CN112668645A - 一种基于人的生理认知特点对苹果精细化分拣的分类方法 - Google Patents
一种基于人的生理认知特点对苹果精细化分拣的分类方法 Download PDFInfo
- Publication number
- CN112668645A CN112668645A CN202011581252.XA CN202011581252A CN112668645A CN 112668645 A CN112668645 A CN 112668645A CN 202011581252 A CN202011581252 A CN 202011581252A CN 112668645 A CN112668645 A CN 112668645A
- Authority
- CN
- China
- Prior art keywords
- brain
- apple
- human
- activity
- decision boundary
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 235000021016 apples Nutrition 0.000 title claims abstract description 18
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 7
- 244000141359 Malus pumila Species 0.000 title 1
- 241000220225 Malus Species 0.000 claims abstract description 41
- 210000004556 brain Anatomy 0.000 claims abstract description 20
- 230000000694 effects Effects 0.000 claims abstract description 18
- 238000012706 support-vector machine Methods 0.000 claims abstract description 16
- 238000002610 neuroimaging Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000001788 irregular Effects 0.000 claims abstract description 4
- 230000007177 brain activity Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 8
- 230000000638 stimulation Effects 0.000 claims description 7
- 210000003710 cerebral cortex Anatomy 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000005481 NMR spectroscopy Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008092 positive effect Effects 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 abstract description 3
- 230000019771 cognition Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000005284 excitation Effects 0.000 description 3
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002964 excitative effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
一种基于人的生理认知特点对苹果进行精细化等级分拣的分类方法，含有以下步骤：步骤1：获取人脑观看识别苹果时的脑成像数据；步骤2：对脑成像数据进行处理，获得判断颜色红、个头大且形状规则的苹果的积极活动因子α；步骤3：直接运用带有颜色红、个头大且形状规则和颜色青、个头小且形状不规则的图片对支持向量机算法进行训练，利用惩罚函数HL调整决策边界；步骤4：把步骤2中人脑识别中的积极活动因子的影响带入到步骤3的调整决策边界的过程中，当判断有误时加大惩罚的力度，进一步优化调整决策边界；步骤5：用训练好的分类器对样本进行分类。本发明适用于果农针对不同品质的苹果分级销售时使用人工分拣成本较高的情况。
Description
技术领域
本发明涉及一种基于人的生理认知特点对苹果精细化分拣的分类方法，这种生理认知在此被认为是人脑进行识别判断的脑部活动特征，此方法适用于苹果经销商针对不同品质的苹果分级销售时使用人工分拣成本较高的情况。
背景技术
为了保证果园的收益最大化和消费者的不同需求，果农在采摘苹果时候需要将不同颜色、大小和形状的苹果进行分拣。果农面对大量待分拣的苹果需要投入大量的人力、物力和时间成本，而且通过人工筛选方式分拣往往存在一定的主观因素，不同分拣人员可能会对苹果进行不同的分拣方式，最后造成苹果分拣混乱，大小不一。除此之外，现有的流水线分拣方法，主要是针对苹果的大小作为主要的分类特征，导致大小均匀的苹果中含有形状、颜色差异明显的现象，这些现象在外销过程中都有一定的负面影响。
当某图像出现在人的视觉范围内，图像中所包含目标的种类(颜色、形状、位置的远近)将作为视觉刺激，大脑皮层的不同区域接收到刺激产生不同等程度的兴奋，并且根据这种强烈的兴奋信号做出判断。即是说，若刺激信息到达大脑皮层，对应区域的神经元被调动产生兴奋，不相关的神经元不产生或者产生微弱的兴奋，神经的相似性与刺激的某个维度(形状、颜色、气味等)相关联。这些兴奋表现在核磁共振成像图像上，关联性越强的区域fMRI图像中的红色区域就越明显，关联性越弱则蓝色越明显。当神经激活模式以体素的形式呈现效果与认知维度相同时，尽管我们不清楚刺激所归属的类型，仍能根据兴奋神经元所在的区域，推测出刺激的类型，从而帮助我们分类决策。
通过核磁共振成像技术可以追踪到识别苹果的大小、形状、颜色的实验者的脑成像，在此过程中实验者同时做出针对看到的苹果的特征(大小、形状、颜色)做出判断。通过对脑成像得到的图片进行语义分析、数据处理和特征提取得到数据，作为支持向量机的训练集数据，通过对损失函数的修改帮助支持向量机调整决策边界，对新的图片中的信息进行识别。因此通过获取到的脑成像进行训练学习，把人识别判断的这种生理认知特点应用到苹果分拣当中去。
现有的苹果分拣方法有人工分拣和基础工业流水线分拣方式，人工分拣方式效率低、成本高，工业流水线分拣方式又不够精细化，导致最后的分拣出来的苹果形状、颜色差异化明显。
发明内容
本发明要克服现有方法的上述缺点，介绍一种基于人的生理认知特点对苹果精细化分拣的分类方法。
本发明能够使尽量减少人力物力成本的前提下又能保证苹果分类等级的精细化，提出了人脑进行识别判断的脑部活动特征运用到现有支持向量机算法的训练过程中的方法，把人对此类识别分类情境提供了一种新的应用思路。
本发明解决其技术问题所采用的技术方案是：
一种基于人脑进行识别判断的脑部活动特征帮助支持向量机算法对苹果进行等级精细化分拣的分类方法，含有以下步骤：
步骤1：获取人脑观看识别苹果时的脑成像数据：通过核磁共振技术读取实验者对苹果进行分类判断时的大脑活动，同时记录大脑活动和对应的视觉刺激(正在识别的苹果的特征)之间的关联性。对大脑活动图像进行分析和处理，得到大脑皮层进行识别判断时的图像数据；
步骤2：对脑成像数据进行处理，获得判断颜色红、个头大且形状规则的苹果的积极活动因子α：对步骤1获得的图像数据预处理，提取脑部在识别刺激类型时的活动特征，作为积极活动因子α；
步骤3：直接运用带有颜色红、个头大且形状规则和颜色青、个头小且形状不规则的图片对支持向量机算法进行训练，利用惩罚函数HL调整决策边界；
步骤4：把步骤2中人脑识别中的积极活动因子的影响带入到步骤3的调整决策边界的过程中，当判断有误时加大惩罚的力度，进一步优化调整决策边界；
步骤5：用训练好的分类器对样本进行分类。
本发明提出了利用人脑进行识别判断的脑部活动特征帮助支持向量机算法在小样本的训练情况下提高分类精度，对此类的机器学习算法面对的分类方法提供了一种新思路。
支持向量机算法能对图片中的特征进行提取，对新的图片中的信息进行识别，因此就可以对大量的已知标签的图片进行训练后，对未知标签的图片进行分类；从观看图像的对象进行的人脑活动进行fMRI测量数据注入到支持向量机识别学习算法的训练过程中，当判断出错时加入积极活动因子对应的惩罚力度。
与现有技术相比，本发明技术方案的优点有：
(1)只需要少量的训练样本就可以得到较高的分类
(2)把人脑的识别模式和机器学习结合起来，可以让算法更接近人
附图说明
图1是本发明的流程图
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合实施例对本发明作进一步的详细描述。
一种基于人脑进行识别判断的脑部活动特征帮助支持向量机算法对苹果进行精细化分拣的方法，含有以下步骤：
步骤1：取人脑观看识别苹果时的脑成像数据：通过核磁共振技术读取实验者对苹果进行分类判断时的大脑活动，同时记录大脑活动和对应的视觉刺激(正在识别的苹果的特征)之间的关联性。对大脑活动图像进行分析和处理，得到大脑皮层进行识别判断时的图像数据；
步骤2：对脑成像数据进行处理，获得判断颜色红、个头大且形状规则的苹果的积极活动因子α：对步骤1获得的图像数据预处理，提取脑部在识别刺激类型时的活动特征，作为积极活动因子α；
步骤3：直接运用带有颜色红、个头大且形状规则和颜色青、个头小且形状不规则的图片对支持向量机算法进行训练，利用惩罚函数HL调整决策边界；
步骤4：把步骤2中人脑识别中的积极活动因子带入到步骤3的调整决策边界的过程中，当判断有误时，惩罚是(1-z)α，加大惩罚的力度，进一步优化调整决策边界；
步骤5：用训练好的支持向量机分类器对待分拣的苹果进行分类。
本发文所称的支持向量机算法、损失函数，参见Danmei Chen,Sheng Li,ZoeKourtzi,and Si Wu等人于2010年发表的《Behavior-Constrained Support VectorMachines for fMRI Data Analysis》一文。
本发文所称的积极活动因子，参见Ruth C.Fong1,3,Walter J.Scheirer2,3&David D.Cox3等人于2018年发表的《Using human brain activity to guide machinelearning》一文。
本发明涉及一种基于人的生理认知特点对苹果精细化分拣的分类方法，这种生理认知在此被认为是人脑进行识别判断的脑部活动特征，此方法适用于果农针对不同品质的苹果分级销售时使用人工分拣成本较高的情况。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (2)
1.一种基于人的生理认知特点对苹果精细化分拣的分类方法，含有以下步骤：
步骤1：取人脑观看识别苹果时的脑成像数据：通过核磁共振技术读取实验者对苹果进行分类判断时的大脑活动，同时记录大脑活动和对应的视觉刺激(正在识别的苹果的特征)之间的关联性。对大脑活动图像进行分析和处理，得到大脑皮层进行识别判断时的图像数据；
步骤2：对脑成像数据进行处理，获得判断颜色红、个头大且形状规则的苹果的积极活动因子α：对步骤1获得的图像数据预处理，提取脑部在识别刺激类型时的活动特征，作为积极活动因子α；
步骤3：直接运用带有颜色红、个头大且形状规则和颜色青、个头小且形状不规则的图片对支持向量机算法进行训练，利用惩罚函数HL调整决策边界；
步骤4：把步骤2中人脑识别中的积极活动因子带入到步骤3的调整决策边界的过程中，当判断有误时，惩罚是(1-z)α，加大惩罚的力度，进一步优化调整决策边界；
步骤5：用训练好的支持向量机分类器对待分拣的苹果进行分类。
2.如权利要求1所述的一种基于人的生理认知特点对苹果精细化分拣的分类方法，其特征在于：把人的识别判断时的脑部活动特征添加到支持向量机算法的训练过程中，使人脑的活动特点直接引导支持向量机算法，帮助提高分类器提高训练精度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011581252.XA CN112668645A (zh) | 2020-12-28 | 2020-12-28 | 一种基于人的生理认知特点对苹果精细化分拣的分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011581252.XA CN112668645A (zh) | 2020-12-28 | 2020-12-28 | 一种基于人的生理认知特点对苹果精细化分拣的分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112668645A true CN112668645A (zh) | 2021-04-16 |
Family
ID=75411016
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011581252.XA Pending CN112668645A (zh) | 2020-12-28 | 2020-12-28 | 一种基于人的生理认知特点对苹果精细化分拣的分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112668645A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663414A (zh) * | 2012-03-14 | 2012-09-12 | 大连灵动科技发展有限公司 | 一种基于脑功能成像的识别大脑认知状态的方法 |
| CN106682681A (zh) * | 2016-08-19 | 2017-05-17 | 江苏电力信息技术有限公司 | 一种基于相关反馈的识别算法自动改进方法 |
| CN111814825A (zh) * | 2020-06-04 | 2020-10-23 | 济南大学 | 基于遗传算法优化支持向量机的苹果检测分级方法及*** |
-
2020
- 2020-12-28 CN CN202011581252.XA patent/CN112668645A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663414A (zh) * | 2012-03-14 | 2012-09-12 | 大连灵动科技发展有限公司 | 一种基于脑功能成像的识别大脑认知状态的方法 |
| CN106682681A (zh) * | 2016-08-19 | 2017-05-17 | 江苏电力信息技术有限公司 | 一种基于相关反馈的识别算法自动改进方法 |
| CN111814825A (zh) * | 2020-06-04 | 2020-10-23 | 济南大学 | 基于遗传算法优化支持向量机的苹果检测分级方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886273A (zh) | 一种cmr图像分割分类*** | |
| WO2019000653A1 (zh) | 一种图像目标识别方法及装置 | |
| Mohamed et al. | Automated detection of white blood cells cancer diseases | |
| Halder et al. | Plant disease detection by image pro-cessing: a literature review | |
| CN108776774A (zh) | 一种基于复杂度感知分类算法的面部表情识别方法 | |
| Amel et al. | Improvement of the hard exudates detection method used for computer-aided diagnosis of diabetic retinopathy | |
| Harangi et al. | Automatic exudate detection with improved naïve-Bayes classifier | |
| CN104036247A (zh) | 基于脸部特征的人脸种族分类方法 | |
| CN108256579A (zh) | 一种基于先验知识的多模态民族认同感量化测量方法 | |
| CN109934203A (zh) | 一种基于信息熵选择的代价敏感增量式人脸识别方法 | |
| CN109543518A (zh) | 一种基于积分投影的人脸器官精确识别方法 | |
| CN109409440A (zh) | 一种基于颜色特征和支持向量机的蚕茧分类方法 | |
| Aliyu et al. | Normal and abnormal red blood cell recognition using image processing | |
| CN109009096A (zh) | 一种对影视作品在线客观评价的***及方法 | |
| Kumari et al. | Performance analysis of support vector machine in defective and non defective mangoes classification | |
| CN112401857A (zh) | 一种驾驶员酒驾检测方法 | |
| Alzu’bi et al. | Dates fruits classification using SVM | |
| CN114937032A (zh) | 基于染色分离的病理切片颜色相关质量评估方法 | |
| CN115034296A (zh) | 一种基于域相似性脑电跨被试源域选择方法 | |
| Rameen et al. | Leveraging supervised machine learning techniques for identification of malaria cells using blood smears | |
| KR20200136004A (ko) | 세포 샘플 내에서 적어도 하나의 기형을 가지는 세포를 검출하기 위한 방법 | |
| CN107392115A (zh) | 一种基于分层特征提取的交通标志识别方法 | |
| Dehmeshki et al. | Classification of disease subgroup and correlation with disease severity using magnetic resonance imaging whole-brain histograms: application to magnetization transfer ratios and multiple sclerosis | |
| KR20010017092A (ko) | 혈구세포의 형태 자동 분석 및 카운트 방법 | |
| CN112668645A (zh) | 一种基于人的生理认知特点对苹果精细化分拣的分类方法 |
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 |