CN112464762A - 基于图像处理的农产品筛选系统及其方法 - Google Patents
基于图像处理的农产品筛选系统及其方法 Download PDFInfo
- Publication number
- CN112464762A CN112464762A CN202011282029.5A CN202011282029A CN112464762A CN 112464762 A CN112464762 A CN 112464762A CN 202011282029 A CN202011282029 A CN 202011282029A CN 112464762 A CN112464762 A CN 112464762A
- Authority
- CN
- China
- Prior art keywords
- agricultural product
- image
- attribute
- data
- screening
- 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
- 238000012216 screening Methods 0.000 title claims abstract description 55
- 238000012545 processing Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000011156 evaluation Methods 0.000 claims abstract description 54
- 230000008451 emotion Effects 0.000 claims abstract description 35
- 230000002996 emotional effect Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012163 sequencing technique Methods 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 238000013139 quantization Methods 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000010205 computational analysis Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000013210 evaluation model Methods 0.000 claims description 2
- 244000077233 Vaccinium uliginosum Species 0.000 description 81
- 235000003095 Vaccinium corymbosum Nutrition 0.000 description 80
- 235000017537 Vaccinium myrtillus Nutrition 0.000 description 80
- 235000021014 blueberries Nutrition 0.000 description 80
- 235000013399 edible fruits Nutrition 0.000 description 22
- 238000004364 calculation method Methods 0.000 description 10
- 241000607479 Yersinia pestis Species 0.000 description 7
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 244000236655 Diospyros kaki Species 0.000 description 1
- 235000008597 Diospyros kaki Nutrition 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 235000011720 Vaccinium uliginosum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012795 verification Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Multimedia (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
Abstract
本发明公开了一种基于图像处理的农产品筛选系统,包括品质状态识别单元、属性信息匹配单元、分级筛选单元;还公开了一种基于图像处理的农产品筛选方法,包括以下步骤:首先采集农产品图像并进行图像处理,通过建立品质判别模型识别出农产品的品质状态信息;其次获得消费者对于农产品不同属性的情感倾向,输出商品评价情感量化值,为产品筛选销售提供参考;最后综合分析农产品的品质状态信息和属性信息,利用贝叶斯网络训练学习的方法,从大数据中筛选出最受市场欢迎的农产品类型,并按照其受欢迎程度进行排序。本发明通过综合分析农产品品质状态信息和属性信息,利用贝叶斯网络训练学习的方法能够使得农产品筛选结果更加符合市场实际情况。
Description
技术领域
本发明涉及农作物筛选领域,特别是涉及一种基于图像处理的农产品筛选系统及其方法。
背景技术
蓝莓,又名笃斯、野生蓝莓被称为都柿(大小兴安岭、伊春),甸果、地果、龙果、蛤塘果(吉林)、讷日苏(蒙古族语)、吉厄特、吾格特(鄂伦春语)、老鸹果(贵州都匀,山里有野生的)等。由于蓝莓果自身容易被破坏,所以其较一般水果难于采摘、运输和储存,对蓝莓果进行筛选分级,能够保证对不同级别的蓝莓果采用不同等级的运输、储存标准,进而使得蓝莓损失率得以降低。
目前,蓝莓果实分级的方式主要包括通过人工分级和利用蓝莓果实分级机进行分级,蓝莓果实分级机是按果实大小进行分级的,它的工作原理是使蓝莓果实沿着具有不同尺寸的网格或缝隙的分级筛移动,最小蓝莓果实先从最小网格漏出,然后较大蓝莓果实从较大网格漏出,按网格尺寸的差别,依次选出不同级别的蓝莓果实。由于蓝莓果实质地较软,所以这种方法对果皮、果形有一定的损害,影响蓝莓果实品质。而人工分级的方式则是根据蓝莓果的几何特性和色度特性等判断果实等级,其操作效率低,需要消耗大量的人力且误差较大。
因此亟需提供一种新型的农产品筛选系统来解决上述问题。
发明内容
本发明所要解决的技术问题是提供一种基于图像处理的农产品筛选系统及其方法,能够使得农产品筛选结果更加符合市场实际情况。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种基于图像处理的农产品筛选系统,包括品质状态识别单元、属性信息匹配单元、分级筛选单元;
所述品质状态识别单元用于采集农产品图像并进行图像处理,通过建立品质判别模型识别出农产品的品质状态信息;
所述属性信息匹配单元用于获得消费者对于农产品不同属性的情感倾向,输出商品评价情感量化值,为产品筛选销售提供参考;
所述分级筛选单元用于综合分析农产品的品质状态信息和属性信息,利用贝叶斯网络训练学习的方法,从大数据中筛选出来最受市场欢迎的农产品类型,并按照其受欢迎程度进行排序。
在本发明一个较佳实施例中,所述品质状态识别单元包括图像采集模块、图像处理模块、图像识别模块;
所述图像采集模块用于采集农产品图像;
所述图像处理模块用于对所述图像采集模块采集到的农产品图像进行处理,包括坐标变换、图像灰度化、图像增强、图像滤波以及图像分割;
所述图像识别模块通过建立品质判别模型对图像处理后的农产品图像识别出农产品的品质状态信息。
在本发明一个较佳实施例中,所述属性信息匹配单元包括评价语句获取模块、数据预处理模块、提取模块、算法处理模块;
所述评价语句获取模块利用爬虫技术从农产品商品的网址抓取商品详情和消费者评价数据;
所述数据预处理模块用于对所述评价语句获取模块抓取的数据进行预处理;
所述提取模块用于从预处理后的数据中提取农产品的属性特征和属性权重,从消费者评价数据中得到与属性特征匹配的情感词,最终得到属性特征-情感词对;
所述算法处理模块用于将提取的属性特征-情感词对输入到算法模型中进行计算分析,实现基于属性特征的情感分析算法并输出商品评价情感量化值。
在本发明一个较佳实施例中,所述属性信息匹配单元还包括结果展示模块,用于展示输出的商品评价情感量化值。
为解决上述技术问题,本发明采用的另一个技术方案是:提供一种基于图像处理的农产品筛选方法,包括以下步骤:
S1:采集农产品图像并进行图像处理,通过建立品质判别模型识别出农产品的品质状态信息;
S2:获得消费者对于农产品不同属性的情感倾向,输出商品评价情感量化值,为产品筛选销售提供参考;
S3:综合分析农产品的品质状态信息和属性信息,利用贝叶斯网络训练学习的方法,从大数据中筛选出最受市场欢迎的农产品类型,并按照其受欢迎程度进行排序。
在本发明一个较佳实施例中,在步骤S1中,图像处理的过程包括坐标变换、图像灰度化、图像增强、图像滤波以及图像分割。
在本发明一个较佳实施例中,在步骤S1中,所述品质判别模型的构建方法包括以下步骤:
S1.1:对图像处理后的农产品图像数据进行标注;
S1.2:将标注后的农产品图像数据进行数据集划分,输入建立的深度神经网络模型进行学习和测试,得到训练好的所述深度神经网络模型;
S1.3:将标注后的农产品图像数据分别输入专家知识库和训练好的所述深度神经网络模型,然后将各自的判别结果通过多模态融合网络进行融合,得到品质判别模型。
进一步的,所述多模态融合网络采用1~2层全连接网络,通过给专家知识库和训练好的深度神经网络模型的判别结果赋予权重,给出当前农产品生长数据所对应的品质状态。
在本发明一个较佳实施例中,步骤S2的具体步骤包括:
S2.1:利用爬虫技术从农产品商品的网址抓取商品详情和消费者评价数据;
S2.2:对步骤S2.1抓取的数据进行预处理;
S2.3:从预处理后的数据中提取农产品的属性特征和属性权重,从消费者评价数据中得到与属性特征匹配的情感词,最终得到属性特征-情感词对;
S2.4:将提取的属性特征-情感词对输入到算法模型中进行计算分析,实现基于属性特征的情感分析算法并输出商品评价情感量化值。
在本发明一个较佳实施例中,在步骤S3中,所述贝叶斯网络训练学习的方法,包括以下步骤:
S3.1:利用从农产品生产商与农产品消费者之间的消费大数据中提取到的有效数据,完成数学建模,将品质状态信息建模为一个包含N个属性节点的集合A,其中各个属性节点分别表示描述该品质状态信息的一项属性,其中N≥3;将属性信息建模为一个包含M个属性节点的集合B,其中各个属性节点分别表示描述该属性信息的一项属性,其中M≥4;其中消费者对消费的农产品类型表现满意度评价建模为贝叶斯网络中的类属性节点C,评价为“满意”则C=1,评价为“不满意”则C=0;
S3.2:计算农产品消费大数据属性的先验概率分布、先验条件概率分布,以及集合A中各个属性节点与集合B中各个属性节点的条件互信息量;
S3.3:根据条件互信息量,构建贝叶斯网络;
S3.4:利用贝叶斯网络计算每个农产品消费后的满意概率,并筛选排序后,给出满意概率最高的农产品信息。
本发明的有益效果是:本发明结合深度学习和大数据,巧妙地将农产品品质状态信息和反映消费者喜好的属性信息综合分析,借助于贝叶斯网络能够有效地提取出各因素间的统计关系,发现各因素间的潜在联系,使得农产品筛选结果更加符合市场实际情况,从而为农产品生产、销售提供种植营销策略指导以及良好的后续服务保障。
附图说明
图1是本发明基于图像处理的农产品筛选系统一较佳实施例的结构框图;
图2是基于图像处理的农产品筛选方法的流程图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1,本发明实施例包括:
一种基于图像处理的农产品筛选系统,包括品质状态识别单元、属性信息匹配单元、分级筛选单元。所述品质状态识别单元用于采集农产品图像并进行图像处理,通过建立品质判别模型识别出农产品的品质状态信息。所述属性信息匹配单元用于获得消费者对于农产品不同属性的情感倾向,输出商品评价情感量化值,为产品筛选销售提供参考。所述分级筛选单元用于综合分析农产品的品质状态信息和属性信息,利用贝叶斯网络训练学习的方法,从大数据中筛选出来最受市场欢迎的农产品类型,并按照其受欢迎程度进行排序。
本示例中,所述农产品以蓝莓为例,来具体说明该农产品筛选系统。
所述图像采集模块用于采集蓝莓图像,支持通过摄像头、智能手机/平板进行获取。
所述图像处理模块用于对所述图像采集模块采集到的蓝莓图像进行处理,包括坐标变换、图像灰度化、图像增强、图像滤波以及图像分割。具体的,所述图像滤波用于滤除除蓝莓轮廓之外的背景噪声,采用小波阈值滤波方法,将源图像和指定的不同尺度下的小波子函数做卷积运算得到各尺度下的小波系数,利用各尺度下预先设置的临界阈值,若各尺度下的小波系数小于对应的临界阈值,认为该系数主要由噪声引起,去除这部分系数;反之,则认为此系数主要是由信号引起,保留这部分系数,然后对处理后的各尺度下小波系数进行小波逆变换,得到去噪后的图像。所述图像分割以目标区域为边界分割提取图像中的感兴趣区域,具体为将图像由RGB彩图转化为灰度图,利用Otsu最大类间方差法进行阈值分割,形态学运算后得到蓝莓区域二值图像,在与RGB彩图做与计算,获得蓝莓区域RGB图像。
所述图像识别模块通过建立品质判别模型对图像处理后的蓝莓图像识别出蓝莓的品质状态信息。所述品质状态信息包括以下信息中的至少一种或多种:蓝莓成熟度、蓝莓大小、蓝莓病虫害。
所述属性信息匹配单元包括评价语句获取模块、数据预处理模块、提取模块、算法处理模块、结果展示模块。
所述评价语句获取模块利用爬虫技术从蓝莓商品的网址抓取商品详情和消费者评价数据。所述蓝莓商品的网址包括淘宝、京东、天猫等购物网站。也可以事先进行抓取,建立离线消费者评价数据库。
所述数据预处理模块用于对所述评价语句获取模块抓取的数据进行预处理,主要是为了去除无用内容信息,包括对抓取数据进行分词、标签过滤、关键词过滤、词性标注和词频统计。
所述提取模块用于从预处理后的数据中提取蓝莓的属性特征和属性权重,并通过语义关系计算,从消费者评价数据中得到与属性特征匹配的情感词,最终得到属性特征-情感词对。
所述算法处理模块用于将提取的属性特征-情感词对输入到算法模型中进行计算分析,实现基于属性特征的情感分析算法并输出商品评价情感量化值。
具体的,所述算法模型的实现方式可如下:
首先,对得到的属性特征-情感词对<Oj,Fi>,统计单个属性特征Fi的情感词出现次数,对不同情感词人为设定不同的分值,比如非常好吃设定为4分,非常不好吃设定为-4分,将单个属性特征的全部情感词得分相加,并除以该属性特征情感词出现的总次数,给出单个属性特征的情感量化值。
其次,对得到的单个属性特征的情感量化值赋予不同权重系数后相加,给出单个商品的评价情感量化值。其中,权重系数的计算以词频统计结果为依据,具体为单个属性特征情感词次数除以全部属性特征情感词次数的总和。
最后,将全部情感词分值分别设定为最高值和最低值,比如4分和-4分,重复上述计算给出单个商品的评价情感量化值,将得到的最高评价情感量化值映射至100分,将最低评价情感量化值映射至0分,给出规则化系数,实现对单个商品的评价情感量化值的规则化处理,输出的单个商品的评价情感量化值区间为0~100分。
所述结果展示模块,用于展示输出的商品评价情感量化值。
参阅图2,本发明实施例还提供了一种基于图像处理的蓝莓筛选方法,包括以下步骤:
S1:采集蓝莓图像并进行图像处理,包括坐标变换、图像灰度化、图像增强、图像滤波以及图像分割;通过建立品质判别模型识别出蓝莓的品质状态信息;
所述品质判别模型的构建方法,包括以下步骤:
S1.1:对图像处理后的蓝莓图像数据进行标注,标注信息包括蓝莓品种、种植时长、种植地理位置、蓝莓成熟度、蓝莓大小、蓝莓病虫害信息;
S1.2:将标注后的蓝莓图像数据采用训练、验证、测试三分法进行数据集划分,输入建立的深度神经网络模型进行学习和测试,得到训练好的所述深度神经网络模型;
具体的,所述深度神经网络模型包括依次设置的输入层、多层LSTM网络、全连接层和输出层,其中,所述全连接层执行分类,并应用ReLU函数对该层节点实施随机失活操作。输入训练集数据进行训练,再使用验证集数据校正模型,并使用测试集数据对模型进行评估;若评估结果不理想,则对深度神经网络模型基于重新划分的数据集再次训练,并调整网络架构,比如更改多层LSTM网络的连接方式。
S1,3:将标注后的蓝莓图像数据分别输入专家知识库和训练好的所述深度神经网络模型,然后将各自的判别结果通过多模态融合网络进行融合,得到品质判别模型。
具体的,所述多模态融合网络采用1~2层全连接网络,通过给专家知识库和训练好的深度神经网络模型的判别结果赋予权重,给出当前蓝莓生长数据所对应的品质状态。
S2:获得消费者对于蓝莓不同属性的情感倾向,输出商品评价情感量化值,为产品筛选销售提供参考;具体步骤包括:
S2.1:利用爬虫技术从蓝莓商品的网址抓取商品详情和消费者评价数据;
S2.2:对步骤S2.1抓取的数据进行预处理;
S2.3:从预处理后的数据中提取蓝莓的属性特征和属性权重,并通过语义关系计算、分词和词性标注方法,从消费者评价数据中得到与属性特征匹配的情感词,最终得到属性特征-情感词对;
S2.4:将提取的属性特征-情感词对输入到算法模型中进行计算分析,实现基于属性特征的情感分析算法并输出商品评价情感量化值。
S3:综合分析蓝莓的品质状态信息和属性信息,利用贝叶斯网络训练学习的方法,从大数据中筛选出最受市场欢迎的蓝莓类型,并按照其受欢迎程度进行排序。
进一步的,所述贝叶斯网络训练学习的方法,包括以下步骤:
S3.1:利用从蓝莓生产商与蓝莓消费者之间的消费大数据中提取到的有效数据,完成数学建模。可分为三个集合,分别为:蓝莓生产商生产的蓝莓品质状态信息(比如:蓝莓品种、蓝莓大小),蓝莓消费者的蓝莓消费信息(比如:购买价格、购买量、购买次数),以及蓝莓消费者对该蓝莓生产商生产蓝莓的满意度评价;
具体的,蓝莓品质状态信息建模为一个包含N个属性节点的集合A,其中各个属性节点分别表示描述该品质状态信息的一项属性(例如:A1表示病虫害信息,无病虫害则A1=1,有病虫害则A1=0);蓝莓消费信息建模为一个包含M个属性节点的集合B,其中各个属性节点分别表示描述该属性信息的一项属性(例如:B1表示购买次数,购买次数大于5则B1=1,小于等于5则B1=0);消费者对消费蓝莓的满意度评价建模为贝叶斯网络中的类属性节点C,评价为“满意”则C=1,评价为“不满意”则C=0。
S3.2:计算蓝莓消费大数据属性的先验概率分布、先验条件概率分布,以及集合A中各个属性节点与集合B中各个属性节点的条件互信息量;
所述先验概率分布计算方法如下:对类属性C而言,设大数据中共有R项蓝莓生产商生产的蓝莓消费记录,其中消费者觉得满意的有Q项,则P(C=1)=Q/R,P(C=0)=1-Q/R。若其中某一属性节点A1表示病虫害信息,无病虫害则A1=1,有病虫害则A1=0;若大数据中共有Z颗蓝莓生产商生产的蓝莓,其中无病虫害的为X颗,则P(A1=1)=X/Z,P(A1=0)=1-X/Z,由此得到了属性A1的先验概率分布P(A1)。其余属性先验概率分布计算方法与此相同。
所述先验条件概率分布计算方法如下:属性的先验条件概率分布指集合A与B中的各个属性,在以类属性C为条件的情况下的条件概率P(Ai|C)、P(Bj|C)。以P(Ai|C)计算为例,P(Ai|C)=P(Ai,C)/[P(Ai)P(C)],其中P(Ai,C)表示Ai与C的联合概率分布,遍历Ai与C的取值能够得到其条件概率分布P(Ai|C)。P(Bj|C)的计算方法与此相同。
S3.3:根据条件互信息量,构建贝叶斯网络;
具体的,所述条件互信息量为集合A中各个属性节点与集合B中各个属性节点的条件互信息量,计算方法为:
其中,P(Ai,Bj,C)表示Ai、Bj与C的联合概率分布。
S3.4:利用贝叶斯网络计算每个蓝莓消费后的满意概率,并筛选排序后,给出满意概率最高的蓝莓信息。所述蓝莓信息包括蓝莓生产商生产的蓝莓品质状态信息和蓝莓消费者的蓝莓消费信息。
本发明结合深度学习和大数据,巧妙地将蓝莓品质状态信息和反映消费者喜好的属性信息综合分析,借助于贝叶斯网络能够有效地提取出各因素间的统计关系,发现各因素间的潜在联系,使得蓝莓筛选结果更加符合市场实际情况,从而为蓝莓生产、销售提供种植营销策略指导以及良好的后续服务保障。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于图像处理的农产品筛选系统,其特征在于,包括品质状态识别单元、属性信息匹配单元、分级筛选单元;
所述品质状态识别单元用于采集农产品图像并进行图像处理,通过建立品质判别模型识别出农产品的品质状态信息;
所述属性信息匹配单元用于获得消费者对于农产品不同属性的情感倾向,输出商品评价情感量化值,为产品筛选销售提供参考;
所述分级筛选单元用于综合分析农产品的品质状态信息和属性信息,利用贝叶斯网络训练学习的方法,从大数据中筛选出来最受市场欢迎的农产品类型,并按照其受欢迎程度进行排序。
2.根据权利要求1所述的基于图像处理的农产品筛选系统,其特征在于,所述品质状态识别单元包括图像采集模块、图像处理模块、图像识别模块;
所述图像采集模块用于采集农产品图像;
所述图像处理模块用于对所述图像采集模块采集到的农产品图像进行处理,包括坐标变换、图像灰度化、图像增强、图像滤波以及图像分割;
所述图像识别模块通过建立品质判别模型对图像处理后的农产品图像识别出农产品的品质状态信息。
3.根据权利要求1所述的基于图像处理的农产品筛选系统,其特征在于,所述属性信息匹配单元包括评价语句获取模块、数据预处理模块、提取模块、算法处理模块;
所述评价语句获取模块利用爬虫技术从农产品商品的网址抓取商品详情和消费者评价数据;
所述数据预处理模块用于对所述评价语句获取模块抓取的数据进行预处理;
所述提取模块用于从预处理后的数据中提取农产品的属性特征和属性权重,从消费者评价数据中得到与属性特征匹配的情感词,最终得到属性特征-情感词对;
所述算法处理模块用于将提取的属性特征-情感词对输入到算法模型中进行计算分析,实现基于属性特征的情感分析算法并输出商品评价情感量化值。
4.根据权利要求1所述的基于图像处理的农产品筛选系统,其特征在于,所述属性信息匹配单元还包括结果展示模块,用于展示输出的商品评价情感量化值。
5.一种基于图像处理的农产品筛选方法,其特征在于,包括以下步骤:
S1:采集农产品图像并进行图像处理,通过建立品质判别模型识别出农产品的品质状态信息;
S2:获得消费者对于农产品不同属性的情感倾向,输出商品评价情感量化值,为产品筛选销售提供参考;
S3:综合分析农产品的品质状态信息和属性信息,利用贝叶斯网络训练学习的方法,从大数据中筛选出最受市场欢迎的农产品类型,并按照其受欢迎程度进行排序。
6.根据权利要求5所述的基于图像处理的农产品筛选方法,其特征在于,在步骤S1中,图像处理的过程包括坐标变换、图像灰度化、图像增强、图像滤波以及图像分割。
7.根据权利要求5所述的基于图像处理的农产品筛选方法,其特征在于,在步骤S1中,所述品质判别模型的构建方法包括以下步骤:
S1.1:对图像处理后的农产品图像数据进行标注;
S1.2:将标注后的农产品图像数据进行数据集划分,输入建立的深度神经网络模型进行学习和测试,得到训练好的所述深度神经网络模型;
S1.3:将标注后的农产品图像数据分别输入专家知识库和训练好的所述深度神经网络模型,然后将各自的判别结果通过多模态融合网络进行融合,得到品质判别模型。
8.根据权利要求7所述的基于图像处理的农产品筛选方法,其特征在于,所述多模态融合网络采用1~2层全连接网络,通过给专家知识库和训练好的深度神经网络模型的判别结果赋予权重,给出当前农产品生长数据所对应的品质状态。
9.根据权利要求5所述的基于图像处理的农产品筛选方法,其特征在于,步骤S2的具体步骤包括:
S2.1:利用爬虫技术从农产品商品的网址抓取商品详情和消费者评价数据;
S2.2:对步骤S2.1抓取的数据进行预处理;
S2.3:从预处理后的数据中提取农产品的属性特征和属性权重,从消费者评价数据中得到与属性特征匹配的情感词,最终得到属性特征-情感词对;
S2.4:将提取的属性特征-情感词对输入到算法模型中进行计算分析,实现基于属性特征的情感分析算法并输出商品评价情感量化值。
10.根据权利要求5所述的基于图像处理的农产品筛选方法,其特征在于,在步骤S3中,所述贝叶斯网络训练学习的方法,包括以下步骤:
S3.1:利用从农产品生产商与农产品消费者之间的消费大数据中提取到的有效数据,完成数学建模,将品质状态信息建模为一个包含N个属性节点的集合A,其中各个属性节点分别表示描述该品质状态信息的一项属性,其中N≥3;将属性信息建模为一个包含M个属性节点的集合B,其中各个属性节点分别表示描述该属性信息的一项属性,其中M≥4;其中消费者对消费的农产品类型表现满意度评价建模为贝叶斯网络中的类属性节点C,评价为“满意”则C=1,评价为“不满意”则C=0;
S3.2:计算农产品消费大数据属性的先验概率分布、先验条件概率分布,以及集合A中各个属性节点与集合B中各个属性节点的条件互信息量;
S3.3:根据条件互信息量,构建贝叶斯网络;
S3.4:利用贝叶斯网络计算每个农产品消费后的满意概率,并筛选排序后,给出满意概率最高的农产品信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011282029.5A CN112464762A (zh) | 2020-11-16 | 2020-11-16 | 基于图像处理的农产品筛选系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011282029.5A CN112464762A (zh) | 2020-11-16 | 2020-11-16 | 基于图像处理的农产品筛选系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112464762A true CN112464762A (zh) | 2021-03-09 |
Family
ID=74836951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011282029.5A Pending CN112464762A (zh) | 2020-11-16 | 2020-11-16 | 基于图像处理的农产品筛选系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464762A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807869A (zh) * | 2021-09-18 | 2021-12-17 | 中科巨匠人工智能技术(广州)有限公司 | 一种基于人工智能光学检测的溯源系统 |
CN114021969A (zh) * | 2021-11-04 | 2022-02-08 | 中国安全生产科学研究院 | 一种涉农企业安全生产风险指数分析系统 |
CN117273869A (zh) * | 2023-11-21 | 2023-12-22 | 安徽农业大学 | 一种基于用户数据的农产品智能推送方法、系统、装置以及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106469353A (zh) * | 2016-09-08 | 2017-03-01 | 璧垫兜 | 一种面向大数据的项目合作企业智慧筛选排序方法 |
CN109447165A (zh) * | 2018-11-02 | 2019-03-08 | 西安财经学院 | 一种农产品品质状态识别方法及装置 |
CN109738776A (zh) * | 2019-01-02 | 2019-05-10 | 华南理工大学 | 基于lstm的风机变流器开路故障识别方法 |
CN110706028A (zh) * | 2019-09-26 | 2020-01-17 | 四川长虹电器股份有限公司 | 基于属性特征的商品评价情感分析系统 |
CN111028204A (zh) * | 2019-11-19 | 2020-04-17 | 清华大学 | 一种基于多模态融合深度学习的布匹缺陷检测方法 |
-
2020
- 2020-11-16 CN CN202011282029.5A patent/CN112464762A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106469353A (zh) * | 2016-09-08 | 2017-03-01 | 璧垫兜 | 一种面向大数据的项目合作企业智慧筛选排序方法 |
CN109447165A (zh) * | 2018-11-02 | 2019-03-08 | 西安财经学院 | 一种农产品品质状态识别方法及装置 |
CN109738776A (zh) * | 2019-01-02 | 2019-05-10 | 华南理工大学 | 基于lstm的风机变流器开路故障识别方法 |
CN110706028A (zh) * | 2019-09-26 | 2020-01-17 | 四川长虹电器股份有限公司 | 基于属性特征的商品评价情感分析系统 |
CN111028204A (zh) * | 2019-11-19 | 2020-04-17 | 清华大学 | 一种基于多模态融合深度学习的布匹缺陷检测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807869A (zh) * | 2021-09-18 | 2021-12-17 | 中科巨匠人工智能技术(广州)有限公司 | 一种基于人工智能光学检测的溯源系统 |
CN114021969A (zh) * | 2021-11-04 | 2022-02-08 | 中国安全生产科学研究院 | 一种涉农企业安全生产风险指数分析系统 |
CN114021969B (zh) * | 2021-11-04 | 2022-06-07 | 中国安全生产科学研究院 | 一种涉农企业安全生产风险指数分析系统 |
CN117273869A (zh) * | 2023-11-21 | 2023-12-22 | 安徽农业大学 | 一种基于用户数据的农产品智能推送方法、系统、装置以及介质 |
CN117273869B (zh) * | 2023-11-21 | 2024-02-13 | 安徽农业大学 | 一种基于用户数据的农产品智能推送方法、系统、装置以及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kukreja et al. | A Deep Neural Network based disease detection scheme for Citrus fruits | |
Barbedo | Plant disease identification from individual lesions and spots using deep learning | |
Cinar et al. | Identification of rice varieties using machine learning algorithms | |
CN112464762A (zh) | 基于图像处理的农产品筛选系统及其方法 | |
Miriti | Classification of selected apple fruit varieties using Naive Bayes | |
Kumari et al. | Hybridized approach of image segmentation in classification of fruit mango using BPNN and discriminant analyzer | |
Rodríguez et al. | A computer vision system for automatic cherry beans detection on coffee trees | |
Dhiman et al. | Fruit quality evaluation using machine learning techniques: review, motivation and future perspectives | |
AlShahrani et al. | Automated system for crops recognition and classification | |
Ninomiya | High-throughput field crop phenotyping: current status and challenges | |
Meshram et al. | MNet: A Framework to Reduce Fruit Image Misclassification. | |
Atanbori et al. | Convolutional neural net-based cassava storage root counting using real and synthetic images | |
Kumar R et al. | Multi class grading and quality assessment of pomegranate fruits based on physical and visual parameters | |
Narendra et al. | Defects detection in fruits and vegetables using image processing and soft computing techniques | |
Balasubramaniyan et al. | Color contour texture based peanut classification using deep spread spectral features classification model for assortment identification | |
Asriny et al. | Transfer learning VGG16 for classification orange fruit images | |
Vieira et al. | A method for the detection and reconstruction of foliar damage caused by predatory insects | |
Yusamran et al. | DIPDEEP: Classification for Thai dragon fruit. | |
Raja | Fruit quality prediction using deep learning strategies for agriculture | |
Akter et al. | Development of a computer vision based eggplant grading system | |
Patel et al. | An Intelligent Grading System for Automated Identification and Classification of Banana Fruit Diseases Using Deep Neural Network | |
Sajitha et al. | Smart farming application using knowledge embedded-graph convolutional neural network (KEGCNN) for banana quality detection | |
CN112365324A (zh) | 适用于电商平台的商品图片检测方法 | |
Devika et al. | Real-Time Quality Assurance of Fruits and Vegetables using Hybrid Distance based MKELM Approach | |
Kumari et al. | CertiMart: Use Computer Vision to Digitize and Automate Supermarket with Fruit Quality Measuring and Maintaining |
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 |
Application publication date: 20210309 |
|
RJ01 | Rejection of invention patent application after publication |