苹果图像特征提取与分类算法的分析与应用-analysis and application of apple image feature extraction and classification algorithm.docxVIP

摘要研究和开发苹果自动实时分级系统，选出高质量的水果，为国家创取外汇，在我国具有重要的经济价值和广阔的应用前景，目前国内外研究比较多的是农产品苹果的品质检测。在苹果品质检测方面，国外在某些品质检测（如大小、形状、颜色、表面缺陷等）项目已经商品化，并能达到实时速度。在国内，苹果的品质检测研究从90年代才开始，仅停留在外部的品质检测上，且远没达到实时检测分级的水平。我国苹果的生产在整个农产品的生产中占有很大的比例，是重要的外贸出口产品。但由于产后处理不够，使得外销苹果的品质难以保证，在国际市场上缺乏竞争力。其原因首先是检测与分选的手段落后，在我国苹果分级基本上仍由人工完成。人工分级的缺点主要有：劳动量大，生产率低，分级标准难以实现，分级精度不稳定。因为在苹果分级标准中，着色面积和缺陷面积的量度，仅凭人的视觉难以精确区分，且人长时间用眼，会造成疲劳及情绪的不稳定，从而造成分级误差的波动。本文以计算机视觉为主要手段，利用模式识别技术来检测苹果伤疤，重点在苹果伤疤的特征提取和分类识别技术进行了研究，本文的主要贡献在于以下几点：①在苹果图像预处理阶段，本文主要采取了中值滤波除去噪声，改善了图像质量，降低了计算复杂度，从而有利于提高后续算法的实施速度和收敛速度。②在特征提取阶段，本文讨论了苹果伤疤局部特征的提取方法，包括颜色特征、纹理特征、灰度共生矩阵以及尺度不变性的特征变换（Scale-invariantfeaturetransform,SIFT）提取方法，并重点介绍了本论文中所采用的基于尺度不变的局部特征（SIFT）变换方法。③在分类阶段，本文介绍了基于支持向量机（SupportVectorMachine,SVM）在苹果伤疤分类中的应用。为了识别的精度，本文分两步进行识别，先把图像分成小窗口，进行窗口检测；然后把检测的小窗口合并，再进行形态学处理以填充可能存在的空洞；最后再通过在大尺度空间里检测苹果伤疤的关键点，把有关键点的区域给标记出来。通过这个方法可以很好的对苹果伤疤的识别。最后对全文内容进行了归纳，提出了若干有待进一步深入研究和探讨的问题。关键词：品质检测，苹果伤疤，中值滤波，尺度不变性特征，支持向量机ABSTRACTThestudyanddevelopmentofapplesautomatedreal-timegradingsystemtoselecthighqualityfruits,createdforthecountrytotakeforeigncurrency,inourcountryhasanimportanteconomicvalueandbroadapplicationprospects.Thecurrentstudiesmostlyareapplesqualityinspectionofagriculturalproductsathomeandabroad.Intheapplequalityinspection,abroadsomequalityofdetectionprojects(suchassize,shape,color,surfacedefects,etc.)havebeencommercialized,andcanachievereal-timespeed.Inchina,thequalityofdetectionofapplefromthe90sbegan,anditstayedonexternalqualityinspection,andmuchdidnotreachlevelofreal-timedetectionclassification.Chinasappleproductioninthewholeagriculturalproductionaccountsforalargeproportion,andisanimportantexportproduct.However,post-harvesthandlingisnotenoughtomakeexportsdifficulttoensurethequalityofapples.Soitlackscompetitionintheinternationalmarket.Thereasonsfirstandforemostarethatameansofdetectionandsortinggetsbehind,andapplesclassificationinchinawasstilllargelymanuallycompleted.Disadvantagesofartificialclassificationare:alargequantityoflabor,lowproductivity,difficulttoachievegradings