CN112418130A - 一种基于bp神经网络的香蕉成熟度检测方法及装置 - Google Patents
一种基于bp神经网络的香蕉成熟度检测方法及装置 Download PDFInfo
- Publication number
- CN112418130A CN112418130A CN202011380621.9A CN202011380621A CN112418130A CN 112418130 A CN112418130 A CN 112418130A CN 202011380621 A CN202011380621 A CN 202011380621A CN 112418130 A CN112418130 A CN 112418130A
- Authority
- CN
- China
- Prior art keywords
- banana
- maturity
- neural network
- image
- training
- 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
Links
- 241000234295 Musa Species 0.000 title claims abstract description 192
- 235000018290 Musa x paradisiaca Nutrition 0.000 title claims abstract description 167
- 238000001514 detection method Methods 0.000 title claims abstract description 99
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 36
- 235000021015 bananas Nutrition 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 28
- 238000003860 storage Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004321 preservation Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000005070 ripening Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于BP神经网络的香蕉成熟度检测方法及装置,该方法包括:获取待检测香蕉成熟度的香蕉图像;通过预先训练得到的BP神经网络香蕉成熟度检测模型对所述香蕉图像进行检测;所述检测模型通过多组训练数据对BP神经网络模型进行训练得到的;所述多组训练数据的每一组数据包括多种成熟度类型的香蕉图像及所述香蕉图像对应的成熟度等级信息;根据所述BP神经网络香蕉成熟度检测模型的检测结果,确定所述香蕉图像中香蕉的成熟度。本发明建立的基于BP神经网络的香蕉成熟度检测模型,相比传统的检测方法,可实现对香蕉样本无损检测,准确率高,用时快,提高了香蕉的经济效益。
Description
技术领域
本发明涉及香蕉成熟度检测技术领域,特别涉及一种基于BP神经网络的香蕉成熟度检测方法及装置。
背景技术
香蕉被世界粮农组织定位为四大粮食作物之一,我国是香蕉原产地之一,有着三千多年的栽培历史。随着农业种植结构调整和中央系列惠农政策的落实,我国香蕉产业发展迅速,已成为热带高效农业的支柱产业。在香蕉销售过程中,成熟度是香蕉品质的重要参考标准。但目前香蕉成熟度大多采用人工感官检测,很难保证准确率与效率。因此,如何快速准确鉴别香蕉成熟度具有重要意义。
传统水果成熟度检测方法主要是对相关的化学物质进行测量,如酸碱值、糖度等,这些常常造成水果样品的损坏,使用计算机视觉技术可以无损检测出香蕉成熟度。
计算机视觉技术的检测一般通过使用一系列图像处理技术对香蕉图像处理,提取各个阶段香蕉的特征,使用分类算法判断出香蕉成熟度。常用分类算法为FLD(线性判别模型)、SVM(支持向量机)、NB(朴素贝叶斯)、自设阈值,大部分算法为传统的机器学习算法,在深度学习高速发展的今天,使用深度学习算法解决问题效果更好、效率更高。
但是上述分类算法计算较为复杂,比如SVM是一个二分类算法,如需对香蕉成熟度多分类需要构建多个分类器,所需时间较长,无法满足对香蕉实时检测。
发明内容
本发明的目的是针对现有技术的不足,提供一种基于BP神经网络的香蕉成熟度检测方法及装置,该方法操作简单,易于执行,可实现对香蕉样本无损检测,准确率高,用时快,提高了香蕉的经济效益。
第一方面,本发明实施例提供一种基于BP神经网络的香蕉成熟度检测方法,包括:获取待检测香蕉成熟度的香蕉图像;
通过预先训练得到的BP神经网络香蕉成熟度检测模型对所述香蕉图像进行检测;所述检测模型通过多组训练数据对BP神经网络模型进行训练得到的;所述多组训练数据的每一组数据包括多种成熟度类型的香蕉图像及所述香蕉图像对应的成熟度等级信息;
根据所述BP神经网络香蕉成熟度检测模型的检测结果,确定所述香蕉图像中香蕉的成熟度。
在一个实施例中,通过预先训练得到的BP神经网络香蕉成熟度检测模型对所述香蕉图像进行检测之前,所述方法还包括:
获取预设数量的训练图像;所述训练图像包括多种成熟度类型的香蕉图像及所述香蕉图像对应的成熟度等级信息;
对所述训练图像提取颜色特征和纹理特征;
将提取的颜色特征和纹理特征,输入BP神经网络模型,使用Tensorflow2.3深度学习框架进行训练;
判断训练得到的模型是否满足预设条件;
当训练得到的模型满足预设条件时,确定所述训练得到的模型为BP神经网络香蕉成熟度检测模型。
在一个实施例中,判断训练得到的模型是否满足预设条件,包括:
将所述训练图像和获取的测试图像,对所述模型进行验证;得到所述模型的检测准确率;
当所述检测准确率与历史检测准确率相同时,确定训练得到的模型满足预设条件;所述历史检测准确率为所述训练得到的模型在上一次验证过程中得到的检测准确率。
在一个实施例中,对所述训练图像提取颜色特征和纹理特征之前,还包括:
对获取的原始所述训练图像,运用高斯滤波算法去除图像噪声;
将去除图像噪声后的图像分割为三个通道图像,选取B通道图像将香蕉从背景中分割出来;
将分割后区域与原始所述训练图像取交集得到去除背景后的香蕉图像。
在一个实施例中,选取B通道图像将香蕉从背景中分割出来之后,还包括:
对分割后的香蕉二值图像进行开闭运算,消除图像边缘毛刺,填充细小空洞。
在一个实施例中,对所述训练图像提取颜色特征和纹理特征,包括:
提取所述香蕉图像的RGB、HSV两个颜色空间下的六个颜色特征,包括:R均值、G均值、B均值、H均值、S均值、V均值;
采用灰度共生矩阵提取能量、对比度、熵、相关性的纹理特征。
在一个实施例中,所述BP神经网络香蕉成熟度检测模型,采用三层网络结构,分别为:输入层、隐藏层、输出层;
输入层节点数为:10,隐藏层节点数为:7,输出层节点数为:4;隐藏层激活函数为relu函数,输出层激活函数为softmax函数,损失函数为交叉熵函数。
在一个实施例中,根据确定所述香蕉图像中香蕉的成熟度,香蕉分级生产线上,机械手臂实现对不同类型成熟度的香蕉进行分拣。
在一个实施例中,根据确定所述香蕉图像中香蕉的成熟度,香蕉保鲜仓库中对不同成熟度的香蕉调整对应的仓储环境参数。
第二方面,本发明实施例还一种基于BP神经网络的香蕉成熟度检测装置,包括:
获取模块,用于获取待检测香蕉成熟度的香蕉图像;
检测模块,用于通过预先训练得到的BP神经网络香蕉成熟度检测模型对所述香蕉图像进行检测;所述检测模型通过多组训练数据对BP神经网络模型进行训练得到的;所述多组训练数据的每一组数据包括多种成熟度类型的香蕉图像及所述香蕉图像对应的成熟度等级信息;
确定模块,用于根据所述BP神经网络香蕉成熟度检测模型的检测结果,确定所述香蕉图像中香蕉的成熟度。
第三方面,本发明实施例又提供一种基于BP神经网络的香蕉成熟度检测装置,包括:
处理器;
用于存储处理器可执行命令的存储器;
其中,所述处理器用于执行如上述任一项实施例所述的基于BP神经网络的香蕉成熟度检测方法。
第四方面,本发明实施例再提供一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行如上述任一项实施例所述的基于BP神经网络的香蕉成熟度检测方法。
本发明实施例提供的技术方案可以包括以下有益效果:
1.本发明建立的基于BP神经网络的香蕉成熟度检测模型,相比传统的检测方法,可实现对香蕉样本无损检测,准确率高,用时快,提高了香蕉的经济效益。
2.相比传统的机器学习算法,本发明建立的基于BP神经网络的香蕉成熟度检测模型,准确率更高,用时更短,更加符合实际应用当中。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明中提供的基于BP神经网络的香蕉成熟度检测方法的流程图;
图2为图像采集过程示意图;
图3为将香蕉从背景中分割出来的示意图;
图4为BP神经网络的结构示意图;
图5为模型的训练集误差和测试集误差变化曲线图;
图6为模型的训练集准确率和测试集准确率变化曲线图;
图7为本发明中提供的基于BP神经网络的香蕉成熟度检测装置的框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例1:
参照图1所示,本发明实施例提供一种基于BP神经网络的香蕉成熟度检测方法,包括:S10、获取待检测香蕉成熟度的香蕉图像;
S20、通过预先训练得到的BP神经网络香蕉成熟度检测模型对所述香蕉图像进行检测;所述检测模型通过多组训练数据对BP神经网络模型进行训练得到的;所述多组训练数据的每一组数据包括多种成熟度类型的香蕉图像及所述香蕉图像对应的成熟度等级信息;
S30、根据所述BP神经网络香蕉成熟度检测模型的检测结果,确定所述香蕉图像中香蕉的成熟度。
该方法可应用到香蕉分级生产线上、手机中或香蕉保鲜仓库中。
当应用到香蕉分级生产线上,可通过香蕉分级生产线上的机器视觉系统,实时获取待检测的香蕉图像;将待检测的香蕉图像输入到预先训练得到的BP神经网络香蕉成熟度检测模型,可实现快速、准确判别香蕉成熟度,实现自动生产线上的对不同成熟度香蕉的分类。
该方法也可以移植到手机、开发板上,香蕉销售商户可以使用低廉的设备,比如通过控制手机摄像头拍摄照片,进而识别出不同成熟度的香蕉,方便香蕉的管理和销售。
还可以应用到香蕉保鲜仓库中,将该方法以程序形式加入到香蕉仓库保鲜系统中,及时分辨出不同成熟度的香蕉,为保鲜系统的运行提供重要依据。
本发明实施例中,建立的基于BP神经网络的香蕉成熟度检测模型,相比传统的检测方法,可实现对香蕉样本无损检测,准确率高,用时快,提高了香蕉的经济效益。另外,相比传统的机器学习算法,本发明建立的基于BP神经网络的香蕉成熟度检测模型,准确率更高,用时更短,更加符合实际应用当中。
上述步骤S20中BP神经网络香蕉成熟度检测模型的生成过程如下所示:
S21、获取预设数量的训练图像;所述训练图像包括多种成熟度类型的香蕉图像及所述香蕉图像对应的成熟度等级信息;
S22、对所述训练图像提取颜色特征和纹理特征;
S23、将提取的颜色特征和纹理特征,输入BP神经网络模型,使用Tensorflow2.3深度学习框架进行训练;
S24、判断训练得到的模型是否满足预设条件;
S25、当训练得到的模型满足预设条件时,确定所述训练得到的模型为BP神经网络香蕉成熟度检测模型。
其中,判断训练得到的模型是否满足预设条件,比如可将训练图像和获取的测试图像,对模型进行验证;得到模型的检测准确率;当检测准确率与历史检测准确率相同时,确定训练得到的模型满足预设条件;其中,历史检测准确率为训练得到的模型在上一次验证过程中得到的检测准确率。
当检测准确率与历史检测准确率不相同时,继续迭代训练,随着模型的训练,训练好的模型在训练集或测试集上的检测准确率会不断提升,但随着模型不断训练,当模型趋于收敛或者出现过拟合的现象时,模型在训练集或测试集上的检测准确率不会再稳定提升,表明模型训练可以停止了。
在一个具体的实施例中,比如可将香蕉成熟度划分为四种:未成熟、半成熟、成熟、过熟。训练图像集的香蕉样本一共包括485份,其中未成熟122份、半成熟119份、成熟120份、过熟124份,测试集香蕉样本四种成熟度各20份,参照图2所示,将香蕉放置在图像采集装置中,计算机通过摄像头获取图像。
在摄像头采集到香蕉图像后,首先对图像进行预处理,运用高斯滤波算法去除图像噪声。接着把RGB原图分割为3个通道图像,选取B通道图像结合Otsu自适应阈值分割算法将香蕉从背景中分割出来,如图3所示。对分割后的香蕉二值图像进行开闭运算,消除图像边缘毛刺,填充细小空洞,最后将分割后区域与原图像取交集得到去除背景后的香蕉图像。
在一个具体的实施例中,上述步骤S22中,包括颜色特征的提取和纹理特征的提取:
1.颜色特征:
香蕉在成熟过程中,其果皮颜色会发生明显的变化,颜色特征和香蕉成熟度有密切的关系。分割得到的香蕉图像为RGB颜色模型,R\G\B分别表示为红色值、绿色值、蓝色值,取值范围均为[0,255]。将图像由RGB颜色模型转换为HSV颜色模型。H表示色调,取值范围为[0°,360°]。S表示饱和度,取值范围为[0,1]。V表示明度,取值范围为[0,1]。本方法提取RGB、HSV两个颜色空间下的6个颜色特征,包括:R均值、G均值、B均值、H均值、S均值、V均值,RGB转换HSV公式如下:
2.纹理特征
香蕉在成熟过程中其表面粗糙度会发生明显的变化,因此采用灰度共生矩阵描述香蕉纹理的变化,灰度共生矩阵是一种通过研究灰度的空间相关特性来描述纹理的常用方法。本方法提取能量(Asm)、对比度(Con)、熵(Ent)、相关性(Corr)4个基于灰度共生矩阵的纹理特征。
(1)能量反映了图像灰度的分布均匀程度和纹理粗糙细节。
i和j分别表示任意两个灰度值,p(i,j)表示一定距离下灰度值为i和灰度值为j出现的概率。
(2)对比度反映了图像的局部变化。
(3)熵反映了图像灰度分布的复杂程度。
(4)相关性反映了图像灰度级在同一个方向的相似程度。
在一个具体的实施例中,如图4所示,BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,是应用最广泛的神经网络,它根据预测误差调整网络权值,使预测输出不断逼近期望输出。将R均值、G均值、B均值、H均值、S均值、V均值、能量、对比度、熵、相关性10个特征做为BP神经网络的输入,香蕉的成熟度做为输出,未成熟标签为“0”,半成熟标签为“1”,成熟标签为“2”,过熟标签为“3”。
基于BP神经网络的香蕉成熟度检测模型使用Tensorflow2.3深度学习框架训练完成,网络采用三层网络结构,分别为:输入层、隐藏层、输出层,输入层节点数为:10,隐藏层节点数为:7,输出层节点数为:4。隐藏层激活函数为relu函数,输出层激活函数为softmax函数,损失函数为交叉熵函数。
训练集样本的10个特征作为输入,建立基于BP神经网络的香蕉成熟度鉴别模型,该模型的训练集误差和测试集误差变化曲线如图5所示,该模型的训练集准确率和测试集准确率变化曲线如图6所示,经过1000迭代后,训练集准确率为96.5%,测试集准确率为95.7%,测试单张香蕉图像用时约为0.24S。
实施例2:
本发明实施例还一种基于BP神经网络的香蕉成熟度检测装置,参照图7所示,包括:
获取模块71,用于获取待检测香蕉成熟度的香蕉图像;
检测模块72,用于通过预先训练得到的BP神经网络香蕉成熟度检测模型对所述香蕉图像进行检测;所述检测模型通过多组训练数据对BP神经网络模型进行训练得到的;所述多组训练数据的每一组数据包括多种成熟度类型的香蕉图像及所述香蕉图像对应的成熟度等级信息;
确定模块73,用于根据所述BP神经网络香蕉成熟度检测模型的检测结果,确定所述香蕉图像中香蕉的成熟度。
在一个实施例中,该装置还包括:训练模块,该训练模块具体包括:
获取子模块,用于获取预设数量的训练图像;所述训练图像包括多种成熟度类型的香蕉图像及所述香蕉图像对应的成熟度等级信息;
提取子模块,用于对所述训练图像提取颜色特征和纹理特征;
训练子模块,用于将提取的颜色特征和纹理特征,输入BP神经网络模型,使用Tensorflow2.3深度学习框架进行训练;
判断子模块,用于判断训练得到的模型是否满足预设条件;
确定子模块,用于当训练得到的模型满足预设条件时,确定所述训练得到的模型为BP神经网络香蕉成熟度检测模型。
在一个实施例中,判断子模块,具体用于将所述训练图像和获取的测试图像,对所述模型进行验证;得到所述模型的检测准确率;当所述检测准确率与历史检测准确率相同时,确定训练得到的模型满足预设条件;所述历史检测准确率为所述训练得到的模型在上一次验证过程中得到的检测准确率。
在一个实施例中,该训练模块还包括:
去噪子模块,用于对获取的原始所述训练图像,运用高斯滤波算法去除图像噪声;
分割子模块,用于将去除图像噪声后的图像分割为三个通道图像,选取B通道图像将香蕉从背景中分割出来;
取得子模块,用于将分割后区域与原始所述训练图像取交集得到去除背景后的香蕉图像。
在一个实施例中,该训练模块还包括:
二值处理子模块,用于对分割后的香蕉二值图像进行开闭运算,消除图像边缘毛刺,填充细小空洞。
在一个实施例中,提取子模块,具体用于提取所述香蕉图像的RGB、HSV两个颜色空间下的六个颜色特征,包括:R均值、G均值、B均值、H均值、S均值、V均值;采用灰度共生矩阵提取能量、对比度、熵、相关性的纹理特征。
在一个实施例中,所述BP神经网络香蕉成熟度检测模型,采用三层网络结构,分别为:输入层、隐藏层、输出层;输入层节点数为:10,隐藏层节点数为:7,输出层节点数为:4;隐藏层激活函数为relu函数,输出层激活函数为softmax函数,损失函数为交叉熵函数。
实施例3:
本发明实施例又提供一种基于BP神经网络的香蕉成熟度检测装置,包括:
处理器;用于存储处理器可执行命令的存储器;其中,所述处理器用于执行如上述任一项实施例所述的基于BP神经网络的香蕉成熟度检测方法。
实施例4:
本发明实施例再提供一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行如上述任一项实施例所述的基于BP神经网络的香蕉成熟度检测方法。
最后本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于BP神经网络的香蕉成熟度检测方法,其特征在于,包括:
获取待检测香蕉成熟度的香蕉图像;
通过预先训练得到的BP神经网络香蕉成熟度检测模型对所述香蕉图像进行检测;所述检测模型通过多组训练数据对BP神经网络模型进行训练得到的;所述多组训练数据的每一组数据包括多种成熟度类型的香蕉图像及所述香蕉图像对应的成熟度等级信息;
根据所述BP神经网络香蕉成熟度检测模型的检测结果,确定所述香蕉图像中香蕉的成熟度。
2.根据权利要求1所述的一种基于BP神经网络的香蕉成熟度检测方法,其特征在于,通过预先训练得到的BP神经网络香蕉成熟度检测模型对所述香蕉图像进行检测之前,所述方法还包括:
获取预设数量的训练图像;所述训练图像包括多种成熟度类型的香蕉图像及所述香蕉图像对应的成熟度等级信息;
对所述训练图像提取颜色特征和纹理特征;
将提取的颜色特征和纹理特征,输入BP神经网络模型,使用Tensorflow2.3深度学习框架进行训练;
判断训练得到的模型是否满足预设条件;
当训练得到的模型满足预设条件时,确定所述训练得到的模型为BP神经网络香蕉成熟度检测模型。
3.根据权利要求2所述的一种基于BP神经网络的香蕉成熟度检测方法,其特征在于,判断训练得到的模型是否满足预设条件,包括:
将所述训练图像和获取的测试图像,对所述模型进行验证;得到所述模型的检测准确率;
当所述检测准确率与历史检测准确率相同时,确定训练得到的模型满足预设条件;所述历史检测准确率为所述训练得到的模型在上一次验证过程中得到的检测准确率。
4.根据权利要求2所述的一种基于BP神经网络的香蕉成熟度检测方法,其特征在于,对所述训练图像提取颜色特征和纹理特征之前,还包括:
对获取的原始所述训练图像,运用高斯滤波算法去除图像噪声;
将去除图像噪声后的图像分割为三个通道图像,选取B通道图像将香蕉从背景中分割出来;
将分割后区域与原始所述训练图像取交集得到去除背景后的香蕉图像。
5.根据权利要求4所述的一种基于BP神经网络的香蕉成熟度检测方法,其特征在于,选取B通道图像将香蕉从背景中分割出来之后,还包括:
对分割后的香蕉二值图像进行开闭运算,消除图像边缘毛刺,填充细小空洞。
6.根据权利要求2所述的一种基于BP神经网络的香蕉成熟度检测方法,其特征在于,对所述训练图像提取颜色特征和纹理特征,包括:
提取所述香蕉图像的RGB、HSV两个颜色空间下的六个颜色特征,包括:R均值、G均值、B均值、H均值、S均值、V均值;
采用灰度共生矩阵提取能量、对比度、熵、相关性的纹理特征。
7.根据权利要求1所述的一种基于BP神经网络的香蕉成熟度检测方法,其特征在于,所述BP神经网络香蕉成熟度检测模型,采用三层网络结构,分别为:输入层、隐藏层、输出层;
输入层节点数为:10,隐藏层节点数为:7,输出层节点数为:4;隐藏层激活函数为relu函数,输出层激活函数为softmax函数,损失函数为交叉熵函数。
8.一种基于BP神经网络的香蕉成熟度检测装置,其特征在于,包括:
获取模块,用于获取待检测香蕉成熟度的香蕉图像;
检测模块,用于通过预先训练得到的BP神经网络香蕉成熟度检测模型对所述香蕉图像进行检测;所述检测模型通过多组训练数据对BP神经网络模型进行训练得到的;所述多组训练数据的每一组数据包括多种成熟度类型的香蕉图像及所述香蕉图像对应的成熟度等级信息;
确定模块,用于根据所述BP神经网络香蕉成熟度检测模型的检测结果,确定所述香蕉图像中香蕉的成熟度。
9.一种基于BP神经网络的香蕉成熟度检测装置,其特征在于,包括:
处理器;
用于存储处理器可执行命令的存储器;
其中,所述处理器用于执行如权利要求1-8任一项所述的基于BP神经网络的香蕉成熟度检测方法。
10.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行如权利要求1-8任一项所述的基于BP神经网络的香蕉成熟度检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011380621.9A CN112418130A (zh) | 2020-11-30 | 2020-11-30 | 一种基于bp神经网络的香蕉成熟度检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011380621.9A CN112418130A (zh) | 2020-11-30 | 2020-11-30 | 一种基于bp神经网络的香蕉成熟度检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112418130A true CN112418130A (zh) | 2021-02-26 |
Family
ID=74830654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011380621.9A Pending CN112418130A (zh) | 2020-11-30 | 2020-11-30 | 一种基于bp神经网络的香蕉成熟度检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418130A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990063A (zh) * | 2021-03-30 | 2021-06-18 | 北京林业大学 | 一种基于形状与颜色信息的香蕉成熟度分级方法 |
CN113158994A (zh) * | 2021-05-21 | 2021-07-23 | 河南科技大学 | 一种用于小麦正常粒识别的方法 |
CN113269204A (zh) * | 2021-05-17 | 2021-08-17 | 山东大学 | 一种彩色直接部件标记图像的颜色稳定性分析方法及系统 |
CN113295690A (zh) * | 2021-05-17 | 2021-08-24 | 福州大学 | 基于机器学习的草莓成熟度快速判别方法 |
CN113436159A (zh) * | 2021-06-21 | 2021-09-24 | 青岛海尔科技有限公司 | 食材的熟度检测方法和装置、存储介质及电子装置 |
CN113702377A (zh) * | 2021-08-05 | 2021-11-26 | 华中农业大学 | 基于深度学习的葡萄糖度无损检测方法 |
CN113743333A (zh) * | 2021-09-08 | 2021-12-03 | 苏州大学应用技术学院 | 一种草莓熟度识别方法及装置 |
CN113793314A (zh) * | 2021-09-13 | 2021-12-14 | 河南丹圣源农业开发有限公司 | 一种石榴成熟度鉴别设备及使用方法 |
CN113834727A (zh) * | 2021-09-02 | 2021-12-24 | 浙江大学 | 一种水果成熟度触觉传感装置及其检测方法 |
CN115060663A (zh) * | 2022-06-20 | 2022-09-16 | 中新国际联合研究院 | 一种基于机器学习定量测试香蕉品质的方法 |
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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978822A (zh) * | 2019-02-15 | 2019-07-05 | 仲恺农业工程学院 | 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 |
CN111476153A (zh) * | 2020-04-07 | 2020-07-31 | 中科汇智(重庆)信息技术合伙企业(有限合伙) | 一种水果成熟度计算方法 |
CN111860125A (zh) * | 2020-06-04 | 2020-10-30 | 南通科技职业学院 | 基于机器视觉识别水果成熟度的方法 |
-
2020
- 2020-11-30 CN CN202011380621.9A patent/CN112418130A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978822A (zh) * | 2019-02-15 | 2019-07-05 | 仲恺农业工程学院 | 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 |
CN111476153A (zh) * | 2020-04-07 | 2020-07-31 | 中科汇智(重庆)信息技术合伙企业(有限合伙) | 一种水果成熟度计算方法 |
CN111860125A (zh) * | 2020-06-04 | 2020-10-30 | 南通科技职业学院 | 基于机器视觉识别水果成熟度的方法 |
Non-Patent Citations (4)
Title |
---|
FATMA M.A.MAZEN ET AL: "Ripeness Classification of Bananas Using an Artificial Neural Network", 《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》 * |
MAIMUNAH ET AL: "Nondestructive Banana Ripeness Classification using Neural Network", 《2019 FOURTH INTERNATIONAL CONFERENCE ON INFORMATICS AND COMPUTING》 * |
王顺: "水果成熟度检测的机器视觉和嗅觉可视化技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技I辑》 * |
赵文锋 等: "基于图像处理的香蕉成熟度检测系统", 《现代农业装备》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990063B (zh) * | 2021-03-30 | 2023-06-30 | 北京林业大学 | 一种基于形状与颜色信息的香蕉成熟度分级方法 |
CN112990063A (zh) * | 2021-03-30 | 2021-06-18 | 北京林业大学 | 一种基于形状与颜色信息的香蕉成熟度分级方法 |
CN113269204A (zh) * | 2021-05-17 | 2021-08-17 | 山东大学 | 一种彩色直接部件标记图像的颜色稳定性分析方法及系统 |
CN113295690A (zh) * | 2021-05-17 | 2021-08-24 | 福州大学 | 基于机器学习的草莓成熟度快速判别方法 |
CN113158994A (zh) * | 2021-05-21 | 2021-07-23 | 河南科技大学 | 一种用于小麦正常粒识别的方法 |
CN113436159A (zh) * | 2021-06-21 | 2021-09-24 | 青岛海尔科技有限公司 | 食材的熟度检测方法和装置、存储介质及电子装置 |
CN113702377A (zh) * | 2021-08-05 | 2021-11-26 | 华中农业大学 | 基于深度学习的葡萄糖度无损检测方法 |
CN113834727A (zh) * | 2021-09-02 | 2021-12-24 | 浙江大学 | 一种水果成熟度触觉传感装置及其检测方法 |
CN113834727B (zh) * | 2021-09-02 | 2024-04-12 | 浙江大学 | 一种水果成熟度触觉传感装置及其检测方法 |
CN113743333A (zh) * | 2021-09-08 | 2021-12-03 | 苏州大学应用技术学院 | 一种草莓熟度识别方法及装置 |
CN113743333B (zh) * | 2021-09-08 | 2024-03-01 | 苏州大学应用技术学院 | 一种草莓熟度识别方法及装置 |
CN113793314A (zh) * | 2021-09-13 | 2021-12-14 | 河南丹圣源农业开发有限公司 | 一种石榴成熟度鉴别设备及使用方法 |
CN115060663A (zh) * | 2022-06-20 | 2022-09-16 | 中新国际联合研究院 | 一种基于机器学习定量测试香蕉品质的方法 |
CN115060663B (zh) * | 2022-06-20 | 2024-04-19 | 中新国际联合研究院 | 一种基于机器学习定量测试香蕉品质的方法 |
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 |
CN115578553B (zh) * | 2022-11-22 | 2023-04-07 | 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 |
---|---|---|
CN112418130A (zh) | 一种基于bp神经网络的香蕉成熟度检测方法及装置 | |
Kukreja et al. | A Deep Neural Network based disease detection scheme for Citrus fruits | |
Rokunuzzaman et al. | Development of a low cost machine vision system for sorting of tomatoes. | |
US11699224B2 (en) | Neural network training device, system and method | |
CN110363253A (zh) | 一种基于卷积神经网络的热轧带钢表面缺陷分类方法 | |
Thakur et al. | An innovative approach for fruit ripeness classification | |
Ayyub et al. | Fruit disease classification and identification using image processing | |
CN114723708A (zh) | 一种基于无监督图像分割的工艺品外观缺陷检测方法 | |
US20230044794A1 (en) | Neural network training device, system and method | |
Foong et al. | Convolutional neural network based rotten fruit detection using resnet50 | |
Ünal et al. | Fruit recognition and classification with deep learning support on embedded system (fruitnet) | |
CN117152735A (zh) | 一种基于改进yolov5s的番茄成熟度分级方法 | |
Das et al. | Automated tomato maturity grading system using CNN | |
Raissouli et al. | Date grading using machine learning techniques on a novel dataset | |
Ramirez et al. | Agroindustrial plant for the classification of hass avocados in real-time with ResNet-18 architecture | |
CN113177578A (zh) | 一种基于lstm的农产品品质分类方法 | |
Gawas et al. | E-fresh: computer vision and IOT framework for fruit freshness detection | |
Shweta et al. | External feature based quality evaluation of Tomato using K-means clustering and support vector classification | |
Sari et al. | Fruit classification quality using convolutional neural network and augmented reality | |
Sophia et al. | A Novel method to detect Disease in leaf using Deep Learning Approach | |
Thaib et al. | Radial basis function neural network in identifying the types of mangoes | |
Patel et al. | Enhanced CNN for Fruit Disease Detection and Grading Classification Using SSDAE-SVM for Postharvest Fruits | |
Doan et al. | A Novel Mango Grading System Based on Image Processing and Machine Learning Methods | |
Riaz et al. | Orange Class Identification using Neural Networks and Transfer Learning | |
CN113705729B (zh) | 垃圾分类模型建模方法、垃圾分类方法、装置及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210226 |