和分级,Qiaohua等人(2017)使用改进版的最小二乘法设计了该系
统,实现了良好的准确性。将椭圆基本神经网络分类技术应用于基于共
生矩阵的纹理特征和SVD的组 合,以识别有机太阳能电池中的缺陷
(Sciuto等人, 2019年)的报告。
上面提到的文献已经使用了手工制作的特征和简单的结构化分类
器,其不能以良好的准确度映射复杂的特征。由于这些原因,现在研究
界更多地关注CNN的作用。它在图像注释和分类任务方面非常有名。它
可以最大限度地减少错误,因为它可以自动学习特征,并使用上下文细
节全局提取特征。对于对象识别任务,它在ImageNet数据集上实现了
出色的性能(Krizhevsky等人,2012年)。它被应用于图像分类以将
给定图像分类为食物图像或不是食物图像,并且还用于使用GoogleNet
预训练 模型来识别食物的类别(Singla等人,2016年)。Hou等人
(2016)设计了一种使用CNN进行水果识别的算法。本文采用选择性
搜索的方法提取图像区域,然后利用水果图像的平均熵进行区域选择,
并将这些区域作为CNN学习的输入。Zhang et al.(2019)揭示了基于
图像的水果分类的整体准确性可以通过数据增强技术来提高。通过定制
设计的13层CNN,他们的模型达到了95%的准确率。这些方法都致力于
水果图像及其质量的识别,但很少有文献研究水果的层次分类。
3.
方法
本节简要介绍了水果图像注释的总体架构(图
1
)。①的人。首
先,从收集的图像样本中组织图像(图
1
)。
2
)对输入图像进行去
噪、颜色分割、阴影去除等预 处理,增强输入图像。此夕
h
水果图像的实际尺寸以毫米(mm)为单位计算(图1)。 4).
基于长轴和短轴评估果实的形状。采用混合小波变换和Gabor滤波器
进行纹理特征提取。随后,使用水果图像的颜色、形状、纹理以及实际
大小和深度特征来创建同现模式。所得到的CP值可用于果实品质的分
级。两种不同的分类器模型,如soft-max和SVM用于分类目的.使用单
向ANOVA技术进行统计分析
3.1.
图像预处理
图像预处理是提高图像质量的重要步骤,例如减少图像中的噪声
和 增 强 图 像 的 亮 度 , 从 而 提 高 特 征 提 取 的 准 确 性 (
Mercol
,
2010
)。
3.1.1.
颜色分割和阴影去除
RGB颜色空间描述了图像中存在的红色、绿色和蓝色的组合。它对
光 照 的 变 化更 敏 感 。 因此 , 它 被 转换 到 HSV颜 色 空 间的 帮 助 下 ,
MATLAB工具箱内置函数'rgb2hsv'的HSV颜色空间是不太容易的光照
变化。在HSV空间中,通过对色调和饱和度应用适当的阈值,可以将前
景对象(水果)与背景对象分离。通过将葡萄和芒果的饱和度阈值分别
设置为40(%)和60(%)来去除阴影效果。然后,图像被转换成二进
制图像,其中前景对象是白色的,而背景是黑色的,使用合适的阈值,
根据等式(1)。(一).
hm; n
1
如果
g<$m;n<$≥T
1
0,
如果
g=m;n=T<
其中,
h =分割的二进制图像
Fig. 1. 提出了水果图像标注模型的工作流程。