CN112069911A - 一种多光谱图像信息和tlmd-woa-sift的果蔬品质检测方法 - Google Patents

一种多光谱图像信息和tlmd-woa-sift的果蔬品质检测方法 Download PDF

Info

Publication number
CN112069911A
CN112069911A CN202010803605.XA CN202010803605A CN112069911A CN 112069911 A CN112069911 A CN 112069911A CN 202010803605 A CN202010803605 A CN 202010803605A CN 112069911 A CN112069911 A CN 112069911A
Authority
CN
China
Prior art keywords
whale
woa
signal
tlmd
sift
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.)
Pending
Application number
CN202010803605.XA
Other languages
English (en)
Inventor
余道洋
周孟然
戴荣英
丁枭
胡锋
卞凯
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.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science 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 Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN202010803605.XA priority Critical patent/CN112069911A/zh
Publication of CN112069911A publication Critical patent/CN112069911A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • 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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1765—Method using an image detector and processing of image signal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种多光谱图像信息和TLMD‑WOA‑SIFT的果蔬品质检测方法，包含以下步骤：(1)果蔬多光谱图像信息获取；(2)利用二维局部均值分解(TLMD)对图像进行分解，产生若干个二维乘积函数(BPF)；(3)用WOA优化的SIFT(尺度不变特征变换)算法对BPF进行特征提取；(4)对BPF提取的特征信息进行处理后得到原始多光谱图像的全部特征信息；(5)将特征信息输入LSSVM模型进行分类。本发明采用TLMD结合WOA‑SIFT用于果蔬品质检测，具有很高的识别准确率和实用价值，泛化能力强，非常适合果蔬品质的实时准确检测和推广。

Description

一种多光谱图像信息和TLMD-WOA-SIFT的果蔬品质检测方法
技术领域
本发明涉及食品安全检测领域，具体是一种多光谱图像信息和TLMD-WOA-SIFT的果蔬品质检测方法。
背景技术
农产品含有丰富的营养物质，是居民膳食的重要组成部分，但采后果蔬极易失水萎蔫、衰老变质，失去新鲜状态，影响商品价值。农产品品质的好坏不仅影响食用时的口感，而且营养程度也不一样，更为严重的是，变质的农产品会对人们的身体健康造成危害。
对于时效性较强的果蔬农产品来说，新鲜度及品质状态的检测，成为保证线上销售品质必不可少的一个环节，这可以更好地服务消费者，提高服务效率及服务质量。然而果蔬种类繁多，品质指标多样且变化规律复杂。传统的新鲜度检测方法需要耗费大量的时间，无法快速、准确的反映果蔬的新鲜度及品质状态。随着农业经济的发展及科学技术的进步，智能化已成为未来食品行业的发展趋势。开展基于多光谱图像信息和TLMD-WOA-SIFT的果蔬品质检测方法研究，对保障果蔬生产，促进食品行业的发展具有重要意义。
多光谱作为新一代光学无损检测方法，采集的不同品质的农产品在不同波段下的光谱反射率、光谱分布以及光谱响应特性，通过分析待测样本的多光谱成像信息即可实现农产品品质的无损检测，这为我们提供了一种农产品品质无损检测的新方法。针对农产品的多光谱图像信息用二维局部均值分解(TLMD)对图像进行分解，产生若干个二维乘积函数(BPF)，然后用WOA优化的SIFT(尺度不变特征变换)算法对BPF进行特征提取，然后对BPF提取的特征信息进行处理后得到原始多光谱图像的全部特征信息，最后输入LSSVM模型进行分类。根据图像信息和光谱信息的结构特性，目前该算法很少应用于农产品品质检测，实现了农产品的精准分析。
发明内容
本发明的目的是提供一种多光谱图像信息和TLMD-WOA-SIFT的果蔬品质检测方法，以实现对果蔬品质的准确识别。
为了实现以上所述的目的，本发明采用的技术方案如下：
包括以下步骤：
(1)果蔬多光谱图像信息获取；
(2)利用二维局部均值分解(TLMD)对图像进行分解；
(3)用WOA优化的SIFT(尺度不变特征变换)算法对产生的二维乘积函数(BPF)进行特征提取；
(4)对BPF提取的特征信息进行处理后得到原始多光谱图像的全部特征信息；
(5)将特征信息输入LSSVM模型进行分类。
作为优选，所述步骤(1)中，实验所采用的滤光片装置由975nm短程滤光片(美国，Edmund Optics)和675nm长程滤光片(美国，Edmund Optics)组成；定焦镜头采用16mm的VIS-NIR定焦距镜头(美国，Edmund Optics)，镜头与光谱成像单元通过CS接口连接；光谱成像单元选用的是XiSpec系列面阵光谱成像单元。
作为优选，所述步骤(2)中，利用二维局部均值分解(TLMD)对图像进行分解，其具体步骤如下：
(21)首先提取待分解信号的局部极值点，求各平均值：
Figure BDA0002628290970000021
其中i＝1,2，…，i i是局部极值的个数给定信号的点的平均点，这些极值点由一条直线连接得到局部均值函数m11(t)；
(22)获取本地信封函数:
Figure BDA0002628290970000022
(23)将局部平均函数m11(t)与原始函数分离信号x(t)得到h11(t)，具体为:
h11(t)＝x(t)-m11(t)
此外，还解调了h11(t)，因此,s11(t)为：
Figure BDA0002628290970000023
对s11(t)重复上述步骤，可以得到s11(t)的包络估计函数a12(t)，如果局部包络函数a12(t)不等于2，则s11(t)不是纯FM信号，重复上述步骤，直到获得的s1p(t)是纯FM信号为止,接着
Figure BDA0002628290970000031
终止迭代的条件为：
Figure BDA0002628290970000032
得到包络函数为：
Figure BDA0002628290970000033
包络信号a1(t)表示瞬时信号的振幅，瞬时频率f1(t)是通过纯调频信号s1p(t)求取:
Figure BDA0002628290970000034
(24)PF组件:
PF1(t)＝a1(t)s1p(t)
从要的信号中减去第一个PF分量分解x(t)获得一个新的信号u1(t)，重复上述循环，直到所有PF分量都得到,原始信号x(t)可以表示为:
Figure BDA0002628290970000035
作为优选，所述步骤(3)中，用WOA优化的SIFT(尺度不变特征变换)算法对产生的二维乘积函数(BPF)进行特征提取，其具体步骤为：
(31)座头鲸在捕猎时，通过离猎物最近的鲸鱼群位置更新自己的位置，迅速包围猎物，位置更新公式为
Figure BDA0002628290970000041
t为当前迭代次数,X*(t)为当前最佳的鲸鱼位置向量，X(t)为鲸鱼当前位置向量，A和C为系数向量；
系数向量A和C的定义为:
Figure BDA0002628290970000042
式中，r为(0,1)区间内的随机数，a为常数，Tmax为最大迭代次数
Figure BDA0002628290970000043
(32)座头鲸通过螺旋式运动进行捕猎，可以建立一个螺旋位置更新的数学模型，首先计算鲸鱼群到猎物的距离，模仿座头鲸的螺旋游动行为建立一个螺旋运动的数学模型，表达式为：
Figure BDA0002628290970000044
DP为猎物与鲸鱼之间的距离，b为对数螺旋系数，l为(-1,1)区间内的随机数，设鲸群个体更会出现包围猎物的行为，其数学模型为：
Figure BDA0002628290970000045
p为(0,1)区间上的随机数；
(33)座头鲸在搜索猎物时，可以根据鲸群个体位置随机捕猎，该方式也是根据向量A的变化进行选择的，但此时A在(–1,1)的范围之外随机取值，使得鲸鱼远离目标，搜索收缩圈外更优的目标，从而提高算法的全局寻优能力，脱离局部最优。搜索捕食的数学模型为：
Figure BDA0002628290970000051
式中，Xrand为随机的鲸群位置向量，Lrand为随机选择的鲸鱼位置向量，当A≥1时，随机选择1个搜索代理，以该随机选择的鲸鱼位置向量来更新其他鲸鱼的位置，迫使鲸群偏离猎物，搜索其他更合适的猎物，借此增强算法的全局搜索能力，最后得到的位置向量L*，即优化选择的参数，本文采用WOA算法优化SIFT中学习参数惩罚系数c和核参数g的选择进行优化过程。
作为优选，所述步骤(5)中，将特征信息输入LSSVM模型进行分类，其具体步骤为：
(51)对数据(X(t)，Y(t))进行归一化预处理，形成训练集和测试集样本；
(52)初始化鲸群，设定参数：进化次数M，鲸群规模N及其位置范围；
(53)计算各鲸群的初始适应度，公式为：
Figure BDA0002628290970000052
比较鲸群大小，确定当前最优种群位置；
(54)利用WOA算法对鲸群位置进行优化，更新鲸群的位置；
(55)计算优化后鲸群的适应度，并更新当前最优种群位置；
(56)当迭代次数达到Tmax，结束优化，输出优化的参数，否则迭代次数t＝t+1，转到步骤(3)；
(57)将优化后的参数输入到LSSVM中，得到预测模型并进行预测；
(58)比较预测负荷与实际负荷，计算预测日的平均相对误差。
通过上述方法，本发明的有益效果使得识别速度更快、操作更加简单等；并且使用二维局部均值分解(TLMD)对图像进行分解，产生若干个二维乘积函数(BPF)，然后用WOA优化的SIFT(尺度不变特征变换)算法对BPF进行特征提取，然后对BPF提取的特征信息进行处理后得到原始多光谱图像的全部特征信息，最后输入LSSVM模型进行分类，大大降低建模所需要的特征数，使建模更加高效；分类模型LSSVM训练和识别耗时更短，效率更高，同时使用WOA-SIFT算法对分类模型参数进行优化，使得分类准确率更高，泛化能力更强，非常适用于果蔬品质的在线、准确检测。
附图说明
图1是本发明的流程图。
图2是本发明的WOA-SIFT优化LSSVM参数的算法流程图。
具体实施方式
下面通过具体实施例并对照附图对本发明做进一步解释说明。
本发明提供了一种多光谱图像信息和TLMD-WOA-SIFT的果蔬品质检测方法，将SPA-CSA-LSSVC与多光谱成像技术相结合，使用多光谱检测仪采集不同类型果蔬的光谱数据；首先用二维局部均值分解(TLMD)对图像进行分解，产生若干个二维乘积函数(BPF)，然后用WOA优化的SIFT(尺度不变特征变换)算法对BPF进行特征提取，接着对BPF提取的特征信息进行处理后得到原始多光谱图像的全部特征信息，最后输入LSSVM模型进行分类。
本发明在将TLMD-WOA-SIFT与多光谱成像技术相结合设计一种多光谱图像信息和TLMD-WOA-SIFT的果蔬品质检测方法，具体步骤如下：
(1)果蔬多光谱数据的采集：实验所采用的滤光片装置由975nm短程滤光片(美国，Edmund Optics)和675nm长程滤光片(美国，Edmund Optics)组成；定焦镜头采用16mm的VIS-NIR定焦距镜头(美国，Edmund Optics)，镜头与光谱成像单元通过CS接口连接；光谱成像单元选用的是XiSpec系列面阵光谱成像单元。
(2)图像信息分解：利用二维局部均值分解(TLMD)对图像进行分解，其具体步骤如下：
(21)首先提取待分解信号的局部极值点，求各平均值：
Figure BDA0002628290970000061
其中i＝1,2，…，i，i是局部极值的个数给定信号的点的平均点，这些极值点由一条直线连接得到局部均值函数m11(t)；
(22)获取本地信封函数:
Figure BDA0002628290970000062
(23)将局部平均函数m11(t)与原始函数分离信号x(t)得到h11(t)，具体为:
h11(t)＝x(t)-m11(t)
此外，还解调了h11(t)，因此,s11(t)为：
Figure BDA0002628290970000071
对s11(t)重复上述步骤，可以得到s11(t)的包络估计函数a12(t)，如果局部包络函数a12(t)不等于2，则s11(t)不是纯FM信号，重复上述步骤，直到获得的s1p(t)是纯FM信号为止,接着：
Figure BDA0002628290970000072
终止迭代的条件为：
Figure BDA0002628290970000073
得到包络函数为：
Figure BDA0002628290970000074
包络信号a1(t)表示瞬时信号的振幅，瞬时频率f1(t)是通过纯调频信号s1p(t)求取:
Figure BDA0002628290970000075
(24)PF组件:
PF1(t)＝a1(t)s1p(t)
从要的信号中减去第一个PF分量分解x(t)获得一个新的信号u1(t)，重复上述循环，直到所有PF分量都得到,原始信号x(t)可以表示为:
Figure BDA0002628290970000076
(3)特征提取：用WOA优化的SIFT(尺度不变特征变换)算法对产生的二维乘积函数(BPF)进行特征提取，其具体步骤如下：
(31)座头鲸在捕猎时，通过离猎物最近的鲸鱼群位置更新自己的位置，迅速包围猎物，位置更新公式为：
Figure BDA0002628290970000081
t为当前迭代次数,X*(t)为当前最佳的鲸鱼位置向量，X(t)为鲸鱼当前位置向量，A和C为系数向量；
系数向量A和C的定义为:
Figure BDA0002628290970000082
式中，r为(0,1)区间内的随机数，a为常数，Tmax为最大迭代次数
Figure BDA0002628290970000083
(32)座头鲸通过螺旋式运动进行捕猎，可以建立一个螺旋位置更新的数学模型，首先计算鲸鱼群到猎物的距离，模仿座头鲸的螺旋游动行为建立一个螺旋运动的数学模型，表达式为：
Figure BDA0002628290970000084
DP为猎物与鲸鱼之间的距离，b为对数螺旋系数，l为(-1,1)区间内的随机数，设鲸群个体更会出现包围猎物的行为，其数学模型为：
Figure BDA0002628290970000085
p为(0,1)区间上的随机数；
(34)座头鲸在搜索猎物时，可以根据鲸群个体位置随机捕猎，该方式也是根据向量A的变化进行选择的，但此时A在(–1,1)的范围之外随机取值，使得鲸鱼远离目标，搜索收缩圈外更优的目标，从而提高算法的全局寻优能力，脱离局部最优。搜索捕食的数学模型为：
Figure BDA0002628290970000086
式中，Xrand为随机的鲸群位置向量，Lrand为随机选择的鲸鱼位置向量，当A≥1时，随机选择1个搜索代理，以该随机选择的鲸鱼位置向量来更新其他鲸鱼的位置，迫使鲸群偏离猎物，搜索其他更合适的猎物，借此增强算法的全局搜索能力，最后得到的位置向量L*，即优化选择的参数，本文采用WOA算法优化SIFT中学习参数惩罚系数c和核参数g的选择进行优化过程。
(4)特征信息的处理：对BPF提取的特征信息进行处理后得到原始多光谱图像的全部特征信息。
(5)模型构建与分类：将特征信息输入LSSVM模型进行分类，其具体步骤如下：
(51)对数据(X(t)，Y(t))进行归一化预处理，形成训练集和测试集样本；
(52)初始化鲸群，设定参数：进化次数M，鲸群规模N及其位置范围；
(53)计算各鲸群的初始适应度，公式为：
Figure BDA0002628290970000091
比较鲸群大小，确定当前最优种群位置；
(54)利用WOA算法对鲸群位置进行优化，更新鲸群的位置；
(55)计算优化后鲸群的适应度，并更新当前最优种群位置；
(56)当迭代次数达到Tmax，结束优化，输出优化的参数，否则迭代次数t＝t+1，转到步骤(3)；
(57)将优化后的参数输入到LSSVM中，得到预测模型并进行预测；
(58)比较预测负荷与实际负荷，计算预测日的平均相对误差。
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，从任何角度来看都应将实施例看做是示范性的，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。

Claims (5)

1.一种多光谱图像信息和TLMD-WOA-SIFT的果蔬品质检测方法，其特征在于：包括以下步骤：
(1)果蔬多光谱图像信息获取；
(2)利用二维局部均值分解(TLMD)对图像进行分解；
(3)用WOA优化的SIFT(尺度不变特征变换)算法对产生的二维乘积函数(BPF)进行特征提取；
(4)对BPF提取的特征信息进行处理后得到原始多光谱图像的全部特征信息；
(5)将特征信息输入LSSVM模型进行分类。
2.根据权利要求1所述的一种多光谱图像信息和TLMD-WOA-SIFT的果蔬品质检测方法，其特征在于：所述的步骤(1)中，实验所采用的滤光片装置由975nm短程滤光片(美国，Edmund Optics)和675nm长程滤光片(美国，Edmund Optics)组成；定焦镜头采用16mm的VIS-NIR定焦距镜头(美国，Edmund Optics)，镜头与光谱成像单元通过CS接口连接；光谱成像单元选用的是XiSpec系列面阵光谱成像单元。
3.根据权利要求1所述的一种多光谱图像信息和TLMD-WOA-SIFT的果蔬品质检测方法，其特征在于：所述的步骤(2)中，利用二维局部均值分解(TLMD)对图像进行分解，其具体步骤如下：
(21)首先提取待分解信号的局部极值点，求各平均值：
Figure FDA0002628290960000011
其中i＝1,2，…，ii是局部极值的个数给定信号的点的平均点，这些极值点由一条直线连接得到局部均值函数m11(t)；
(22)获取本地信封函数:
Figure FDA0002628290960000012
(23)将局部平均函数m11(t)与原始函数分离信号x(t)得到h11(t)，具体为:
h11(t)＝x(t)-m11(t)
此外，还解调了h11(t)，因此,s11(t)为：
Figure FDA0002628290960000021
。
对s11(t)重复上述步骤，可以得到s11(t)的包络估计函数a12(t)，如果局部包络函数a12(t)不等于2，则s11(t)不是纯FM信号，重复上述步骤，直到获得的s1p(t)是纯FM信号为止,接着：
Figure FDA0002628290960000022
终止迭代的条件为：
Figure FDA0002628290960000023
得到包络函数为：
Figure FDA0002628290960000024
包络信号a1(t)表示瞬时信号的振幅，瞬时频率f1(t)是通过纯调频信号s1p(t)求取:
Figure FDA0002628290960000025
(24)PF组件:
PF1(t)＝a1(t)s1p(t)
从要的信号中减去第一个PF分量分解x(t)获得一个新的信号u1(t)，重复上述循环，直到所有PF分量都得到,原始信号x(t)可以表示为:
Figure FDA0002628290960000026
4.根据权利要求1所述的一种多光谱图像信息和TLMD-WOA-SIFT的果蔬品质检测方法，其特征在于：所述的步骤(3)中，用WOA优化的SIFT(尺度不变特征变换)算法对二维乘积函数(BPF)进行特征提取，其具体步骤如下：
(31)座头鲸在捕猎时，通过离猎物最近的鲸鱼群位置更新自己的位置，迅速包围猎物，位置更新公式为：
Figure FDA0002628290960000031
t为当前迭代次数,X*(t)为当前最佳的鲸鱼位置向量，X(t)为鲸鱼当前位置向量，A和C为系数向量；
系数向量A和C的定义为:
Figure FDA0002628290960000032
式中，r为(0,1)区间内的随机数，a为常数，Tmax为最大迭代次数
Figure FDA0002628290960000033
(32)座头鲸通过螺旋式运动进行捕猎，可以建立一个螺旋位置更新的数学模型，首先计算鲸鱼群到猎物的距离，模仿座头鲸的螺旋游动行为建立一个螺旋运动的数学模型，表达式为：
Figure FDA0002628290960000034
DP为猎物与鲸鱼之间的距离，b为对数螺旋系数，l为(-1,1)区间内的随机数，设鲸群个体更会出现包围猎物的行为，其数学模型为：
Figure FDA0002628290960000035
p为(0,1)区间上的随机数；
(33)座头鲸在搜索猎物时，可以根据鲸群个体位置随机捕猎，该方式也是根据向量A的变化进行选择的，但此时A在(–1,1)的范围之外随机取值，使得鲸鱼远离目标，搜索收缩圈外更优的目标，从而提高算法的全局寻优能力，脱离局部最优。搜索捕食的数学模型为：
Figure FDA0002628290960000036
式中，Xrand为随机的鲸群位置向量，Lrand为随机选择的鲸鱼位置向量，当A≥1时，随机选择1个搜索代理，以该随机选择的鲸鱼位置向量来更新其他鲸鱼的位置，迫使鲸群偏离猎物，搜索其他更合适的猎物，借此增强算法的全局搜索能力，最后得到的位置向量L*，即优化选择的参数，本文采用WOA算法优化SIFT中学习参数惩罚系数c和核参数g的选择进行优化过程。
5.根据权利要求1所述的一种多光谱图像信息和TLMD-WOA-SIFT的果蔬品质检测方法，其特征在于：所述的步骤(5)中，将特征信息输入LSSVM模型进行分类，其具体步骤如下：
(51)对数据(X(t)，Y(t))进行归一化预处理，形成训练集和测试集样本；
(52)初始化鲸群，设定参数：进化次数M，鲸群规模N及其位置范围；
(53)计算各鲸群的初始适应度，公式为：
Figure FDA0002628290960000041
比较鲸群大小，确定当前最优种群位置；
(54)利用WOA算法对鲸群位置进行优化，更新鲸群的位置；
(55)计算优化后鲸群的适应度，并更新当前最优种群位置；
(56)当迭代次数达到Tmax，结束优化，输出优化的参数，否则迭代次数t＝t+1，转到步骤(3)；
(57)将优化后的参数输入到LSSVM中，得到预测模型并进行预测；
(58)比较预测负荷与实际负荷，计算预测日的平均相对误差。
CN202010803605.XA 2020-08-11 2020-08-11 一种多光谱图像信息和tlmd-woa-sift的果蔬品质检测方法 Pending CN112069911A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010803605.XA CN112069911A (zh) 2020-08-11 2020-08-11 一种多光谱图像信息和tlmd-woa-sift的果蔬品质检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010803605.XA CN112069911A (zh) 2020-08-11 2020-08-11 一种多光谱图像信息和tlmd-woa-sift的果蔬品质检测方法

Publications (1)

Publication Number Publication Date
CN112069911A true CN112069911A (zh) 2020-12-11

Family

ID=73661155

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010803605.XA Pending CN112069911A (zh) 2020-08-11 2020-08-11 一种多光谱图像信息和tlmd-woa-sift的果蔬品质检测方法

Country Status (1)

Country Link
CN (1) CN112069911A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861418A (zh) * 2020-12-25 2021-05-28 三峡大学 一种基于ga-woa-grnn网络的斜拉索短期覆冰厚度预测方法
CN113553902A (zh) * 2021-06-14 2021-10-26 西安电子科技大学 一种智能果蔬精准识别方法、系统、计算机设备及应用

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861418A (zh) * 2020-12-25 2021-05-28 三峡大学 一种基于ga-woa-grnn网络的斜拉索短期覆冰厚度预测方法
CN113553902A (zh) * 2021-06-14 2021-10-26 西安电子科技大学 一种智能果蔬精准识别方法、系统、计算机设备及应用

Similar Documents

Publication Publication Date Title
CN109493287B (zh) 一种基于深度学习的定量光谱数据分析处理方法
Le et al. Deep learning for noninvasive classification of clustered horticultural crops–A case for banana fruit tiers
Lin et al. Applications of machine learning techniques for enhancing nondestructive food quality and safety detection
US9547807B2 (en) Image processing and object classification
Wu et al. Variety identification of oat seeds using hyperspectral imaging: Investigating the representation ability of deep convolutional neural network
Chopra et al. Efficient fruit grading system using spectrophotometry and machine learning approaches
CN112001270A (zh) 基于一维卷积神经网络的地面雷达自动目标分类识别方法
Ninomiya High-throughput field crop phenotyping: current status and challenges
CN112069911A (zh) 一种多光谱图像信息和tlmd-woa-sift的果蔬品质检测方法
Sahu et al. A systematic literature review of machine learning techniques deployed in agriculture: A case study of banana crop
Gill et al. A review of automatic fruit classification using soft computing techniques
CN115294404A (zh) 一种基于随机森林算法的底栖动物高光谱数据分类方法
Lee et al. A multi-layer perceptron-based approach for early detection of BSR disease in oil palm trees using hyperspectral images
Vidyarthi et al. Classification of first quality fancy cashew kernels using four deep convolutional neural network models
Kalim et al. Citrus leaf disease detection using hybrid cnn-rf model
CN108344701A (zh) 基于高光谱技术的石蜡等级定性分类与定量回归方法
CN108489927A (zh) 鱼类产地溯源方法、电子设备、存储介质及装置
CN109145685A (zh) 基于集成学习的果蔬高光谱品质检测方法
Yanuki et al. Image Classification of Canaries Using Artificial Neural Network
CN102809635B (zh) 一种适宜溶解型蛋白质加工的花生品质测定及其评价方法
Ji et al. An automatic bad band pre-removal method for hyperspectral imagery
CN109447009B (zh) 基于子空间核范数正则化回归模型的高光谱图像分类方法
CN113469084B (zh) 基于对比生成对抗网络的高光谱图像分类方法
CN112782148B (zh) 阿拉比卡和罗伯斯塔两种咖啡豆的快速鉴别方法
Tan et al. Automated tomato grading system using computer vision (CV) and deep neural network (DNN) algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201211