CN111814825B - 基于遗传算法优化支持向量机的苹果检测分级方法及系统 - Google Patents

基于遗传算法优化支持向量机的苹果检测分级方法及系统 Download PDF

Info

Publication number
CN111814825B
CN111814825B CN202010499390.7A CN202010499390A CN111814825B CN 111814825 B CN111814825 B CN 111814825B CN 202010499390 A CN202010499390 A CN 202010499390A CN 111814825 B CN111814825 B CN 111814825B
Authority
CN
China
Prior art keywords
apple
image
area
support vector
vector machine
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.)
Active
Application number
CN202010499390.7A
Other languages
English (en)
Other versions
CN111814825A (zh
Inventor
申涛
赵钦君
许铮
张玉华
张长峰
毕淑慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Jinan
Shandong Institute of Commerce and Technology
Original Assignee
University of Jinan
Shandong Institute of Commerce and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Jinan, Shandong Institute of Commerce and Technology filed Critical University of Jinan
Priority to CN202010499390.7A priority Critical patent/CN111814825B/zh
Publication of CN111814825A publication Critical patent/CN111814825A/zh
Application granted granted Critical
Publication of CN111814825B publication Critical patent/CN111814825B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本公开公开了基于遗传算法优化支持向量机的苹果检测分级方法及系统，包括：获取待检测苹果的图像；对待检测苹果的图像进行预处理；将预处理后得到的数据输入到预先训练好的分类器中，分类器输出待检测苹果的等级；其中，所述分类器是基于遗传算法优化的支持向量机。本公开通过遗传算法优化支持向量机，基于优化的支持向量机对苹果的等级进行分级，并且在分级的过程汇中考虑了苹果的外部品质特征并对其进行分级，具有较高的工程应用价值。

Description

基于遗传算法优化支持向量机的苹果检测分级方法及系统
技术领域
本公开涉及农产品自动化分级技术领域，特别是涉及基于遗传算法优化支持向量机的苹果检测分级方法及系统。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。
苹果在线分级技术是苹果商品化的一个重要环节，采用机器视觉技术对水果进行品质检测具有高效、无损、灵活等众多优点，因此如何利用机器视觉结合相关算法，有效的对农产品进行准确高效的检测分级，对我国农业和经济的发展具有重要的意义。
在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：
目前，国内外采用机器视觉和机器学习算法选择不同的特征参数进行了分级，例如决策树、人工神经网络、KNN等，但这些方法都有一定的局限性。例如人工神经网络需要大量的参数，学习时间过长，甚至可能达不到学习的目的。在现有的苹果分级的技术中仍然存在着选取的特征参数不够准确，识别率较低等问题。
发明内容
为了解决现有技术的不足，本公开提供了基于遗传算法优化支持向量机的苹果检测分级方法及系统；
第一方面，本公开提供了基于遗传算法优化支持向量机的苹果检测分级方法；
基于遗传算法优化支持向量机的苹果检测分级方法，包括：
获取待检测苹果的图像；
对待检测苹果的图像进行预处理；
将预处理后得到的数据输入到预先训练好的分类器中，分类器输出待检测苹果的等级；其中，所述分类器是基于遗传算法优化的支持向量机。
第二方面，本公开提供了基于遗传算法优化支持向量机的苹果检测分级系统；
基于遗传算法优化支持向量机的苹果检测分级系统，包括：
获取模块，其被配置为：获取待检测苹果的图像；
预处理模块，其被配置为：对待检测苹果的图像进行预处理；
检测分级模块，其被配置为：将预处理后得到的数据输入到预先训练好的分类器中，分类器输出待检测苹果的等级；其中，所述分类器是基于遗传算法优化的支持向量机。
第三方面，本公开还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述第一方面所述的方法。
第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
第五方面，本公开还提供了一种计算机程序(产品)，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现前述第一方面任意一项的方法。
与现有技术相比，本公开的有益效果是：
本公开通过遗传算法优化支持向量机，基于优化的支持向量机对苹果的等级进行分级，并且在分级的过程汇中考虑了苹果的外部品质特征并对其进行分级，具有较高的工程应用价值。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例一的苹果分级方法流程图；
图2为本公开实施例一的采集到的原始图像；
图3为本公开实施例一的去除背景后的图像；
图4为本公开实施例一的canny边缘检测的图像；
图5为本公开实施例一的形态学处理后的图像；
图6为本公开实施例一的遗传算法优化支持向量机的结果；
图7为本公开实施例一的测试集经训练的模型预测的结果。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本公开使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
苹果的外部品质分级技术往往存在有分级效率较低，预测的准确率不高等，针对这一问题，提出基于遗传算法优化支持向量机的苹果检测分级方法，用来解决当前技术难以有效准确对苹果进行分级的问题。
实施例一
本实施例提供了基于遗传算法优化支持向量机的苹果检测分级方法；
如图1所示，基于遗传算法优化支持向量机的苹果检测分级方法，包括：
S101：获取待检测苹果的图像；
S102：对待检测苹果的图像进行预处理；
S103：将预处理后得到的数据输入到预先训练好的分类器中，分类器输出待检测苹果的等级；其中，所述分类器是基于遗传算法优化的支持向量机。
作为一个或多个实施例，所述S102中，对待检测苹果的图像进行预处理，包括：
对待检测苹果的图像进行降噪处理，对降噪处理后的图像进行背景分割处理得到感兴趣的苹果区域图像，对感兴趣的苹果区域图像分别计算苹果区域的轮廓、苹果的圆形度、苹果的色度占比和苹果的缺陷面积。
进一步地，所述对待检测苹果的图像进行降噪处理，是采用中值滤波算法进行降噪处理。
示例性的，所述对待检测苹果的图像进行降噪处理，是采用二维中值滤波对样本数据进行去噪处理，其表达式为：
g(x，y)＝med{f(x-k，y-l)，(k，l∈W)}
其中，f(x,y)为原始灰度图像，g(x,y)为滤波后的图像，W为二维模板。
进一步地，所述对降噪处理后的图像进行背景分割处理得到感兴趣的苹果区域图像，是通过循环遍历的方式逐一比较降噪处理后的图像的R、G和B三个颜色分量，将G分量和B分量中小于R分量的像素置零。
示例性的，所述对降噪处理后的图像进行背景分割处理得到感兴趣的苹果区域图像，是要将R、G、B三个颜色分量分离出来，采用循环遍历的方法逐一比较三个颜色通道中像素值的大小，并将G、B分量中像素值小于R分量的像素置0。
进一步地，所述对感兴趣的苹果区域图像分别计算苹果区域的轮廓，具体步骤包括：
对灰度图像进行平滑处理；计算平滑处理后图像中每个像素点的梯度幅值和梯度方向；对梯度幅值进行非极大值抑制；获取苹果区域的边缘图像；进行杂点去除和空洞填充，得到苹果区域的轮廓图像。
示例性的，所述对感兴趣的苹果区域图像分别计算苹果区域的轮廓，具体步骤包括：
首先，使用高斯函数对灰度图像进行平滑处理：
Figure BDA0002524215370000051
其中，σ是高斯函数的方差，用来控制平滑程度；f(x,y)为灰度图像；(x,y)为像素点的位置；g(x,y)即为平滑后的灰度图像；
然后，用一阶偏导的有限差分来计算图像中每个像素点的梯度的幅值和方向；
计算像素梯度的幅值为：
Figure BDA0002524215370000061
梯度的方向为：
θ(x,y)＝arctan(Gy(x,y)/Gx(x,y))；
再者，对梯度幅值进行非极大值抑制，将待判断像素值G(x,y)与沿着梯度方向的2个8邻域像素的梯度进行比较，如果该像素点的梯度幅值没有沿梯度方向的两个相邻像素的梯度值大，则该点的梯度值不是局部最大值，对该点的梯度值进行抑制，令G(x,y)＝0；
其次，使用双阈值算法检测和连接边缘获取苹果区域的边缘图像，梯度幅值大于高阈值的像素点被视为边缘像素，小于低阈值的像素点被视为非边缘像素，若介于高低阈值之间，则判断该像素8邻域空间的像素是否存在高于高阈值的像素，如果存在，则该像素被视为边缘像素；
最终，运用形态学操作中的杂点去除和空洞填充即可得到苹果区域的轮廓图像。
进一步地，所述苹果的圆形度，是通过苹果果实轮廓的面积与苹果果实轮廓的周长来计算得到的。
示例性的，计算各级苹果的圆形度，具体如下：
Figure BDA0002524215370000062
其中，S为苹果果实轮廓的面积，通过计算苹果区域像素点的数量即可得到；L为苹果果实轮廓的周长，采用弗里曼链码对轮廓的边界进行编码，将二进制图像简化为一个数字序列。
进一步地，所述苹果的色度占比，是通过对苹果的色度按照设定区间进行分割，用每一个区间的像素个数与总的苹果区域像素个数的比值计算得到的。
示例性的，计算各级苹果的色度(H)占比，把各级苹果的色度按每15度为一区间进行分割，共计4个区间，然后用每一区间的像素个数与总的果实区域像素个数之比作为颜色分级的特征参数。
进一步地，所述苹果的缺陷面积，是通过图像灰度值小于设定阈值的像素点数量与苹果区域总的像素点的数量的比值计算得到的。
示例性的，计算苹果缺陷部分的面积，在HSI颜色空间下的I分量中，缺陷部分的灰度值集中在20-70之间，选择该范围内像素个数与果实区域像素个数之比作为缺陷特征参数，具体公式为：
Figure BDA0002524215370000071
其中，d为灰度值介于20-70之间的像素点数量；t为苹果区域总的像素点数量。
作为一个或多个实施例，所述S103中，基于遗传算法优化的支持向量机，是指：利用遗传算法为支持向量机选择最佳的惩罚因子和高斯径向基函数。
具体地，所述S103中，基于遗传算法优化的支持向量机，具体优化过程包括：
对惩罚因子和高斯径向基函数进行编码，并初始化种群；
确定适应度函数，计算每个个体的适应度值；
判断是否满足终止条件，如果满足，就得到最佳的惩罚因子和高斯径向基函数。
示例性的，所述S103中，基于遗传算法优化的支持向量机，具体优化过程包括：
S1031对惩罚因子c和高斯径向基函数参数g进行二进制编码，并随即初始化种群：本公开设置最大进化代数为100，种群数位20，交叉概率为0.4，变异概率为0.01；
S1032确定适应度函数，计算每个个体的适应度值，本公开使用交叉验证集的准确率作为适应度；
S1033判断是否满足终止条件，如果满足，则停止计算，将得到的最优参数带入到SVM模型；否则执行交叉和变异操作产生新一代种群返回步骤S1032。
作为一个或多个实施例，所述S103中，预先训练好的分类器，训练步骤包括：
构建训练集和测试集；所述训练集和测试集，均包括：已知苹果分类等级标签的苹果区域的轮廓、苹果的圆形度、苹果的色度占比和苹果的缺陷面积；
将训练集、最佳的惩罚因子和高斯径向基函数，同时输入到支持向量机中，对支持向量机进行训练；
将测试集输入到支持向量机中进行测试，最后，得到预先训练好的分类器。
示例性的，所述苹果分类等级，包括：特等、一等、二等和等外四种等级。
示例性的，训练集和测试集的获取步骤，包括：
采集已知各种等级的苹果图像作为实验的样本数据；
采用中值滤波对样本数据进行降噪处理；
背景分割，仅保留感兴趣的苹果区域图像；
获取苹果区域的轮廓(果实区域为1，背景区域为0)；计算各级苹果的圆形度；计算各级苹果的色度(H)占比；计算苹果缺陷部分的面积；
将计算得到的数据制作为libsvm数据格式，并将其分为训练集和测试集。
示例性的，将计算得到的数据制作为libsvm数据格式，并将其分为训练集和测试集，libsvm使用的训练数据和检验数据文件格式如下：
[label][index1]:[value1][index2]:[value2]…
其中，label为目标值，即为所分的类别；index为有顺序的索引，通常是连续的整数；value为特征值。
示例性的，所述将测试集输入到支持向量机中进行测试，具体是指：用得到的SVM模型对测试集样本进行预测，将测试集以及测试集标签，SVM模型作为svmpredict函数的输入进行预测。
本公开在MATLAB2018a软件环境下操作完成。本公开训练阶段所采用的苹果样本为山东红富士苹果，分级参考标准采用山东某食品公司的参考标准。
将苹果人工分级为特等、一等、二等和等外四种等级，并采集各种等级的苹果图像作为实验的样本数据，如图2所示为采集到的原始图像。
采用中值滤波对样本图像进行去噪处理，能有效去除由传感器等图像采集设备产生的椒盐噪声，可以直接调用函数medfilt2实现，具体公式如下：
g(x，y)＝med{f(x-k，y-l)，(k，l∈W)}
其中，f(x,y)为原始灰度图像，g(x,y)为滤波后的图像，W为二维模板。
去除背景，仅保留感兴趣的苹果区域图像，将R、G、B三个颜色分量分离出来，采用循环遍历的方法逐一比较三个颜色通道中像素值的大小，并将G、B分量中像素值小于R分量的像素置0，如图3所示为去除背景后的苹果图像。
获取苹果区域的轮廓(果实区域为1，背景区域为0)，用Canny边缘检测算子对去除背景后的苹果灰度图像进行检测的结果如图4所示，然后通过形态学操作的去杂点和空洞填充即可得到如图5所示的苹果区域轮廓图像。
计算各级苹果的圆形度，具体公式如下：
Figure BDA0002524215370000101
其中，S为苹果果实轮廓的面积，通过计算苹果区域像素点的数量即可得到；L为苹果果实轮廓的周长，需要采用弗里曼链码对轮廓的边界进行编码，将二进制图像简化为一个数字序列。
各级苹果的圆形度如下表1所示。
表1各级苹果的圆形度
Figure BDA0002524215370000102
计算各级苹果的色度(H)占比，把各级苹果的色度按每15度为一区间进行分割，共计4个区间，然后用每一区间内像素点个数与果实区域总的像素点个数之比。各级苹果的色度占比如表2所示。
表2各级苹果的色度占比
Figure BDA0002524215370000103
计算苹果缺陷部分的面积，统计灰度值为20-70范围内像素个数与果实区域像素个数之比。具体结果如下表3所示。
表3缺陷面积占比
Figure BDA0002524215370000111
将计算得到的数据制作为libsvm数据格式，并将其分为训练集和测试集，libsvm使用的训练数据和检验数据文件格式如下：
[label][index1]:[value1][index2]:[value2]…
其中，label为目标值，即为所分的类别；index为有顺序的索引，通常是连续的整数；value为特征值。
训练集和测试集的划分具体见下表4所示。
表4训练集和测试集
Figure BDA0002524215370000112
采用遗传算法优化SVM选择最佳的惩罚因子c和核函数参数g，具体步骤如下：
(1)对惩罚因子c和高斯径向基函数参数g进行二进制编码，并随即初始化种群：本公开设置最大进化代数为100，种群数位20，交叉概率为0.4，变异概率为0.01；
(2)确定适应度函数，计算每个个体的适应度值，本公开使用交叉验证集的准确率作为适应度；
(3)判断是否满足终止条件，如果满足，则停止计算，将得到的最优参数带入到SVM模型；否则执行交叉和变异操作产生新一代种群返回步骤(2).最终的优化结果如图6所示。
用得到的最佳参数c与g对整个训练集进行训练得到SVM模型，将整个训练集以及训练集的标签，最佳参数c和g作为svmtrain函数的输入进行训练。
用得到的SVM模型对测试集样本进行预测，将测试集以及测试集标签，SVM模型作为svmpredict函数的输入进行预测，如图7所示。
预测的结果如下表5所示。
表5预测结果
Figure BDA0002524215370000121
采集共215张苹果图像，其中包括有60个特等果，60个一等果，45个二等果以及50个等外果，并将选择其中163个各级苹果训练支持向量机，最终对52个苹果进行分类，总的正确率为92.3％。
实施例二
本实施例提供了基于遗传算法优化支持向量机的苹果检测分级系统；
基于遗传算法优化支持向量机的苹果检测分级系统，包括：
获取模块，其被配置为：获取待检测苹果的图像；
预处理模块，其被配置为：对待检测苹果的图像进行预处理；
检测分级模块，其被配置为：将预处理后得到的数据输入到预先训练好的分类器中，分类器输出待检测苹果的等级；其中，所述分类器是基于遗传算法优化的支持向量机。
此处需要说明的是，上述获取模块、预处理模块和检测分级模块对应于实施例一中的步骤S101至S103，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统，可以通过其他的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
实施例三
本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (7)

1.基于遗传算法优化支持向量机的苹果检测分级方法，其特征是，包括：
获取待检测苹果的图像；
对待检测苹果的图像进行预处理，包括：
对待检测苹果的图像进行降噪处理，对降噪处理后的图像进行背景分割处理得到感兴趣的苹果区域图像，对感兴趣的苹果区域图像分别计算苹果区域的轮廓、苹果的圆形度、苹果的色度占比和苹果的缺陷面积；
所述苹果区域的轮廓是通过对灰度图像进行平滑处理，计算平滑处理后图像中每个像素点的梯度幅值和梯度方向，对梯度幅值进行非极大值抑制，获取苹果区域的边缘图像，进行杂点去除和空洞填充得到的；
所述苹果的圆形度，是通过苹果果实轮廓的面积与苹果果实轮廓的周长来计算得到的；
所述苹果的色度占比，是通过对苹果的色度按照设定区间进行分割，用每一个区间的像素个数与总的苹果区域像素个数的比值计算得到的；
所述苹果的缺陷面积，是通过图像灰度值小于设定阈值的像素点数量与苹果区域总的像素点的数量的比值计算得到的；
将预处理后得到的数据输入到预先训练好的分类器中，分类器输出待检测苹果的等级，其中分类器是基于遗传算法优化的支持向量机；
所述基于遗传算法优化的支持向量机，是指：利用遗传算法为支持向量机选择最佳的惩罚因子和高斯径向基函数。
2.如权利要求1所述的方法，其特征是，所述对待检测苹果的图像进行降噪处理，是采用中值滤波算法进行降噪处理。
3.如权利要求1所述的方法，其特征是，所述对降噪处理后的图像进行背景分割处理得到感兴趣的苹果区域图像，是通过循环遍历的方式逐一比较降噪处理后的图像的R、G和B三个颜色分量，将G分量和B分量中小于R分量的像素置零。
4.如权利要求1所述的方法，其特征是，基于遗传算法优化的支持向量机，具体优化过程包括：
对惩罚因子和高斯径向基函数进行编码，并初始化种群；
确定适应度函数，计算每个个体的适应度值；
判断是否满足终止条件，如果满足，就得到最佳的惩罚因子和高斯径向基函数。
5.基于遗传算法优化支持向量机的苹果检测分级系统，其特征是，包括：
获取模块，其被配置为：获取待检测苹果的图像；
预处理模块，其被配置为：对待检测苹果的图像进行预处理，具体包括：
对待检测苹果的图像进行降噪处理，对降噪处理后的图像进行背景分割处理得到感兴趣的苹果区域图像，对感兴趣的苹果区域图像分别计算苹果区域的轮廓、苹果的圆形度、苹果的色度占比和苹果的缺陷面积；
所述苹果区域的轮廓是通过对灰度图像进行平滑处理，计算平滑处理后图像中每个像素点的梯度幅值和梯度方向，对梯度幅值进行非极大值抑制，获取苹果区域的边缘图像，进行杂点去除和空洞填充得到的；
所述苹果的圆形度，是通过苹果果实轮廓的面积与苹果果实轮廓的周长来计算得到的；
所述苹果的色度占比，是通过对苹果的色度按照设定区间进行分割，用每一个区间的像素个数与总的苹果区域像素个数的比值计算得到的；
所述苹果的缺陷面积，是通过图像灰度值小于设定阈值的像素点数量与苹果区域总的像素点的数量的比值计算得到的；
检测分级模块，其被配置为：将预处理后得到的数据输入到预先训练好的分类器中，分类器输出待检测苹果的等级，其中分类器是基于遗传算法优化的支持向量机；
所述基于遗传算法优化的支持向量机，是指：利用遗传算法为支持向量机选择最佳的惩罚因子和高斯径向基函数。
6.一种电子设备，其特征是，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述权利要求1-4任一项所述的方法。
7.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-4任一项所述的方法。
CN202010499390.7A 2020-06-04 2020-06-04 基于遗传算法优化支持向量机的苹果检测分级方法及系统 Active CN111814825B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010499390.7A CN111814825B (zh) 2020-06-04 2020-06-04 基于遗传算法优化支持向量机的苹果检测分级方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010499390.7A CN111814825B (zh) 2020-06-04 2020-06-04 基于遗传算法优化支持向量机的苹果检测分级方法及系统

Publications (2)

Publication Number Publication Date
CN111814825A CN111814825A (zh) 2020-10-23
CN111814825B true CN111814825B (zh) 2022-11-11

Family

ID=72848693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010499390.7A Active CN111814825B (zh) 2020-06-04 2020-06-04 基于遗传算法优化支持向量机的苹果检测分级方法及系统

Country Status (1)

Country Link
CN (1) CN111814825B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668645A (zh) * 2020-12-28 2021-04-16 浙江工业大学 一种基于人的生理认知特点对苹果精细化分拣的分类方法
CN113640380B (zh) * 2021-06-07 2023-05-09 济南大学 钢轨伤损检测多级分类方法及系统
CN114937077A (zh) * 2022-04-22 2022-08-23 南通荣华包装材料有限公司 一种花生种子筛选方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101726251A (zh) * 2009-11-13 2010-06-09 江苏大学 基于支持向量机的苹果采摘机器人果实自动识别方法
CN105699397A (zh) * 2016-03-24 2016-06-22 南京农业大学 一种苹果表面光泽度检测方法
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8826313B2 (en) * 2011-03-04 2014-09-02 CSC Holdings, LLC Predictive content placement on a managed services systems

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101726251A (zh) * 2009-11-13 2010-06-09 江苏大学 基于支持向量机的苹果采摘机器人果实自动识别方法
CN105699397A (zh) * 2016-03-24 2016-06-22 南京农业大学 一种苹果表面光泽度检测方法
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 (2)

* Cited by examiner, † Cited by third party
Title
"基于机器视觉的苹果分拣关键技术研究";张力超;《中国优秀博硕士学位论文全文数据库(硕士)农业科技辑》;20190115;第D044-64页 *
"运用GA-SVM模型的砂石骨料分类方法";余罗兼等;《华侨大学学报》;20200331;第41卷(第2期);第137-141页 *

Also Published As

Publication number Publication date
CN111814825A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
CN113538433B (zh) 基于人工智能的机械铸件缺陷检测方法及系统
CN111814825B (zh) 基于遗传算法优化支持向量机的苹果检测分级方法及系统
CN108765402B (zh) 无纺布缺陷检测与分类方法
CN110135514B (zh) 一种工件分类方法、装置、设备及介质
Ji et al. Apple grading method based on features of color and defect
CN116777907A (zh) 一种钣金件质量检测方法
CN111798409A (zh) 一种基于深度学习的pcb缺陷数据生成方法
CN110415222A (zh) 一种基于纹理特征的丝饼侧面缺陷识别方法
Yan et al. New separation algorithm for touching grain kernels based on contour segments and ellipse fitting
CN111161237A (zh) 一种果蔬表面质检方法及其储存介质、分拣装置
CN113591948A (zh) 一种缺陷模式识别方法、装置、电子设备和存储介质
CN114627116B (zh) 一种基于人工智能的织物疵点识别方法及系统
CN114926441A (zh) 一种注塑件加工成型的缺陷检测方法及系统
CN117094975A (zh) 钢铁表面缺陷检测方法、装置及电子设备
Shen et al. Development of a new machine vision algorithm to estimate potato's shape and size based on support vector machine
CN113435460A (zh) 一种亮晶颗粒灰岩图像的识别方法
CN112419278A (zh) 一种基于深度学习的实木地板分类方法
Sujatha et al. Enhancement of segmentation and feature fusion for apple disease classification
CN112396580A (zh) 一种圆形零件缺陷检测方法
CN115082449B (zh) 一种电子元器件缺陷检测方法
CN112418241A (zh) 一种基于红外成像技术的电力设备识别方法
CN113210264B (zh) 烟草杂物剔除方法及装置
CN112419304B (zh) 一种面向一维数据的多阶段目标检测方法及装置
Sun et al. A novel method for multi-feature grading of mango using machine vision
CN115063603A (zh) 基于边缘信息的木材年轮线精确提取及复原方法

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
GR01 Patent grant
GR01 Patent grant