CN116843628A - 一种基于机器学习复合优化的藕带无损检测与分级方法 - Google Patents
一种基于机器学习复合优化的藕带无损检测与分级方法 Download PDFInfo
- Publication number
- CN116843628A CN116843628A CN202310712169.9A CN202310712169A CN116843628A CN 116843628 A CN116843628 A CN 116843628A CN 202310712169 A CN202310712169 A CN 202310712169A CN 116843628 A CN116843628 A CN 116843628A
- Authority
- CN
- China
- Prior art keywords
- lotus root
- image
- ant
- value
- values
- 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.)
- Granted
Links
- 240000002853 Nelumbo nucifera Species 0.000 title claims abstract description 87
- 235000006508 Nelumbo nucifera Nutrition 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 17
- 238000010801 machine learning Methods 0.000 title claims abstract description 14
- 239000002131 composite material Substances 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 239000002245 particle Substances 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 24
- 241000257303 Hymenoptera Species 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 14
- 230000002068 genetic effect Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 9
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 8
- 239000003016 pheromone Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 4
- 230000002431 foraging effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims 4
- 238000001914 filtration Methods 0.000 abstract description 5
- 235000013399 edible fruits Nutrition 0.000 description 7
- 235000013305 food Nutrition 0.000 description 5
- 244000141359 Malus pumila Species 0.000 description 3
- 235000021016 apples Nutrition 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 235000014443 Pyrus communis Nutrition 0.000 description 2
- 238000004040 coloring Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 240000002319 Citrus sinensis Species 0.000 description 1
- 235000005976 Citrus sinensis Nutrition 0.000 description 1
- 240000000560 Citrus x paradisi Species 0.000 description 1
- 244000205754 Colocasia esculenta Species 0.000 description 1
- 235000006481 Colocasia esculenta Nutrition 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004382 visual function Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06N3/004—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
- 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
- G06N3/0499—Feedforward 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- 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]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于机器学习复合优化的藕带无损检测与分级方法,本发明搭建了一个编码抗扰神经网络模型预测藕带等级,提出一种蚂蚁遗传算法给模型权重和阈值赋值。最终通过输入藕带图像判断其等级。在训练模型前,需要通过综合滤波方法对藕带图像降噪,引入分块粒子群阈值化算法对图像进行二值化,分割背景后提取藕带特征。本发明在对藕带分级时具有较好的预测性能,并且准确率高,泛化性能强。
Description
技术领域
本发明涉及农产品无损检测领域,具体涉及一种基于机器学习复合优化的藕带无损检测与分级方法。
背景技术
藕带作为一种低热量、高营养广受大众喜爱的水生蔬菜,提高藕带的质量是不仅能保障人们的健康,也能带来可观的经济效益。而目前,对于藕带的分选主要以手工方式进行,不仅会出现人力物力的大量消耗,藕带的分选质量也难以得到保证。因此,如何提高藕带的分级效率、分级质量,降低藕带的分级成本从而提高藕带的商品价值是农学领域的研究热点之一。
随着世界数据的不断增长,传统的计量方法无法满足对数据挖掘的需求,机器学习能够模拟人的视觉功能,通过数据准备与预处理,提取特征,训练模型等过程实现对数据的深度挖掘。与其它水果蔬菜的无损检测与分级相比,藕带无损检测与分级的难点主要体现在以下几个方面:首先,藕带形状较为不规则,表面存在芽眼、芋头、根茎等结构,使得图像预处理提取特征时存在一定困难;其次,藕带通常生长在水域中,种植地点分散,人工采集困难且成本高,在进行预测时需要不断优化模型解决过拟合的问题;最后,藕带作为深受大众喜爱的高营养蔬菜,无损检测与分级有利于提高经济效益,提高食品安全,对检测的速度和精度有一定要求。
近年来,国内外研究者在某些水果的无损检测中应用了较多的方法,Kavdir等提出使用神经网络算法对柑橘进行分级,把缺陷和物理特征作为神经网络分类器的输入参数,对柚子和橙子的分级准确率为98.5%。应义斌等提出在黄花梨分级过程中采用傅立叶变换与傅立叶反变换对来描述果型,并建立判别精度为90%的bp神经网络识别梨的外形。何东健等提出以计算机视觉自动检测果实表面着色度并进行分级,将RGB值转换成HLS值,在分析苹果颜色特性的基础上,确定了用适当色相值累计着色面积百分比进行颜色分级的方法,并将果实色相分布曲线作为模式处理,基于人工神经网络借助果实表面颜色对苹果进行分级。由于藕带具有不同于苹果、脐橙这类水果的特殊特征,而且这些作者提出的方法有待提高,提取的特征参数不够多,再加上训练样本不足,模型精度不高,泛化能力低。随着机器学习技术和人工智能的发展,提出一种复合优化检测方法进行藕带的无损检测。
综上所述,已存在的水果无损检测方法特征提取和模型准确率和效率方面存在改进空间,针对藕带的无损检测与分级,需要更全面提取藕带图像特征,涉及一种泛化能力较高的模型,对藕带进行分级预测。为了解决藕带图像在长度、宽度、厚度等方面形态复杂的问题,在进行图像预处理中需要提取不同类型的特征,多角度检测,提高识别的准确性和可靠性。此外,由于藕带图像采集的困难性,采集到的训练数据少,该方法融合了多种算法以提高分级的准确性和鲁棒性。
发明内容
本发明的解决的问题是提供一种基于机器学习复合优化的藕带无损检测与分级方法。
为解决以上技术问题,本发明采用以下技术方案:
一种基于机器学习复合优化的藕带无损检测与分级方法,包括以下步骤:
步骤1、采集藕带图像并进行人工分级标记,再进行降噪处理;
步骤2、将上一步处理后的每个藕带图像划分为N个图形,根据分块粒子群阈值化算法将这N个图形进行二值化分割,得到二值化分割后的藕带背景分割图;
步骤3、计算藕带图像的H,S,V三通道值,并通过灰度差分法和灰度共生矩阵,得到藕带图像的多个特征,每个藕带图像、对应的特征和分级结果为一个训练样本,多个训练样本组成训练集;
步骤4、利用训练集对编码抗扰神经网络模型进行训练,将提取采集到的藕带图像特征作为输入,模型输出分级结果,通过跟人工标记的级别进行对比,计算损失函数,通过最小化损失函数,得到训练后的藕带检测分级模型;
步骤5、将待分级藕带图像输入训练后的藕带检测分级模型,得到藕带分级结果。
进一步的,所述步骤1中的降噪处理具体包括以下步骤:
步骤1.1、计算整张图像中所有像素点的灰度值,定义尺寸为3×3的滤波器,并将该滤波器从上到下,从左往右移动,依次覆盖图像中的像素点,直到覆盖完图像中所有的像素点;
每次滤波器窗口中的像素点组成如下集合:
P={f(x,y)|x∈(1,3),y∈(1,3)}
其中,f(x,y)为坐标为(x,y)对应的灰度值,为中心点的灰度值;
步骤1.2、对每次窗口中的像素点进行筛选,去除偏离值较大的像素点,具体方法为:
步骤1.21、通过求出集合中灰度值的中位数,并计算每个数据与中位数的差值的绝对值,并排序,得到所有差值的中位数MAD;计算窗口中像素点的灰度值的上限Lowerlimit和下限Upperlimit,并去除灰度值不在上限和下限之间的像素点,得到初步筛选后的像素点:
Lowerlimit=0.5×(Q1+Qm)-0.75(IQR+MAD)
Upperlimit=0.5(Q3+Qm)+0.75(IQR+MAD)
其中,Q1为窗口中所有像素点灰度值的第一四分位数,Qm为中位数,Q3为第三四分位数,IQR为Q1和Q3的间距,MAD为所有差值的中位数;
步骤1.22、对初步筛选后的像素点进行再次筛选,判断疑似噪声点,用fa替代疑似噪声点,得到最终筛选后的像素点;满足下式即判断为疑似噪声点:
fa=0.5media+0.5average
其中,media为去除极值和中心点像素值后的剩余像素值的中值,average为整张藕带图的灰度值均值;
步骤1.3、对图像中的所有像素点进行处理后,最终得到清晰完整的去噪后的藕带图。
进一步的,所述步骤2具体包括以下步骤:
步骤2.1、将图像划分为N个C×H×W大小的图形,分别计算N个C×H×W大小的图形的灰度均值m1、m2、......、mN,通过全局搜索最优寻解找出这N个图形的最优阈值n1、n2、......、nN以及该藕带全局最优阈值n0;
步骤2.2、计算最优阈值F:
步骤2.3、利用最优阈值F进行二值化分割。
进一步的,所述步骤4具体包括以下步骤:
步骤4.1、通过引入变异因子的蚂蚁遗传算法全局寻优搜索,进行编码抗扰神经网络权重和阈值的优化,确定编码抗扰神经网络模型的初始权重和阈值;
步骤4.2、将提取采集到的藕带图像特征输入编码抗扰神经网络模型,模型输出藕带分级结果,通过跟人工标记的级别进行对比,计算损失函数,通过最小化损失函数,得到训练后的藕带检测分级模型。
进一步的,引入变异因子的蚂蚁遗传算法中,首先随机产生一个种群,初始蚂蚁群个体和蚂蚁速度,然后计算各个蚂蚁的适应度,找出蚂蚁最优适应度并储存,再进行迭代寻优,计算蚂蚁的转移概率并且根据转移概率转移蚂蚁,然后进行蚂蚁个体更新,判断蚂蚁是否移动,更新信息量,最后输出最优初始权值和阈值,且蚂蚁遗传算法中蚂蚁从一个节点转移到另一个节点的概率的概率计算公式如下:
其中,k表示生成的蚂蚁,表示蚂蚁在t时刻从节点i转移到节点j的概率,τij(t)为t时刻节点i与节点j之间的连线残留的信息量,βij(t)为节点i到节点j的启发函数,在解决该问题时设置为所处位置与目标位置的信息熵浓度,以便全局搜索优化,placek为蚂蚁可到达的位置范围,α为信息素的重要程度因子,表示在蚂蚁选择路径过程中起到的作用;β为启发函数的重要程度因子。
进一步的,所述步骤4.1中,在蚂蚁群体迭代进化时,计算个体的适应度值,通过基于三角指数函数设计的自适应调整的交叉算子和变异算子进行交叉与变异操作,计算交叉概率参数Pc′和变异参数P′m:
其中,Pc_max和Pc_min代表交叉概率的上下限,Pm_max和Pm_min代表变异概率的上下限,f_max和f_min代表当前蚁群适应度的最大值和最小值,favg为平均值,f′为两个蚂蚁个体中较大的适应度值,f为要变异的个体的适应度值,Pc′和P′m为交叉概率参数和变异参数;
通过不停地迭代,计算适应度,寻找得到最佳的蚁群觅食路径,即为该模型的最优初始权值与阈值。
本发明采用以上技术方案后,与现有技术相比,具有以下优点:
1)针对藕带图像数据少,采集藕带图像较困难,而传统的bp神经网络在训练的过程中需要大量数据才能进行正确学习和预测,因此,提出一种编码抗扰神经网络模型,在给模型赋权重和阈值时,引入蚂蚁遗传算法,全局搜索最优解,交叉和变异因子又能自适应调整概率,避免局部最优解的影响,进一步优化模型的权重和阈值,提高预测的准确率与泛化性能。
2)针对拍摄到的藕带图像噪声大并且藕带图像本身具有很多细节信息,提出一种综合滤波方法,基于传统中值滤波,提出基于中位数-四分位数的离群灰度值检测,寻找去除偏离值较大的像素点以后灰度值集合的中值,并进一步判断滤波器中的像素点是否为噪声点,增强去噪效果,将在进行噪声点替换时,将求得的中值与整张图的均值加权求解,既能有效去除噪声与杂波,又能保留整张图象的有效信息,使得滤波后的图像清晰度更高。
3)针对藕带图像边缘不规则,纹理复杂在传统ostu的基础上,提出一种分块粒子群阈值化,在分割背景时,将图像划分为N个小块分别采用全局搜索优化算法来寻找最优阈值,更好地适应不同区域的图像特征,减少背景的干扰,提高计算效率。
4)本发明通过引入蚂蚁遗传算法全局优化不断调整权值和阈值的复合优化模型,本发明的蚂蚁遗传算法中引入这一可微分的连续函数作为优化函数对两点间的概率进行优化,可以提高算法的收敛速度,更快搜索到最优值,在蚂蚁群体迭代进化时,计算个体的适应度值,通过下式基于三角指数函数设计的自适应调整的交叉算子和变异算子进行交叉与变异操作,/>和/>既有余弦函数的周期性与有界性,又有指数函数的平衡性,可以提高算法全局搜索能力与适应性,保留适应度值高于平均适应度值的种群个体,淘汰低于平均适应度的个体,以便更好地搜索最优路径即最优权值与阈值。
下面结合附图和实施例对本发明进行详细说明。
附图说明
图1为本发明的分块粒子群阈值化方法流程图;
图2为本发明的综合滤波方法流程图;
图3为本发明的蚂蚁遗传算法流程图;
图4为本发明的复合优化的藕带等级预测流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1-4所示,本发明实施例的流程包括以下步骤:
步骤1,提出一种综合滤波方法,基于图像统计信息进行全局统计中值滤波处理,求出了整张图象的灰度值,定义滤波器尺寸为3×3,并将该滤波器从上到下,从左往右覆盖在图像每一个像素点,将该窗口中的像素点组成集合。提出一种基于中位数-四分位数的去除像素离群值的方法,首先,求出该集合数据的中位数,并计算每个数据与中位数的差值的绝对值,并排序,得到所有差值的中位数,综合考虑中位数和四分位数去除偏离较大的像素点。将该中值与整张藕带图像的均值进行加权处理得到fa:判断疑似噪声点,用fa替代疑似噪声点。
最终得到清晰完整的去噪后的藕带图。
步骤2:步骤2中所述的采用分块粒子群阈值化算法对藕带图像进行二值化分割,是由于藕带是一种边缘不规则,具有复杂纹理的植物,传统的ostu计算量大,时间长,效率低,分割效果不理想,因此提出分块粒子群阈值化算法。首先,将图像划分为N个C×H×W大小的图形,然后,分别计算N个C×H×W大小的图形的灰度均值m1、m2、......、mN。通过全局搜索最优寻解找出这N个图形的最优阈值n1、n2、......、nN。以及该藕带全局最优阈值n0。
最终得到藕带背景分割图。
步骤3,提取H,S,V,H-S均值与方差以及H,S,V三通道之和来描述藕带颜色特征;为描述藕带的纹理特征,通过灰度差分法和灰度共生矩阵提取能量,熵四个方向(0°,45°,90°,135°)的均值,将这十三个值作为输入,进行模型训练。
步骤4,训练编码抗扰神经网络模型,首先,对模型参数初始化,最大迭代次数为20,选择sigmoid作为激励函数,对模型进行测试分析,得到隐藏层为20时计算误差最低,输入层单元数设置为13,隐藏层单元数设置为20,输出层单元数设置为1。接着,通过蚂蚁遗传算法全局寻优搜索,进行编码抗扰神经网络权重和阈值的优化,然后赋给网络的权重和阈值。具体搜索方法如下:
蚂蚁遗传算法是一种引入变异因子的蚁群优化算法,首先初始化时间t,迭代次数Nt=0,信息素m0,信息素挥发系数为p,最大迭代次数为Nmax等;随机生成蚁群,接着,计算蚁群从一个点转移到另一个点的概率,概率计算公式如下:
其中,k表示生成的蚂蚁,表示蚂蚁在t时刻从节点i转移到节点j的概率,τij(t)为t时刻节点i与节点j之间的连线残留的信息量,βij(t)为节点i到节点j的启发函数,在解决该问题时设置为所处位置与目标位置的信息熵浓度,以便全局搜索优化,placek为蚂蚁可到达的位置范围,α为信息素的重要程度因子,表示在蚂蚁选择路径过程中起到的作用;β为启发函数的重要程度因子。引入/>这一可微分的连续函数作为优化函数对两点间的概率进行优化,可以提高算法的收敛速度,更快搜索到最优值。
设需要训练的模型有M个权重和阈值,每个权重和阈值有n个在【0,1】之间的数值可供选择,这n个随机生成的数值组成M个集合,m只蚂蚁在寻找食物的运动过程中,根据当前所处的状态和信息素值计算路径概率为蚂蚁选择路径进行指导,当蚂蚁在空间中选择路径时,信息素值较高的路径被蚂蚁选择的概率更大。并且能够感知食物的存在及强度,并基于此独立地从各个集合中唯一地寻找一个元素,当蚂蚁在所有集合中完成元素的选择以后,每只蚂蚁挑选的所有元素组合构成一组权重和阈值,当m只蚂蚁都寻找到食物源后,选取出m组权重和阈值训练模型并计算模型的输出误差,若最小误差小于期望误差则将这一组解作为神经网络的初始权重和阈值。否则,对元素进行更新后反复进行上述过程,直到达到最大迭代次数,寻找出最优解。
在蚂蚁群体迭代进化时,计算个体的适应度值,通过下式基于三角指数函数设计的自适应调整的交叉算子和变异算子进行交叉与变异操作,和既有余弦函数的周期性与有界性,又有指数函数的平衡性,可以提高算法全局搜索能力与适应性,保留适应度值高于平均适应度值的种群个体,淘汰低于平均适应度的个体,以便更好地搜索最优路径即最优权值与阈值。
其中,Pc_max和Pc_min代表交叉概率的上下限,Pm_max和Pm_min代表变异概率的上下限,f_max和f_min代表当前蚁群适应度的最大值和最小值,favg为平均值,f′为两个蚂蚁个体中较大的适应度值,f为要变异的个体的适应度值,Pc′和P′m为交叉概率参数和变异参数。
通过不停地迭代,计算适应度,寻找一个最佳的蚁群觅食路径,也就是该模型的最优权值与阈值。
将采集到的藕带图像数据按照上述方法进行特征提取并进行归一化处理,以8:2划分训练集和测试集,首先将数据送入自编码器中,根据数据的结构和特点,学习并提取出特征信息,将数据压缩成低维度的编码信息,提取出的低维度特征被送入编码抗扰神经网络中做为输入层的输入,前向传播计算误差后再进行反向传播,并根据误差重新调整权重和阈值,不断迭代重复,直到达到最大迭代次数,最终确定模型各个权值,将藕带图像输入训练好的模型中正向传播,最终得到输出结果,最终输出结果说明,本发明的检测分级准确率高于95%。
具体实施时,以上流程可采用相关拍摄装置计算机软件技术实现自动运行流程。
以上所述为本发明最佳实施方式的举例,其中未详细述及的部分均为本领域普通技术人员的公知常识。本发明的保护范围以权利要求的内容为准,任何基于本发明的技术启示而进行的等效变换,也在本发明的保护范围之内。
Claims (6)
1.一种基于机器学习复合优化的藕带无损检测与分级方法,其特征在于,包括以下步骤:
步骤1、采集藕带图像并进行人工分级标记,再进行降噪处理;
步骤2、将上一步处理后的每个藕带图像划分为N个图形,根据分块粒子群阈值化算法将这N个图形进行二值化分割,得到二值化分割后的藕带背景分割图;
步骤3、计算藕带图像的H,S,V三通道值,并通过灰度差分法和灰度共生矩阵,得到藕带图像的多个特征,每个藕带图像、对应的特征和分级结果为一个训练样本,多个训练样本组成训练集;
步骤4、利用训练集对编码抗扰神经网络模型进行训练,将提取采集到的藕带图像特征作为输入,模型输出分级结果,通过跟人工标记的级别进行对比,计算损失函数,通过最小化损失函数,得到训练后的藕带检测分级模型;
步骤5、将待分级藕带图像输入训练后的藕带检测分级模型,得到藕带分级结果。
2.根据权利要求1所述的基于机器学习复合优化的藕带无损检测与分级方法,其特征在于,所述步骤1中的降噪处理具体包括以下步骤:
步骤1.1、计算整张图像中所有像素点的灰度值,定义尺寸为3×3的滤波器,并将该滤波器从上到下,从左往右移动,依次覆盖图像中的像素点,直到覆盖完图像中所有的像素点;
每次滤波器窗口中的像素点组成如下集合:
P={f(x,y)|x∈(1,3),y∈(1,3)}
其中,f(x,y)为坐标为(x,y)对应的灰度值,为中心点的灰度值;
步骤1.2、对每次窗口中的像素点进行筛选,去除偏离值较大的像素点,具体方法为:
步骤1.21、通过求出集合中灰度值的中位数,并计算每个数据与中位数的差值的绝对值,并排序,得到所有差值的中位数MAD;计算窗口中像素点的灰度值的上限Lowerlimit和下限Upperlimit,并去除灰度值不在上限和下限之间的像素点,得到初步筛选后的像素点:
Lowerlimit=0.5×(Q1+Qm)-0.75(IQR+MAD)
Upperlimit=0.5(Q3+Qm)+0.75(IQR+MAD)
其中,Q1为窗口中所有像素点灰度值的第一四分位数,Qm为中位数,Q3为第三四分位数,IQR为Q1和Q3的间距,MAD为所有差值的中位数;
步骤1.22、对初步筛选后的像素点进行再次筛选,判断疑似噪声点,用fa替代疑似噪声点,得到最终筛选后的像素点;满足下式即判断为疑似噪声点:
fa=0.5media+0.5average
其中,media为去除极值和中心点像素值后的剩余像素值的中值,average为整张藕带图的灰度值均值;
步骤1.3、对图像中的所有像素点进行处理后,最终得到清晰完整的去噪后的藕带图。
3.根据权利要求1所述的基于机器学习复合优化的藕带无损检测与分级方法,其特征在于,所述步骤2具体包括以下步骤:
步骤2.1、将图像划分为N个C×H×W大小的图形,分别计算N个C×H×W大小的图形的灰度均值m1、m2、......、mN,通过全局搜索最优寻解找出这N个图形的最优阈值n1、n2、......、nN以及该藕带全局最优阈值n0;
步骤2.2、计算最优阈值F:
步骤2.3、利用最优阈值F进行二值化分割。
4.根据权利要求3所述的基于机器学习复合优化的藕带无损检测与分级方法,其特征在于,所述步骤4具体包括以下步骤:
步骤4.1、通过引入变异因子的蚂蚁遗传算法全局寻优搜索,进行编码抗扰神经网络权重和阈值的优化,确定编码抗扰神经网络模型的初始权重和阈值;
步骤4.2、将提取采集到的藕带图像特征输入编码抗扰神经网络模型,模型输出藕带分级结果,通过跟人工标记的级别进行对比,计算损失函数,通过最小化损失函数,得到训练后的藕带检测分级模型。
5.根据权利要求4所述的基于机器学习复合优化的藕带无损检测与分级方法,其特征在于,所述步骤4.1中,引入变异因子的蚂蚁遗传算法首先随机产生一个种群,初始蚂蚁群个体和蚂蚁速度,然后计算各个蚂蚁的适应度,找出蚂蚁最优适应度并储存,再进行迭代寻优,计算蚂蚁的转移概率并且根据转移概率转移蚂蚁,然后进行蚂蚁个体更新,判断蚂蚁是否移动,更新信息量,最后输出最优初始权值和阈值,且蚂蚁遗传算法中蚂蚁从一个节点转移到另一个节点的概率的概率计算公式如下:
其中,k表示生成的蚂蚁,表示蚂蚁在t时刻从节点i转移到节点j的概率,τij(t)为t时刻节点i与节点j之间的连线残留的信息量,βij(t)为节点i到节点j的启发函数,在解决该问题时设置为所处位置与目标位置的信息熵浓度,以便全局搜索优化,placek为蚂蚁可到达的位置范围,α为信息素的重要程度因子,表示在蚂蚁选择路径过程中起到的作用;β为启发函数的重要程度因子。
6.根据权利要求4所述的基于机器学习复合优化的藕带无损检测与分级方法,其特征在于,所述步骤4.1中,在蚂蚁群体迭代进化时,计算个体的适应度值,通过基于三角指数函数设计的自适应调整的交叉算子和变异算子进行交叉与变异操作,计算交叉概率参数Pc′和变异参数P′m:
其中,pc_max和Pc_min代表交叉概率的上下限,Pm_max和Pm_min代表变异概率的上下限,f_max和f_min代表当前蚁群适应度的最大值和最小值,favg为平均值,f′为两个蚂蚁个体中较大的适应度值,f为要变异的个体的适应度值,Pc′和Pm′为交叉概率参数和变异参数;
通过不停地迭代,计算适应度,寻找得到最佳的蚁群觅食路径,即为该模型的最优初始权值与阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310712169.9A CN116843628B (zh) | 2023-06-15 | 2023-06-15 | 一种基于机器学习复合优化的藕带无损检测与分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310712169.9A CN116843628B (zh) | 2023-06-15 | 2023-06-15 | 一种基于机器学习复合优化的藕带无损检测与分级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116843628A true CN116843628A (zh) | 2023-10-03 |
CN116843628B CN116843628B (zh) | 2024-01-02 |
Family
ID=88171702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310712169.9A Active CN116843628B (zh) | 2023-06-15 | 2023-06-15 | 一种基于机器学习复合优化的藕带无损检测与分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843628B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095009A (zh) * | 2023-10-20 | 2023-11-21 | 山东绿康装饰材料有限公司 | 一种基于图像处理的pvc装饰板缺陷检测方法 |
CN117315376A (zh) * | 2023-11-28 | 2023-12-29 | 聊城莱柯智能机器人有限公司 | 基于机器学习的机械零件工业质检方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345657A (zh) * | 2013-04-02 | 2013-10-09 | 江苏大学 | 云计算环境下基于遗传和蚁群的任务调度方法 |
CN103473429A (zh) * | 2013-09-24 | 2013-12-25 | 武汉大学 | 一种基于改进bbo算法的svc次同步阻尼控制器设计方法 |
CN107301653A (zh) * | 2017-05-18 | 2017-10-27 | 常州市武进区半导体照明应用技术研究院 | 基于bp神经网络的视频图像火灾火焰检测方法 |
CN109300140A (zh) * | 2018-10-22 | 2019-02-01 | 东北大学 | 基于遗传算法和蚁群算法的图像边缘检测方法 |
CN110765700A (zh) * | 2019-10-21 | 2020-02-07 | 国家电网公司华中分部 | 基于量子蚁群优化rbf网络的特高压输电线损预测方法 |
CN111562260A (zh) * | 2020-04-14 | 2020-08-21 | 江苏大学 | 一种基于机器视觉的莲藕泥孔检测方法及装置 |
CN112597897A (zh) * | 2020-12-24 | 2021-04-02 | 华南农业大学 | 基于深度神经网络的果园香蕉检测方法、系统、设备及介质 |
CN113077450A (zh) * | 2021-04-12 | 2021-07-06 | 大连大学 | 基于深度卷积神经网络的樱桃分级检测方法及系统 |
-
2023
- 2023-06-15 CN CN202310712169.9A patent/CN116843628B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345657A (zh) * | 2013-04-02 | 2013-10-09 | 江苏大学 | 云计算环境下基于遗传和蚁群的任务调度方法 |
CN103473429A (zh) * | 2013-09-24 | 2013-12-25 | 武汉大学 | 一种基于改进bbo算法的svc次同步阻尼控制器设计方法 |
CN107301653A (zh) * | 2017-05-18 | 2017-10-27 | 常州市武进区半导体照明应用技术研究院 | 基于bp神经网络的视频图像火灾火焰检测方法 |
CN109300140A (zh) * | 2018-10-22 | 2019-02-01 | 东北大学 | 基于遗传算法和蚁群算法的图像边缘检测方法 |
CN110765700A (zh) * | 2019-10-21 | 2020-02-07 | 国家电网公司华中分部 | 基于量子蚁群优化rbf网络的特高压输电线损预测方法 |
CN111562260A (zh) * | 2020-04-14 | 2020-08-21 | 江苏大学 | 一种基于机器视觉的莲藕泥孔检测方法及装置 |
CN112597897A (zh) * | 2020-12-24 | 2021-04-02 | 华南农业大学 | 基于深度神经网络的果园香蕉检测方法、系统、设备及介质 |
CN113077450A (zh) * | 2021-04-12 | 2021-07-06 | 大连大学 | 基于深度卷积神经网络的樱桃分级检测方法及系统 |
Non-Patent Citations (3)
Title |
---|
BINGHUI SI, ET AL.: "Multi-objective optimization design of a complex building based on an artificial neural network and performance evaluation of algorithms", ADVANCED ENGINEERING INFORMATICS, pages 93 - 109 * |
刘昕;余隋怀;初建杰;姚澜;张婉玉;赵明磊;: "改进PSO的飞机驾驶舱组合排序人机布局优化", 计算机工程与应用, no. 07, pages 5 - 10 * |
李国进 等: "基于计算机视觉的芒果检测与分级研究", 农机化研究, pages 13 - 18 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095009A (zh) * | 2023-10-20 | 2023-11-21 | 山东绿康装饰材料有限公司 | 一种基于图像处理的pvc装饰板缺陷检测方法 |
CN117095009B (zh) * | 2023-10-20 | 2024-01-12 | 山东绿康装饰材料有限公司 | 一种基于图像处理的pvc装饰板缺陷检测方法 |
CN117315376A (zh) * | 2023-11-28 | 2023-12-29 | 聊城莱柯智能机器人有限公司 | 基于机器学习的机械零件工业质检方法 |
CN117315376B (zh) * | 2023-11-28 | 2024-02-13 | 聊城莱柯智能机器人有限公司 | 基于机器学习的机械零件工业质检方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116843628B (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116843628B (zh) | 一种基于机器学习复合优化的藕带无损检测与分级方法 | |
Momeny et al. | Accurate classification of cherry fruit using deep CNN based on hybrid pooling approach | |
CN109360206B (zh) | 基于深度学习的大田稻穗分割方法 | |
CN107977671A (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
Liming et al. | Automated strawberry grading system based on image processing | |
CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
CN104376556B (zh) | 一种岩石ct图像目标分割方法 | |
CN108109160A (zh) | 一种基于深度学习的免交互式GrabCut舌体分割方法 | |
CN107527351A (zh) | 一种融合fcn和阈值分割的哺乳母猪图像分割方法 | |
Kumari et al. | Hybridized approach of image segmentation in classification of fruit mango using BPNN and discriminant analyzer | |
CN101980298B (zh) | 基于多智能体遗传聚类算法的图像分割方法 | |
CN107832797B (zh) | 基于深度融合残差网的多光谱图像分类方法 | |
CN107316289A (zh) | 基于深度学习和超像素分割的大田稻穗分割方法 | |
CN112819747A (zh) | 一种基于肺部断层扫描图片自动诊断结节良恶性的方法 | |
Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning | |
Tan et al. | Surface defect identification of Citrus based on KF-2D-Renyi and ABC-SVM | |
CN111160389A (zh) | 一种基于融合vgg的岩性识别方法 | |
Hekim et al. | A hybrid model based on the convolutional neural network model and artificial bee colony or particle swarm optimization-based iterative thresholding for the detection of bruised apples | |
Pattnaik et al. | Machine learning-based approaches for tomato pest classification | |
CN116524279A (zh) | 一种数字农业的人工智能图像识别作物长势分析方法 | |
Kumari et al. | Performance analysis of support vector machine in defective and non defective mangoes classification | |
Unay et al. | Apple defect detection and quality classification with mlp-neural networks | |
Panda et al. | POST-HARVEST GRADING OF CARICA PAPAYA FRUIT USING IMAGE SEGMENTATION AND SOFT COMPUTING. | |
Ji et al. | Apple color automatic grading method based on machine vision | |
CN113627531A (zh) | 基于支持向量机分类算法测定梨树轮纹病抗性的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: 1 Shizishan Street, Hongshan District, Wuhan City, Hubei Province, 430073. Huazhong Agricultural University College of Engineering Patentee after: HUAZHONG AGRICULTURAL University Address before: 1 Shizishan Street, Hongshan District, Wuhan City, Hubei Province 430073 School of Engineering, Huanong Agricultural University Patentee before: HUAZHONG AGRICULTURAL University |
|
CP03 | Change of name, title or address |