CN113295690A - 基于机器学习的草莓成熟度快速判别方法 - Google Patents
基于机器学习的草莓成熟度快速判别方法 Download PDFInfo
- Publication number
- CN113295690A CN113295690A CN202110534208.1A CN202110534208A CN113295690A CN 113295690 A CN113295690 A CN 113295690A CN 202110534208 A CN202110534208 A CN 202110534208A CN 113295690 A CN113295690 A CN 113295690A
- Authority
- CN
- China
- Prior art keywords
- strawberry
- maturity
- machine learning
- model
- sample
- 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
- 235000016623 Fragaria vesca Nutrition 0.000 title claims abstract description 108
- 235000011363 Fragaria x ananassa Nutrition 0.000 title claims abstract description 108
- 238000010801 machine learning Methods 0.000 title claims abstract description 34
- 238000012850 discrimination method Methods 0.000 title claims abstract description 13
- 244000307700 Fragaria vesca Species 0.000 title 1
- 241000220223 Fragaria Species 0.000 claims abstract description 138
- 235000021012 strawberries Nutrition 0.000 claims abstract description 31
- 238000013145 classification model Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000000926 separation method Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000004040 coloring Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 18
- 238000006243 chemical reaction Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 235000013399 edible fruits Nutrition 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 230000005070 ripening Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- FPIPGXGPPPQFEQ-UHFFFAOYSA-N 13-cis retinol Natural products OCC=C(C)C=CC=C(C)C=CC1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-UHFFFAOYSA-N 0.000 description 1
- 208000002874 Acne Vulgaris Diseases 0.000 description 1
- 206010010774 Constipation Diseases 0.000 description 1
- 208000005016 Intestinal Neoplasms Diseases 0.000 description 1
- UPYKUZBSLRQECL-UKMVMLAPSA-N Lycopene Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1C(=C)CCCC1(C)C)C=CC=C(/C)C=CC2C(=C)CCCC2(C)C UPYKUZBSLRQECL-UKMVMLAPSA-N 0.000 description 1
- 208000001140 Night Blindness Diseases 0.000 description 1
- FPIPGXGPPPQFEQ-BOOMUCAASA-N Vitamin A Natural products OC/C=C(/C)\C=C\C=C(\C)/C=C/C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-BOOMUCAASA-N 0.000 description 1
- 206010000496 acne Diseases 0.000 description 1
- FPIPGXGPPPQFEQ-OVSJKPMPSA-N all-trans-retinol Chemical compound OC\C=C(/C)\C=C\C=C(/C)\C=C\C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-OVSJKPMPSA-N 0.000 description 1
- 235000013532 brandy Nutrition 0.000 description 1
- 150000001746 carotenes Chemical class 0.000 description 1
- 235000005473 carotenes Nutrition 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 210000000981 epithelium Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 201000002313 intestinal cancer Diseases 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 235000019155 vitamin A Nutrition 0.000 description 1
- 239000011719 vitamin A Substances 0.000 description 1
- NCYCYZXNIZJOKI-UHFFFAOYSA-N vitamin A aldehyde Natural products O=CC=C(C)C=CC=C(C)C=CC1=C(C)CCCC1(C)C NCYCYZXNIZJOKI-UHFFFAOYSA-N 0.000 description 1
- 229940045997 vitamin a Drugs 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提出一种基于机器学习的草莓成熟度快速判别方法:其采用不同成熟度的草莓,作为实验样本;将不同成熟度的草莓置于暗箱中拍照,作为原始数据集;对草莓的原始图像进行分割,实现背景与目标分离;提取预处理后草莓样本图像的颜色特征;基于提取到的的颜色特征,以此建立用于预测草莓成熟度的机器学习分类模型;基于建立的机器学习分类模型,对待测草莓样本进行成熟度判别。该方法有利于简单、快捷地识别出未知草莓样本的成熟度。
Description
技术领域
本发明属于食品检测技术领域,尤其涉及一种基于机器学习的草莓成熟度快速判别方法。
背景技术
草莓是世界七大水果之一,果香四溢,口味极佳,含有丰富的营养物质有着“水果皇后”的美称。草莓中维生素A含量很高,这使其具有一定程度上缓解夜盲症的功效,同时富含胡萝卜素,能有效维护上皮组织健康、明目养肝,促进生长发育,改善便秘,预防痤疮、肠癌的发生。由于果肉鲜嫩,导致草莓其极易腐败变质、不容易储存。通常,草莓一旦需要长途运输或储存,果农会在其即将成熟时进行采摘,而就地售卖的草莓则会选择完全成熟的时候进行采摘。这不仅可以避免运输过程中因草莓腐蚀而造成的损失,还能降低食品安全风险。因此,草莓成熟度的区分是水果产业的一项重要任务。传统上,基于人类视觉感知的草莓人工分级是耗时且成本高的。再者,通过目视检查对果实进行分类和质量评估,会因疲劳和主观偏见等外部影响而产生误差。
综上所述,为了拓展草莓成熟度检测在食品领域中的应用,急需开发一种快速、简单的便于现场实时检测草莓成熟度的方法。
发明内容
针对现有技术的空白,本发明提出了一种基于机器学习的草莓成熟度快速判别方法,采用不同成熟度的草莓,作为实验样本;将不同成熟度的草莓置于暗箱中拍照,作为原始数据集;对草莓的原始图像进行分割,实现背景与目标分离;提取预处理后草莓样本图像的颜色特征;基于提取到的的颜色特征,以此建立用于预测草莓成熟度的机器学习分类模型;基于建立的机器学习分类模型,对待测草莓样本进行成熟度判别。该方法有利于简单、快捷地检测出草莓的不同成熟状态。
本发明具体采用以下技术方案:
一种基于机器学习的草莓成熟度快速判别方法,其特征在于:采用不同成熟度的草莓样本图像作为数据集,并提取颜色特征训练用于预测草莓成熟度的机器学习分类模型;并通过训练获得的分类模型进行待测草莓样本成熟度快速判别。
进一步地,包括以下步骤:
步骤S1:选择不同成熟度的草莓作为样本;
步骤S2:将不同成熟度的草莓置于暗箱中拍照,将获取的图像作为原始数据集;
步骤S3:对草莓的原始图像进行分割,实现背景与目标分离;
步骤S4:提取预处理后草莓样本图像的颜色特征;
步骤S5:基于步骤S4获得的特征信息,以此建立用于预测草莓成熟度的机器学习分类模型;
步骤S6:基于步骤S5建立的分类模型,对待测草莓样本进行成熟度判别。
进一步地,在步骤S2中,对待测草莓样本的成熟度依据着色面积分为四个阶段:绿熟期、白熟期、转色期和红熟期。
进一步地,在步骤S3中,基于颜色直方图对草莓图像进行分割,将原始数据全部转换为B分量图像,设置分割阈值为100,以实现背景与目标分离。
进一步地,在步骤S4中,提取分割图像在RGB颜色模型中的R、G、B分量的均值和标准偏差;之后将RGB模型分别转成HSV颜色模型和Lab颜色模型,采用同样的方法提取H、S、V分量的均值和标准偏差,L、a、b分量的均值和标准偏差,共18个特征变量。
进一步地,在步骤S5中,建立的机器学习分类模型为:线性判别分析模型或K近邻学习模型。
进一步地,在步骤S5中,建立的机器学习分类模型为支持向量机模型。
进一步地,在步骤S6中,对待测草莓进行成熟度判别的过程为:
取待测草莓样本,置于暗箱中拍摄照片,将照片进行分割与特征提取,最后将草莓的特征信息输入训练好的SVM模型,SVM模型预测出该待测草莓样本属于哪个成熟阶段,并将其作为输出。
相较于现有技术,本发明及其优选方案具有以下有益效果:通过采摘不同成熟阶段的草莓样本,于暗箱中拍摄照片,作为原始数据集,以此建立了三种机器学习模型(LDA、KNN、SVM),模型能有效识别出草莓的成熟度。该方法简单、快捷,可以显著提升检测效率,为简化草莓成熟度识别提供了新的方法,具有很强的实用性和广阔的应用前景。其解决了机器学习方法在用于预测草莓成熟度判别的应用的问题。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
图1是本发明实施例的方法实现流程图。
图2是本发明实施例中草莓样本的原始图像。
图3是本发明实施例中草莓样本的各分量示意图。
图4是本发明实施例中草莓图像在RGB颜色空间下的颜色直方图。
图5是本发明实施例中草莓样本的分割图像。
图6是本发明实施例中草莓的颜色模型转换示意图。
图7是本发明实施例中建立的主成分分析(PCA)模型测试结果示意图。
图8是本发明实施例中建立的LDA模型测试结果示意图。
图9是本发明实施例中建立的KNN模型测试结果示意图。
图10是本发明实施例中建立的SVM模型测试结果示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂,下文特举实施例,作详细说明如下:
本实施例提供了一种基于机器学习的草莓成熟度快速识别方法,如图1所示,包括以下步骤:
(1)在草莓上市季节,于草莓园现摘新鲜草莓,作为实验样本。
在本实施例中,草莓品种为白兰地,委托有经验的果农帮忙分拣,作为原始数据集类别。
(2)将不同成熟度的草莓置于暗箱中拍照,作为原始数据集。
在本实施例中,草莓成熟阶段包括:绿熟期、白熟期、转色期、红熟期。(根据行业标准,草莓果实的成熟度依据着色面积通常分为4个阶段,即绿熟期(25%)、白熟期(50%)、转色期(75%)和红熟期(全部着色)。)
(3)对草莓的原始图像进行分割,实现背景与目标分离。
在本实施例中,基于颜色直方图对草莓图像进行分割,将原始数据全部转换为B分量图像,设置分割阈值为100,最终实现背景与目标分离。
(4)提取预处理后草莓样本图像的颜色特征。
在本实施例中,提取分割图像在RGB颜色模型中的R、G、B分量的均值和标准偏差;之后将RGB模型分别转成HSV颜色模型和Lab颜色模型,采用同样的方法提取H、S、V分量的均值和标准偏差,L、a、b分量的均值和标准偏差,共18个特征变量。
(5)基于提取到的的颜色特征,以此建立用于预测草莓成熟度的机器学习分类模型。
在本实施例中,建立的机器学习分类模型为:LDA、KNN、SVM;所述分类模型中,LDA在测试集上识别的准确率为85.83%,KNN在测试集上识别的准确率为85.83%,SVM在测试集上识别的准确率为97.50%,结果表明,SVM模型表现最好。
(6)基于建立的机器学习分类模型,对待测草莓样本进行成熟度预测。具体方法为:
取待测草莓样本,置于暗箱中拍摄照片;将照片导入预先编写好的程序中,程序会自动对图像进行分割与特征提取,最后将草莓的特征信息输入训练好的SVM模型,SVM模型会预测出该待测草莓样本属于哪个成熟阶段,并将其作为输出。
下面以具体实施例对本发明作进一步说明。
1、此次草莓采摘地点为:福州市闽侯县荆溪镇xx草莓园;草莓品种:法兰地;上市时间:11月初。草莓采摘结束后,委托有经验的果农帮忙分拣,作为原始的数据集类别。每种类别的草莓图像拍摄150张,4个类别,总样本量为600张,图像均保存为JPG格式。草莓原始图像如图2所示。
2、基于颜色直方图对草莓原始图像进行分割,实现背景与感兴趣区域的分离。
第一步,获取所有草莓样本在RGB颜色模型下的各分量图像,如图3所示分别为草莓的灰度图、R分量图像、G分量图像、B分量图像。
第二步,获取各分量图像的颜色直方图,如图4所示为草莓图像在RGB颜色空间下的颜色直方图,横坐标为灰度值(0-255),纵坐标为色彩所占像素数量,即色面积,我们试图寻找像素点数目为0时所对应的灰度值,将其设置为分割阈值,实现草莓与背景的分割。注意到图4(d)中B分量图像的颜色直方图从75到125之间的累计频次为0,故选择B分量图像设置阈值来进行分割。
第三步,选择一个合理的阈值进行分割。设置B分量图像模式下的分割阈值为100,对图像进行分割,如图5所示,(a)~(d)分别为绿熟期草莓预处理后图像、白熟期草莓预处理后图像、转色期草莓预处理后图像、红熟期草莓预处理后图像。从结果上看,分割效果是比较理想的。
3、将原始图像背景分割后,采用Matlab2019b软件编写特征提取程序,提取草莓图像在RGB颜色模型中的R、G、B分量的均值和标准偏差,随后将RGB颜色模型转化成HSV颜色模型,提取H、S、V分量的均值和标准偏差,最后将RGB颜色模型转化成Lab颜色模型,采用同样的方法提取L、a、b分量的均值和标准偏差,如图6所示。每个样本中均包含18个特征变量。
4、采用留出法来划分草莓数据集,按照8:2的比例进行切分,将数据随机划分为训练集(80%)和测试集(20%)。在后续建模过程中,训练集用来生成模型,测试集用来评估模型正确率和误差,以验证模型的有效性。
5、PCA算法对数据进行降维和可视化,如图7所示为600个草莓样本数据的PCA投影图,从图中可以看出,4类草莓样本可以明显地区分出来,说明原始数据比较理想。
6、LDA模型结果如图8所示,横坐标为测试集样本编号:0~120,每个类别中随机选取30个草莓样本作为测试集,纵坐标为测试集样本类别:4个类别,“1”代表白熟期,“2”代表红熟期,“3”代表绿熟期,“4”代表转色期,呈阶梯状上升。每种类别中随机选取120个样本训练模型,剩余30个样本用来评估模型的好坏。从图中可以看出,白熟期:4个草莓误判成绿熟期,4个草莓误判成转色期;红熟期:4个草莓误判成转色期,1个草莓误判成白熟期;绿熟期:没有误判;转色期:4个草莓误判成红熟期。模型总的识别精度为85.83%。
KNN模型结果如图9所示,横坐标为测试集样本编号:0~120,每个类别中随机选取30个草莓样本作为测试集,纵坐标为测试集样本类别:4个类别,“1”代表白熟期,“2”代表红熟期,“3”代表绿熟期,“4”代表转色期,呈阶梯状上升。每种类别中随机选取120个样本用于训练模型,剩余30个样本用来评估模型的好坏。从图中可以看出,白熟期:5个草莓误判成绿熟期,2个草莓误判成转色期;红熟期:5个草莓误判成转色期,1个草莓误判成白熟期;绿熟期:1个草莓误判成转色期;转色期:3个草莓误判成红熟期。模型总的识别精度为85.83%。
SVM模型结果如图10所示,横坐标为测试集样本编号:0~120,每个类别中随机选取30个草莓样本作为测试集,纵坐标为测试集样本类别:4个类别,“1”代表白熟期,“2”代表红熟期,“3”代表绿熟期,“4”代表转色期,呈阶梯状上升。每种类别中随机选取120个样本用于训练模型,剩余30个样本用来评估模型的好坏。从图中可以看出,白熟期:2个草莓误判成转色期;红熟期:1个草莓误判成转色期;绿熟期:没有误判;转色期:没有误判。模型总的识别精度为97.50%。
最后,就可以用得到的机器学习分类模型对未知草莓样本图像进行成熟度预测了。
专利不局限于上述最佳实施方式,任何人在本专利的启示下都可以得出其它各种形式的基于机器学习的草莓成熟度快速判别方法,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本专利的涵盖范围。
Claims (8)
1.一种基于机器学习的草莓成熟度快速判别方法,其特征在于:采用不同成熟度的草莓样本图像作为数据集,并提取颜色特征训练用于预测草莓成熟度的机器学习分类模型;并通过训练获得的分类模型进行待测草莓样本成熟度快速判别。
2.根据权利要求1所述的基于机器学习的草莓成熟度快速判别方法,其特征在于,包括以下步骤:
步骤S1:选择不同成熟度的草莓作为样本;
步骤S2:将不同成熟度的草莓置于暗箱中拍照,将获取的图像作为原始数据集;
步骤S3:对草莓的原始图像进行分割,实现背景与目标分离;
步骤S4:提取预处理后草莓样本图像的颜色特征;
步骤S5:基于步骤S4获得的特征信息,以此建立用于预测草莓成熟度的机器学习分类模型;
步骤S6:基于步骤S5建立的分类模型,对待测草莓样本进行成熟度判别。
3.根据权利要求2所述的基于机器学习的草莓成熟度快速判别方法,其特征在于:在步骤S2中,对待测草莓样本的成熟度依据着色面积分为四个阶段:绿熟期、白熟期、转色期和红熟期。
4.根据权利要求2所述的基于机器学习的草莓成熟度快速判别方法,其特征在于:在步骤S3中,基于颜色直方图对草莓图像进行分割,将原始数据全部转换为B分量图像,设置分割阈值为100,以实现背景与目标分离。
5.根据权利要求2所述的基于机器学习的草莓成熟度快速判别方法,其特征在于:在步骤S4中,提取分割图像在RGB颜色模型中的R、G、B分量的均值和标准偏差;之后将RGB模型分别转成HSV颜色模型和Lab颜色模型,采用同样的方法提取H、S、V分量的均值和标准偏差,L、a、b分量的均值和标准偏差,共18个特征变量。
6.根据权利要求2所述的基于机器学习的草莓成熟度快速判别方法,其特征在于:在步骤S5中,建立的机器学习分类模型为:线性判别分析模型或K近邻学习模型。
7.根据权利要求2所述的基于机器学习的草莓成熟度快速判别方法,其特征在于:在步骤S5中,建立的机器学习分类模型为支持向量机模型。
8.根据权利要求7所述的基于机器学习的草莓成熟度快速判别方法,其特征在于:在步骤S6中,对待测草莓进行成熟度判别的过程为:
取待测草莓样本,置于暗箱中拍摄照片,将照片进行分割与特征提取,最后将草莓的特征信息输入训练好的SVM模型,SVM模型预测出该待测草莓样本属于哪个成熟阶段,并将其作为输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110534208.1A CN113295690A (zh) | 2021-05-17 | 2021-05-17 | 基于机器学习的草莓成熟度快速判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110534208.1A CN113295690A (zh) | 2021-05-17 | 2021-05-17 | 基于机器学习的草莓成熟度快速判别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113295690A true CN113295690A (zh) | 2021-08-24 |
Family
ID=77322398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110534208.1A Pending CN113295690A (zh) | 2021-05-17 | 2021-05-17 | 基于机器学习的草莓成熟度快速判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113295690A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419311A (zh) * | 2022-03-29 | 2022-04-29 | 武汉轻工大学 | 一种基于多源信息的百香果成熟度无损检测方法及装置 |
CN114586546A (zh) * | 2022-03-14 | 2022-06-07 | 西南大学 | 基于电子鼻与图像识别的草莓自动采摘装置及其控制方法 |
CN114740091A (zh) * | 2022-06-14 | 2022-07-12 | 湖南大学 | 基于声学分析和机器学习的西瓜成熟度检测方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109975292A (zh) * | 2019-03-18 | 2019-07-05 | 江苏大学 | 一种基于机器视觉的大西洋鲑鱼和虹鳟鱼快速鉴别方法 |
CN111462044A (zh) * | 2020-03-05 | 2020-07-28 | 浙江省农业科学院 | 基于深度学习模型的温室草莓检测与成熟度评价方法 |
CN112418130A (zh) * | 2020-11-30 | 2021-02-26 | 华南农业大学 | 一种基于bp神经网络的香蕉成熟度检测方法及装置 |
AU2021101496A4 (en) * | 2021-03-23 | 2021-05-13 | Vatsala Dwivedi | A Process for grape leaf disease identification using machine learning techniques |
-
2021
- 2021-05-17 CN CN202110534208.1A patent/CN113295690A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109975292A (zh) * | 2019-03-18 | 2019-07-05 | 江苏大学 | 一种基于机器视觉的大西洋鲑鱼和虹鳟鱼快速鉴别方法 |
CN111462044A (zh) * | 2020-03-05 | 2020-07-28 | 浙江省农业科学院 | 基于深度学习模型的温室草莓检测与成熟度评价方法 |
CN112418130A (zh) * | 2020-11-30 | 2021-02-26 | 华南农业大学 | 一种基于bp神经网络的香蕉成熟度检测方法及装置 |
AU2021101496A4 (en) * | 2021-03-23 | 2021-05-13 | Vatsala Dwivedi | A Process for grape leaf disease identification using machine learning techniques |
Non-Patent Citations (7)
Title |
---|
PAN, ZB: "Computer Vision Based Orange Grading Using SVM", 《SENSORS, MEASUREMENT AND INTELLIGENT MATERIALS, PTS 1-4》 * |
何东健: "《数字图像处理》", 28 February 2015 * |
何文斌: "基于机器视觉的水果品质检测综述", 《计算机工程与应用》 * |
夏祖印: "《种草莓赚钱方略》", 28 February 2018, 安徽科学技术出版社 * |
李佐军: "《大数据的架构技术与应用实践的探究》", 30 April 2019 * |
杨东方: "《数学模型在生态学的应用和研究》", 30 November 2018 * |
赵玲: "基于颜色特征的草莓成熟度识别技术研究", 《河北农业大学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114586546A (zh) * | 2022-03-14 | 2022-06-07 | 西南大学 | 基于电子鼻与图像识别的草莓自动采摘装置及其控制方法 |
CN114419311A (zh) * | 2022-03-29 | 2022-04-29 | 武汉轻工大学 | 一种基于多源信息的百香果成熟度无损检测方法及装置 |
CN114419311B (zh) * | 2022-03-29 | 2022-07-01 | 武汉轻工大学 | 一种基于多源信息的百香果成熟度无损检测方法及装置 |
CN114740091A (zh) * | 2022-06-14 | 2022-07-12 | 湖南大学 | 基于声学分析和机器学习的西瓜成熟度检测方法及*** |
CN114740091B (zh) * | 2022-06-14 | 2022-09-06 | 湖南大学 | 基于声学分析和机器学习的西瓜成熟度检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978822B (zh) | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 | |
CN113295690A (zh) | 基于机器学习的草莓成熟度快速判别方法 | |
Rupanagudi et al. | A cost effective tomato maturity grading system using image processing for farmers | |
Militante | Fruit grading of garcinia binucao (Batuan) using image processing | |
CN112001901A (zh) | 基于卷积神经网络的苹果缺陷检测方法及*** | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN103528967A (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
CN111077150A (zh) | 一种基于计算机视觉和神经网络的大便智能分析方法 | |
CN110929787B (zh) | 一种基于图像的苹果客观定级*** | |
CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
Hortinela et al. | Classification of Cacao Beans Based on their External Physical Features Using Convolutional Neural Network | |
CN110866547A (zh) | 基于多特征和随机森林的中药饮片自动分类***及方法 | |
Janardhana et al. | Computer aided inspection system for food products using machine vision—a review | |
Nawawi et al. | Comprehensive pineapple segmentation techniques with intelligent convolutional neural network | |
CN112184627A (zh) | 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用 | |
Ji et al. | Apple color automatic grading method based on machine vision | |
Kangune et al. | Automated estimation of grape ripeness | |
CN113610831B (zh) | 基于计算机图像技术和迁移学习的木材缺陷检测方法 | |
CN115330721A (zh) | 基于形状和颜色信息的香蕉果梳饱满度检测方法与*** | |
Sarimole et al. | Classification of Maturity Levels in Areca Fruit Based on HSV Image Using the KNN Method | |
Zakiyyah et al. | Characterization and Classification of Citrus reticulata var. Keprok Batu 55 Using Image Processing and Artificial Intelligence | |
CN115546141A (zh) | 一种基于多维度度量的小样本Mini LED缺陷检测方法及*** | |
Narendra et al. | An intelligent system for identification of Indian Lentil types using Artificial Neural Network (BPNN) | |
Ligar | Computer Vision for Identifying and Classifying Green Coffee Beans: A Review | |
Putra et al. | Feature Extraction for Quality Modeling of Malang Oranges on an Automatic Fruit Sorting System |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210824 |
|
RJ01 | Rejection of invention patent application after publication |