本(即前1-0.8W组)作为训练样本,剩下的0.2W组数据作为测试集,对模型进行训练及验证;
步骤2.4:进行品质分级,计算方法如下:
F=f(R,S,Q,D,C,r,T,P)
F表示最终确定的半夏品质等级,R表示大小,S表示缺陷面积,Q表示色泽,D表示形状,C表示表面纹理,r表示颜色分布,T表示温度,P表示湿度;
步骤3:将采集到的半夏图像输入前述步骤1处理和步骤2训练后的神经网络模型得到半夏品质等级,结合GPS传感器采集半夏收获机的作业位置以及人工记录的收货批次号,采用QR Code编码技术生成专属的可溯源信息二维码。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (3)
1.一种基于神经网络的半夏品质分级方法,其特征在于,包括下述步骤:
步骤1:终端将采集的半夏图像通过机器视觉获得半夏的大小、缺陷面积、形状、色泽、表面纹理、颜色分布;
步骤2:半夏的大小、缺陷面积、形状、色泽、表面纹理、颜色分布进一步结合作业区域的温度、作业区域的湿度,构成8维特征数据以作为训练集,通过人工标注得到半夏品质等级,通过训练集以及半夏品质等级训练BP神经网络得到训练后BP神经网络;
步骤3:将采集到的半夏图像输入前述步骤1处理和步骤2训练后的神经网络模型得到半夏品质等级,结合GPS传感器采集半夏收获机的作业位置以及人工记录的收货批次号,采用QR Code编码技术生成专属的可溯源信息二维码。
2.根据权利要求1所述的基于神经网络的半夏品质分级方法,其特征在于:步骤1中所述通过机器视觉获得半夏的大小、缺陷面积、形状、色泽、表面纹理、颜色分布具体为:
所述原始半夏图像为彩色图像,通过转换后为灰度图像,用二维函数I(x,y)为半夏图像,i和j分别代表横坐标和纵坐标,I(i,j)表示点(i,j)的灰度值,即灰度值,转换计算方法如下:
I(i,j)=0.299*R(i,j)+0.587*G(i,j)+0.144*B(i,j)
0<i<m
0<j<n
其中,I(i,j)表示点(i,j)的灰度值,R(i,j)表示点(i,j)的红色像素值,0.587*G(i,j)表示点(i,j)的绿色像素值,0.144*B(i,j)表示点(i,j)的蓝色像素值,灰度图像为m行、n列的图像;
图像的像素大小为l*p,其像总素数为q=l×p;
半夏的大小为:
其中,N为半夏区域内的像素个数,Pe为像素当量,c为图像压缩率;
所述半夏区域内的像素个数N,通过遍历图片像素,在m×n灰度图像中,设置条件当像素不为0时的像素值(N<m×n),进行统计得到;
所述像素当量的具体计算如下:
利用尺寸已知的标准件对像素当量进行标定,采用工件横向实际长为La,横向长像素为Lp,纵向实际长度为Wa,纵向长像素个数Wp,横向像素当量Pex和纵向像素Pey当量为:
半夏的缺陷面积为:
其中,Nb为半夏缺陷区域内的像素个数,半夏缺陷主要为浅色,在灰度图像中,像素灰度值大于120的次大区域即为缺陷,通过统计灰度值大于120的像素点数,即是Nb;
半夏的色泽为:半夏黄色区域内的像素数与总面积内像素数N之间的比值,通过统计灰度值在80-120的像素点数,即是半夏黄色像素数;
半夏的形状用凸度表示为:
其中,Sc为目标凸起部分的像素点数,通过定义其坐标范围,统计得到;
半夏的表面纹理为:
通过计算灰度来得到共生矩阵,采用反差参数C表征半夏纹理特征;
设,p(i,j)为图像的灰度共生矩阵,i和j代表灰度值;
所述灰度共生矩阵的计算如下:
灰度共生矩阵的计算,在图像中任意一点(x,y)及偏离它的一点(x+a,y+b),(其中a,b为整数,认为定义)构成点对,设该点对的灰度值为(f1,f2),假设图像的最大灰度级为L,则f1与f2的组合共有L*L种;
对于整福图像,统计每一种(f1,f2)值出现的次数,然后排列成一个方阵,再用(f1,f2)出现的总次数将它们归一化为出现的概率P(f1,f2),由此产生的矩阵为灰度共生矩阵;
则半夏纹理特征为:
半夏的颜色分布r可用平均灰度值g表示:
3.根据权利要求1所述的基于神经网络的半夏品质分级方法,其特征在于:步骤2中所述训练BP神经网络得到训练后BP神经网络的具体步骤如下:
步骤2.1:将输入量数据归一化处理,方法如下:
Xk,s为原始输入量数据,X′k,s为归一化之后的输入量数据,k表示第k个输入量,k=1,2...,8以此代表输入量R,S,Q,D,C,r,T,P,s表示第s个训练样本,s属于[1,W],W表示总训练样本数量;
步骤2.2:将输出量数据归一化处理,输出量为半夏品质级别,分为四个等级:A,B,C,D,归一化之后分别是1,0.75,0.5,0.25,0
所述BP神经网络的网络结构为:输入层,隐含层,输出层;
输入层包含8个节点,输出层包含1个节点,隐含层节点若干;
步骤2.3:以0.8W组样本(即前1-0.8W组)作为训练样本,剩下的0.2W组数据作为测试集,对模型进行训练及验证;
步骤2.4:进行品质分级,计算方法如下:
F=f(R,S,Q,D,C,r,T,P)
F表示最终确定的半夏品质等级,R表示大小,S表示缺陷面积,Q表示色泽,D表示形状,C表示表面纹理,r表示颜色分布,T表示温度,P表示湿度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910943122.7A CN110796639B (zh) | 2019-09-30 | 2019-09-30 | 一种基于神经网络的半夏品质分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910943122.7A CN110796639B (zh) | 2019-09-30 | 2019-09-30 | 一种基于神经网络的半夏品质分级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110796639A true CN110796639A (zh) | 2020-02-14 |
CN110796639B CN110796639B (zh) | 2022-04-29 |
Family
ID=69438710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910943122.7A Active CN110796639B (zh) | 2019-09-30 | 2019-09-30 | 一种基于神经网络的半夏品质分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796639B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784159A (zh) * | 2020-07-01 | 2020-10-16 | 深圳市检验检疫科学研究院 | 一种食品风险追溯信息分级方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855640A (zh) * | 2012-08-10 | 2013-01-02 | 上海电机学院 | 基于神经网络的水果等级分类系统 |
US20170165307A1 (en) * | 2014-05-15 | 2017-06-15 | Xingyao LI | Anti-tumor Traditional Chinese Medicine Microbial Fermentation Preparation And A Preparation Method And Application Thereof |
US20170270653A1 (en) * | 2016-03-15 | 2017-09-21 | International Business Machines Corporation | Retinal image quality assessment, error identification and automatic quality correction |
CN110148122A (zh) * | 2019-05-17 | 2019-08-20 | 南京东奇智能制造研究院有限公司 | 基于深度学习的苹果外观质量分级方法 |
CN110276386A (zh) * | 2019-06-11 | 2019-09-24 | 济南大学 | 一种基于机器视觉的苹果分级方法及系统 |
-
2019
- 2019-09-30 CN CN201910943122.7A patent/CN110796639B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855640A (zh) * | 2012-08-10 | 2013-01-02 | 上海电机学院 | 基于神经网络的水果等级分类系统 |
US20170165307A1 (en) * | 2014-05-15 | 2017-06-15 | Xingyao LI | Anti-tumor Traditional Chinese Medicine Microbial Fermentation Preparation And A Preparation Method And Application Thereof |
US20170270653A1 (en) * | 2016-03-15 | 2017-09-21 | International Business Machines Corporation | Retinal image quality assessment, error identification and automatic quality correction |
CN110148122A (zh) * | 2019-05-17 | 2019-08-20 | 南京东奇智能制造研究院有限公司 | 基于深度学习的苹果外观质量分级方法 |
CN110276386A (zh) * | 2019-06-11 | 2019-09-24 | 济南大学 | 一种基于机器视觉的苹果分级方法及系统 |
Non-Patent Citations (4)
Title |
---|
GE X ET AL: "Phytochemical Properties and Quality Evaluation Methods of Pinellia Ternate", 《CHINA PHARMACEUTICALS》 * |
张璋等: "三重分筛式半夏收获机设计", 《农机化研究》 * |
李江维等: "半夏与掺伪半夏及水半夏的鉴别研究", 《亚太传统医药》 * |
谭超群等: "基于图像处理技术的中药饮片识别研究", 《时珍国医国药》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784159A (zh) * | 2020-07-01 | 2020-10-16 | 深圳市检验检疫科学研究院 | 一种食品风险追溯信息分级方法和装置 |
CN111784159B (zh) * | 2020-07-01 | 2024-02-02 | 深圳市检验检疫科学研究院 | 一种食品风险追溯信息分级方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110796639B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Iqbal et al. | Gray level co-occurrence matrix (GLCM) texture based crop classification using low altitude remote sensing platforms | |
Hall et al. | Optical remote sensing applications in viticulture‐a review | |
Mishra et al. | A Deep Learning-Based Novel Approach for Weed Growth Estimation. | |
CN112131946B (zh) | 光学遥感影像植被和水体信息自动提取方法 | |
CN102945376A (zh) | 一种农作物病害的诊断方法 | |
CN104951754A (zh) | 基于面向对象技术与ndvi时间序列相结合的农作物精细分类方法 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN103090946B (zh) | 果树单树产量测量的方法和系统 | |
CN110263735A (zh) | 一种使用三维卷积神经网络对人工林高光谱数据进行树种分类的方法 | |
CN110188657A (zh) | 基于卷曲叶片检测的玉米干旱识别方法 | |
CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
CN115661544A (zh) | 基于N-MobileNetXt的菠菜幼苗水分胁迫等级分类系统及方法 | |
CN110796639B (zh) | 一种基于神经网络的半夏品质分级方法 | |
Miao et al. | Measurement method of maize morphological parameters based on point cloud image conversion | |
CN114612794A (zh) | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 | |
WO2021225528A1 (en) | System and method for ai-based improvement of harvesting operations | |
AHM et al. | A deep convolutional neural network based image processing framework for monitoring the growth of soybean crops | |
CN115147835B (zh) | 一种基于改进RetinaNet的自然果园场景下的凤梨成熟度检测方法 | |
CN115035423B (zh) | 一种基于无人机遥感影像的杂交水稻父母本识别提取方法 | |
CN115861788A (zh) | 一种基于高分辨率卫星遥感影像的耕地地块提取方法 | |
CN115861836A (zh) | 基于多时相Sentinel-2数据的大豆种植区提取方法 | |
CN116258844A (zh) | 一种棉花叶片表型性状快速精准鉴定方法 | |
CN113554675A (zh) | 一种基于无人机可见光遥感的食用菌产量估算方法 | |
CN114663814A (zh) | 一种基于机器视觉的果实检测及产量估计方法及系统 | |
Schmidtke | Developing a phone-based imaging tool to inform on fruit volume and potential optimal harvest time |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |