虹鳟鱼卵智能分离与识别系统的视觉机器技术应用

农业中的人工智能1（2019）27人工智能技术在虹鳟鱼卵分离中的应用Abbas Rohania， Mr. Morteza Takib，Ghasem Bahramiaa伊朗马什哈德Ferdowsi大学农业学院生物系统工程系b伊朗莫拉萨尼胡齐斯坦农业科学和自然资源大学农业机械和机械化系a r t i c l e i n f o文章历史记录：收到2019年1月23日2019年3月20日收到修订版2019年3月21日接受在线预订2019年3月25日关键词：虹鳟鱼鱼卵K-fold交叉验证机器视觉系统a b s t r a c t本研究以虹鳟鱼卵为研究对象，开发了一套基于视觉机器技术的虹鳟鱼卵智能分离与识别系统。将活蛋和死蛋图像处理后的特征作为分类器的决策变量采用多层感知器神经网络（MLP）和支持向量机（SVM）作为分类器。通过配对t检验，从15个特征中筛选出10个有效特征进行分类.为了更好地评价分类器，采用了k通过改变训练数据集的大小从80%到20%，类的能力和稳定性进行了评估。结果表明，在训练阶段，MLP和SVM分类统计指标的平均值对所有类别都是完全的（100%的分类预测正确）。在测试阶段，两种分类器的性能指标都非常令人满意（平均准确率为99.45%）。因此，可以确定地使用两种分类器来分离虹鳟鱼卵。© 2019作者出版社：Elsevier B.V.代表科爱通信有限公司公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 我不知道在伊朗和其他一些国家，健康的鱼卵是传统和手工分离的现在，许多养鱼场都采用这种但在一些鱼卵生产中心，鱼卵是用半自动方法分离的。该方法速度慢、精度低、成本高这些大的缺点增加了努力，建立一个更准确的设备，通过图像处理的方法来解决问题，提高效率。机器视觉系统包括用于拍摄图像的摄像机以及具有高效软件和硬件的计算机和照明系统。图像的质量取决于拍摄时的光线条件因此，如果这个因素是更好的，更准确的处理结果将实现（杜和孙，2004年）。在这种方法中，图像处理需要智能电网的新工具，以在更短的时间内处理图像，具有高的置信度。该网络基于一般训练来获取数据，并且它可以针对其他数据来实现（Mitchell等人， 1996年）。颜色和纹理是可以从图像中提取的有用颜色被认为是一个低层次的特征。该特征可以从同质图像和图像中的对象的部分中提取（Kim和Hong，2009）。组织学特征在中医辨证分型中起着重要作用纹理特征提取的最佳算法是灰度共生矩阵（GLCM，Gray-Level Co.）。*通讯作者。电子邮件地址：arohani@um.ac.ir（A. 鲁哈尼）。发生率矩阵）（Sengur，2008年）。 由于用手计数鱼的数量是困难的，并且误差的可能性也很高，因此设计了基于在不同地方和条件下的图像处理的系统（Zion等人，2006年）。该系统可以计算鱼的数量该算法可以达到98%的准确率。在另一项研究中，设计了一种商业软件来计算鱼卵（Friedland等人，2005年）。这些图像是从鱼卵中拍摄的通过膨胀腐蚀算法提取鱼卵的7个几何特征和尺寸特征，并对鱼卵进行正确计数Kunrui等人（2015），建造了一台鸡蛋分级机（Kunrui等人，2015年）。在该系统中，当鸡蛋通过典型的轨道移动时然后，对图像进行处理，以驱动其特征，如形态特征和颜色特征。从颜色空间中提取了六个特征处理速度为每小时5400个卵实验结果表明，该系统的测量精度约为90% 。 在 另 一 项 研 究 中 ， 应 用 图 像 处 理 技 术 来 分 析 蚕 卵（Kiratiratanapruk等人， 2014年）。这种技术可以检测物体和鸡蛋的试验在泰国蚕业中心进行从7种蚕种中提取了60个样品分析了RGB、HSV、LAB和YUV域的颜色特性蚕种处理速度可达每秒140粒该系统的精确度约为90%。 Omid等人（2013），设计了一种基于机器视觉和神经网络的技术来对鸡蛋进行分级（Omid等人， 2013年）。该系统可以检测到血凝块和蛋壳破裂等特征从HSV空间提取颜色特征模糊推理系统用于https://doi.org/10.1016/j.aiia.2019.03.0022589-7217/© 2019作者。出版社：Elsevier B.V.代表科爱通信有限公司公司这是一篇CC BY-NC-ND许可证下的开放获取文章（http：creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表农业中的人工智能期刊主页：http://www.keaipublishing.com/en/j ournals/artificial-intelligence-in-agriculture/28A. 鲁哈尼等人 /农业人工智能1（2019）27 - 34NomenclatureMLP多层感知器SVM支持向量机灰度共生矩阵MSE均方误差训练贝叶斯正则化反向传播训练BN贝叶斯网络DT决策树KNNk-近邻支持向量机数据描述CI置信区间研磨该系统对尺寸、裂纹和断口的检测精度分别为95%、94.5%和98%在另一项研究中，Soltani和Omid（2015）设计了一种基于电化学阻抗光谱技术和机器视觉的系统（Soltani和Omid，2015）。这种方法是基于介电性质的变化在该系统中，当鸡蛋被放入传感器时，介电特性发生了变化。根据蛋的质量、厚度和长度等特征对蛋进行分级。 分离技术涉及人工神经网络（ANN）、贝叶斯网络（BN）、决策树（DT）和支持向量机（SVM）。这些方法均具有良好的精密度。在一项研究中，提出了应用机器视觉系统来检测和识别沙丁鱼卵（Powell等人， 2003年）。在线成像系统用于鱼卵的检测和计数，该系统包括灯、流室、泵和计算机，并配有适当的图像处理硬件和软件提取了图像的大小、形状和阴影等特征这些特征被用作回归树算法的输入用这个系统，9987沙丁鱼蛋被计数。结果表明，支持向量机是一种非常有用的模式识别和区分这两个群体的技术。今天，SVM和ANN作为区分两组的强大算法的应用是相当普遍的（Robotham等人，2010年; Cortes和Vapnik，1995年）。在生态学和生物学应用领域，SVM优于ANN（Morris等人，2001年）。一些研究人员将这些方法用于生态学和生物学主题。 Hu等人（2012），使用SVM和ANN技术分离智利中南部的普通沙丁鱼和竹荚鱼（Hu等人，2012年）。提取的特征，如形态，水深，能量和位置被用于分类这两个物种。结果表明，该方法对鱼类的分类具有89.5%的可信度为了帮助中国渔民和诊断鱼类疾病，Storbeck和Dan开发了一种方法（Storbeck和Daan，2001）。在这个系统中，在第一步，鱼被带到铁轨上。然后用智能手机从鱼身上捕捉图像。提取了图像的宽度、长度、纹理特征以及小波变换的统计特性等特征。采用多类支持向量机对鱼类进行分类结果表明，利用HSV空间中颜色的提取特性和支持向量机中的一对一算法是诊断鱼类疾病的最佳方法。在另一项研究中，将包括模式识别和近红外的两种方法结合起来用于对鸡蛋的新鲜度进行分类（Zhao等人， 2010年）。对于分类，使用支持向量机数据描述（SVDD）在这场重新-搜索，鸡蛋的光谱范围为10为了检查分类方法，一些方法，如k-最近邻（KNN）、ANN和SVM。最后，SVDD的效果最好该系统的准确率约为93.3%。结果表明，该方法是解决类似问题的一种很好的方法上述文献表明，对鱼卵的分离和鉴定研究很少，特别是在伊朗。所以，现在本研究旨在开发一种视觉化的鱼卵活、死卵分离机。采用SVM和MLP两种分类器对图像进行分类本研究结果可供食品工程师设计解决此问题的精确装置时参考2. MATERIALS和METHODS2.1. 图像采集和特征提取在这项研究中，图像被捕获与佳能数码华硕500VHS。由于鱼卵较小，因此图像大小选择为280 × 280像素。在几次图像捕获之后，将相机固定在含有样品的板上方40cm通过图像分析，确定了鱼卵的品质.纹理和颜色特征是通过图像处理得到的该过程包括两个阶段：1. 图像处理技术包括：• 捕捉鱼卵的图像• 将图像大小调整为280 × 280像素。• 将图像从RGB转换为LAB（用于颜色特征）。• 将图像从RGB转换为GRAY（用于纹理特征）。• 标记每个对象。2. 特征提取在这一节中，颜色和纹理特征是从每个标记的。鱼卵的特征包括对比度、相关性、能量、均匀性、LBP（平均值和标准差）和LAB（平均值、标准差和范围）值。这些特征用于分离鱼卵。 图 1显示了样品蛋的原始图像和转换后的图像。2.1.1. 颜色特征在本节中，首先，图像的背景被省略。在此之后，需要一个不受成像仪器和条件影响的颜色空间RGB色彩空间不具备这个条件。因此，使用了LAB颜色空间与RGB不同，这个系统类似于人眼。此外，它不受仪器的影响（Sha fi ee等人， 2014年）。在这个空间中，L等同于亮度，A具有无限的量（正值表示红色，负值表示绿色）。B的正值等于黄色，负值等于蓝色。在文献中，大多数食品工业研究者经常使用LAB空间。 对于LAB的每个空间，提取了3个统计属性和9个颜色特征.平均值是统计因子或集中趋势的平均值 标准偏差（Std）用于确定数据分散的量，并且最后，范围是最大值和最小值之间的跨度（Zion等人，2006年）。2.1.2. 纹理特征分析的另一个方面是从纹理中提取特征在这个阶段，图像从彩色转换为灰色。 在此基础上，采用灰度共生矩阵和LBP函数进行纹理特征提取。该方法将图像转换为二维灰度共生矩阵，每个元素是在距离d和角度θ（00，450，900，1350）附近得到颜色强度i和j的概率最后，利用该函数，给出了该方法的在计算共生矩阵上的函数之前，应该对矩阵的每个元素进行归一化。通过将每个元素除以所考虑的像素对的总数来对数据进行归一化Haralick和Shanmugam（1973）首次使用共生矩阵提取图像的纹理特征，以排除葡萄柚故障（Haralick和Shanmugam，1973）。然而，像素的数量彼此越接近，主对角矩阵越集中，并且与位置信息中的简单像素直方图相比，位置数据丢失，并且仅像素的频率A. 鲁哈尼等人 /农业人工智能1（2019）27 - 3429¼¼ ð Þ图1.一、鸡蛋样本的原始图像和转换图像（A和B）。计算灰度值并考虑像素矩阵的位置。在本研究中，能量是图像均匀性的度量由于均匀灰度级较低，所以值被平方（Gong等人，1992年）。对比度是图像像素的局部变化图像中最亮的白色和最深的黑色之间的差异被定义为对比度。如果这两个因素之间的差异很大，则因素的值变高，然后图像的质量同质性是指图像的元素、部分和特征相关性是图像中相邻像素或某些部分的灰度级的线性如果相同的灰度级是高的，则意味着相关性是-分类方法，并由至少三层组成（图2）。第一层是输入层，其大小等于用于分类的特征的数量每个输入都有一个权重隐藏层由一些神经元组成本研究评价了隐层中的3，5，…，13个在大多数情况下，隐藏层中的神经元数量，通过反复试验发现（Abutaleb，1991）。由于本研究的目的是对活卵和死卵进行最佳产量分类[1 0]和最佳产量分类[0 1]，因此输出层应包括两个输出层的传递函数为S型。两个函数，sigmoid和双曲正切，被评估为隐藏层的传递函数，如下所示：他们之间的差距很大（Broomhead和Lowe，1988）。在这项研究中，100个图像来自活卵和死如表1所示，从每个图像提取15个特征。输出11e−∑Fi wijbð1Þ2.2. MLP分类器采用多层感知器（MLP）神经网络结合反向传播算法对鱼卵进行分类MLP神经网络是出2−1 21e−∑2Fi wijb其中，Fi、b和wij分别表示第i个输入、第j个神经元的偏置和权重。表1从鱼卵图像中提取的特征特征符号特征符号特征符号特征符号对比F1平均局部二值模式F5范围（在空间L中）女性9标准品（空格B）F13相关性F2局部二值模式标准差F6平均值（在空间A中）F10范围（在空间b中）。F14能源F3平均值（在空间L中）F7范围（在空间A中）F11范围（在空间B中）。F15均匀性F4Std（在空间L中）F8平均值（在空间B中）F12–图二、 MLP classi fier with three inputs and two outputs.30A. 鲁哈尼等人 /农业人工智能1（2019）27 - 34X1234567899 10 11 12 1314 151617181919图3. 线性SVM分类器。通过训练函数得到了MLP分类器的最优权值和最优偏差在这项研究中，使用了两个函数：贝叶斯正则化反向传播（Trainbr）和表2特征平均值的比较特征是说p值特征是说p值I类II类I类II类F113,344.313,088.00.00日元女性918.80913.1950.00日元F20.0018-0.00060.16nsF1023.6745.3340.00日元F30.000010.000010.35nsF111.49711.15560.00日元F40.033760.033510.00日元F1220.04314.4340.00日元F516.220516.22050.09nsF1351.94736.2260.00日元F635.17828.9890.00日元F141.26421.04250.01升F769.62259.3030.00日元F1518.46516.9130.08nsF80.85630.78600.213ns*显著低于0.01水平。ns不显著。网络权重使用均方误差（MSE）准则作为MLP网络性能的优化指标nmse T−P23ni¼1其中，Ti和Pi分别表示目标和预测类。在每个训练周期之后，网络的权重被更新以达到最小化MSE（Ripley，2007）。2.3. SVM分类器支持向量机是一种基于统计学习的分类它使用两种策略，即将经验风险保持在恒定值和最小化置信区间（CI）（Vapnik，2013）。的图四、本研究的流程图。A. 鲁哈尼等人 /农业人工智能1（2019）27 - 34310.00000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000TPFFN0.00000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000W.：f b≤−1if y−1公司简介表3MLP分类器的统计指标结果Nn TFTrainlmTrainbr训练阶段测试阶段训练阶段测试阶段精度精度精度精度精度精度精度精度3logsig99.99± 0.0699.99 ±0.1299.45± 1.0499.00 ±2.0199.99± 0.0699.99 ±0.1299.65± 0.8999.25± 1.79坦西希99.38± 0.0899.97 ±0.1699.59± 0.9399.19 ±1.85100± 0.00100± 0.0099.35± 1.1098.87± 2.205logsig99.96± 0.1499.93 ±0.2999.56± 1.0599.10 ±1.9399.53± 0.9899.05 ±1.9799.53± 0.9899.05± 1.97坦西希99.96± 0.3299.98 ±0.1899.28± 1.1498.60 ±2.26100± 0.00100± 0.0099.40± 1.0798.80± 2.147个logsig99.98± 0.1099.96 ±0.2199.30± 1.1298.80 ±2.14100± 0.00100± 0.0099.66± 0.8999.25± 1.79坦西希99.99± 0.0699.99 ±0.1399.42± 1.0598.85 ±2.11100± 0.00100± 0.0099.48± 1.0298.95± 2.049logsig99.98± 0.1299.95 ±0.2599.38± 1.0898.75 ±2.18100± 0.00100± 0.0099.40± 0.8998.80± 2.14坦西希99.96± 0.1599.93 ±0.2999.58± 0.9499.15 ±1.8899.99± 0.0698.75 ±0.1299.72± 0.7899.45± 1.5711logsig99.99± 0.0699.99 ±0.1299.48± 1.0099.00 ±2.00100± 0.00100± 0.0099.62± 0.8999.25± 1.79坦西希99.99± 0.0699.99 ±0.1299.50± 1.0299.05 ±1.97100± 0.00100± 0.0099.62± 0.8999.25± 1.7913logsig99.98± 0.1099.96 ±0.2199.48± 1.0298.95 ±2.05100± 0.00100± 0.0099.50± 1.0099.00± 2.01坦西希99.96± 0.1599.92 ±0.2999.42± 1.0599.15 ±1.88100± 0.00100± 0.0099.62± 0.8999.25± 1.79支持向量机的主要思想是应用一个超平面将输入模式分为两类。 图图3示出了具有线性超平面的SVM分类器。如前所述，在本研究中，两类分类问题进行了研究。从鱼卵图像处理中得到的模式具有N维特征向量。对于每个输入向量f，值y∈{−1，+1}被定义为：f<$ f f1; f2; f3;并且对于线性SVM分类器：f f：wb5其中w∈RN，b∈ R。训练数据集定义为：y1;f1可以假设训练集是线性可分的，而以下不等式对训练集的所有成员都有效2.4. SVM和MLP分类器的性能评估为了评估该模型的性能，一些标准已被用于从文献中在本研究中，以下标准用于基于正确识别的模式数（TP）、正确拒绝的模式数（TN）以及错误识别的模式数（FP）或错误拒绝的模式数（FN）来评估分类器精度TP100 8TPTNFPFN精密度±100 μ m灵敏度±%TP×100 ð10ÞF−score2×灵敏度×精度10011灵敏度和精密度TNw：如果yi<$1，则fib≥1iþi ¼ð7Þ专属性：≤ %≤TN≤FP×100 ≤ 12 μ m最优超平面是唯一的，并且是在训练期间导出的AUC1.TP中国电信 Σð13Þ为了获得最高的利润率。使用MATLAB 2016b软件包开发SVM和MLP模型。 图 4显示了¼2×TPFFN公司简介工作的整个过程YI<$4灵敏度− 101 −特异性104表4MLP分类器的灵敏度分析结果列车阶段试验阶段表5MLP分类器在三个阶段（训练、测试和总体）的性能精度精度精度精度精度精度灵敏度F-scoreSpecifi city AUCYI所有100± 0.00100± 0.0099.66± 0.8999.25 ±1.79最小值10010010010010011除F1外所有100±0.00 100±0.00 99.65±0.86 99.30±1.30火车最大值100 100 100 100 100 1 1除F外，99.96±0.15 99.92±0.29 99.40±1.07 99.00±2.02测试最大值100 100 100 100 100 1 1除了F499.25± 1.0599.72± 0.7997.00± 2.3197.60± 3.23是说10010010010010011除了F6100± 0.00100± 0.0099.65± 0.8799.30± 1.75STD0000000除了F7100± 0.00100± 0.0099.20± 1.1798.40± 2.35Min97.5095.0010097.4495.240.980.95除了F1099.98± 0.1299.95± 0.2599.65± 0.8799.30± 1.75是说99.4598.9010099.4498.950.990.99除了F11100± 0.00100± 0.0099.60± 0.9299.20± 1.85STD1.042.0801.061.980.010.01除F12外的Al100± 0.00100± 0.0099.60± 0.9299.20± 1.85Min99.5099.0010099.4999.000.990.9932A. 鲁哈尼等人 /农业人工智能1（2019）27 - 34除F13外均为100±0.00 100±0.00 99.35±1.10 98.70±2.21总最大值100 100 100 100 100 1 1除了F14100± 0.00100± 0.0099.65± 0.8799.30± 1.75是说99.4599.7810099.8998.950.990.99F4F 9F 10100± 0.00100± 0.0099.45± 1.0498.89± 2.07STD0.200.4200.201.980.000.00A. 鲁哈尼等人 /农业人工智能1（2019）27 - 3433图五. 基于三个选定变量的两类活蛋和死蛋的离散度。3. Resultsanddiscusion3.1. 特征选择可以减少特征的数量以最小化计算并提高分类速度。本研究采用配对t检验进行统计学比较.在该方法中，从特征集合中移除示出活蛋类和死蛋类之间的不显著差异的特征（表2）。如图所示，在5%水平下，两个类别之间的五个特征（F2、F3、F5、F8和F15）没有显著差异（p值N两个类别的特征之间缺乏显著差异，这表明这两个表6SVM-RBF分类器在训练、测试和总阶段的性能精度精度灵敏度F-scoreSpecifi city AUCYI火车最小值10010010010010011Max 10010010010010011平均值10010010010010011标准0000000测试最小值97.59510097.4795.230.980.95Max 10010010010010011平均值99.5799.1510099.5699.190.990.99标准0.941.8800.961.790.000.00总最小值99.59910099.4999.490.990.99Max 10010010010010011平均值99.9299.8310099.9199.910.990.99标准0.180.3700.180.370.000.00不能通过这些特征来区分类别因此，其他10个特征被选择用于分类。3.2. MLP分类器采用MLP神经网络作为鱼卵分选的智能方法10个选定的特征（表2）作为MLP模型的输入。表3显示了训练和测试阶段分类器的两个性能特征（准确度和精度）的平均值和标准表3中的值来自100个不同的数据集，用于通过5倍交叉验证方法进行训练和测试，重复20次。隐层神经元采用两种训练算法（Trainlm和Trainbr）和两种转换函数（logsig和tansig）。此外，隐藏层中的神经元数量从3个变为13个。标准差的值不等于零，因为训练和测试阶段的网络性能取决于为训练阶段选择的数据集。可以观察到，训练算法（Trainlm）在训练和测试阶段的最佳结果是通过隐藏层中的11个神经元处的tansig变换函数导出的。通过对两种训练算法的性能比较，发现Trainbr算法的性能更好1011009998979695（一）100 10099.5799.15列车试验1011009998979695（b）第（1）款九十九点四八九十九点五七列车试验98.9699.15精确度精确度1011009998979695（c）第（1）款100 10099.5799.15列车试验准确度精密度1011009998979695（d）其他事项100 10099.5799.15列车试验准确度精密度图第六章 基于四种类型的核函数的SVM的结果：（a：RBF），（b：线性），（c：poly2）和（d：poly3）。34A. 鲁哈尼等人 /农业人工智能1（2019）27 - 34表7在训练集中评估不同大小的MLP和SVMClassi fier精度精度灵敏度F-scoreSpecifi cityAUCYI火车80MLP100± 0.0100± 0.0100± 0.0100± 0.0100± 0.01± 0.001± 0.00SVM100± 0.0100± 0.0100± 0.0100± 0.0100± 0.01± 0.001± 0.0060MLP100± 0.0100± 0.0100± 0.0100± 0.0100± 0.01± 0.001± 0.00SVM100± 0.0100± 0.0100± 0.0100± 0.0100± 0.01± 0.001± 0.0040MLP100± 0.0100± 0.0100± 0.0100± 0.0100± 0.01± 0.001± 0.00SVM100± 0.0100± 0.0100± 0.0100± 0.0100± 0.01± 0.001± 0.0020MLP100± 0.0100± 0.0100± 0.0100± 0.0100± 0.01± 0.001± 0.00SVM100± 0.0100± 0.0100± 0.0100± 0.0100± 0.01± 0.001± 0.00测试20MLP99.45± 1.0498.90± 2.08100± 0.099.44± 1.0698.95± 1.980.99± 0.010.99± 0.01SVM99.58± 0.9499.15± 1.89100± 0.099.56± 0.9799.19± 1.800.99± 0.010.99± 0.0240MLP99.53± 0.6199.05± 1.22100± 0.099.52± 0.6299.07± 1.190.99± 0.010.99± 0.01SVM99.53± 0.6199.05± 1.22100± 0.099.52± 0.6299.07± 1.190.99± 0.010.99± 0.0160MLP99.57± 0.4299.13± 0.84100± 0.099.56± 0.4299.15± 0.821.00± 0.000.99± 0.01SVM99.56± 0.4299.13± 0.8499.98± 0.1699.55± 0.4299.15± 0.820.99± 0.000.99± 0.0080MLP99.49± 0.2598.99± 0.49100± 0.099.49± 0.2599.00± 0.491.00± 0.00.99± 0.00SVM99.49± 0.2699.00± 0.5099.98± 0.2499.48± 0.2699.01± 0.500.99± 0.000.99± 0.01在训练阶段，它的识别错误率在大多数情况下为零Trainbr的最佳性能由具有logsig转换函数的七个神经元（在隐藏层中）观察到。因此，Trainbr算法导致比Trainlm更好的结果，具有更少的神经元数量。3.2.1. 敏感性分析在第一步中，通过统计比较，选择了10个可以有效分离活的和死的鱼卵的然后，对MLP神经网络选择最合适的训练算法、隐层神经元的转换函数和数目在该步骤中，进行敏感性分析以确定最敏感的特征（表4）。在该表中，显示了在训练和测试阶段移除十个特征（逐个）之后的MLP性能如果特征的去除对分类器的性能具有负面影响，则其将被认为是用于分离两个类别（活蛋和死蛋）的高度因此，三个变量（F4，F9和F10）被选为最重要和最有效的特征，在分离的鱼卵，因为他们的排除从输入，影响分类器的性能相比，包括所有10个特征。表5显示了5折交叉验证方法的100个不同数据集在训练、测试和整个阶段的MLP神经网络性能参数的最小值、平均值和标准差在本节中，MLP由在灵敏度分析步骤中选择的三个输入训练训练阶段的结果表明，MLP分类器能够很好地利用这三个特征对活、死鱼卵进行测试阶段的结果表明，MLP在该阶段也有良好的性能总的来说，平均精度的MLP神经网络被发现是99.45%。图5显示了活的和死的鱼卵类的特征分散。因此，这两个类别是高度分离的基础上，三个选定的变量。3.3. SVM分类器在本研究中，支持向量机模型被用作另一个分类器。根据表4的结果，选择三个特征（F4、F9和F10）作为SVM的输入 核函数类型是影响SVM性能的一个重要参数。针对不同类型的核函数，包括线性、二阶多项式（poly2）、三阶多项式（poly3）和径向基函数（rbf），显示了训练和测试阶段的准确度和精度的均值和标准差（图6）。结果表明，rbf函数类型比其他函数类型具有更好的性能。然而，rbf、poly2和poly3的所有三个功能的平均结果相似，但rbf的标准差低于其他两种类型。因此，rbf更稳定，具有更好的推广性。在本分析中，线性函数的性能最差因此，类的分离需要一个非线性函数。表6显示了5倍交叉验证的100个不同数据集在训练、测试和总计三个阶段的SVM-rbf每周期参数的一些描述性统计特征与MLP相似，所有数据集的SVM-rbf训练阶段的结果此外，测试阶段的结果证实了支持向量机的能力SVM结果与MLP高度相似（表5）。因此，这两种分类器被发现在识别和分离活的和死的鱼卵方面具有相同的能力3.4. 数据大小对分类器性能的影响为了评价两个分类器的能力和概括性，即MLP和SVM，不同大小的数据集用于训练。因此，所有数据的80%、60%、40%和20%被随机用于训练集，其余部分被按比例用于测试部分。因此，评估了训练集大小从大（80%）到小（20%）的模型。对于评价，使用了通过5倍法选择的相同的100个数据集，重复20次，并在训练和测试阶段估计了性能参数的平均值和标准差（表7）。训练阶段的结果表明，两种分类器在训练阶段的误差均为零，具有良好的分类性能。测试阶段的结果表明，更大的测试集的大小将减少预测的总误差和MLP之间没有显着差异观察SVM。因此，可以认为SVM和MLP都具有很高的分离活卵和死卵的能力。4. 收集和检索数据利用图像处理技术，从200幅虹鳟鱼活卵和死卵图像中提取了15个特征通过两类统计比较，从中选出10个特征作为有效特征使用5折交叉验证技术，重复20次，以评估MLP和SVM模型的性能。结果表明，采用Trainbr训练算法的MLP和隐含层具有logsig变换函数的7个神经元作为鱼卵分类器的最佳选择MLP敏感性分析结果表明，用F4、F9和F10三个特征可以达到几乎100%的分类SVM分类使用相同的特征RBF类型被用作SVM的核函数SVM分类结果表明，MLP和SVM分类器之间的差异不显著。最后，通过减小A. 鲁哈尼等人 /农业人工智能1（2019）27 - 3435训练集结果表明，两种分类器具有同样高的性能。最后，该方法可以有效地分离活、死鱼卵。一些建议如下：1. 提取一些属性，如每个鱼卵的体积和重量，可以导致更强大的算法设计。2. 设计一个基于大量的fish而不是一对一的算法可以对分离的速度起到很大的作用3. 设计一种不需要从水中去除鸡蛋，并且可以消除照片中的水噪声的算法应该在接下来的研究中考虑。致谢非常感谢马什哈德的Ferdowsi大学和胡齐斯坦的农业科学和自然资源大学的财政支持引用Abutaleb，A.S.，一九九一年作用于雷达目标上的力的估计的神经网络。神经网络4（5），667-67 8.布鲁姆黑德，D.S.，Lowe，D.，一九八八年 径向基函数，多变量函数插值和自适应网络。科尔特斯角，Vapnik，V.，一九九五年支持向量网络。马赫学习. 20（3），273-29 7.D u，C. -J. Sun，D.-W. 2 0 0 4。 在食品质量评价中应用图像处理技术的研究进展。食品科学趋势Technol. 15（5），230-24 9.Friedland，K.，Ama-Abasi，D.，曼宁，M.，克拉克湖Kligys，G.，钱伯斯河，2005年从扫描图像中自动计算交配卵的数量和大小：快速的样本处理和大量的数据量用于繁殖力估计。J. Sea Res. 54（4），307-31 6.Gong，P.，Marceau，D.J.，Howarth，P.J.，一九九二年SPOT HRV数据与土地利用分类空间特征提取方法的比较遥感环境。40（2），137-151。Haralick，R.M.，Shanmugam，K.，一九七三年用于图像分类的纹理特征。IEEE Trans.系统曼·赛伯恩 3（6），610-62 1.胡，J，Li，D.，Duan，Q.，汉，Y.，陈，G.，是的，X.，2012年。 基于颜色、纹理和多类支持向量机的鱼类视觉分类。Comput.电子。Agric.88，133-14 0.金，J. -美国，洪，K.-美国，2009. 基于无 监 督 图 割 的 颜 色 纹 理 分 割 。模式识别42（5），735-75 0。Kiratiratanapruk，K.，Watcharapinchai，N.，美沙酯岛，Sinthupinyo，W.，2014年。使用图像分析的蚕 卵 检 测 和 分 类 （ 论 文 发 表 于 2014 年 国 际 计 算 机 科 学 与 工 程 会 议（ICSEC））。昆瑞，X.，Xi，L.，乔华，W.，Meihu，M.，2015. 基于机器视觉的咸蛋在线自动分级。Int. J.Agric. Biol. Eng. 8（1），35-41.米切尔，R.S.，夏洛克，皇家律师洛杉矶史密斯一九九六年。 利用机器学习确定奶牛发情期的研究。Comput. Electron. Agric. 15（3），195-213. 莫里斯，C.W.，Autret，A.，博迪湖，2001年 支持向量机与强分割径向基函数网络的比较。生态学模型 146（1），57-67。Omid，M.，Soltani，M.，Dehrouyeh，M.H.，Mohtasebi，S.S.，艾哈迈迪，H.，2013. 基于机器视觉和人工智能技术的鸡蛋专家分级系统。J. FoodEng. 118（1），70-77。鲍威尔，J.，Krotosky，S.，奥乔亚湾，Checkley，D.，Cosman，P.，2003年。使用机器视觉系统在海上检测和识别沙丁鱼卵海洋2003。庆祝过去.携手迈向未来（IEEE目录号03CH37492）。Ripley，B. D.，2007年 模式识别和神经网络。北京：清华大学出版社. Robotham，H.，Bosch，P.，Gutiérrez-Estrada，J.C.，Castillo，J.，普利多-卡尔沃岛2010年。用支持向量机和声学方法识别智利小型中上层鱼类神经网络鱼. Res. 102（1），115-122。Sengur，A.，2008年基于小波变换和自适应神经模糊推理系统的彩色纹理分类。专家系统应用34（3），2120-2128。Shafi ee，S.，Minaei，S.，Moghaddam-Charkari，N.，Barzegar，M.，2014. 使用计算机视觉系统和