- 1、本文档共63页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
摘 要
干制哈密大枣具有极高的营养及药用价值,深受广大消费者的青睐。随着社会对红
枣的需求量不断加大,广大企业家对红枣加工处理的积极性也得到了提高。在干制哈密
大枣加工过程中,其表面褶皱情况是评估干制哈密大枣外部品质的重要分级标准,因此
必须根据干制哈密大枣表面褶皱情况,对其进行进一步分拣,来提高干制哈密大枣的附
在价值。本文在前人理论和实际应用的基础上,利用机器视觉采集平台拍摄干制哈密大
枣图像,用于后续的图像处理和干制哈密大枣分级研究。
本论文主要研究成果如下:
1、利用单尺度二维离散小波将干制哈密大枣图像分解得到低频信号和高频信号,
图像的低频信号能反应图像的轮廓,而高频信号更能反应图像混入的噪声和细节。因此
通过分别将高频信号的水平、垂直和对角信号进行削弱再和增强的低频信号进行图像重
构,将重构好的干制哈密大枣图像用于后续连通域的提取。为了提取更加丰富的干制哈
密大枣纹理信息,本文通过将高频信号的水平、垂直和对角信号进行增强再和削弱的低
频信号进行图像重构,将重构图用于后续干制哈密大枣纹理信息的提取。
2 、本文运用前人提出的两种描述连通域密度的算法,来定量描述干制哈密大枣表
A 1
面褶皱情况。在算法一 ( )中,将图像的质心作为坐标系的原点,并计算从每个连通
A2
域的质心到坐标系原点距离和的平均值。在算法二 ( )中,将图像中每个连通域质心
的横纵坐标分别相加取平均,并将其作为坐标系原点,然后再计算每一个连通域质心坐
标到坐标系原点的距离,最后将这些距离相加取平均,作为第二种算法提取的特征值。
再分别利用灰度共生矩阵(GLCM)和颜色特征提取算法提取干制哈密大枣表面的6 个纹
理特征和9 个颜色特征。本论文为了更好的评估干制哈密大枣表面褶皱等级情况,利用
SPSS 软件将前面提取的图像特征值 (A 1、A2 和9 个颜色特征)与GLCM 提取的6 个
纹理特征进行了相关性分析,其结果表示除mH 、mh 和ms 外,所有特征值均与GLCM
中的最大概率(Maxp )、相关性(Corr )、对比度 (Con )、能量 (Asm )和一致性(Hom )
A 1 A2 Maxp Corr
呈显著相关 (一致性和相关性与其成负相关)。因此,选择 或 、 、 、
Con 、Asm 、Hom 、mRGB 、mSI 和mv 作为模型的输入特征值,用于根据表面褶皱对干
制哈密大枣等级进行评估。
3、两组数据 (A 1+Maxp 、Corr 、Con 、Asm 、Hom+mRGB 、mSI、mv ;A2+Maxp 、
Corr Con Asm Hom+mRGB mSI mv SVM
、 、 、 、 、 )分别输入支持向量机 ( )和极限学习
机 (ELM )模型。通过比较分析其分类结果,发现SVM 分类效果优于ELM 分类模型,
A2+Maxp Corr Con Asm Hom+mRGB mSI mv
且 、 、 、 、 、 、 这种选择性融合方式优于其
他的特征融合方式。为了提高模型评估的准确率,避免造成模型的过度拟合,因此本文
用Zscore 标准化法对两组原始数据进行预处理,并对SVM 分类模型的参数采用网格搜
I
寻优化法进行优化,其结果为训练集的分类准确率为95%,测试集的分类效果为94.44% 。
4 、虽然SVM 模型对根据表面褶皱对干制哈密大分类准确率比较高,但是图像预处
理和特征提取的过程都比较复杂,因此本文提出利用卷积神经网络 (CNN )对基于表面
褶皱对干制哈密大枣进行等级评估与分类。为了避免一些无用信息输入深度学习卷积神
经网络模型中,将干制哈密大枣图像进行了最小矩形框处理和背景分割,再归一化为
64×64 大小的图片输入卷积神经网络模型中。通过对卷积神经网络模型结构进行设计和
参数进行选择,来提
文档评论(0)