搜索
应用数字图像处理的猕猴桃果实分类技术摘要猕猴桃品种的分类识别对于猕猴桃优良品种的推广、原产地质量标示国际合作保护、猕猴桃遗传基因资源的保护及杂交品种的鉴定具有重要的意义。与传统人工鉴定相比，通过计算机辅助手法快速而准确的对猕猴桃品种进行分类可以带来极大的经济价值。研究的目标是输入猕猴桃图像可以通过提取纹理特征求出猕猴桃品种。围绕这一目标要研究的内容如下：研究了猕猴桃图像采集方法和图像的预处理方法通过灰度共生矩阵的方法对猕猴桃纹理进行提取，对于灰度共生矩阵提取的目标，选择从0°到135°每隔45°提取一次。运用神经网络工具箱对提取出的纹理特征进行分类训练，最后利用提取的特征可以进行猕猴桃的分类工作，得到一个神经网络。验证神经网络分类准确率。关键词：猕猴桃分类；灰度共生矩阵；BP神经网络ApplicationofdigitalimageprocessingclassificationtechniqueskiwifruitAbstractIdentificationandclassificationrecognitionhasimportantsignificanceforexcellentkiwifruitKiwifruitCultivarspromotion,qualitymarkofinternationalcooperationtoprotect,protectthekiwifruitgeneticresourcesandhybridvarieties.Comparedwiththetraditionalartificialidentificationbycomputeraidedtechnique,fastandaccurateforKiwifruitCultivarsclassificationcanbringgreateconomicvalue.Theobjectiveofthestudyistheinputimagecanbeobtainedbyextractionofkiwifruittexturefeaturesarecalculatedkiwifruitcultivars.Aroundtheresearchtothisgoalasfollows:Studyonthepretreatmentmethodsofimageacquisitionandimage.Thegraylevelco-occurrencematrixmethodofkiwifruittextureextraction,thegraylevelco-occurrencematrixtoextractthetarget,choosefrom0°to135°every45°extractiona.Theapplicationofneuralnetworktoolboxclassificationtrainingonthetexturefeaturesextracted,theextractedfeaturescanclassifyofkiwifruit.Keywords:kiwifruitclassification;graylevelco-occurrencematrix;BPneuralnetwork-1-目录1.绪论............................................................-1-1.1研究的目的和意义....................................................-1-1.2国外研究现状........................................................-1-1.3国内研究现状........................................................-2-1.4研究内容及方法......................................................-2-2猕猴桃品种识别系统总体设计......................................-4-2.1图像获取与预处理....................................................-4-2.2图像增强............................................................-5-2.3本章小结............................................................-7-3猕猴桃果实图像特征提取..........................................-8-3.1猕猴桃果实的形状特征................................................-8-3.2纹理特征............................................................-8-3.2本章小结...........................................................-10-4分类算法与实验.................................................-11-4.1分类器.............................................................-11-4.2实验与分析.........................................................-14-4.3分析与评价.........................................................-18-4.4本章小结................................................错误!未定义书签。5结论与展望.....................................................-19-5.1结论...............................................................-19-5.2展望...............................................................-19-参考文献.........................................................-20-致谢............................................................-22-绪论-1-1.绪论1.1研究的目的和意义猕猴桃营养价值非常高,被誉为“水果之王”，是很多地方（中国陕西、河南、四川等地）发展当地经济、增加农民收入的一大产业。近年来我国的水果产业发展迅猛已在世界上占有一席之地，但由于国内猕猴桃产业化水平低下、果实果品质量不过关等原因，我国生产的猕猴桃大部分都以中低档产品在国内市场销售。由于猕猴桃的种植品种混种，故在采摘时混杂。这种混种混卖的方式会带来许多问题，在一种猕猴桃中混杂其它品种猕猴桃会影响一种猕猴桃资源的推广，还会使猕猴桃遗传资源难以鉴定，同时也给鉴定新品种带来困难，近年来国际基因资源的争夺愈演愈烈，保护猕猴桃品种的多样非常重要。随着我国猕猴桃事业的发展，建立一个非专业人士专用的猕猴桃品种鉴别软件势在必行。在猕猴桃推广中，产地可以说是一种品牌标识，会带来巨大的利益。由此可见，猕猴桃是我国一项相当重要的产业，具有很深厚的研究与发展价值，但我国现在的猕猴桃产业化仍然处在粗放阶段，生产观念落后，缺乏对产品更高效的管理，所以研究自动化智能化的猕猴桃分类方法具有非常重要的实际意义。1.2国外研究现状上世纪70年代开始外国研究者就开始使用计算机辅助分类方法研究植物分类，但是还无法仅从果实分辨出所属品种，大多采用叶子的形态学特征来建模，从而进行分析。从上世纪80年代起许多研究者便开始使用数字图像处理的方法对农产品进行研究，1986年Ingrouille和Laird通过分别叶子形状特征对北伦敦橡树进行了建模研究并建立了数据库【参看文献】。1993年Guyer和Miles等人【参考文献】通过提取叶子的形状特征如叶裂、最小叶裂角、叶裂数、主轴距、中心距等作为研究对象，研究通过叶片给植物分类的方法，但是后得到的最大成功率不到百分之七十，因为基于形状特征的分类计算法非常复杂而且识别率还不高。1998年日本东京大学的Im和Nishida等人【参考文献】的研究中便使用了与叶子形状相似的多边形来分辨叶片三角形数目，通过对叶片锯齿数目、大小和相似三角形的研究以及层次判别的方法，可以对植物种类进行比较理想的分类。但是对于重叠、残缺的叶片却不能识别。1999年剑桥大学和萨利大学国际农业植物学研究中心【参考文献】在研究相关课题时加入了偏心率、圆形度、长宽比等全局形状参数作为分类特征，这是国际上首次加入全局参量在物种分类上，最终它的识别率超过了百分之95。应用数字图像处理的猕猴桃分类技术-2-近几年来，研究者引入了更多的特征参数，纹理特征逐渐显现了它在果实分辨上的优势，再加上神经网络和分类器等方法，可以取得较好的分类效果。1.3国内研究现状在国内也有很多研究者对水果进行了研究，从20世纪90年代起我国就没有停止过计算机辅助植物分类这项研究。1994年中科院研究所的傅星等人【参考文献】展开了对于计算机辅助植物分类的研究。1996年董洪斌和马光胜【参考文献】研究了蔷薇科植物的分类。2005年，马红梅【参考文献】在分类中使用了BP神经网络。之后还有一些研究采用了将多方向灰度共生矩阵来分析植物的表面纹理结构作为一项重要的纹理特征的方法研究叶片的分类。2010年阚江明【参考文献】使用了将植物叶片从0度到135度之间每45度取四个方向作为灰度共生矩阵参数的方法。2013年，詹文田、何东健、史世莲【参考文献】基于Adaboost算法，利用RGB、HIS、La*b*3对猕猴桃进行田间识别。综上所述，国内外大量学者都对水果的数字图像识别做出了巨大贡献，取得了很卓越的成效，但一直从事于通过叶片给植物分类这一方面，而且对于同一科目下的不同品种分类研究较少。但很多的实践也表明利用数字图像技术可以高效自动化的对水果做出品种识别，我国对猕猴桃的分类研究方法还处于较初期的阶段，还需要进行进一步探索与研究，提取有效地检验特征，提高算法正确性，同时还要加大图像处理在猕猴桃分类等方面的应用度。从各方面研究现状可以得出，机器视觉在水果等农产品的自动检测中有着很方便的应用，现阶段国内对水果品质分级方面已经做过很多研究例如对苹果的分类方法等，但是对于单一产地单一水果五中的猕猴桃品种分类的研究却很少。1.4研究内容及方法为实现对猕猴桃品种的准确、快速识别，本研究在前人对图像纹理研究的基础上，针对陕西省最普遍的集中猕猴桃进行分类研究。果实样品皆为原产地出产、应季取材、绒毛完好，在探索适合猕猴桃纹理分析方法的基础上，对猕猴桃品种进行机器视觉分析。本文完成的工作主要有：1)采集猕猴桃果实图像。考察了手机相机、普通照相机等硬件，多机实验和调试之后选择相对较清晰的猕猴桃图像。猕猴桃图像在同一高度、白色背景、相同光线、相同拍摄器械所拍。2)对样本图像进行猕猴桃果实区域抠图、图像去噪、增强等一系列操作。3)提取猕猴桃果实部分的特征。提取猕猴桃图像的基于灰度共生矩阵的纹理特征，包括能量、对比度、相关性、熵、差分矩。提取猕猴桃的形状特征，包括圆形度、最小外接矩形、角点。绪论-3-4)建立猕猴桃特征库，训练分类器并进行分类识别。总体工作流程框图如图1.1所示。图1.1流程图获取猕猴桃