基于深度信念网络的苹果霉心病病害程度无损检测

针对现有霉心病无损检测只能检测出有无病害,无法对病害程度进行判断的问题,研究并提出一种基于深度信念网络(deep belief net,DBN)的无监督检测模型。该模型由多层限制玻尔兹曼机(restricted Boltzmann machine,RBM)网络和1层反向传播(back propagation,BP)神经网络组成,RBM网络实现最优特征向量映射,输出的特征向量由BP神经网络对霉心病病害程度分类。对225个苹果样本在波长200~1 025 nm获取其透射光谱后,根据腐烂面积占横截面比例将霉心病害程度分为健康、轻度、中度和重度4种,分别用150个和75个样本作为训练集和测试集,以全光谱数据和基于连续投影算法提取的特征波长数据为输入构建病害程度判别模型,并比较DBN模型与偏最小二乘判别分析、BP神经网络和支持向量机模型的识别效果,实验结果表明,DBN模型病害判别准确率达到88.00%,具有较好的识别效果。     

基于机器视觉的苹果在线分级

通过CCD相机动态采集苹果两个面的实时图像,提出了泛洪填充+自适应Ostu阈值分割算法提取苹果的轮廓,采用最小外接圆法对苹果上表面图像进行处理得到苹果果径,采用最小外接矩形法对苹果侧表面图像进行处理提取苹果果形特征;将图像进行RGB到HSV空间转换,提取苹果的着色度、果锈,以及疤痕特征,采用基于改进粒子群算法的SVM决策树的分类方法进行苹果的分级。结果表明,该方法对特级果、一级果、二级果和等外果的识别准确率分别达96%,94%,98%,98%,分级速率达4个/s,可以满足苹果在线分级的要求。     

Evaluation of Data Mining Strategies for Classification of Black Tea Based on Image-Based Features

In this study, a new procedure based on computer vision was developed for qualitative classification of black tea. Images of 240 samples from four different classes of black tea, including Orange Pekoe (OP), Flowery Orange Pekoe (FOP), Flowery Broken Orange Pekoe (FBOP), and Pekoe Dust One (PD-ONE), were acquired and processed using a computer vision system. Eighteen color features, 13 gray-image texture features, and 52 wavelet texture features were extracted and assessed. Two common heuristic feature selection methods: correlation-based feature selection (CFS) and principal component analysis (PCA), were used for selecting the most significant features. Seven of the primary features were selected by CFS as the most relevant ones, while PCA converted the original variables into 11 independent components. These final discriminatory vectors were evaluated by using four different classification methods including decision tree (DT), support vector machine (SVM), Bayesian network (BN), and artificial neural networks (ANN) to predict the qualitative category of tea samples. Among the studied classifiers, the ANN with 7–10–4 topology developed by CFS-selected features provided the best classifier with a classification rate of 96.25%. The other methods assayed provided slightly lower accuracies than ANN from 86.25% for BN till 87.50% for SVM and 88.75% for DT. In all the cases, the accuracy of the classifiers increased when using the CFS-selected features as input variables in front of PCA obtained ones. It can be concluded that image-based features are strong characterizing factors which can be effectively applied for tea quality evaluation.     

基于机器视觉的水果分级系统

目的:解决目前水果分级检测方法效率低、误检率高等问题。方法:以苹果为分拣对象,设计一个基于机器视觉的水果分级系统。对实时采集得到的苹果图像进行预处理,使用改进的Canny边缘检测算法进行边缘提取,通过最小外接圆法拟合边缘坐标得到苹果的横切面半径。将采集到的RGB图像转换为HSI图像,根据H分量范围计算红色区域比例,判断苹果的色泽度。统计区域像素点个数,分别求取苹果的面积和周长,计算出苹果的圆形度。结合苹果果径长度、色泽度和圆形度3个特征值对苹果进行综合分级。结果:50个苹果样本试验结果表明,水果分级系统和人工分拣测量的果径误差范围在±1.5 mm以内,样本颜色特征与苹果实际外观相符,圆度值的大小与实际形状优劣相符。结论:该系统满足实际生产中对于苹果分级的需求,有助于实现苹果品级的准确识别。     

基于计算机视觉的午餐肉颜色测定系统研究

目的建立一种对午餐肉样品物理特性要求较少,能对物料表面整体颜色进行准确测量的无损检测方法。方法采用计算机视觉系统对24色色彩测试板测定得L,a,b值,使用色彩色差计对24色色彩测试板测得L~*,a~*,b~*值,对两组数据进行线性回归;计算机视觉系统测定午餐肉的L,a,b值,带入回归方程得到标准的L,a,b值,色彩色差计对午餐肉测定得L~*,a~*,b~*值,用SPSS软件对得到的标准L,a,b值和L~*,a~*,b~*值进行成对样本检验。结果 L,a,b值回归方程的相关系数r~2分别为0.9900、0.9707和0.9801,有高度相关性;午餐肉标准L,a,b值和L~*,a~*,b~*值成对样本检验得到的P值分别为0.146、0.087、0.109,大于显著性水平0.05,回归方程转换值与色差计测定结果无显著差异。结论本文建立的基于计算机视觉的午餐肉颜色测定方法可以准确测定午餐肉颜色,其效果可以代替色差计。     

基于改进多尺度Retinex图像增强和支持向量机的苹果表面缺陷检测

目的 使用改进多尺度Retinex(Multi-Scale Retinex,MSR)图像增强技术和支持向量机(Support Vector Machine,SVM)分类技术实现苹果表面缺陷检测。方法 对苹果实验图像进行MSR图像增强,消除光照不均匀和表面颜色复杂干扰。对图像增强结果图使用自适应gamma矫正提高光晕区域对比度,并使用基于局部灰度的多阈值比较分割消除光晕现象干扰,获得初步缺陷分割结果。在此基础上,提取苹果梗萼与疤痕的颜色特征,并引入SVM对梗萼和疤痕进行分类,并对梗萼进行剔除,仅保留疤痕作为最终检测结果。结果 将本研究的方法部署到嵌入式设备OpenMV4H7Plus中并经实验证明,梗萼识别准确率达到93.8%,疤痕检测准确率达到92.8%。结论 利用改进MSR图像增强技术和SVM分类技术可以在光照不均匀和颜色信息复杂的苹果表面实现疤痕的有效检测。     

基于同态滤波和改进K-means的苹果分级算法研究

针对苹果在分级的过程中,光线不均所导致的表面反光和阴影问题,利用同态滤波和改进的K-means算法予以解决。同态滤波前,将苹果图像由RGB空间转换到HSV空间,再对HSV空间的V分量进行同态滤波增强,最大限度地削弱光线不均带来的影响;对传统K-means聚类算法,新增加距离度量方法、确定聚类数目和初始中心点,能较好地去除苹果阴影对图像分割的影响。从大小、果形、质量、颜色、缺陷5个方面对陕北富县的秦冠苹果进行分级,分级成功率达到97%。利用同态滤波算法结合改进的K-means算法来对苹果图像进行处理,能够大大提高苹果分级的准确性。     

织物颜色配准到标准色卡的计算机识别与仿真

为克服人工目测织物的颜色易受到光线和经验的影响产生误差的问题,提出一种基于计算机视觉和图像分析技术的织物颜色与纺织专用标准色卡自动配准的颜色识别与仿真方法,实现了针对1925种潘通色卡的织物颜色自动配准系统。该方法利用扫描仪获得潘通色卡棉布版的扫描图像,然后从色卡图像中提取颜色有效特征信息,构造色卡图像的色度特征数据库;设计了颜色分层模型和基于“一对一”支持向量机（SVM）与色卡图像数据的配准模型,经过对SVM模型参数优化和识别训练,系统与色卡匹配的正确率达96.89% 。另外使用296种未知色号的织物样本,将它们与系统进行配准实验,匹配正确率为 98.85%,为客观、快速地测色和数字仿真颜色提供了参考工具。     

苹果品种及损伤苹果的FT-NIR鉴别研究

用傅里叶近红外光谱技术(FT-NIR)对不同品种的苹果以及损伤嘎啦和完好嘎啦进行快速、无损检测,比较不同判别方法对所建立的区分苹果品种及苹果损伤模型的影响。结果表明:损伤嘎啦和完好嘎啦的近红外图谱经小波分析预处理后,用12000～4000cm-1波数范围的前5个主成分分别结合多层感知神经网络、径向基神经网络、Fisher判别3种方法所建立的判别模型对未知样本的正确判别率分别为97.8%、87.2%和84.8%,基于权重法用多元线性回归(MLR)所选择的特征波长所建立的Fisher判别模型对未知样本的正确判别率为89.1%;用偏最小二乘判别(PLS-DA)所建立的判别模型对未知样本的正确判别率为100%,由于PLS-DA模型对训练集和验证集的正确判别率均为100%,因此PLS-DA模型优于其他模型。不同品种苹果的光谱经平滑预处理后,用全波数范围12000～4000cm-1的前6个主成分所建立的判别模型优于经验波数范围8000～4500cm-1所建立的判别模型,其较优模型对建模集和验证集的正确判别率分别为90.9%和92.1%。近红外光谱技术结合化学计量学可以快速、无损鉴别苹果是否有损伤以及不同品种的苹果。     

基于机器视觉的苹果缺陷快速检测方法研究

针对目前中国苹果分选大部分还是经由人工筛选的现状,提出一种基于机器视觉的苹果缺陷快速检测方法。采用亮度自动校正技术消除苹果表面亮度不均匀分布,根据缺陷候选区域的数量,完成对苹果的初步判断,并使用加权相关向量机进一步对有缺陷的苹果进行判断。通过试验对文中方法的有效性和准确性进行验证。试验结果表明,该检测方法对1 000个测试样本的识别准确率为99.1%,对各种缺陷的检测精度较高。     

基于完全局部二值模式的多光谱法识别损伤苹果

目的 建立一种基于完全局部二值模式的多光谱法识别损伤苹果。方法实验搭建苹果的多光谱数据采集平台,采集了558组苹果多光谱数据。使用完全局部二值模式算法提取苹果的特征向量,再将特征向量送入支持向量机中,比较分类结果。结果通过准确率、特异度和召回率三种平均指标,在完全局部二值模式结合支持向量机分类模型下,苹果多光谱图像的25 个波段对表皮有损苹果和表皮无损苹果有很好的识别效果。并在第20 波段的识别准确率达到最高为99.63%。多光谱25个波段的平均分类准确率达到了99.110%,第20波段分类准确率最高,达到了99.632%,准确率越高,分类效果越好。结论所建立的方法可以实现有损苹果和无损苹果的高效识别,对苹果的储运和分选都有一定的意义。     

江苏富士苹果的理化及感官特性分析

江苏省苹果以丰县为集中产地,富士为主栽品种,隶属于黄河故道产区,为明确其鲜食特性的地域特点,对丰县富士糖酸含量、色泽和质构等理化指标和硬性、易碎性、多汁性、酸甜度等感官属性进行了测定,并与陕西富士进行了比较。结果显示丰县苹果蔗糖和苹果酸含量偏低,分别为陕西苹果的75.88%和58.90%。江苏苹果果皮L*为64.37,a*值为11.19,b*值为32.12,a*值低而L*、b*值高于陕西苹果,说明果皮红色弱而偏黄色;果肉L*值为81.19,b*值为29.00,L*值低而b*值高于陕西苹果,说明果肉色泽偏黄。质构仪测得江苏苹果的脆度显著高于陕西苹果。感官评价结果显示江苏苹果具有硬性低、易碎、易嚼、酸度低的特点,而多汁性和甜度差异不显著。在偏爱性比较中,73.7%的评价人员偏爱陕西苹果的色泽,而对滋味和质地的偏爱程度差异不显著。研究结果将为江苏富士品质评价提供借鉴。     

Automated prediction of sensory scores for color and appearance in canned black beans (Phaseolus vulgaris L.) using machine vision

Evaluation of canning quality of beans is commonly carried out by simple visual inspection that is time-consuming, resource intensive, and biased by the experience of the panelist. Moreover, there is not a standard scale to rate visual quality traits of canned beans. In this research, a machine vision system was implemented and tested for automatic inspection of color (COL) and appearance (APP) in canned black beans. Various color and textural image features (average, standard deviation, contrast, correlation, energy, and homogeneity from red, green, blue, lightness, red/green, yellow/blue, hue, saturation and value color scales) were extracted from beans and brine images, and evaluated to predict the quality rates for COL and APP of a group of bean panelists using multivariate statistics. Sixty-nine commercial canned black bean samples from different brands and markets were used for analysis. In spite of the “fair” agreement among the sensory panelists for COL and APP, as determined by multi-rater Kappa analysis, machine vision data based on partial least squares regression model showed high predictive performance for both COL and APP with correlation coefficients of 0.937 and 0.871, and standard errors of 0.26 and 0.38, respectively. When a classification was performed based on both COL and APP traits, a support vector machine model was able to sort the samples into two sensory quality categories of “acceptable” and “unacceptable” with an accuracy of 89.7%. Using simple color and texture image data, a machine vision system showed potential for the automatic evaluation of canned black beans by COL and/or appearance as a professional visual inspection.     

融合不同成熟度的苹果可溶性固形物预测模型研究

目的为实现对不同成熟度的苹果可溶性固形物的预测,建立普适性强的混合分析模型。方法选取甘肃静宁241个不同成熟度的苹果作为研究对象,利用近红外光谱采集系统获取苹果漫反射光谱信息,并对苹果可溶性固形物含量进行测定。利用S-G卷积平滑、多元散射校正(multiplicative scatter correction,MSC)、以及标准正态变量变换(standard normal variable transformation,SNV)等预处理方法结合竞争自适应加权算法(competitive adaptive reweighted sampling,CARS)、随机蛙跳(random frog,RF)算法提取苹果可溶性固形物的特征变量,然后利用偏最小二乘回归(partial least squares regression,PLS R)和支持向量机(support vector machine,SVM)算法建立分析模型。结果对比发现,采用RF选取的特征波长变量数更少且预测精度优于CARS,原始波长点由1251个减少到55个,MSC-RF-PLSR建立的模型预测结果最好,其预测相关系数r和预测均方根误差分别为0.906和0.744。结论采用近红外光谱方法构建的苹果可溶性固形物混合分析模型可以实现对苹果不同成熟度的预测,为建立适用于不同成熟度苹果的可溶性固形物便携设备提供理论依据。     

应用计算机视觉评定肉类品质的研究进展

随着图像处理技术的发展及计算机硬件成本的下降和运算速度的提高,利用计算机视觉系统对肉类品质进行自动检测和分级在国内外已有研究和应用.本文综述了计算机视觉在评定颜色和大理石花纹、骨骼成熟度和新鲜度,预测嫩度和胴体分级等肉类品质上的研究进展.     

基于隐马尔科夫模型的苹果分级方法研究

提出了一种基于隐马尔科夫模型的苹果分级方法。以3种不同颜色和形状的苹果为研究对象,提取苹果的六角锥体模型(HSV)作为苹果的颜色特征,提取苹果Hu不变矩作为苹果的形状特征,将这些特征量采用Lloyd算法编码,并将它们作为隐马尔科夫模型(HMM)的输入。依据HMM模式识别方法,对不同颜色和形状的苹果进行了分类识别,进而完成苹果分级。试验表明,该方法完成的分级识别率为100%。     

基于小波与模糊相融合的苹果分级算法

为了准确获取苹果图像的边缘,实现苹果自动分级,提出一种基于小波与模糊相融合的苹果分级算法。对苹果图像进行全向小波变化,经模糊算法处理,通过自适应阈值,提取出苹果图像的边缘,再利用漫水填充算法,获取苹果图像的面积,根据苹果类圆特性,将面积转换为直径,并根据直径大小,完成苹果分级。仿真试验结果表明,该算法对3个级别苹果的分级正确率均在98%以上,说明该算法能够用于苹果的分级检测。     

EFFECT OF APPLE DECAY PROPORTION ON THE PATULIN, FUMARIC ACID, HMF AND OTHER APPLE JUICE PROPERTIES

Starking apples, classified by the decay proportion on the fruit surface as sound, 30, 60 or 100% decayed were used in the production of apple juice. Then patulin, fumaric acid, HMF, pH, brix and Hunter L, a and b values of apple juice samples were determined. Patulin and fumaric acid analysis were done with HPLC. The patulin concentration in juice samples produced with Starking apples that are sound, 30, 60 and 100% decayed ranged between 0.0–15.9 μg/kg, 47.1–500.3 μg/kg, 156.4–2257.5 μg/kg, 54.9–2508.6 μg/kg, respectively. The fumaric acid concentration in the same juice samples ranged between 0.00–0.20 mg/kg, 0.23–0.69 mg/kg, 0.41–2.08 mg/kg and 1.40–4.14 mg/kg. In general, the color values (L, a, b) of the samples produced from 100% decayed apples measured by reflectance with a Hunter colorimeter were low when compared with the others.     

Gloss Properties and Surface Morphology Relationships of Fruits

Eggplants exhibited a higher average gloss reading (15.3 Gloss Units (GU)) than mature green tomatoes (12.0 GU) and apples (8.2 GU) using a flat surface glossmeter. The same trend was observed using a novel curved surface glossmeter. Scanning electron micrographs revealed that epicuticular wax covering eggplants had a smoother structure than that of tomatoes and apples, providing a more effective light scattering surface. Wax removal resulted in decreases in gloss, with average readings of 9.5, 7.4 and 6.3 GU for eggplants, tomatoes and apples, respectively. These results indicate the extent to which wax may influence shininess, although roughness measurements of flattened peel after wax removal suggest that surface topography also influences gloss.     

基于红外与可见光图像融合的苹果表面缺陷检测方法

目的：解决目前中国苹果分级分类大部分情况下仍需要进行人工筛选的问题。方法：采用基于多尺度变换的红外与可见光图像融合算法对所采集到的苹果的可见光图像和红外图像进行融合,得到缺陷特征更加直观的融合图像,对该图像进行图像的预处理操作得到二值化图像数据集,再采用卷积神经网络的AlexNet模型对之前的苹果表面缺陷数据集进行训练、验证和检测。结果：该检测方法在所制作的苹果表面缺陷数据集上对完好果、缺陷果、花萼/果梗、花萼/果梗加缺陷识别的平均准确度为99.0%,其中对花萼/果梗的识别准确率可达95.8%,对完好果、缺陷果和花萼/果梗加缺陷的识别准确率高达100%。结论：该方法对苹果表面缺陷的检测精度比较高,可以满足对苹果的在线分级的需求。