TWI386858B - The method of neural network identification of fruit grading - Google Patents
The method of neural network identification of fruit grading Download PDFInfo
- Publication number
- TWI386858B TWI386858B TW97141284A TW97141284A TWI386858B TW I386858 B TWI386858 B TW I386858B TW 97141284 A TW97141284 A TW 97141284A TW 97141284 A TW97141284 A TW 97141284A TW I386858 B TWI386858 B TW I386858B
- Authority
- TW
- Taiwan
- Prior art keywords
- fruit
- neural network
- learning
- image
- grading
- Prior art date
Links
Landscapes
- Image Analysis (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Description
本發明「神經網路辨識水果分級之方法」之技術領域，係由一輸送帶裝置與CCD彩色攝影機，藉由神經網路軟體的配合達到準確分類之效果。
我國即將加入關稅暨貿易總協定(GATT)及國內經濟之發展，消費者對於水果的消費，將面臨有更多的選擇，相對國內果農亦將面對來自國外進口之各種水果的挑戰。傳統有以下的缺點：1、傳統分類水果品質的方法，是以水果的重量、色澤、外觀與經驗作為篩選的依據，容易因為個人主觀意識，造成無法精確地統一水果的品質。(中華民國專利公報號：M280870)
2、傳統分類水果品質的方法，是以投入大量人力於輸送帶分級台工作，容易因為篩選經驗不同，造成分級流程速度緩慢。(中華民國專利公報號：M281722)
3、傳統分類水果品質的方法，是以人工檢視水果品質以決定等級與售價，因此造成費時、費力、成本高，造成等級與實際品質差異過大，無法取信於消費者，提高果品價值。
(中華民國專利公報號：M323937)
本發明係利用神經網路之配合影像及機電整合等技術進行水果分級而產生以下優點：1、本發明係利用攝影機擷取水果影像特徵，將影像特徵輸入電腦與麥克風收集音頻，再以影像特徵與聲音頻譜輸入至類神經網路進行分類，以達到水果分級之目的，所以較無品質分級不明的風險，以提高水果品質篩選的精確度。
2、本發明係利用類神經網路方式與輸送帶運送，判斷水果的頻譜與影
像特徵，以達到自動篩選分類的等級，故可節省時間，提高水果分類包裝之速度。
3、本發明利用輸送帶自動運送水果至檢測單元，再配合神經網路進行水果等級分類，降低人工之必要操作過程，以達到降低人力成本之目的。
一種神經網路辨識水果分級之方法(如第一圖至第四圖)，該神經網路辨識水果分級之方法流程包含有學習過程、檢測過程與再學習過程該神經網路學習過程之步驟包含有，步驟一：設定初始鍵結值u ij
,w jk
及沿水平軸之飽和函數之偏差θ j
,θ k
均為很小亂數；步驟二：當停止條件尚未到達時，神經網路輸出值與訓練樣本實際輸出差異小於容許值，作步驟三到步驟十，否則結束學習過程；步驟三：對每一個聲音頻譜與影像特徵訓練樣本,作步驟四到步驟九；步驟四：將各個聲音頻譜與影像特徵之對應值x i
傳送到隱藏層的每一個節點作全連結運算；步驟五：計算隱藏層之輸出值h j
， ，其中作用函數定義為；步驟六：計算每一個輸出節點y k
，；步驟七：計算每一個輸出節點之回傳誤差，(y k
,k
＝1,2,…,m
)及鍵結修正量，其中
學習率0<α
<1，實際輸出值t k
；步驟八：計算隱藏層每一節點之鍵結修正值及回傳誤差，(h j
,j
＝1,2,…,p
)；步驟九：更新每一個鍵結值w ｊｋ
(new
),u ij
(new
),θ k
(new
),θ j
(new
)，其中w jk
(new
)＝w jk
(old
)＋△w jk
，u ij
(new
)＝u ij
(old
)＋△u ij
，θ k
(new
)＝θ k
(old
)＋△θ k
，θ j
(new
)＝θ j
(old
)＋△θ j
；步驟十：測試停止條件是否為真，如果否則回步驟二，是則停止學習；檢測過程
，其步驟含括有，步驟一：輸入待測水果之聲音頻譜及影像特徵屬性向量；步驟二：神經網路評估水果等級，將水果待測聲音頻譜與影像特徵參數樣本之屬性向量作為神經網路輸入向量，並計算神經網路各輸出節點輸出值，以最大輸出值之輸出節點相對應於所代表之水果等級，作為檢測樣本之水果等級，其中該神經網路評估水果等級評估步驟說明如下：過程1：將學習過程將中所訓練完成之神經網路鍵結值固定u ij
,w jk
,θ j
,θ k
；過程2：對每一個測試樣本,作過程3至過程5；過程3：將各個水果聲音頻譜及影像特徵之對應數值x i
傳送到隱藏層的每一個節點作全連結運算；
過程4：計算隱藏層之輸出值h j
，，其中作用函數定義為；過程5：計算每一個輸出層之輸出值y k
，；過程6：將y k
帶入方程式，求得對應之水果評估等級，category
(x 1
,x 2
,…,x n
)＝{k
|max{y 1
,y 2
,…,y s
}}；步驟三：檢測是否有誤判樣本，如果有，將誤判樣本資料儲存於學習樣本資料庫以利再學習資料之取得；步驟四：檢測是否結束，如果否回步驟一，如果是則停止檢測過程；再學習過程
，其步驟包含有，步驟一：將所有誤判樣本加入於學習樣本資料庫；步驟二：重新進行上述學習過程，使神經網路各節點權重可重新進行調整達至最佳化，以有效對近似或雷同之誤判樣本不會再發生誤判，而提升本發明之辨識精確度；藉由上述諸流程之組合，以水果n
項屬性向量作為神經網路的n
個輸入向量x i
,i
＝1,2,…,n
，s
個輸出節點y k
,k
＝1,2,…,s
分別對應於水果等級，依序進行學習過程、檢測過程，其中學習過程中，藉由神經網路利用訓練樣本已知之輸入值與輸出值(即學習樣本資料庫中，訓練樣本屬性向量與其相對應之水果等級)調整各節點權重，使神經網路輸出值與樣本實際輸出值之誤差最小作為目標函數，將各節點鍵結值調整至最佳化，以提升神經網路辨識精度，學習過程結束後並
固定各節點權重，以利檢測過程之辨識；檢測過程中將等待檢測樣本屬性向量之聲音頻譜及影像特徵作為辨識向量，經由神經網路進行水果等級評估，評估過程如果有誤判樣本，則將誤判樣本資料儲存於學習樣本資料庫以利再學習資料之取得，並提升檢測過程之辨識；再學習過程是經由誤判樣本加入於學習樣本資料庫，使神經網路調整各節點權重，以達至後續檢測過程對於相似或雷同之前述誤判樣本不再產生誤判情形，俾提升水果分級之辨識精度。
神經網路作水果分級之方法，其中學習過程步驟三，該訓練樣本之聲音頻譜及影像特徵屬性向量是經由實驗或模擬所獲取，每一筆訓練資料包含七項(或其他更多項之n
＋1
維)數據，前六項(或前n
維)數據為聲音頻譜及影像特徵屬性向量依序將不同聲音頻寬等分為頻寬面積擷取，頻寬最大振幅擷取，頻寬最大振幅頻率擷取，影像特徵則擷取影像灰階分佈，區域面積及色澤均勻度，第七訓練項數據是依據現有已知標準方法所獲取之水果等級評估標準值，假設其為正確之水果分級標準值。
神經網路作水果分級之方法，其中，檢測過程步驟二該神經網路的n
個輸出節點分別對應於水果等級，其對應方式分別為A級水果神經網路輸出節點以(1,0,0,0)表示，B級水果為(0,1,0,0)，C級水果為(0,0,1,0)，D級水果為(0,0,0,1)。
一種神經網路作水果分級之裝置包括神經網路辨識水果分級之方法、輸送機構(10)與分級機構(20)，其中
輸送機構(10)，係由輸送架(101)、滾輪(102)、馬達(103)組合而成，該輸送架(101)為輸送機構(10)之本體，該輸送架(101)內側有數個連接軸，架上分別有四個凹槽，該滾輪(102)位於輸送架(101)兩側之中間，由連接軸作連結，該馬達(103)位於前後滾輪(102)下方，藉由馬達(103)動力驅動滾輪(102)；分級機構(20)，係由偏振板(201)、麥克風(202)、聲音擷取卡(203)、攝影機(204)、影像擷取卡(205)與個人電腦(206)組合而成，該偏振板(201)固定於輸送架(101)的兩側之凹槽中，藉由該偏振板(201)拍擊水果，使得水果發出聲音頻譜，該麥克風(202)位於偏振板(201)上方，用以接收偏振板(201)所發出之頻譜，該聲音擷取卡(203)位於分級機構(20)內部，藉由聲音擷取卡(203)將麥克風(202)所接收之聲音頻譜進行分析，該攝影機(204)固定於輸送架凹槽中，用以擷取水果之影像，該影像擷取卡(205)位於分級機構(20)內部，功能將攝影機(204)所擷取之影像進行分析，該個人電腦位(206)於輸送帶旁，藉由個人電腦(206)將聲音擷取卡(203)與影像擷取卡(205)之所分析聲音頻普及影像特徵，進行神經網路水果分級；藉由上述諸機構之組成，將待分級之水果放置於輸送機構(10)，當水果靠近偏振板(201)時，該偏振板(201)拍擊水果用麥克風(202)收集所發出之聲音頻譜，用聲音擷取卡(203)將聲音頻譜送至個人電腦(206)，之後水果接近攝影機(204)時，用攝影機(204)擷取水果影像特徵，用影像擷取卡(205)將影像特徵送到個人電腦(206)，再最後
藉由個人電腦(206)將聲音頻譜及影像特徵進行神經網路比對分析，達到水果分級之目的。
(10)‧‧‧輸送機構
(101)‧‧‧輸送架
(102)‧‧‧滾輪
(103)‧‧‧馬達
(20)‧‧‧分級機構
(201)‧‧‧偏振板
(202)‧‧‧麥克風
(203)‧‧‧聲音擷取卡
(204)‧‧‧攝影機
(205)‧‧‧影像擷取卡
(206)‧‧‧個人電腦
第一圖為本發明之裝置圖。
第二圖為本發明之神經網路學習流程圖。
第三圖為本發明之神經網路架構圖。
第四圖為本發明之檢測過程流程圖。
第五圖為本發明之完整裝置圖。
(10)‧‧‧輸送機構
(101)‧‧‧輸送架
(102)‧‧‧滾輪
(103)‧‧‧馬達
(20)‧‧‧分級機構
(201)‧‧‧偏振板
(202)‧‧‧麥克風
(203)‧‧‧聲音擷取卡
(204)‧‧‧攝影機
(205)‧‧‧影像擷取卡
(206)‧‧‧個人電腦
Claims (5)
- 一種神經網路辨識水果分級之方法，該神經網路辨識水果分級之方法流程包含有學習過程、檢測過程與再學習過程該神經網路學習過程之步驟包含有，步驟一：設定初始鍵結值u ij ,w jk 及沿水平軸之飽和函數之偏差θ j ,θ k 均為很小亂數；步驟二：當停止條件尚未到達時，神經網路輸出值與訓練樣本實際輸出差異小於容許值，作步驟三到步驟十，否則結束學習過程；步驟三：對每一個聲音頻譜與影像特徵訓練樣本,作步驟四到步驟九；步驟四：將各個聲音頻譜與影像特徵之對應值x i 傳送到隱藏層的每一個節點作全連結運算；步驟五：計算隱藏層之輸出值h j ，，其中作用函數定義為；步驟六：計算每一個輸出節點y k ，；步驟七：計算每一個輸出節點之回傳誤差，(y k ,k ＝1,2,…,m )及鍵結修正量，其中學習率0<α <1，實際輸出值t k ；步驟八：計算隱藏層每一節點之鍵結修正值及回傳誤差，(h j ,j ＝1,2,…,p )；步驟九：更新每一個鍵結值w jk (new ),u ij (new ),θ k (new ),θ j (new )，其中w jk (new )＝w jk (old )＋△w jk ，u ij (new )＝u ij (old )＋△u ij ，θ k (new )＝θ k (old )＋△θ k ，θ j (new )＝θ j (old )＋△θ j ；步驟十：測試停止條件是否為真，如果否則回步驟二，是則停止學習；檢測過程 ，其步驟含括有，步驟一：輸入待測水果之聲音頻譜及影像特徵屬性向量；步驟二：神經網路評估水果等級，將水果待測聲音頻譜與影像特徵參數樣本之屬性向量作為神經網路輸入向量，並計算神經網路各輸出節點輸出值，以最大輸出值之輸出節點相對應於所代表之水果等級，作為檢測樣本之水果等級，其中該神經網路評估水果等級評估步驟說明如下：過程1：將學習過程將中所訓練完成之神經網路鍵結值固定u ij ,w jk ,θ j ,θ k ；過程2：對每一個測試樣本,作過程3至過程5；過程3：將各個水果聲音頻譜及影像特徵之對應數值x i 傳送到隱藏層的每一個節點作全連結運算；過程4：計算隱藏層之輸出值h j ，，其中作用函數定義為；過程5：計算每一個輸出層之輸出值y k ，；過程6：將y k 帶入方程式，求得對應之水果評估等級，category (x 1 ,x 2 ,…,x n )＝{k |max{y 1 ,y 2 ,…,y s }}； 步驟三：檢測是否有誤判樣本，如果有，將誤判樣本資料儲存於學習樣本資料庫以利再學習資料之取得；步驟四：檢測是否結束，如果否回步驟一，如果是則停止檢測過程；再學習過程 ，其步驟包含有，步驟一：將所有誤判樣本加入於學習樣本資料庫；步驟二：重新進行上述學習過程，使神經網路各節點權重可重新進行調整達至最佳化，以有效對近似或雷同之誤判樣本不會再發生誤判，而提升本發明之辨識精確度；藉由上述諸流程之組合，以水果n 項屬性向量作為神經網路的n 個輸入向量x i ,i ＝1,2,…,n ，s 個輸出節點y k ,k ＝1,2,…,s 分別對應於水果等級，依序進行學習過程、檢測過程，其中學習過程中，藉由神經網路利用訓練樣本已知之輸入值與輸出值(即學習樣本資料庫中，訓練樣本屬性向量與其相對應之水果等級)調整各節點權重，使神經網路輸出值與樣本實際輸出值之誤差最小作為目標函數，將各節點鍵結值調整至最佳化，以提升神經網路辨識精度，學習過程結束後並固定各節點權重，以利檢測過程之辨識；檢測過程中將等待檢測樣本屬性向量之聲音頻譜及影像特徵作為辨識向量，經由神經網路進行水果等級評估，評估過程如果有誤判樣本，則將誤判樣本資料儲存於學習樣本資料庫以利再學習資料之取得，並提升檢測過程之辨識；再學習過程是經由誤判樣本加入於學習樣本資料庫，使神經網 路調整各節點權重，以達至後續檢測過程對於相似或雷同之前述誤判樣本不再產生誤判情形，俾提升水果分級之辨識精度。
- 如申請專利範圍第1項所述之神經網路辨識水果分級之方法，其中學習過程步驟三，該訓練樣本之聲音頻譜及影像特徵屬性向量是經由實驗或模擬所獲取，每一筆訓練資料包含七項(或其他更多項之n +1 維)數據，前六項(或前n 維)數據為聲音頻譜及影像特徵屬性向量依序將不同聲音頻寬等分為頻寬面積擷取，頻寬最大振幅擷取，頻寬最大振幅頻率擷取，影像特徵則擷取影像灰階分佈，區域面積及色澤均勻度，第七訓練項數據是依據現有已知標準方法所獲取之水果等級評估標準值，假設其為正確之水果分級標準值。
- 如申請專利範圍第1項所述之神經網路辨識水果分級之方法，其中，檢測過程步驟二該神經網路的n 個輸出節點分別對應於水果等級，其對應方式分別為A級水果神經網路輸出節點以(1,0,0,0)表示，B級水果為(0,1,0,0)，C級水果為(0,0,1,0)，D級水果為(0,0,0,1)。
- 一種神經網路作水果分級之裝置，包括神經網路辨識水果分級之方法、分級機構與輸送機構，其中輸送機構，係由輸送架、滾輪、馬達組合而成，該輸送架為輸送機構之本體，該輸送架內側有數個連接軸，架上分別有四個凹 槽，該滾輪位於輸送架兩側之中間，由連接軸作連結，該馬達位於前後滾輪下方，藉由馬達動力驅動滾輪；分級機構，係由偏振板、麥克風、聲音擷取卡、攝影機、影像擷取卡與個人電腦組合而成，該偏振板固定於輸送架的兩側之凹槽中，藉由該偏振板拍擊水果，使得水果發出聲音頻譜，該麥克風位於偏振板上方，用以接收偏振板所發出之頻譜，該聲音擷取卡位於分級機構內部，藉由聲音擷取卡將麥克風所接收之聲音頻譜進行分析，該攝影機固定於輸送架凹槽中，用以擷取水果之影像，該影像擷取卡位於分級機構內部，功能將攝影機所擷取之影像進行分析，該個人電腦位於輸送帶旁，藉由個人電腦將聲音擷取卡與影像擷取卡之所分析聲音頻普及影像特徵，進行神經網路水果分級；藉由上述諸機構之組成，將待分級之水果放置於輸送機構，當水果靠近偏振板時，該偏振板拍擊水果用麥克風收集所發出之聲音頻譜，用聲音擷取卡將聲音頻譜送至個人電腦，之後水果接近攝影機時，用攝影機擷取水果影像特徵，用影像擷取卡將影像特徵送到個人電腦，再最後藉由個人電腦將聲音頻譜及影像特徵進行神經網路比對分析，達到水果分級之目的。
- 如申請專利範圍第4項所述之神經網路辨識水果分級之裝置，其中該神經網路辨識水果分級之方法為申請專利範圍第1至第3項所述之神經網路辨識水果分級之方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW97141284A TWI386858B (zh) | 2008-10-28 | 2008-10-28 | The method of neural network identification of fruit grading |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW97141284A TWI386858B (zh) | 2008-10-28 | 2008-10-28 | The method of neural network identification of fruit grading |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW201017560A TW201017560A (en) | 2010-05-01 |
| TWI386858B true TWI386858B (zh) | 2013-02-21 |
Family
ID=44830899
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW97141284A TWI386858B (zh) | 2008-10-28 | 2008-10-28 | The method of neural network identification of fruit grading |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI386858B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI564821B (zh) * | 2015-11-10 | 2017-01-01 | 財團法人工業技術研究院 | 有機物件的分級方法與有機物件的分級裝置 |
| CN108319968A (zh) * | 2017-12-27 | 2018-07-24 | 中国农业大学 | 一种基于模型融合的果蔬图像分类识别方法及系统 |
| JP7239300B2 (ja) * | 2018-11-01 | 2023-03-14 | 浜松ホトニクス株式会社 | スペクトル分析装置およびスペクトル分析方法 |
| CN110659676A (zh) * | 2019-09-09 | 2020-01-07 | 卓尔智联(武汉)研究院有限公司 | 一种信息处理方法、装置和存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6512577B1 (en) * | 2000-03-13 | 2003-01-28 | Richard M. Ozanich | Apparatus and method for measuring and correlating characteristics of fruit with visible/near infra-red spectrum |
| TW200531752A (en) * | 2004-03-23 | 2005-10-01 | Jadever Scale Co Ltd | Device and method for classifying agricultural and livestock products |
-
2008
- 2008-10-28 TW TW97141284A patent/TWI386858B/zh not_active IP Right Cessation
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6512577B1 (en) * | 2000-03-13 | 2003-01-28 | Richard M. Ozanich | Apparatus and method for measuring and correlating characteristics of fruit with visible/near infra-red spectrum |
| TW200531752A (en) * | 2004-03-23 | 2005-10-01 | Jadever Scale Co Ltd | Device and method for classifying agricultural and livestock products |
Also Published As
| Publication number | Publication date |
|---|---|
| TW201017560A (en) | 2010-05-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100480680C (zh) | 多光谱肉类新鲜度人工智能测量方法及系统 | |
| CN109727246A (zh) | 一种基于孪生网络的对比学习图像质量评估方法 | |
| CN109101938B (zh) | 一种基于卷积神经网络的多标签年龄估计方法 | |
| CN107016413B (zh) | 一种基于深度学习算法的烟叶在线分级方法 | |
| CN110276386A (zh) | 一种基于机器视觉的苹果分级方法及系统 | |
| CN105427275B (zh) | 大田环境麦穗计数方法及装置 | |
| CN109376773A (zh) | 基于深度学习的裂纹检测方法 | |
| CN110736709A (zh) | 一种基于深度卷积神经网络的蓝莓成熟度的无损检测方法 | |
| Pan et al. | Eggshell crack detection based on computer vision and acoustic response by means of back-propagation artificial neural network | |
| TWI386858B (zh) | The method of neural network identification of fruit grading | |
| CN102411777B (zh) | 一种印刷品划痕缺陷检测方法 | |
| CN110473179A (zh) | 一种基于深度学习的薄膜表面缺陷检测方法、系统及设备 | |
| CN110161233B (zh) | 一种免疫层析试纸卡的快速定量检测方法 | |
| CN107369155A (zh) | 一种基于机器视觉的布匹表面疵点检测方法及其系统 | |
| CN109509170A (zh) | 一种压铸件缺陷检测方法及装置 | |
| WO2023084543A1 (en) | System and method for leveraging neural network based hybrid feature extraction model for grain quality analysis | |
| CN106355579A (zh) | 烟条表面褶皱的缺陷检测方法 | |
| CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
| US20220245402A1 (en) | Ai-based pre-training model determination system, and ai-based vision inspection management system using same for product production lines | |
| CN106645180A (zh) | 检查基板玻璃缺陷的方法、现场终端及服务器 | |
| CN116503402B (zh) | 一种粮食并肩杂质含量的检测方法及装置 | |
| CN115631186B (zh) | 一种基于双分支神经网络的工业元件表面缺陷检测方法 | |
| CN111340098B (zh) | 基于鞋印图像的STA-Net年龄预测方法 | |
| CN114544920A (zh) | 盖梁施工用的振捣检测装置及方法 | |
| CN114972342A (zh) | 一种变速箱齿轮表面缺陷检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | Annulment or lapse of patent due to non-payment of fees |