CN112184627A - 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用 - Google Patents

基于图像处理与神经网络的柑橘保鲜品质检测方法及应用 Download PDF

Info

Publication number
CN112184627A
CN112184627A CN202010915167.6A CN202010915167A CN112184627A CN 112184627 A CN112184627 A CN 112184627A CN 202010915167 A CN202010915167 A CN 202010915167A CN 112184627 A CN112184627 A CN 112184627A
Authority
CN
China
Prior art keywords
neural network
citrus
image
quality
fresh
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
CN202010915167.6A
Other languages
English (en)
Inventor
陈建国
蒋晨曦
郑伟立
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.)
South China Agricultural University
Original Assignee
South China Agricultural University
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 South China Agricultural University filed Critical South China Agricultural University
Priority to CN202010915167.6A priority Critical patent/CN112184627A/zh
Publication of CN112184627A publication Critical patent/CN112184627A/zh
Pending legal-status Critical Current

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background 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
    • G06T2207/10024—Color 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

Abstract

本发明公开了一种基于图像处理与神经网络的柑橘保鲜品质检测方法及应用，该方法步骤包括：图像分割：采集保鲜后的柑橘图片，再将柑橘图片的颜色通道分离，提取B分量灰度图，采用固定阈值分割方法，得到图像背景分割完成后的柑橘图片；特征提取：将图像背景分割完成后的柑橘图片由RGB颜色模型转为HSI颜色模型，将HSI颜色模型进行通道分离，提取H分量灰度图，统计H分量灰度图中各个色度的像素点个数，计算色度频度序列；构建并训练神经网络模型；构建单一化训练样本，将单一化训练样本的色度频度序列输入神经网络模型中，训练出各组别的神经网络图像和品质的映射模型，得到单一化训练样本的保鲜柑橘品质结果。本发明能够提高柑橘品质的检测准确率。

Description

基于图像处理与神经网络的柑橘保鲜品质检测方法及应用
技术领域
本发明涉及农业检测技术领域，具体涉及一种基于图像处理与神经网络的柑橘保鲜品质检测方法及应用。
背景技术
柑橘采后的处理及保鲜方面却依然存在很多问题，特别是柑橘保鲜品质检测方面的问题，目前柑橘保鲜品质检测大多数仍停留在人工识别，抽样破损测量的阶段。
现有的自动检测方案是通过对柑桔果实的可见光彩色图像的颜色信息和其固酸比之间关系的研究，建立两者之间的关系模型，利用柑桔果实的可见光彩色图像对其成熟度进行无损检测，最终将建立的柑桔成熟度无损检测方法应用到柑桔合适采收期的确定和依据成熟度对柑桔果实进行自动化分级中，上述技术的缺点是准确率不够高。由于影响柑橘品质的因素不止有柑橘的表皮颜色，成熟阶段、保鲜环境、保鲜时长都是影响柑橘的品质的因素。
发明内容
为了克服现有技术存在的缺陷与不足，本发明提供一种基于图像处理与神经网络的柑橘保鲜品质检测方法，在原有的技术基础上根据影响保鲜柑橘品质的影响因素，使用单一化训练保鲜柑橘品质检测系统的神经网络，提高柑橘品质检测系统的检测准确率，从而提高检测保鲜柑橘品质。
本发明的第二目的在于提供一种基于图像处理与神经网络的柑橘保鲜品质检测系统；
本发明的第三目的在于提供一种存储介质。
本发明的第四目的在于提供一种计算设备。
为了达到上述目的，本发明采用以下技术方案：
一种基于图像处理与神经网络的柑橘保鲜品质检测方法，包括下述步骤：
图像分割：采集保鲜后的柑橘图片，再将柑橘图片的颜色通道分离，提取B分量灰度图，柑橘图片进行图像背景分割；
特征提取：将图像背景分割完成后的柑橘图片由RGB颜色模型转为HSI颜色模型，将HSI颜色模型进行通道分离，提取H分量灰度图，统计H分量灰度图中各个色度的像素点个数，计算色度频度序列；
构建神经网络模型，根据色度频度序列确定输入神经元数目，训练神经网络模型；
构建单一化训练样本，将单一化训练样本的色度频度序列输入到神经网络模型中，训练出各组别的神经网络图像和品质的映射模型，得到单一化训练样本的保鲜柑橘品质结果。
作为优选的技术方案，所述柑橘图片进行图像背景分割，具体采用固定阈值分割方法，得到图像背景分割完成后的柑橘图片。
作为优选的技术方案，所述计算色度频度序列的具体计算公式为：
Figure BDA0002664763700000021
其中，Fi表示第i个色度的频度，Ci表示第i个色度的像素数目，Cn表示色度频度序列中的第n个。
作为优选的技术方案，所述构建神经网络模型，所述神经网络采用三层前传神经网络，神经元结构的输入函数为加权和，激活函数为Relu，输出函数为线性函数。
作为优选的技术方案，所述构建单一化训练样本，具体步骤包括：
将保鲜柑橘按成熟阶段、保鲜环境分组，分别为早期气调保鲜柑橘组、早期低温保鲜柑橘组、晚期气调保鲜柑橘组、晚期低温保鲜柑橘组，每一组均包括柑橘的色度频度序列和口感参数。
作为优选的技术方案，所述训练神经网络模型的具体步骤包括：
批量输入神经网络的学习样本，所述学习样本采用保鲜柑橘彩色图像；
选取学习样本，样本输入为色度频度序列，输出为柑橘品质数据；
计算神经网络的实际输出的品质数据，计算实际品质数据输出与期望品质数据输出的差值，采用有导师学习算法学习规则调整权重，直至误差小于设定的范围值。
为了到达上述第二目的，本发明采用以下技术方案：
一种基于图像处理与神经网络的柑橘保鲜品质检测系统，包括：图像采集模块、图像分割模块、特征提取模块、神经网络模型构建模块、单一化训练样本构建模块、神经网络模型训练模块和检测结果输出模块；
所述图像采集模块用于采集保鲜后的柑橘图片；
所述图像分割模块用于将柑橘图片的颜色通道分离，提取B分量灰度图，柑橘图片进行图像背景分割；
所述特征提取模块用于将图像背景分割完成后的柑橘图片由RGB颜色模型转为HSI颜色模型，将HSI颜色模型进行通道分离，提取H分量灰度图，统计H分量灰度图中各个色度的像素点个数，计算色度频度序列；
所述神经网络模型构建模块用于构建神经网络模型，根据色度频度序列确定输入神经元数目；
所述单一化训练样本构建模块用于构建单一化训练样本；
所述神经网络模型训练模块用于将单一化训练样本的色度频度序列输入到神经网络模型中，训练出各组别的神经网络图像和品质的映射模型；
所述检测结果输出模块用于输出单一化训练样本的保鲜柑橘品质结果。
为了到达上述第三目的，本发明采用以下技术方案：
一种存储介质，存储有程序，所述程序被处理器执行时实现如上述基于图像处理与神经网络的柑橘保鲜品质检测方法。
为了到达上述第四目的，本发明采用以下技术方案：
一种计算设备，包括处理器和用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述基于图像处理与神经网络的柑橘保鲜品质检测方法。
本发明与现有技术相比，具有如下优点和有益效果：
(1)本发明采用图像处理与神经网络技术的技术方案，解决了传统的破损检测保鲜柑橘品质的检测方法带来检测结果受检测人主观因素影响的技术问题，达到了准确检测柑橘保鲜品质的技术效果。
(2)本发明使用单一化训练保鲜柑橘品质检测系统的神经网络的技术方案解决了不同成熟期、不同保鲜环境的保鲜柑橘所训练出的品质检测映射模型精确度不高的问题，达到了提高柑橘品质检测系统的检测准确率的技术效果。
附图说明
图1为本实施例1基于图像处理与神经网络的柑橘保鲜品质检测方法的流程示意图；
图2为本实施例1图像分割步骤中采集的保鲜后柑橘原图；
图3为本实施例1图像分割步骤中提取到的B分量灰度图；
图4为本实施例1采用THRESH_OTSU法完成背景与柑橘分割的效果图；
图5为本实施例1提取色度频度序列的H分量的灰度图；
图6为本实施例1神经网络训练步骤流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
如图1所示，本实施例提供一种基于图像处理与神经网络的柑橘保鲜品质检测方法，步骤包括：
本实施先采集柑橘图片和柑橘口感，口感用于表征柑橘品质；
S1：采集的柑橘图片进行图像分割：
首先，如图2所示，用工业摄像机采集保鲜后的柑橘图片，再将柑橘图片的颜色通道分离，如图3所示，提取B分量灰度图，采用固定阈值分割方法，其中阈值的获取方式为THRESH_OTSU，如图4所示，最终得到图像背景分割完成后的效果图；
大津法(THRESH_OTSU)又叫最大类间方差法、最大类间阈值法(OTSU)，它的基本思想是，用一个阈值将图像中的数据分为两类，一类中图像的像素点的灰度均小于这个阈值，另一类中的图像的像素点的灰度均大于或者等于该阈值，如果这两个类中像素点的灰度的方差越大，说明获取到的阈值就是最佳的阈值；
二值化B分量的灰度图，区分出图像中的柑橘和背景，背景模块为白色，柑橘模块为黑色；按照二值化的灰度图的白色模块，将柑橘原始图像中与二值化灰度图白色模块相同像素位置的部分切割出来，保留部分即为完整的柑橘图片，以此方法把柑橘原始图像中柑橘与背景分割开来；
S2：特征提取：
首先，背景分割完成的柑橘图片由RGB颜色模型转为HSI颜色模型，其次，将HSI颜色模型进行通道分离，如图5所示，提取H分量灰度图，统计H分量灰度图中各个色度的像素点个数，从而计算色度频度序列F0,F1,F2.....Fi.....F359，色度频度序列即为柑橘颜色特征，计算公式为如下：
Figure BDA0002664763700000061
Fi表示第i个色度的频度(％)；Ci表示第i个色度的像素数目，Cn表示色度频度序列中的第n个，n可以是0-359的任意一个；
S3：神经网络训练
神经网络为三层前传神经网络，神经元结构的输入函数为加权和，激活函数为Relu，输出函数为线性函数；其网络的结构是141个输入神经元、8个隐含层神经元、1个输出神经元；
其中，加权和函数表示为：
Figure BDA0002664763700000062
其中，xi为神经元V的第i个输入信号，wi为神经元V的第i个权重，bi为为神经元V的第i个偏置。
Relu函数为：y＝max(0,x)
将保鲜柑橘的颜色特征，色度频度序列作为输入信号，表征柑橘品质的参数--口感，作为输出信号，训练得到可以通过柑橘颜色图片映射柑橘口感的神经网络映射模型，构建一个神经网络结构首先要确定输入神经元数目，上文确定使用图像处理得到的频度序列F0,F1,F2.....Fi.....F359作为神经网络的输入信号，由于一个输入神经元仅能接收一个色度频度信号，因此，输入神经元的个数初定为360，将模型与图像处理结合即基于图像处理与神经网络的柑橘保鲜品质系统。
本实施例将柑橘按组别区分，同一个柑橘的频度序列和口感一一对应分别作为输入神经元和输出神经元到神经网络模型中，训练得到四个组别的柑橘频度序列和口感的神经网络映射模型，即这四个组别的柑橘图片和柑橘品质的神经网络映射模型。
本实施例将柑橘频度序列按组别的一一作为输入神经元导入柑橘频度序列和口感的对应组别的神经网络映射模型，可以得到该组别的神经网络映射模型预测的该柑橘口感，将该组别的神经网络映射模型预测的该柑橘的口感与该柑橘在检测时的口感作对比，判断该组别训练出来的神经网络的预测准确率。
如图6所示，本实施例训练神经网络的具体方式如下：
神经网络训练主要是指使用学习算法来调整神经元间的联接权，使得神经网络输出值更准确，本实施例采用有导师学习算法；
(1)批量输入保鲜柑橘彩色图像作为神经网络的学习样本，学习样本选择尽可能的涵盖柑橘所有的颜色状态；
(2)归一化处理。从柑橘样本集合中取出一个样本(Ai，Bi),在本实施例中样本输入Ai为柑橘色度频度序列，样本输出Bi为柑橘品质数据。
(3)计算输入样本Ai神经网络的实际输出的品质数据Ci；
(4)计算实际品质数据输出与期望品质数据输出的差值Di＝Bi-Ci；根据Di，采用有导师学习算法Delta学习规则调整权重Wi；
(5)对每个样本重复上述过程(2)-(4)，直到对整个样本集来说，误差不超过规定范围，神经网络通过重复地样本训练来调节权值，达到自学习自适应的能力。
其中，学习速率为常规设定，速度为0.001，该学习速率下神经网络不会由于学习速率过大，下降速度过快，导致发散，也不会由于学习速率过小而收敛在局部最值。最大迭代次数为10000次为常规设定，由于神经网络计算并不能保证在各种参数配置下迭代结果收敛，因此会设定最多可以迭代的次数。
本实施例柑橘品质参数采集实验方法为：
1、柑橘保鲜
在柑橘成熟的各个阶段，将柑橘放入常见的气调保鲜箱或低温冰箱里进行保鲜。保鲜后采集柑橘的图像和口感。
2、图像采集
将皇帝柑置于计算机视觉系统内采集柑橘图片，皇帝柑摆放位置为摄影箱内于画面正中央的位置，调整镜头焦距至皇帝柑成像清晰，分别采集皇帝柑果梗面与果蕚面的图像。
3、口感采集
将皇帝柑剥皮，保留5瓣柑橘果肉作为口感品尝的材料，品尝前用清水清理口腔，品尝并记录其口感数据。口感是表征柑橘保鲜品质的参数，其数据的获取方式是用感官品尝，该指标以正常和异味作为区分，实验口感品尝所得的非正常口感的水果为异味。
参数采集实验是通过品尝采集的口感，口感有两个作用：①作为神经网络的训练素材：把训练样本频度序列做为输入信号，训练样本口感作为输出信号，训练柑橘品质检测模型；②用于模型预测的输出结果的准确性：将预测样本的色度频度序列输入训练好的神经网络模型，模型会输出预测的口感，拿预测的口感，与实际采集的口感作比较，可以得出模型的检测准确率。
本实施例柑橘保鲜品质检测方法的步骤为：
1、单一化样本
将保鲜柑橘按成熟阶段、保鲜环境分组，得到四组皇帝柑样本，分别为早期气调保鲜柑橘组、早期低温保鲜柑橘组、晚期气调保鲜柑橘组、晚期低温保鲜柑橘组，样本是分为训练样本和测试样本的，训练样本是分组的，测试样本也是分组。
2、分组训练
影响柑橘保鲜品质的因素有自身的成熟度以及保鲜环境。因此将待检测的柑橘按影响柑橘品质的因素分组，分组得到早期气调保鲜柑橘组、早期低温保鲜柑橘组、晚期气调保鲜柑橘组、晚期低温保鲜柑橘组，每一组均包含柑橘的频度序列+口感。将分组的保鲜柑橘图片和口感参数，各组的色度频度序列为输入值，按组别分别导入神经网络训练系统，训练出各组别的神经网络图像和品质的映射模型，将预测样本的色度频度序列输入训练好的神经网络模型，模型会输出预测的口感。拿预测的口感，与实际采集的口感作比较，可以得出模型的检测准确率
3、搭载了不同映射模型的基于图像处理与神经网络的柑橘保鲜品质系统
将训练出各组别的神经网络图像和品质的映射模型，搭载至基于图像处理与神经网络的柑橘保鲜品质系统。用搭载了不同映射模型的基于图像处理与神经网络的柑橘保鲜品质系统，分别检测早期气调保鲜柑橘组、早期低温保鲜柑橘组、晚期气调保鲜柑橘组、晚期低温保鲜柑橘组的保鲜柑橘品质。搭载了各组神经网络模型的系统。只需要输入图片，系统根据上述的图像处理方法计算出图片的频度序列。系统自动将频度序列导入各组的神经网络模型内，即可得到预测结果的口感，实现无损检测柑橘保鲜品质。将神经网络的预测结果，与实际采集的结果做对比，得到的检测结果为83.58％，78.02％，86.79％，82.86％。
现有的比较成熟的柑橘品质检测方案其检测准确率仅有78％，二者不同点在于是否按不同的成熟阶段、保鲜环境分组样本训练神经网络模型，且分组检测保鲜柑橘品质。普通的利用图像处理与神经网络技术检测柑橘品质的方法，会将采集的样本一起训练，得到的神经网络映射模型也只能检测不分组的柑橘样本。而在本实施例的方法中，将柑橘按影响其保鲜品质的因素分组，用分组样本训练得到的神经网络模型，最后将柑橘分组检测，得到的检测准确率更高。
由于神经网络训练所得映射模型的映射准确度受到样本数量和样本质量的共同影响，训练样本数量越大，样本的质量越高，则训练的准确度越高。未分组的保鲜皇帝柑总数299，成熟早期气调保鲜皇帝柑组、成熟晚期气调保鲜皇帝柑组、成熟早期冰箱保鲜皇帝柑组、成熟晚期冰箱保鲜皇帝柑组这四组保鲜皇帝柑数量分别为67、91、106、35，样本数量均小于不分组的皇帝柑数量。且不分组的皇帝柑样本集合是各组分组皇帝柑样本集合的总和，两者的样品质量是相同的。而分组皇帝柑训练所得模型的准确率，在样本质量相同且训练样本数量少于不分组保鲜皇帝柑的情况下，按不同成熟期、不同保鲜环境分组的组别的检测精确度均高于不分组保鲜皇帝柑检测精度。
实施例2
本实施例提供一种基于图像处理与神经网络的柑橘保鲜品质检测系统，包括：图像采集模块、图像分割模块、特征提取模块、神经网络模型构建模块、单一化训练样本构建模块、神经网络模型训练模块和检测结果输出模块；
在本实施例中，图像采集模块用于采集保鲜后的柑橘图片；
在本实施例中，图像分割模块用于将柑橘图片的颜色通道分离，提取B分量灰度图，柑橘图片进行图像背景分割；
在本实施例中，特征提取模块用于将图像背景分割完成后的柑橘图片由RGB颜色模型转为HSI颜色模型，将HSI颜色模型进行通道分离，提取H分量灰度图，统计H分量灰度图中各个色度的像素点个数，计算色度频度序列；
在本实施例中，神经网络模型构建模块用于构建神经网络模型，根据色度频度序列确定输入神经元数目；
在本实施例中，单一化训练样本构建模块用于构建单一化训练样本；
在本实施例中，神经网络模型训练模块用于将单一化训练样本的色度频度序列输入到神经网络模型中，训练出各组别的神经网络图像和品质的映射模型；
在本实施例中，检测结果输出模块用于输出单一化训练样本的保鲜柑橘品质结果。
实施例3
本实施例提供一种存储介质，存储介质可以是ROM、RAM、磁盘、光盘等储存介质，该存储介质存储有一个或多个程序，所述程序被处理器执行时，实现上述实施例1的基于图像处理与神经网络的柑橘保鲜品质检测方法。
实施例4
本实施例提供一种计算设备，所述的计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有显示功能的终端设备，该计算设备包括该计算设备包括处理器和存储器，存储器存储有一个或多个程序，处理器执行存储器存储的程序时，实现上述实施例1的基于图像处理与神经网络的柑橘保鲜品质检测方法。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.一种基于图像处理与神经网络的柑橘保鲜品质检测方法，其特征在于，包括下述步骤：
图像分割：采集保鲜后的柑橘图片，再将柑橘图片的颜色通道分离，提取B分量灰度图，柑橘图片进行图像背景分割；
特征提取：将图像背景分割完成后的柑橘图片由RGB颜色模型转为HSI颜色模型，将HSI颜色模型进行通道分离，提取H分量灰度图，统计H分量灰度图中各个色度的像素点个数，计算色度频度序列；
构建神经网络模型，根据色度频度序列确定输入神经元数目，训练神经网络模型；
构建单一化训练样本，将单一化训练样本的色度频度序列输入到神经网络模型中，训练出各组别的神经网络图像和品质的映射模型，得到单一化训练样本的保鲜柑橘品质结果。
2.根据权利要求1所述的基于图像处理与神经网络的柑橘保鲜品质检测方法，其特征在于，所述柑橘图片进行图像背景分割，具体采用固定阈值分割方法，得到图像背景分割完成后的柑橘图片。
3.根据权利要求1所述的基于图像处理与神经网络的柑橘保鲜品质检测方法，其特征在于，所述计算色度频度序列的具体计算公式为：
Figure FDA0002664763690000011
其中，Fi表示第i个色度的频度，Ci表示第i个色度的像素数目，Cn表示色度频度序列中的第n个。
4.根据权利要求1所述的基于图像处理与神经网络的柑橘保鲜品质检测方法，其特征在于，所述构建神经网络模型，所述神经网络采用三层前传神经网络，神经元结构的输入函数为加权和，激活函数为Relu，输出函数为线性函数。
5.根据权利要求1所述的基于图像处理与神经网络的柑橘保鲜品质检测方法，其特征在于，所述构建单一化训练样本，具体步骤包括：
将保鲜柑橘按成熟阶段、保鲜环境分组，分别为早期气调保鲜柑橘组、早期低温保鲜柑橘组、晚期气调保鲜柑橘组、晚期低温保鲜柑橘组，每一组均包括柑橘的色度频度序列和口感参数。
6.根据权利要求1所述的基于图像处理与神经网络的柑橘保鲜品质检测方法，其特征在于，所述训练神经网络模型的具体步骤包括：
批量输入神经网络的学习样本，所述学习样本采用保鲜柑橘彩色图像；
选取学习样本，样本输入为色度频度序列，输出为柑橘品质数据；
计算神经网络的实际输出的品质数据，计算实际品质数据输出与期望品质数据输出的差值，采用有导师学习算法学习规则调整权重，直至误差小于设定的范围值。
7.一种基于图像处理与神经网络的柑橘保鲜品质检测系统，其特征在于，包括：图像采集模块、图像分割模块、特征提取模块、神经网络模型构建模块、单一化训练样本构建模块、神经网络模型训练模块和检测结果输出模块；
所述图像采集模块用于采集保鲜后的柑橘图片；
所述图像分割模块用于将柑橘图片的颜色通道分离，提取B分量灰度图，柑橘图片进行图像背景分割；
所述特征提取模块用于将图像背景分割完成后的柑橘图片由RGB颜色模型转为HSI颜色模型，将HSI颜色模型进行通道分离，提取H分量灰度图，统计H分量灰度图中各个色度的像素点个数，计算色度频度序列；
所述神经网络模型构建模块用于构建神经网络模型，根据色度频度序列确定输入神经元数目；
所述单一化训练样本构建模块用于构建单一化训练样本；
所述神经网络模型训练模块用于将单一化训练样本的色度频度序列输入到神经网络模型中，训练出各组别的神经网络图像和品质的映射模型；
所述检测结果输出模块用于输出单一化训练样本的保鲜柑橘品质结果。
8.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6任一项所述的基于图像处理与神经网络的柑橘保鲜品质检测方法。
9.一种计算设备，包括处理器和用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现如权利要求1-6任一项所述的基于图像处理与神经网络的柑橘保鲜品质检测方法。
CN202010915167.6A 2020-09-03 2020-09-03 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用 Pending CN112184627A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010915167.6A CN112184627A (zh) 2020-09-03 2020-09-03 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010915167.6A CN112184627A (zh) 2020-09-03 2020-09-03 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用

Publications (1)

Publication Number Publication Date
CN112184627A true CN112184627A (zh) 2021-01-05

Family

ID=73924782

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010915167.6A Pending CN112184627A (zh) 2020-09-03 2020-09-03 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用

Country Status (1)

Country Link
CN (1) CN112184627A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113670920A (zh) * 2021-07-30 2021-11-19 华中农业大学 一种柑橘新鲜度检测方法及装置
CN115578553A (zh) * 2022-11-22 2023-01-06 河南知微生物工程有限公司 一种基于时序图像序列的甲醛的快速检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008551A (zh) * 2014-06-10 2014-08-27 华南农业大学 一种基于可见光图像的柑橘黄龙病检测方法
CN106067173A (zh) * 2016-05-30 2016-11-02 湖南生物机电职业技术学院 柑橘果实糖度的复杂性测度无损检测方法
CN109325495A (zh) * 2018-09-21 2019-02-12 南京邮电大学 一种基于深度神经网络建模的作物图像分割系统及方法
CN110163884A (zh) * 2019-05-17 2019-08-23 温州大学 一种基于全连接深度学习神经网络的单个图像分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008551A (zh) * 2014-06-10 2014-08-27 华南农业大学 一种基于可见光图像的柑橘黄龙病检测方法
CN106067173A (zh) * 2016-05-30 2016-11-02 湖南生物机电职业技术学院 柑橘果实糖度的复杂性测度无损检测方法
CN109325495A (zh) * 2018-09-21 2019-02-12 南京邮电大学 一种基于深度神经网络建模的作物图像分割系统及方法
CN110163884A (zh) * 2019-05-17 2019-08-23 温州大学 一种基于全连接深度学习神经网络的单个图像分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LIANG SHUZHEN ET.AL: "Research on Fresh Quality Detection of Citrus Based on Computer Vision and Neural Network", 《2019 INTERNATIONAL CONFERENCE ON COMMUNICATIONS, INFORMATION SYSTEM AND COMPUTER ENGINEERING (CISCE)》, pages 1 - 9 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113670920A (zh) * 2021-07-30 2021-11-19 华中农业大学 一种柑橘新鲜度检测方法及装置
CN115578553A (zh) * 2022-11-22 2023-01-06 河南知微生物工程有限公司 一种基于时序图像序列的甲醛的快速检测方法

Similar Documents

Publication Publication Date Title
CN109145830B (zh) 一种智能水尺识别方法
CN109978822B (zh) 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法
CN109522889A (zh) 一种基于图像分析的水文尺水位识别估算方法
CN110781889B (zh) 一种基于深度学习的蓝莓果实中总糖含量的无损检测方法
CN107871316B (zh) 基于深度神经网络的x光片手骨兴趣区域自动提取方法
CN110736709A (zh) 一种基于深度卷积神经网络的蓝莓成熟度的无损检测方法
Thakur et al. An innovative approach for fruit ripeness classification
CN115994907B (zh) 用于食品检测机构综合信息的智能处理系统及方法
CN114387520A (zh) 一种用于机器人采摘的密集李子精准检测方法及其系统
CN112184627A (zh) 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用
CN112365497A (zh) 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统
Sharma et al. Image processing based automated identification of late blight disease from leaf images of potato crops
CN111291818B (zh) 一种面向云掩膜的非均匀类别的样本均衡化方法
CN113420614A (zh) 一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法
CN113295690A (zh) 基于机器学习的草莓成熟度快速判别方法
CN108073940A (zh) 一种非结构化环境中的3d目标实例物体检测的方法
CN117152735A (zh) 一种基于改进yolov5s的番茄成熟度分级方法
Ji et al. Apple color automatic grading method based on machine vision
CN116563205A (zh) 基于小目标检测和改进YOLOv5的麦穗计数检测方法
CN115631366A (zh) 一种番茄果实成熟度预测方法及装置
Heryanto et al. Classification of Coffee Beans Defect Using Mask Region-based Convolutional Neural Network
Hermana et al. Classification of Fruit Ripeness with Model Descriptor Using Vgg 16 Architecture
CN117250322B (zh) 一种基于大数据的红枣食品安全智能监测方法及系统
CN115326722B (zh) 基于高光谱遥感数据的海洋赤潮预警方法
Karagöz Fish freshness detection by digital image processing

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