基于机器学习和图像处理的番茄缺陷识别与分级计算机视觉系统

农业中的人工智能2（2019）28基于机器学习和图像处理的番茄缺陷识别与分级计算机视觉系统David Ireria，Eisa Belala，b，Cedric Okindaa，Nelson Makangea，Changying Jia，南京农业大学工学院，江苏省现代设施农业技术与装备工程重点实验室，江苏210031b中达尔富尔州扎林盖大学农业学院农业工程系，苏丹a r t i c l e i n f o文章历史记录：收到2019年4月21日2019年6月6日收到修订版2019年6月6日接受在线提供2019年6月17日关键词：分级花萼缺损机器视觉系统a b s t r a c t随着大规模生产和对高质量番茄的需求，以满足消费者和市场标准，导致在收获后过程中需要一个在线，准确，可靠的分级系统。介绍了一种基于RGB图像的番茄分级机器视觉系统所提出的系统进行，形成的花萼和茎疤痕检测的平均准确度为0.9515的缺陷和健康的西红柿直方图阈值的基础上，这些区域的平均g-r值使用LAB颜色空间像素值通过RBF-SVM分类器检测缺陷区域经验证，该模型的总体准确度为提出了基于颜色和纹理特征的四种分级分类识别模型RBF-SVM优于所有探索的模型，最高的准确率为0.9709的健康和有缺陷的类别。然而，评分的准确性下降的评分类别的数量增加。颜色和纹理特征的组合在图像特征评价的所有分级类别中实现了最高的准确性。该系统可作为一种在线番茄分选工具，以确保质量标准的遵守和维护。© 2019作者由爱思唯尔公司制作和主持我代表科爱通信公司，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. 介绍番茄是一种营养丰富的水果，是世界上种植面积最大的农产品之一根据（FAOSTAT，2017），全球番茄产量为1.708亿吨，中国是主要生产国，占总产量的31%以上对于大规模生产，收获后的程序是至关重要的，因为番茄是一种精致且易腐烂的水果。此外，质量和食品安全是番茄供应链管理中的决定性因素，以满足贸易规格和买方的要求（Esguerra等人， 2018年）。 根据欧盟（2011年）关于加工水果和蔬菜条例的规定，最低要求是番茄必须新鲜、完整、无变质、无裂缝、无损坏，并且必须以令人满意的状态到达目的地。因此，识别这些特征有助于符合公认的市场标准。几个化学和物理参数影响果实质量，并且已经用于在收获后对番茄进行分类和分级，例如尺寸（大和小）、形状（圆形或椭圆形）、缺陷和成熟度或颜色（Arjenaki等人，2013年）。这些参数有助于识别具有机械损伤、疾病和昆虫损伤、裂缝和收获前变形缺陷的番茄，以实现*通讯作者。电子邮件：chyji@njau.comed u。Cn（C. Ji）。要求的市场标准（粮农组织，2008年）。此外，分类管理产品如何通过包装线和质量标准销售的有效性和效率因此，必须有一种稳健、一致、快速、有效和非破坏性的分类方法（Jarimopas和Jaisin，2008年）。常用的分类和分级技术是人工分类。然而，这种技术有几个缺点，例如精度 低，劳动密集 型和主观性（ Karlsson， 2016）。 Gould（1975）介绍了机械番茄分拣机作为解决人工分拣缺点的方法。然而，这种分级系统仅限于尺寸和重量分类。目前，随着机器视觉技术的出现和发展，已经可以基于机器视觉检测系统准确且非破坏性地克服这些限制（Chen等人， 2002年）。基于计算机视觉的系统已经应用于食品和基于农业的工业的广阔领域中的苹果分选（Moallem等人，2017; Unay等人，2011）、草莓（Liming和Yanchao，2010）、番茄（Arakeri，2016; Clement等人， 2012）、马铃薯（Moallem等人， 2013）、日期（Al Ohali，2011; Lee等人， 2008）、柑橘（Blasco等人，2007年; López-García等人，2010）、芒果（Naik和Patel，2014; Naik等人， 2015; Nandi等人， 2014）、黄瓜（Clement等人， 2013年）等。早在1985年，Sarkar和Wolfe（1985）就报道了基于机器视觉的番茄分选，该研究根据番茄的大小、颜色、形状和缺陷对番茄但这https://doi.org/10.1016/j.aiia.2019.06.0012589-7217/© 2019作者。由爱思唯尔公司制作和主持我代表科爱通信公司，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/D. Ireri等人 /农业人工智能2（2019）28 - 3729该系统要求水果在成像过程中位于其茎或花端取向上以进行特征提取。Clement等人（2012）介绍了一种基于颜色、大小和重量的番茄分类器。然 而，如前所述 ，水果质量 也受到缺陷 的影响 Dhanabal和Samanta（2013年）在检测花端腐烂（BER）时报告了基于颜色特征的缺陷检测，Rokunuzzaman和Jayasuriya（2013年）在检测BER和裂缝时报告了基于颜色特征的缺陷检测。 颜色特征被认为是依赖于单个像素值的一阶空间统计。然而，缺陷没有空间方向。因此，应考虑缺陷的相对区域（Arakeri，2016; Moallem等人， 2017年）的报告。为了改进番茄缺陷检测，Arakeri（2016）提出使用高质量图像和图像纹理特征。然而，使用高分辨率图像，如高光谱和多光谱（Moltó等人，2010年;Polder和vander Heijden，2010年）成像系统消耗了大量计算时间和高成本（Arakeri，2016年）。介绍了一种基于彩色图像处理和机器学习技术的低成本番茄分级系统该系统提取了LAB的颜色特征和灰度纹理特征，并将其作为特征变量，建立了番茄红度、颜色强度和缺陷的相关性与RGB相比，LAB颜色空间通常较少受到相机传感器的变化的影响（Sha fi ee等人， 2014年）。 纹理特征也被称为二阶特征（Moallem等人， 2017），因为它们通过成对表示像素的属性来捕获有助于感知纹理的灰度值的空间依赖性。本研究的主要目的是开发一个计算机视觉系统，可以用来分级番茄。本研究的具体目标是开发一种有效的图像处理算法，开发一种有效和准确的肾盏检测算法，并开发不同的分类器，把西红柿分成不同的等级。该系统具有快速、廉价、准确、非检测等优点，可应用于番茄采后的实时检测，从而提高番茄生产和供应链管理中的检测速度和质量保证2. 材料和方法2.1. 实验设置和数据收集实验于2018年11月至2019年1月在中国江苏省南京市南京农业大学工程学院进行在中国江苏南京江浦的一个当地农场人工选择了总共200个具有不同程度缺陷和红色强度的番茄。使用了樱桃番茄和传家宝番茄。所提出的系统的概述在图中给出。1.一、图像采集系统由Hikvision Mini Cam- era（DS-2CD 2D 14 WD/M4 MM）组成，安装在成像台上方1.0 m处，如图所示。二、摄像机通过以太网连接到Intel Core i5- 4500 U CPU，4GHz，16 GB物理内存（Intel，Santa Clara，CA，USA），MicrosoftWindows 10 PC。以10fps的速度采集不同方位的足趾图像（1280 × 720）。为每种番茄选择10个图像用于随后的分析。2.2. 图像处理和特征提取算法这些算法旨在开发一个基于缺陷和颜色强度的番茄分级系统，如图所示。1.一、首先，对采集到的图像进行分割，去除背景;其次，进行花萼和茎痕检测，图1.一、所提出的系统的算法流程。30D. Ireri等人 /农业人工智能2（2019）28 - 372mxrm图二、实验装置和图像采集系统。缺陷分割第三，从所有图像中提取颜色、纹理和形状特征. 第四，开发了基于支持向量机（SVM）、人工神经网络（ANN）和随机森林的分类器2.3. 图像处理2.3.1. 背景去除在这项研究中，图像采集系统是固定的。因此，一个简单的图像减法技术用于背景去除。由于RGB图像对环境光条件敏感，因此在某些图像中背景未完全去除。然而，在设置条件下，背景像素具有比前景像素低的值因此，通过直方图阈值化技术完全去除背景，如图所示。 3. 阈值由Eq.（1）（Moallem和Razmjooy，2012年）1δ¼ ðμþμÞð1Þ其中，δ是启发式阈值，μmxr是图像中具有最多重复的灰度级，μm是图像的灰度级分布的中值2.3.2. 花萼和茎痕检测从外观上看，花萼和茎瘢痕（CS）通常与缺损非常相似，如图所示。 4（a）和（d）。因此，在对番茄进行分类之前，有必要对其进行分割在这项研究中，CS检测的基础上的番茄图像的灰度值以及番茄图像的纵向方向。选择具有清晰CS的50个图像用于CS检测算法的开发。在这些实验的基础上，确定了图3. 图像背景去除，（a）原始彩色图像，（b）原始无背景图像。D. Ireri等人 /农业人工智能2（2019）28 - 3731numXse图四、 花萼和茎痕检测和分割，（a）原始RGB图像，（b）检测到的花萼和茎痕，以及（c）花萼和茎痕分割。CS大于果实。因此，它们通过直方图阈值（等式2）被分割（1））基于所选择的图像的CS区域的g-r值的平均值来确定CS区域的位置2.3.3. 缺陷检测番茄是一种多汁的水果，其品质不仅受到BER和裂纹的影响，而且还受到运输和处理过程中的机械损伤的影响。本研究利用LAB色彩空间的优点来进行番茄瑕疵检测。随机选择了500个具有不同缺陷程度的番茄图像，并将其从RGB转换为LAB。然后从每个图像的每个像素点提取L、A和B空间的强度值，并将其标记为缺陷或健康像素。令所提取的颜色空间特征表示为LM是一个巨大的矩阵，Is乘4，用于500张图像，3个颜色空间，像素标签为1表示健康，-1表示有缺陷，其中Is是所有图像中的像素总数（1280< $720<$500）。LM被分为训练和验证数据集，分别占总观测量的0.7和0.3分别。训练数据集的每个观测值可以由（LMtr，Xtr）表示。其中，LMt=LM，Xt r是对应于LMt r的标签，并且r ∈ [1，（0.7 μ Is）]训练数据集用于训练径向基函数（RBF-SVM）分类器。 然后通过用（LMs e，Xse ） 表 示 的 0.3 μ l s 观 测 值 验 证 建 模 的 分 类 器 。 其 中 ， e∈[1 ，（0.3<$Is）]，LMs<$LM，Xse是对应于LMse的标签。获得的验证结果表示为每个LMe的pe。的价值将Xse中的每个e与pe进行比较，根据等式（1）评估缺陷检测模型的性能（二）、numXsepek∈½1;0：3ωIs]2其中num（Xse==pe）是等于Xse的pe的数量。2.4. 特征提取2.4.1. 颜色特征颜色特征也被称为统计特征（一阶空间统计测量）。在本研究中，使用LAB颜色空间，这是由于其由于传感器灵敏度而具有有限变化的能力（Sha fi ee等人， 2014年）。LAB色彩空间是一个3轴色彩系统，具有绝对和预处理功能。L、A和B尺寸的定义范围其中L表示亮度（L= 0时最暗的黑色，L=100时最亮的白色A表示沿A轴的红色和绿色对手颜色，分别为正值和负值B表示沿B轴分别为正值和负值的黄色和蓝色对立色然而，在A= 0和B= 0代表真正的中性灰度值（Margulis，2005）。 在LAB颜色空间中，考虑光谱中的所有颜色，以及人类感知之外的颜色（Hashim等人，2012; Hu等人， 2016年）。从每个空间中提取三个颜色特征（平均值、标准差和范围）。因此，在每个图像中总共提取了9个颜色特征 这些 颜 色 特 征 仅取 决 于 各 个 像 素 值 ， 但 不 考 虑 灰度值的 相 对 关 系（Moallem等人， 2017年）的报告。 图 5显示了原始RGB图像到LAB颜色空间的转换。2.4.2. 纹理特征纹理特征也被称为二阶度量。这些特征成对地呈现像素的灰度值因此，它们捕获灰度值的空间依赖性 在该研究中，根据灰度共生矩阵（GLCM）计算Haralick纹理特征（Haralick和Shanmugam，1973;Moallem等人， 2013年）。2D GLCM矩阵表示每个图像，并且文本特征是使用朝向方向0 0、45 0、90 0和135 0的距离d=1的邻域的该矩阵的平均值，这是因为缺陷没有特定方向。提取的特征有对比度、相关性、能量、均匀性和熵。2.4.3. 形状特征形状规则性通常被用作营销中的质量度量形状规则的番茄酱通常被认为质量较好计算番茄形状不对称值作为形状规则性的量度通过图像二值化（Otsu，1979）获得番茄的二值图像然后利用Sobel算子进行边缘提取然后，根据等式（1）提取规律性度量（R（三）、其中，dr（t）和dl（t）是边界点与穿过图像的纵向线32D. Ireri等人 /农业人工智能2（2019）28 - 37Pjdtd tjr l我2我 J我 J1图五、 将彩色图像转换为LAB颜色空间，（a）RGB图像，（b）LAB的L空间，（c）LAB的A空间，以及（d）LAB的B空间。质心分别在右手边和左手边. Pt jd rt-d ltj！12.5. 识别模型捕获的番茄图像由人类专家根据缺陷、健康和成熟度（红色强度）手动标记为四组：健康和缺陷（类别1）。第二，一年级，二年级，拒绝（猫2）。第三，健康的深红色，健康的浅红色，和缺陷（类别3）。最后，如表1所示，1级深红色、1级浅红色、2级深红色、2级浅红色和不合格（类别4）。然后开发了一个分类模型，并将所得结果与人类专家的结果进行了比较。共表1探索的所有分级类别的数据集从每个图像中提取15个特征。基于质量分级，共四个模型开发的每个识别模型探索。识别模型有线性支持向量机、二次支持向量机、径向基支持向量机、人工神经网络、决策树和随机森林。这些模型通过基于训练数据集的10倍交叉验证的参数搜索进行训练，之后在测试数据集上对其进行进一步评估在识别准确性方面，与测试数据集的手动标记进行了2.5.1. SVM识别模型SVM是一种广泛使用的回归技术和基于监督学习算法的统计分类器（Kim和Choi，2014）。一般来说，监督学习算法向量被非线性地输入到高维特征空间中。支持向量机算法通过应用构造风险最小化原则确定高维特征空间中的最大间隔来将番茄分类到所需的类别中。 本研究探讨了线性，二次，三次和径向基核函数。核函数的选择影响SVM分类器在效率和准确性方面的整体性能等式（4）至（6）给出了基本核函数，即，线性、多项式和径向基核函数。有关SVM的更多综述，请参阅Chang和Lin的研究（2011年）。K.xi;xjxTxjK. x; x± 1/4。γxTx1d;γN05K. xi;xje−γkxi−xjk;γN06ξ¼不ð3Þ个评分分类健康叛逃cat 11200800猫21级9506002年级450cat 3深红色800800cat 4浅红色1级400深红色600600浅红色3502年级深红色250浅红色200D. Ireri等人 /农业人工智能2（2019）28 - 3733表2花萼提取算法在测试数据集上的性能数据集精度RMSE健康0.97678叛逃0.926359平均0.951533.52.5.2. ANN识别模型在这项研究中应用的人工神经网络是一个单隐层前馈网络训练的反向传播。ANN模型的一般方程在Eq.（七）、其中，q是输出，pi是提取的特征（在本研究中=1，2... 15），w i是第i个3. 结果和讨论3.1. 花萼和茎痕检测分析将CS提取算法应用于500幅具有花萼和茎痕的图像该测试在数据集上实现了0.9515的平均准确度和33.5的番茄图像的RMSE，如表2所示。然而，在健康和有缺陷的单独数据集上，如表2所示，有缺陷的实现了较低的准确度，这主要是由于缺陷和CS在不同和变化的环境光水平下具有几乎相似的颜色强度不同的花萼检测技术已经存在于水果和蔬菜分选的几项研究中，例如Moallem等人在YCbCr颜色空间中对Cb分量使用K均值聚类。2017年，在苹果公司。Arakeri（2016）的图像对象分割和阈值处理在番茄分选和分级中的应用。然而，为了改善花萼检测准确性和减少计算时间的真正q/f151/1我爱你！ð7Þ本研究通过建立平均g-r阈值并将其应用于所有图像，将Liming和Yanchao（2010）提出的方法应用于草莓分级系统开发的人工神经网络模型有三层：输入层，隐藏层，输出层。输入层具有对应于提取的特征的15个输入在穷举搜索后，将隐藏层中的神经元数量设置为10个，增加神经元数量，以在验证阶段建立最小百分比误差。隐层采用双曲正切S形传递函数，输出层采用线性传递函数图像采集系统共采集到2000张图像。如表1所示。在上面的每个分级类别中，70%的数据集用作模型训练数据集，而剩余的数据集用作测试数据集。然后，根据与手动标记相比的准确性，呈现每个分级类别的每个模型的性能3.2. 缺陷检测分析在提取CS后进行缺陷检测，以防止CS和缺陷之间的不匹配本研究选择了RBF核，因为它能够通过在大范围的问题中改变其缩放因子来始终很好地适应（Han等人， 2012年）。实验结果表明，该缺陷模型在验证数据集上的识别精度为0.989图图6示出了使用所介绍的方法识别缺陷像素区域。如前所述，缺陷通常是由几个因素造成的，如机械擦伤、黑色BER、冻伤、日晒和腐烂。在检测这些缺陷方面已经提出了几项研究Dhanabal和Samanta（2013）展示了一幅彩色图像图第六章番茄上的缺陷检测过程（a）和（c），具有缺陷的原始番茄图像（b）和（d），番茄上检测到的缺陷和健康区域（绿色表示健康像素，而红色表示有缺陷像素）。.X34D. Ireri等人 /农业人工智能2（2019）28 - 37图第七章 不同的番茄品质与其各自的LAB颜色空间和直方图（a）健康的浅红色（b）健康的有花萼（c）被拒绝的（d）健康的深红色（e）二级深红色(f)拒绝阈值法区分未成熟、成熟和变质的番茄。 Lee等人（2008）开发了用于枣果分级的近红外成像系统，总体精度为95.0%，尽管高质量图像（如高光谱、多光谱和近红外成像）具有高精度，但在设置这种系统时所涉及的成本总是高得多。尽管图像质量对环境光条件敏感，但由于受控照明，该系统仍然实现3.3. 等级类别分析介绍了一种番茄自动分选技术设计了一套机器视觉系统，用于番茄图像特征提取基于颜色、纹理和形状参数。介绍了一种用于番茄在线实时评价的图像图7呈现了在所提出的分级系统中使用的番茄的不同分级的图像分析以及它们相应的直方图。它被确定为一个健康的西红柿（图。8）的像素值明显高于有缺陷的番茄。根据开发的识别模型，表3列出了所有探索模型的识别准确性。可以观察到，基于测试数据集上的识别结果的准确性，RBF-SVM优于所有模型在市场上，西红柿是根据不同的类别分类的。本研究提出了四个分级类别，并对每个类别的性能进行了评估。还指出，由于D. Ireri等人 /农业人工智能2（2019）28 - 3735图八、区分背景、缺陷、过渡和健康番茄区域的像素强度差异。识别精度随着分级类别的增加而降低，如表3所示。然而，所提出的系统的总体精度结果是足够的，在实际应用中可以接受3.4. 两个级别类别（第一类）评级据观察，RBF-SVM优于所有其他模型的精度为0.9709。表4中的混淆矩阵示出了使用标准准确度= （TP+ TN）/ （TP+ TN+ FP+FN）、特异性=TN/（TN+ FP）、精确度=TP/（TP+ FP）和灵敏度=TP/（TP）的RBF-SVM cat 1模型的性能的+ FN）;其中TP是真阳性，TN是真阴性，FP是假阳性，FN是假阴性。 分类结果在测试数据集上达到了0.9613的质量标准、0.9742的精度和0.9775的灵敏度。3.5. 三级类别（第二类）评级根据番茄分级专业人员的观察，将番茄品质分为1级、2级和不合格品3个等级，1级为无缺陷，2级缺陷程度较低，而不合格品的缺陷程度较高。从表3中可以观察到，RBF-SVM再次优于所有探索的模型，具有最高的识别精度0.9542。RBF-SVM模型在类别2分级中的统计性能见表5。表3所有探索的模型对每个番茄分级类别的性能表4cat1分级识别中的混淆矩阵分级系统标记人工标注总健康叛逃健康1173311204叛逃277697963.6. 三级类别（第3类）评级该分级类别类似于类别1分级，但增加了健康番茄的颜色分级在供应链管理中，颜色是成熟度（市场准备）分级的重要因素（Jahns等人， 2001年）。RBF-SVM达到了最高的准确度0.9691。RBF-SVM模型在类别3分级中的分析性能见表6。3.7. 五级分类（第四类）评级该分级类别类似于类别2，具有进一步的颜色特征，将1级和2级分为深红色和浅红色等级。从表3和表7可以看出，RBF-SVM具有最高的准确度0.9385。表7中给出了类别3中分级的RBF- SVM模型的统计性能。3.8. 提取特征分析这项研究提出了一个分析所有提取的特征变量，以确定每个特征变量的性能作为预测因子，表5cat2分级识别中的混淆矩阵分类SVM模型ANN随机类别线性二次三次RBF森林评分系统标签手工标签共计cat 10.94670.96240.89610.97090.95830.94121级2年级拒绝猫20.93010.92670.92780.95420.94210.93951级918196946cat 30.91260.90350.91260.96910.94860.92552年级2542428465cat 40.92780.91080.88350.93850.92990.9107拒绝7556658936D. Ireri等人 /农业人工智能2（2019）28 - 37表6cat3分级识别中的混淆矩阵建议的技术与可接受的结果达到了本研究的目的在实际生产中，检测缺陷是非常重要的分级系统手动贴标共计在收获后的加工过程中进行质量检查，销售，标签健康（深红色）健康（浅红色）叛逃和包装。因此，该系统可以应用于番茄收获后的在线分级和分选系统该引入的健康（深红色）788 39 1 828健康（浅红色）12 356 5 373叛逃0 5 794 799每一个等级。基于每个特征变量和所有变量的组合开发了RBF-SVM模型，并在验证数据集上进行了然后，根据模型的准确性提出了结果所提取的特征是9个颜色特征、5个纹理特征和1个形状特征，如材料和方法部分所示。 已经确定，所有特征变量的组合提高了识别模型的整体性能，如图8所示。还可以观察到，形状特征是最差的预测器，其次是颜色特征，然后是纹理特征。类似地，观察到不同模型的准确性随着分级类别数量的增加而降低，如图所示。第九章4. 结论本研究提出一个以影像颜色、纹理及形状为特征之蕃茄瑕疵侦测系统。建立了番茄图像LAB颜色空间与缺陷的关系所获得的结果表明，所提出的机器视觉系统可用于检测樱桃和传家宝番茄的缺陷。然而，该系统需要在其他品种的番茄上进行验证，尽管存在这些缺点，表7cat4分级识别中的混淆矩阵系统还可以与其它分级标准集成，体积和形状估计系统在番茄收获后管理确认我们感谢编辑和审稿人协助改进稿件，并感谢中央大学基础研究基金（KYGX 201701）对本研究的资助引用Al Ohali，Y.，2011. 基于计算机视觉的枣果分级系统的设计与实现。J. King Saud University.信息科学23（1），29-36。Arakeri，议员，2016. 基于计算机视觉的番茄果实分级系统。Procedia计算Sci. 79，426-43 3.Arjenaki，O. O.，宾夕法尼亚州莫格汉，Motlagh，A.M.，2013. 基于形状、成熟度、大小和表面缺陷的机器视觉番茄在线分选。土耳其农业杂志。37（1），62Blasco，J.，Aleixos，N.，Molto，E.，2007年 基于区域分割算法的柑橘果皮缺陷计算机视觉检测。J. 食品工程 81（3），535-543。昌角，澳-地C.的方法，林角，英-地J.，2011年。LIBSVM：一个支持向量机的库。ACM Trans.内特尔系统Technol. （TIST）2（3），2 7。陈玉-R.，Chao，K.，Kim，医学硕士，2002年。 机器视觉技术在农业上的应用。Comput.Electron.Agric.36（2-3），173-19 1.Clement，Novas，Gázquez，J.A.，Manzano-Agugliaro，F.，2012年。高速智能分级机番茄的颜色、大小和重量。跨度。 J. 农业Res. 10（2），314-32 5.Clement，Novas，José-Antonio，G.，弗朗西斯科，M.-一、2013年。黄瓜分类的活动轮廓计算机算法。Comput.Electron.Agric.92，75-81.https://doi.org/10.1016/j.compag.2013.01.006。Dhanabal，T.，Samanta，D.，2013. 计算机化番茄腐败检测。国际期刊Eng.Technol. 2，38Esguerra ， E. ， 罗 尔 河 ， S ， R 。 （ 2018 年 ） 。 番茄收 获 后 质 量 和 安 全 保 证 管 理（TCP/RAS/3502），1-20。检索自http://www.fao.org/3/I8236EN/i8236en.pdf欧盟，2011年。水果和蔬菜：销售标准。检索自。https://ec.europa。分级系统标记手动贴标共计1级1级2年级2年级（DR）（LR）（DR）（LR）eu/agriculture/fruit-and-vegetables/marketing-standards_en.粮农组织。（2008年）。番茄标准293，1-5。检索自http://www.fao.org/fao-w ho-codexalimment ar iu s/s hproxy/it/？lnk=1&ur l=ht tp s %25 3A%252F%252Fworkspace.fao.org%252Fsites%252Fcodex%252FStandards%252FCODEX%2BSTAN%2B293-2008%252FCXS_293e.pdfFAOSTAT，2017年。番茄，产量（吨）-为所有国家.检索自。http://www.fact和sh.com/statistic/tomatoes%2C%20production%20quantity。古尔德，华盛顿州，一九七五年机械收获番茄的大规模分拣。汉，S.，Qubo，C.，孟，H.，2012年。 基于RBF核函数的支持向量机参数选择。论文发表于世界自动化大会。p. 2012年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（6），610-621人，和控制论。基于训练特征变量的RBF-SVM模型性能1.0 1.00.8 0.80.6 0.60.4 0.40.20.00.20.0颜色特征纹理特征形状特征组合特征第1类第2类第3类第4个评分分类图第九章提取的特征变量在番茄分级中的有效性比较。识别精度一年级（DR）57281142596一年级（LR）9323395347二级（DR）11622937259二级（LR）37417811204拒绝5636575594识别精度D. Ireri等人 /农业人工智能2（2019）28 - 3737哈希姆，N.，Janius，R.B.，巴拉尼艾湖Rahman，R.A.，Osman，A.，Zude，M.，2012. 香蕉冷害症状出现时颜色变化的动力学模型。食品生物加工技术5（8），2952-2963。Hu，M.H.，Dong，Q.L.，Liu，B.L.，Pan，L.Q.，Walshaw，J.，2016年。 用多阈值法分割箱中香蕉的图像。J. 食品加工工程 39（5），427-43 2.Jahns，G.，Nielsen，H.M.，保罗，W.，2001年番茄品质分级的图像分析属性测量和模糊 消 费 者 方 面 建 模 Comput. 电 子 学 。 农 业 31 （ 1 ） ， 17-29 。 https ：//doi.org/10.1016/S0168-1699（00）00171-X.Jarimopas，B.，Jaisin，N.，2008. 甜罗望子分选机器视觉实验系统。J. Food Eng. 89（3），291-29 7.Karlsson ， P. （ 2016 年 ） 。 人 工 收 割 真 的 比 机 械 收 割 好 吗 摘 自https://www.bkwine.com/features/winemaking-viticulture/raw-truth-manual-mechanical-harvest/Kim，S.，崔，J.，2014年。一个基于SVM的高质量文章分类器，用于系统评价。J.生物医学。告知。47，153-15 9.李，D.- J.，Schoenberger，R.，Archibald，J.，McCollum，S.，2008. 利用数位反射式近红外线影像之自动日期分级机器视觉系统之发展。J. Food Eng. 86（3），388-39 8.李明，X.，Yanchao，Z.，2010年。基于图像处理的草莓自动分级系统。Comput.电子农业71，S32-S3 9.López-Ga rcía，F. ，A nd re u-Ga rc ía，G. ，Blasco，J.，Aleixos，N.， 你好，杰。-M. 2 0 1 0.用多变量图像分析方法对柑橘类水果表皮缺陷进行快速检测。Comput. Electron. Agric.71（2），189-19 7.Margulis，D. ，2005 年 Photoshop LAB Color ：The Canyon Conundrum and OtherAdventuresin the Most Powerful Colorspace.北京：人民出版社.Moallem，Razmjooy，2012. 自适应粒子群算法在图像自动阈值化中的最优阈值计算。 J.Appl. Res. Technol. 10（5），703-712。Moallem，P.，Razmjooy，N.，Ashourian，M.，2013. 基于神经网络和支持向量机的马铃薯缺陷计算机视觉检测。国际J机器人。自动28（2），137-145。Moallem，P.，Serajoddin，A.，Pourghassem，H.，2017. 基于表面特征的金冠苹果计算机视觉分级。信息处理。Agric.4（1），33-40. Moltó，E.，Blasco，J.，Gómez-Sanchís，J.，2010. 柑橘类水果高光谱图像分析。用于食品质量分析和控制的高光谱成像爱思唯尔，pp. 321-34 8.Naik，S.，帕特尔湾（2014年）。基于CIELab的芒果成熟度分级颜色特征提取 国家系统与信息技术杂志，0974-3308.Naik，S.，Patel，B.，&潘迪河，巴西-地（2015年）。基于模糊分类器的无损芒果CV.Kesar）分级。在2015年IEEE农业和农村发展ICT技术创新（TIAR）上发表的论文。南迪角，Tudu，B.，Koley，C.，2014年。基于机器视觉的芒果果实成熟度和大小自动分选分级技术。 传感技术的现状与发展趋势2。施普林格，pp. 27比46Otsu，N.，一九七九年一种基于灰度直方图的阈值选取方法。IEEE Trans.系统曼·赛伯恩9（1），62 - 66。Polder，G.，van der Heijden，G.，2010年。用成像光谱法测量西红柿的成熟度。用于食品质量分析和控制的高光谱成像。爱思唯尔，pp. 369-40 2.Rokunuzzaman，M.，Jayasuriya，H.，2013. 低成本机器视觉番茄分选系统的研制。农业工程国际CIGR J. 15（1）。Sarkar，N.，沃尔夫河一九八五年基于计算机视觉的鲜番茄品质分选系统。Trans. ASAE28（5），1714-1718。Shafi ee，S.，Minaei，S.，Moghaddam-Charkari，N.，Barzegar，M.，2014. 使用计算机视觉系统和人工神经网络的蜂蜜特性。食品化学159，143-15 0.Unay，D.，Gosselin，B.，Kleynen，O.，Leemans，V.，德斯坦，M.F.、Debeir，O.，2011年。双色苹果的多光谱机器视觉自动分级。Comput.电子学。Agric.75（1），204-21 2.