共查询到10条相似文献,搜索用时 15 毫秒
1.
基于遗传BP神经网络的苹果形状识别 总被引:1,自引:0,他引:1
介绍了一种使用计算机视觉技术进行苹果外形识别的方法,用傅立叶描述子提取苹果的形状特征,设计3层前向神经网络形状进行识别,使用遗传算法和BP算法相结合的混合算法进行神经网络权矢量和神经元阈值的学习。试验结果表明该方法具有80%以上的正确率。 相似文献
2.
3.
在基于机器视觉苹果缺陷识别过程中,因果梗/花萼与缺陷表皮颜色相似,极大地降低苹果表面缺陷识别准确率,提出一种基于决策树支持向量机(DT-SVM)的苹果表面缺陷识别方法。该方法首先采用单阈值法去除背景,其次在R通道中利用Otsu法和连通域标记法提取目标区域(果梗、花萼和缺陷)的颜色、纹理和形状特征,最后利用决策树支持向量机进行识别。以600幅富士苹果图像为例,使用该方法进行缺陷识别,结果表明该方法的平均准确率为97.7%。与1-V-1多分类支持向量机(1-V-1SVM)和AdaBoost分类算法相比,DT-SVM方法正确率高、耗时短。说明决策树支持向量机对苹果表面缺陷识别十分有效。 相似文献
4.
目的:以阿克苏苹果为例,设计一种联合图像最优特征提取和改进RBF神经网络学习的苹果质量估计方法,以克服人工分级称重成本高、误差大的缺陷。方法:首先,建立苹果图像采集系统,得到苹果前景图像信息;其次,设计苹果图像特征集合最佳子集提取策略,将最佳子集提取过程转化为目标函数优化问题,并利用改进的离散蝗虫优化算法进行求解,从而得到最佳苹果图像特征子集;最后,构建基于RBF神经网络学习的苹果质量估计模型,将最佳特征子集作为网络输入,并采用蝗虫优化算法优化配置RBF神经网络超参数,从而实现对苹果质量的有效估计。结果:所提苹果质量估计方法精度更高,质量估计值平均相对误差率为1.23%。结论:该方法可以有效实现苹果质量预估,也能够推广应用到其他类似轴对称形状的水果质量估计。 相似文献
5.
6.
自然场景下基于改进LeNet卷积神经网络的苹果图像识别技术 总被引:2,自引:0,他引:2
针对传统基于内容的识别方法在特征提取方面存在计算复杂、特征不可迁移等问题,为避免光照条件、重叠及其他遮挡等因素对图像识别的影响,以LeNet卷积神经网络作为基础,对其结构进行改进,设计了一种基于改进LeNet卷积神经网络的苹果目标识别模型,并利用该模型对不同场景的苹果图像进行识别训练与验证。结果表明:该网络模型可有效实现苹果图像的识别,对独立果实、遮挡果实、重叠果实以及相邻果实的识别率分别为96.25%,91.37%,94.91%,89.56%,综合识别率达到93.79%。与其他方法相比,该算法具有较强的抗干扰能力,图像识别速度快、识别率更高。 相似文献
7.
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。 相似文献
8.
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。 相似文献
9.
10.
文章提出了改进神经网络算法,建立了径向基函数神经网络模型,包括梯度下降方法求解权重参数,增大邻域半径的均值聚类方法求取隐函数中心值,利用相邻聚类中心获得核宽度,通过量子遗传算法删除冗余权重和神经元;提取了蔬菜图像的特征,并给出了算法流程。仿真试验表明,试验算法对蔬菜图像的形状特征平均识别率为97.56%,纹理特征平均识别率为95.60%,颜色特征平均识别率为93.25%,训练时间平均为5.83s、识别时间平均为2.18s,优于其他算法。 相似文献