CN116363422A - 一种基于支持向量机的水果分类方法、系统、计算机及存储介质 - Google Patents
一种基于支持向量机的水果分类方法、系统、计算机及存储介质 Download PDFInfo
- Publication number
- CN116363422A CN116363422A CN202310281887.5A CN202310281887A CN116363422A CN 116363422 A CN116363422 A CN 116363422A CN 202310281887 A CN202310281887 A CN 202310281887A CN 116363422 A CN116363422 A CN 116363422A
- Authority
- CN
- China
- Prior art keywords
- fruit
- image
- classification
- saturation
- svm
- 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
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 272
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 7
- 238000013145 classification model Methods 0.000 claims abstract description 50
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 42
- 238000000605 extraction Methods 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 29
- 230000006740 morphological transformation Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 230000000873 masking effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 241000220225 Malus Species 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 241000227653 Lycopersicon Species 0.000 description 3
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 3
- 241000220324 Pyrus Species 0.000 description 3
- 235000021016 apples Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 235000021017 pears Nutrition 0.000 description 2
- 235000021018 plums Nutrition 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000011430 Malus pumila Nutrition 0.000 description 1
- 235000015103 Malus silvestris Nutrition 0.000 description 1
- 235000014443 Pyrus communis Nutrition 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
一种基于支持向量机的水果分类方法、系统、计算机及存储介质,涉及水果种类识别领域。本发明解决现有机器学习识别水果图像不准确且适用范围较窄的问题。一种基于支持向量机的水果识别方法,包括:采集水果图像,并对所述水果图像进行预处理;将所述预处理后的水果图像进行特征提取,获取水果图像的色彩参数、饱和度和横纵比;根据所述水果图像的色彩参数、饱和度和横纵比建立基于SVM的水果分类模型;根据所述基于SVM的水果分类模型进行水果图像分类,获取识分类结果。本发明应用于水果种植、采摘和运输等环节,帮助农民和企业实现自动化和智能化生产,提高生产效率和质量。
Description
技术领域
本发明涉及水果种类识别领域,尤其涉及一种基于支持向量机的水果分类方法。
背景技术
随着计算机视觉技术的不断发展和普及,图像识别成为了一个备受关注的研究领域。图像识别技术被广泛应用于生物医学、自动驾驶、安防监控等领域。其中,水果图像识别技术是一个具有实际应用价值的研究方向。在日常生活中,水果是人们的重要食品,而水果的品质与安全性对人们的健康有着直接的关系。因此,对于水果的种类、品质等进行自动化的识别和分类具有重要意义。
在水果零售领域的结算环节,主要依靠售货员对水果进行辨识,进而完成后续的称重、输入对应水果单价、打印结算标签等操作,这种水果售卖结算方式存在需要人工值守、操作繁琐,高峰期等待时间长等缺点,直接引发人工成本增加、售卖效率降低,顾客满意度下降等问题。
现有技术2018年公开的论文“基于机器学习的水果图像自动识别与分割算法研究”钟成提出基于SVM支持向量机算法、基于深度卷积神经网络算法两种水果图像自动识别算法。识别出水果种类后,需要把水果果实与背景进行分割,得到果实的中心位置。该方法提取RGB空间的颜色作为图像特征并基于支持向量机,进行水果识别。然而,RGB颜色空间中三颜色元素很容易受到光线影响,不适合作为特征,并且RGB颜色空间具有高度关联性,颜色的改变会导致三个参数的上下浮动,造成已建立的模型鲁棒性差,最终影响识别效果。且,公开的方案采用的特征纹理作为特征,特征提取过程计算量巨大,只适用于计算性能强的运算系统,导致识别方法适用范围较窄。
因此,缺乏一种方法解决现有机器学习识别水果图像不准确且适用范围较窄的问题。
发明内容
针对上述机器学习识别水果图像不准确且适用范围较窄的问题,本发明提出一种基于支持向量机的水果分类方法,包括:
采集水果图像,并对所述水果图像信息进行预处理;
将所述预处理后的水果图像进行特征提取,获取水果图像的色彩参数、饱和度和横纵比;
根据所述水果图像的色彩参数、饱和度和横纵比建立基于SVM的水果分类模型;
根据所述基于SVM的水果分类模型进行水果图像分类,获取分类结果。
进一步的,还提供一种优选方式,所述对所述水果图像进行预处理包括:掩膜、形态学变换、轮廓边界提取和水果感兴趣区域ROI提取。
进一步的,还提供一种优选方式,所述将所述预处理后的水果图像进行特征提取,获取水果图像的色彩参数、饱和度和横纵比,具体为:
将水果感兴趣区域ROI从RGB色彩空间转换为HSV色彩空间,提取HSV色彩空间中的色彩参数H、饱和度S的平均值作为水果的颜色特征参数;
提取预处理后的图像轮廓的最小外接矩形,通过计算最小外接矩形的长L1和宽L2之比,获得水果的横纵比R:
进一步的,还提供一种优选方式,所述根据所述水果图像的色彩参数、饱和度和横纵比建立基于SVM的水果分类模型,具体为:
预处理所述水果图像信息,以所述预处理的图像设置标签F;
提取所述水果图像信息的色彩参数、饱和度和横纵比作为水果图像的参数特征;
将所述水果图像的参数特征和预处理的图像设置标签F作为样本si={Hi,Si,Ri,Fi},样本集合S={s1,s2,L,sn},i为样本序号;
使用交叉验证法将样本集合S划分成训练样本集Strain和测试样本集Stest;
设定核函数及其参数,惩罚参数C和核函数参数g;
采用训练集Strain对预设核函数的SVM模型进行训练,并采用测试集检测分类模型,得到测试分类的准确率;
当准确率≥95%时,获取基于SVM的水果分类模型,否则,调整惩罚参数C、核函数参数g。
基于同一发明构思,本发明还提供一种基于支持向量机的水果分类系统,所述识别系统包括:
水果图像预处理模块,用于采集水果图像,并对所述水果图像信息进行预处理;
特征提取模块,用于将所述预处理后的水果图像进行特征提取,获取水果图像的色彩参数、饱和度和横纵比;
基于SVM的水果分类模型构建模块,用于根据所述水果图像的色彩参数、饱和度和横纵比建立基于SVM的水果分类模型;
识别模块,用于根据所述基于SVM的水果分类模型进行水果图像分类,获取分类结果。
进一步的,还提供一种优选方式,所述对所述水果图像预处理模块包括:掩膜、形态学变换、轮廓边界提取和水果感兴趣区域ROI提取。
进一步的,还提供一种优选方式,所述特征提取模块,具体为:
将水果感兴趣区域ROI从RGB色彩空间转换为HSV色彩空间,提取HSV色彩空间中的色彩参数H、饱和度S的平均值作为水果的颜色特征参数;
提取预处理后的图像轮廓的最小外接矩形,通过计算最小外接矩形的长L1和宽L2之比,获得水果的横纵比R:
进一步的,还提供一种优选方式,所述基于SVM的水果分类模型构建模块,具体为:
预处理所述水果图像信息,以所述预处理的图像设置标签F;
提取所述水果图像信息的色彩参数、饱和度和横纵比作为水果图像的参数特征;
将所述水果图像的参数特征和预处理的图像设置标签F作为样本si={Hi,Si,Ri,Fi},样本集合S={s1,s2,L,sn},i为样本序号;
使用交叉验证法将样本集合S划分成训练样本集Strain和测试样本集Stest;
设定核函数及其参数,惩罚参数C和核函数参数g;
采用训练集Strain对预设核函数的SVM模型进行训练,并采用测试集检测分类模型,得到测试分类的准确率;
当准确率≥95%时,获取基于SVM的水果分类模型,否则,调整惩罚参数C、核函数参数g。
基于同一发明构思,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质用于储存计算机程序,所述计算机程序执行上述任一项所述的一种基于支持向量机的水果分类方法。
基于同一发明构思,本发明还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,当所述处理器运行所述存储器存储的计算机程序时,所述处理器执行根据上述中任一项中所述的一种基于支持向量机的水果分类方法。
本发明的有益之处在于:
本发明解决现有机器学习识别水果图像不准确且适用范围较窄的问题。
1、本发明所述的一种基于支持向量机的水果分类方法,通过对水果图像进行处理,提取水果图像ROI中的水果图像色彩参数H、饱和度S、横纵比R,并使用支持向量机SVM构建水果分类模型,识别水果种类。
2、本发明摒弃了现有技术提取RGB空间的颜色特征这一方式,消除了光线影响,本发明采用HSV空间的色彩参数和饱和度作为特征,提高了识别水果图像的准确率。
3、本发明所述的一种基于支持向量机的水果分类方法,使用纵横比同样能够区分水果种类,计算量较低,能够适用于商业日常使用。
4、本发明所述的一种基于支持向量机的水果分类方法,可以应用于水果种植、采摘和运输等环节,帮助农民和企业实现自动化和智能化生产,降低人工成本,提高生产效率和质量。
附图说明
图1为实施方式一所述的一种基于支持向量机的水果分类方法流程图;
图2为实施方式二所述的水果图像预处理流程图;
图3为实施方式二所述的掩膜操作前水果图像;
图4为实施方式二所述的掩膜操作后水果图像;
图5为实施方式二所述的形态学变换前水果图像;
图6为实施方式二所述的形态学变换后水果图像;
图7为实施方式二所述的轮廓边界提取前水果图像;
图8为实施方式二所述的轮廓边界提取后水果图像;
图9为实施方式三所述的预处理后的水果图像进行特征提取结构示意图;
图10为实施方式四所述的基于SVM的水果分类模型建立流程图;
图11为实施方式四所述的测试集准确率示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其他实施例中也可以实现本申请。在其它情况下,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解,在本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
下面结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。在下面的描述中阐述了很多具体细节以便于充分理解本申请,但是本申请还可以采用其它不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施例的限制。
实施方式一、参见图1说明本实施方式。本实施方式所述的一种基于支持向量机的水果分类方法,所述分类方法包括:
采集水果图像,并对所述水果图像信息进行预处理;
将所述预处理后的水果图像进行特征提取,获取水果图像的色彩参数、饱和度和横纵比;
根据所述水果图像的色彩参数、饱和度和横纵比建立基于SVM的水果分类模型;
根据所述基于SVM的水果分类模型进行水果图像分类,获取分类结果。
本实施方式所述的一种基于支持向量机的水果分类方法,基于支持向量机方法,可在小训练样本下建立精确的水果分类模型,对水果图像的识别快速、准确;且本实施方式所述的水果分类模型具有很强的鲁棒性。
本实施方式所述的一种基于支持向量机的水果分类方法,通过对水果图像进行处理,提取特征,并使用支持向量机SVM构建水果分类模型,识别水果种类。本方法可以应用于水果种植、采摘和运输等环节,帮助农民和企业实现自动化和智能化生产,提高生产效率和质量。
实施方式二、参见图2至图8说明本实施方式。本实施方式是对实施方式一所述的一种基于支持向量机的水果分类方法的进一步限定,所述对所述水果图像进行预处理包括:掩膜、形态学变换、轮廓边界提取和水果感兴趣区域ROI提取。
在实际应用中,掩膜操作是指定义RGB色彩空间,将获取的原始水果图像使用颜色阈值法进行处理;去除背景图像,将有颜色的水果区域独立裁剪出来,作为感兴趣区域ROI,从而锁定待处理的水果区域,即获取掩膜图像。以苹果为例,如图3和图4所示,图3为掩膜操作前水果图像,图4为掩膜操作后的水果图像。
在进行掩膜操作后进行形态学变换操作,具体的:
将掩膜之后的图像进行闭运算,即先进行膨胀再进行腐蚀操作,以排除图像中间的小孔等形状;再进行开运算即先进行腐蚀再进行膨胀,以消除掩膜图形毛刺,并对图像边缘进行光滑处理。如图5和图6所示,图5为形态学变换前的水果图像,图6为形态学变换后的水果图像;
在形态学变换操作后进行边缘轮廓提取,具体为:
对形态学变换操作后的图像进行边缘检测,利用findContours函数检测所有最外侧边缘Verge,并以点集的形式将所有边缘保存。轮廓边界提取结果如图7所示。
在边缘轮廓提取后进行水果感兴趣区域ROI提取,具体为:
将轮廓边界提取到的轮廓信息与水果原图进行掩膜操作,得到仅含有感兴趣区域的水果图像,部分水果提取结果如图8所示。
根据本实施方式所述的预处理操作,有效的获取了水果感兴趣区域ROI,提高了特征提取的准确性。
实施方式三、参见图9说明本实施方式。本实施方式是对实施方式二所述的一种基于支持向量机的水果分类方法的进一步限定,所述将所述预处理后的水果图像进行特征提取,获取水果图像的色彩参数、饱和度和横纵比,具体为:
将水果感兴趣区域ROI从RGB色彩空间转换为HSV色彩空间,提取HSV色彩空间中的色彩参数H、饱和度S的平均值作为水果的颜色特征参数;
提取预处理后的图像轮廓的最小外接矩形,通过计算最小外接矩形的长L1和宽L2之比,获得水果的横纵比R:
本实施方式避免了现有技术中直接采用RGB色彩空间进行特征提取的方式,由于RGB空间中三颜色元素很容易受到光线影响,不适合作为特征,并且RGB颜色空间具有高度关联性,颜色的改变会导致三个参数的上下浮动,造成已建立的模型鲁棒性差,最终影响识别效果;本实施方式为了消除光线影响,采用了HSV色彩空间的色彩参数和饱和度作为特征,进行特征提取,在基于SVM的水果分类模型构建初期,就保障了其稳定性,增加了基于SVM的水果分类模型识别的准确性,本实施方式所述的水果分类模型鲁棒性强;且本实施方式使用纵横比区分水果种类,计算量较低,能够适用于商业日常使用,适用范围广于现有模型。
本实施方式具体为:
将水果的感兴趣区域ROI从RGB色彩空间转换为HSV色彩空间,提取HSV色彩参数H、S的平均值作为水果的颜色特征参数;
使用boundingRect函数返回ROI轮廓的最小外接矩形,通过计算最小外接矩形的长和宽之比,即得到水果的横纵比R。横纵比计算公式如下所示:
实施方式四、参见图10和图11说明本实施方式。本实施方式是对实施方式一所述的一种基于支持向量机的水果分类方法的进一步限定,所述根据所述水果图像的色彩参数、饱和度和横纵比建立基于SVM的水果分类模型,具体为:
预处理所述水果图像信息,以所述预处理的图像设置标签F;
提取所述水果图像信息的色彩参数、饱和度和横纵比作为水果图像的参数特征;
将所述水果图像的参数特征和预处理的图像设置标签F作为样本si={Hi,Si,Ri,Fi},样本集合S={s1,s2,L,sn},i为样本序号;
使用交叉验证法将样本集合S划分成训练样本集Strain和测试样本集Stest;
设定核函数及其参数,惩罚参数C和核函数参数g;所述核函数采用径向基函数;
采用训练集Strain对预设核函数的SVM模型进行训练,并采用测试集检测分类模型,得到测试分类的准确率Y;
当准确率Y≥95%时,获取基于SVM的水果分类模型,否则,调整惩罚参数C、核函数参数g。
在实际应用中,若准确率Y<95%,调整惩罚参数C、核函数参数g的值,重新利用训练集Strain对模型进行训练,并采用测试集检测分类模型,直至Y≥95%,输出成熟的分类模型。
本实施方式,核函数采用径向基函数,相对于其他核函数来说,尽管训练时间长,参数较多,但分类更准确。RBF核函数可以将一个样本映射到一个更高维的空间,使样本在高维空间中变得线性可分。针对水果来说,其数据维数低,利用RBF核函数可以提高分类准确率。
提供一个本实施方式的具体实施例:
S1:对苹果、梨子、橙子、番茄和李子五种水果的图像进行预处理。图像预处理方法包括掩膜、形态学变换、轮廓边界提取、感兴趣区域ROI提取,得到仅含有感兴趣区域ROI的水果图像;
S2:提取苹果、梨子、橙子、番茄和李子五种水果图像ROI的特征参数,即水果图像色彩参数H、饱和度S和横纵比R;
S3:根据S2提取的水果图像色彩参数H、饱和度S和横纵比R,建立基于SVM的水果分类模型。
S4:将水果图像输入基于SVM的水果分类模型中,输出水果分类结果。
进一步的,所述S1的具体步骤如下:
S11:掩膜操作:将获取的原始水果图像使用颜色阈值法进行处理,调用OpenCV函数库中Scalar函数规定色彩参数范围,将有颜色的水果区域独立裁剪出来,作为感兴趣区域(ROI),从而锁定待处理的水果区域。
S12:形态学变换:利用morphologyEx函数对水果图像区域进行形态学变换,在形态学变换中先进行闭运算去除小孔,再进行开运算去除图像边缘毛刺。为突出形态学变换效果,将图像中心小孔进行框选。
S13:轮廓边界提取:对处理后的水果图像进行边缘检测,利用findContours函数检测所有最外侧边缘Verge,并以点集的形式将所有边缘保存。
S14:ROI提取:将轮廓边界提取到的轮廓信息与水果原图进行掩膜操作,得到仅含有感兴趣区域的水果图像。
进一步的,所述S2的具体步骤如下
S21:提取水果图像色彩参数H与饱和度S:
将水果的感兴趣区域ROI从RGB色彩空间转换为HSV色彩空间,提取HSV色彩参数色彩参数H和饱和度S的平均值作为水果的颜色特征参数;
S22:提取水果图像横纵比R:
使用boundingRect函数返回ROI轮廓的最小外接矩形,通过计算最小外接矩形的长L1和宽L2之比,即得到水果的横纵比R。横纵比计算公式如下所示:
进一步的,所述S3具体步骤如下:
S31:随机选取苹果、梨子、橙子、番茄和李子五种水果的图像各50张,按照所述S1对每张水果图像进行预处理,对每个图像设置标签F,F取值条件如下
S32:按照所述S2提取每张水果图像的特征参数,即色彩参数H、饱和度S和横纵比R,训练数据的样本si={Hi,Si,Ri,Fi}表示每张水果图像的特征参数和标签,样本集合S={s1,s2,L,sn}T(n=250);
S33:使用交叉验证法将特征参数集S的样本平均分成10份,随机选取其中9份样本作为训练集Strain,1份样本作为测试集Stest;
S34:使用OpenCV中ml(机器学习)模块,选择SVM方法,将SVM的核函数选择为RBF(径向基函数),惩罚参数C设为62.5,核函数参数g设为0.00225,训练方法选择为自动训练;
所述径向基函数的表达式如下:
其中,xi和xj分别为训练集Strain中的不包含故障标签的第i个和第j个训练样本,即xi={Hi,Si,Ri},xj={Hj,Sj,Rj};
所述最终训练总耗时为0.892秒,输出.xml分类器文件,OpenCV可调用该文件以实现水果种类识别。
S35:利用测试集Stest检测分类模型,得到测试分类的准确率Y如下图11所示,满足Y≥95%,输出成熟的分类模型。
本实施方式所述的一种基于支持向量机的水果分类方法,通过对水果图像进行处理,提取水果图像ROI中的水果图像色彩参数H、饱和度S、横纵比R,并使用支持向量机SVM构建水果分类模型,识别水果种类。本发明摒弃了现有技术提取RGB空间的颜色特征这一方式,消除了光线影响,本发明采用HSV空间的色彩参数和饱和度作为特征,提高了识别水果图像的准确率。
本实施方式还不断训练基于SVM的水果分类模型,使其分类准确率高于95%,其分类准确率远高于现有技术。
实施方式五、本实施方式所述的一种基于支持向量机的水果分类系统,所述识别系统包括:
水果图像预处理模块,用于采集水果图像,并对所述水果图像信息进行预处理;
特征提取模块,用于将所述预处理后的水果图像进行特征提取,获取水果图像的色彩参数、饱和度和横纵比;
基于SVM的水果分类模型构建模块,用于根据所述水果图像的色彩参数、饱和度和横纵比建立基于SVM的水果分类模型;
识别模块,用于根据所述基于SVM的水果分类模型进行水果图像分类,获取分类结果。
实施方式六、本实施方式是对实施方式五所述的一种基于支持向量机的水果分类系统的进一步限定,所述对所述水果图像预处理模块包括:掩膜、形态学变换、轮廓边界提取和水果感兴趣区域ROI提取。
实施方式七、本实施方式是对实施方式六所述的一种基于支持向量机的水果分类系统的进一步限定,所述特征提取模块,具体为:
将水果感兴趣区域ROI从RGB色彩空间转换为HSV色彩空间,提取HSV色彩空间中的色彩参数H、饱和度S的平均值作为水果的颜色特征参数;
提取水果图像横纵比R,包括:
提取预处理后的图像轮廓的最小外接矩形,通过计算最小外接矩形的长L1和宽L2之比,获得水果的横纵比R:
实施方式八、本实施方式是对实施方式五所述的一种基于支持向量机的水果分类系统的进一步限定,所述基于SVM的水果分类模型构建模块,具体为:
预处理所述水果图像信息,以所述预处理的图像设置标签F;
提取所述水果图像信息的色彩参数、饱和度和横纵比作为水果图像的参数特征;
将所述水果图像的参数特征和预处理的图像设置标签F作为样本si={Hi,Si,Ri,Fi},样本集合S={s1,s2,L,sn},i为样本序号;
使用交叉验证法将样本集合S划分成训练样本集Strain和测试样本集Stest;
设定核函数及其参数,惩罚参数C和核函数参数g;
采用训练集Strain对预设核函数的SVM模型进行训练,并采用测试集检测分类模型,得到测试分类的准确率;
当准确率≥95%时,获取基于SVM的水果分类模型,否则,调整惩罚参数C、核函数参数g。
实施方式九、本实施方式所述的一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于储存计算机程序,所述计算机程序执行实施方式一至实施方式四任一项所述的一种基于支持向量机的水果分类方法。
实施方式十、一种计算机设备,其特征在于:包括存储器和处理器,所述存储器中存储有计算机程序,当所述处理器运行所述存储器存储的计算机程序时,所述处理器执行根据实施方式一至实施方式四中任一项中所述的一种基于支持向量机的水果分类方法。
需要说明的是,上述实施例所提供的方法及其细节举例可结合至实施例提供的装置和设备中,相互参照,不再赘述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各实例的单元及算法步骤,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。这些功能究竟是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的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。在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其他的方式实现。例如,以上所描述的装置/设备实施例仅仅是示意性的,例如,上述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以由另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
上述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于支持向量机的水果分类方法,其特征在于,所述识别方法包括:
采集水果图像,并对所述水果图像进行预处理;
将所述预处理后的水果图像进行特征提取,获取水果图像的色彩参数、饱和度和横纵比;
根据所述水果图像的色彩参数、饱和度和横纵比建立基于SVM的水果分类模型;
根据所述基于SVM的水果分类模型进行水果图像分类,获取分类结果。
2.根据权利要求1所述的一种基于支持向量机的水果分类方法,其特征在于,所述对所述水果图像进行预处理包括:掩膜、形态学变换、轮廓边界提取和水果感兴趣区域ROI提取。
4.根据权利要求1所述的一种基于支持向量机的水果分类方法,其特征在于,所述根据所述水果图像的色调、饱和度和横纵比建立基于SVM的水果分类模型,具体为:
预处理所述水果图像,以对所述预处理的图像设置标签F;
提取所述水果图像的色彩参数、饱和度和横纵比作为水果图像的参数特征;
将所述水果图像的参数特征和预处理的图像设置标签F作为样本si={Hi,Si,Ri,Fi},样本集合S={s1,s2,L,sn},i为样本序号;
使用交叉验证法将样本集合S划分成训练样本集Strain和测试样本集Stest;
设定核函数及其参数,惩罚参数C和核函数参数g;
采用训练集Strain对预设核函数的SVM模型进行训练,并采用测试集检测分类模型,得到测试分类的准确率;
当准确率≥95%时,获取基于SVM的水果分类模型,否则,调整惩罚参数C、核函数参数g。
5.一种基于支持向量机的水果分类系统,其特征在于,所述识别系统包括:
水果图像预处理模块,用于采集水果图像,并对所述水果图像进行预处理;
特征提取模块,用于将所述预处理后的水果图像进行特征提取,获取水果图像的色彩参数、饱和度和横纵比;
基于SVM的水果分类模型构建模块,用于根据所述水果图像的色彩参数、饱和度和横纵比建立基于SVM的水果分类模型;
识别模块,用于根据所述基于SVM的水果分类模型进行水果图像分类,获取分类结果。
6.根据权利要求5所述的一种基于支持向量机的水果分类系统,其特征在于,所述对所述水果图像预处理模块包括:掩膜、形态学变换、轮廓边界提取和水果感兴趣区域ROI提取。
8.根据权利要求5所述的一种基于支持向量机的水果分类系统,其特征在于,所述基于SVM的水果分类模型构建模块,具体为:
预处理所述水果图像,以所述预处理的图像设置标签F;
提取所述水果图像的色彩参数、饱和度和横纵比作为水果图像的参数特征;
将所述水果图像的参数特征和预处理的图像设置标签F作为样本si={Hi,Si,Ri,Fi},样本集合S={s1,s2,L,sn},i为样本序号;
使用交叉验证法将样本集合S划分成训练样本集Strain和测试样本集Stest;
设定核函数及其参数,惩罚参数C和核函数参数g;
采用训练集Strain对预设核函数的SVM模型进行训练,并采用测试集检测分类模型,得到测试分类的准确率;
当准确率≥95%时,获取基于SVM的水果分类模型,否则,调整惩罚参数C、核函数参数g。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于储存计算机程序,所述计算机程序执行权利要求1-4任一项所述的一种基于支持向量机的水果分类方法。
10.一种计算机设备,其特征在于:包括存储器和处理器,所述存储器中存储有计算机程序,当所述处理器运行所述存储器存储的计算机程序时,所述处理器执行根据权利要求1-4中任一项中所述的一种基于支持向量机的水果分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310281887.5A CN116363422A (zh) | 2023-03-22 | 2023-03-22 | 一种基于支持向量机的水果分类方法、系统、计算机及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310281887.5A CN116363422A (zh) | 2023-03-22 | 2023-03-22 | 一种基于支持向量机的水果分类方法、系统、计算机及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116363422A true CN116363422A (zh) | 2023-06-30 |
Family
ID=86913123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310281887.5A Pending CN116363422A (zh) | 2023-03-22 | 2023-03-22 | 一种基于支持向量机的水果分类方法、系统、计算机及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116363422A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152485A (zh) * | 2023-07-21 | 2023-12-01 | 华能(广东)能源开发有限公司汕头电厂 | 燃煤机组漏煤检测方法、装置及设备 |
-
2023
- 2023-03-22 CN CN202310281887.5A patent/CN116363422A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152485A (zh) * | 2023-07-21 | 2023-12-01 | 华能(广东)能源开发有限公司汕头电厂 | 燃煤机组漏煤检测方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jaisakthi et al. | Grape leaf disease identification using machine learning techniques | |
Mazen et al. | Ripeness classification of bananas using an artificial neural network | |
Dias et al. | Apple flower detection using deep convolutional networks | |
CN110334706B (zh) | 一种图像目标识别方法及装置 | |
Waghmare et al. | Detection and classification of diseases of grape plant using opposite colour local binary pattern feature and machine learning for automated decision support system | |
CN109002851B (zh) | 一种基于图像多特征融合的水果分类方法及应用 | |
CN103996018B (zh) | 基于4dlbp的人脸识别方法 | |
CN105335716A (zh) | 一种基于改进udn提取联合特征的行人检测方法 | |
AlShahrani et al. | Automated system for crops recognition and classification | |
Liu et al. | The recognition of apple fruits in plastic bags based on block classification | |
Khan et al. | Multi class fruit classification using efficient object detection and recognition techniques | |
CN105760858A (zh) | 一种基于类Haar中间层滤波特征的行人检测方法及装置 | |
Ngugi et al. | A new approach to learning and recognizing leaf diseases from individual lesions using convolutional neural networks | |
CN106023159A (zh) | 设施蔬菜叶部病斑图像分割方法及系统 | |
CN116363422A (zh) | 一种基于支持向量机的水果分类方法、系统、计算机及存储介质 | |
Dhiman et al. | A general purpose multi-fruit system for assessing the quality of fruits with the application of recurrent neural network | |
González et al. | Learning rotational features for filament detection | |
Kumari et al. | Performance analysis of support vector machine in defective and non defective mangoes classification | |
Araar et al. | Traffic sign recognition using a synthetic data training approach | |
Pham et al. | CNN-based character recognition for license plate recognition system | |
Baumann et al. | Cascaded random forest for fast object detection | |
Sindhi et al. | Quality evaluation of apple fruit: A Survey | |
AU2021101496A4 (en) | A Process for grape leaf disease identification using machine learning techniques | |
Poojari et al. | Identification and solutions for grape leaf disease using convolutional neural network (CNN) | |
Dantas et al. | A deterministic technique for identifying dicotyledons in images |
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 |