没有合适的资源?快使用搜索试试~ 我知道了~
沙特国王大学学报基于共现模式的分级水果图像标注中的水果品质检测桑吉塔湾Nemadea,c,soul,Shefali P.索纳万湾a印度科尔哈普尔希瓦吉大学Sangli Walchand工程学院计算机科学工程系b印度科尔哈普尔希瓦吉大学Sangli Walchand工程学院信息技术系c.信息技术系,政府工程学院,Aurangabad阿提奇莱因福奥文章历史记录:收到2020年2020年11月15日修订2020年11月26日接受2020年12月3日在线发布保留字:机器学习同现模式水果标注层次标签A B S T R A C T自动图像标注是一种为图像分配标题的方法,为索引、检索和处理大量数据对象提供了一些方便的方法。它专注于最近的农业自动化应用;它发现了分类的潜力以及所涉及对象的上下文标记或基于其水果类别的统计特性的详细说明然而,产生分层标签提供了特定水果子类别的细节。本文提出了一种广义的水果标注及其层次特征,这些特征可以缩小范围以继承,进一步实现水果分类为二进制或多个类,指示水果的子类别图像中的水果对象以所需单位测量其实际大小该分类还用于基于长轴与短轴的比率来识别真实的颜色、纹理、大小、深度特征和形状,这有助于水果等级。基于所选水果的视觉特征获得共现模式这对于发现用于形成共现模式的水果质量类别和组合属性是有用的。这些模式进一步被分类器用于水果注释。使用F1分数、准确率、精确率、召回率和G-度量进行性能评估结果表明,共现模式与SVM提供了一个整体的准确率为97.3%和97.2%的葡萄和芒果水果子类别。并将评价结果与当地农户对等级的主观评价进行了对比验证。©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍计算机视觉(CV)在工业自动化中起着至关重要的作用。基于CV的农业自动化应用(诸如水果图像注释)由于各种水果物种之间的颜色、纹理、形状和大小相似性以及类别中的高可变性而困难。因此,人工水果标注是一项耗时且繁琐的工作。水果图像自动标注在学术研究和工业应用中具有重要的意义。水果图像自动标注是指为水果图像赋予一个标题,为水果图像的索引、检索和*通讯作者。电 子 邮 件 地 址 : sangita. walchandsangli.ac.in ( S.B.Nemade ) , shefali.sonavane@walchandsangli.ac.inwww.example.com Sonavane)。沙特国王大学负责同行审查处理大量的水果类。可以构建几个有用的应用系统,例如超市价格检测(Deliens等人,2016)、饮食指导(Di Cagno等人,2017),以及水果包装和运输(Getahun等人,2017年,支持工业。超市是水果注释的应用之一,收银员需要识别水果种类以确定存储在数据库中的正确价格。如今,每个水果品种都有一个条形码。消费者更喜欢自己选择水果。基于注释的应用程序可以检测客户购买的水果类别,并从超市的数据库中检索其正确的价格。再次,通过使用自动水果注释,可以进一步减少人类专家目前,水果分类有两种类型;一种是对各种水果类别进行分类,另一种是识别特定类型的水果(Zhang etal., 2019年)的报告。基于计算机的水果自动标注技术的发展越来越受到研究界的关注。最近,深度学习被成功应用于农业领域(Saet al.,2016年; Kamilaris和Prenafeta-Boldú,2018年)。https://doi.org/10.1016/j.jksuci.2020.11.0331319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。制作和主办:Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页:www.sciencedirect.comS.B. Nemade和S.P. Sonavane沙特国王大学学报4593特别是,卷积神经网络(CNN)已经显示出比CV问题(如图像注释和分类任务,包括水果识别问题)中使用的现有技术更优越的性能(Mure,s an和Oltean,2018;Mahendran等人, 201 2)。在文献调查中提到的方法只考虑水果类别,然而,生产层次标签提供了一个特定的水果子类别的细节子类别的分类包括根据图像的特征描述互斥的图像,并通过使用这些多个特征将不可见的水果图像分类所提取的特征(诸如形状、颜色、大小和纹理特征)作为单独的特征可能是微弱的,然而,如果组合在一起将成为鲁棒的和有区别的特征(Yuan等人,2011年)。基于共现模式(CP)的特征组合对果实品质分类是有效的.该CP可以提高水果品质检测的分类力度。将获得的特征提供给分类器,分类器进一步生成概念签名。概念签名存储图像的低级和语义内容。基于语义概念的相似性,图像匹配和检索。因此,概念签名向量减少了存储大量图像所需的存储器成本,从而进一步减少了计算成本。出于实验目的,CNN模型是基于研究社区中的体系结构和流行度来选择的从形成的CNN模型和CP中提取的特征用于提升分类结果从文献中可以观察到,CP概念不适用于具有质量等级的水果注释这是本研究首次尝试西马哈拉施特拉邦是印度最大的经济体,主要是由于葡萄和芒果等水果的供应。葡萄的理想地理位置,特别是在Sangli区和Konkan地区的芒果,如Ratnagiri,Dev- gad区等,因此,这些特殊的水果被选择用于研究目的。因此,对于农业自动化应用的关注点集中在上述水果类别上。质量检测对上述水果进行分类不仅有助于提高生产力,而且还将根据具体农民的情况区分最优质水果。这将导致与这些水果产业相关联的实际果农的经济效益的增加。实验结果表明,提出的用于水果质量检测和标注的CP是一种非破坏性的方法,对水果子类别的分类是有效的。该系统可靠、准确地验证了水果的种类即。鲜食葡萄和各种芒果。在水果行业中,大多数情况下,仍然是人工完成的质量分级与分类的验证。高档次的产品是在当今竞争激烈的市场中取得成功的基础。因此,这种方法对于在线分拣基于水果的系统是有用的。本文的主要贡献概括如下。1. 本文基于水果图像的长轴与短轴之比、颜色直方图、颜色矩、纹理特征,通过结合离散小波变换(DWT)和具有51-75%频带的Gabor滤波器(Nemade和Sonavane,2020),提取用于识别真实颜色、大小和形状的度量 深度学习模型ResNet50(Heet al.,2016)用于特征的自动提取。采用主成分分析(PCA)方法对深度特征进行降维.2. 共现模式是基于所选水果的特征获得的,并用于水果质量及其子类别的检测。使用softmax和SVM分类器进行分类。3. 实验结果表明,使用softmax和SVM分类器可以有效地提高分类器的质量检测和精细化水果标注。论文的其余部分组织如下:第2节提供了相关的工作;第3节描述了体系结构,水果图像质量分类,CNN模型,分类方法和复杂性分析。第4节包含数据集、结果和讨论。结论见第5。2. 相关工作对于水果的分类和标注,文献中有各种基于图像视觉特征如颜色、纹理、形状和大小的研究。Seng和Mirisaee(2009)设计了一种方法,该方法结合了RGB颜色平均值,圆形和大小(按面积和周长)等特征,以提高水果识别的准确性。可以基于由RGB颜色的所选强度值组成的颜色直方图来识别各种水果(Rachmawati等人,2015年)。从RGB直方图中,使用卡方方法选择相关特征。K-NN分类器用于分类这些特征。Lu等人(2016)结合了水果的颜色、形状和纹理特征以及应用的PCA进行特征约简。将该减少的特征向量给予HPA-SLFN分类器,其实现了89.5%的准确率。然而,绿葡萄和百香果不能很好地识别这种方法。根据日期的一些特征,Reem etal. (2018)使用SVM分类器对日期进行分类。基于苹果、草莓和橙子果实的颜色、形状和尺度不变变换特征的有效分类方法被提取并使用随机森林进行分类(Zawbaa等人,2014年)。颜色和形状几乎相似的水果类型不考虑进行测试。Naskar和Bhattacharya(2015)提出的另一种方法是一种水果识别方法,该方法侧重于颜色、纹理和形状特征,其中水果颜色通过平均色调值来识别,纹理使用对数Gabor滤波器,形状使用水果的面积和周长神经网络分类器用于对这些特征进行基于形状的水果识别和分类方法对于水果的生长阶段是不变的,改变水果图像的距离和表面外观在(Jana等人,2017年)。使用基于区域和基于边界的次级特征和对象轮廓模型,Roomi 等人(2012)使用贝叶斯分类器对芒果果实的三个子类别进行了分类。对于水果分类应用,Wang等人。(2015)采用了主成分分析,小波熵(WE),前馈神经网络和基于地理的优化。最近,卡斯特罗等人。( 2019年),使用PCA方法,将HSV、RGB和L*a*b* 颜色空间与K-最近邻、决策树、人工神经网络和支持向量机相结合,对猕猴桃果实进行分类。结果表明,由于七个主要的联合国系统组成部分,性能有所提高对于水果果皮缺陷的检测,Woz′niak和Pojanap(2018)开发了一种混合模型,其中分别使用自适应神经网络方法进行预检测,并在第一阶段中,水果图像的每个单独的片段都被训练并与可能的缺陷进行分类。在第二阶段中,缺陷段被给予到搜索模型,该模型寻找在适应度条件中 Capizzi等人(2015)提出了RBPNN模型,用于基于橙子的缺陷表面找到橙子的类别。颜色和纹理特征的计算和分类使用RBPNN模型进行分类任务。用于葡萄果实大小检测S.B. Nemade和S.P. Sonavane沙特国王大学学报4594ð Þ ¼ ð Þ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; n1如果g<$m;n<$≥T10,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。S.B. Nemade和S.P. Sonavane沙特国王大学学报4595图二. 分层水果图像的示例。图三.(a)葡萄的选择。见图4。 该过程涉及水果的实际大小测量。S.B. Nemade和S.P. Sonavane沙特国王大学学报4596GN;Nj¼1(m,n)=像素位置T=阈值3.1.2. 降噪利用形态学开运算对图像进行去噪它被用来去除物体中存在的狭窄的桥和微小的延伸它还平滑对象的边界形态学开运算是一个结合了腐蚀()和扩张()运算的运算,具有相同的结构元素。在Eq.(2)、XYXgYY2哪里X是一个图像Y是具有圆盘2的结构元素(半径为2个像素)。随后,将小于100像素的区域从获得的二进制图像。在应用这些步骤之后,图像噪声被根除。图像中的颜色。实验结果表明,RGB直方图比其他颜色空间具有更好的颜色区分能力。直方图显示图像中每个像素的出现。许多关于图像的指示可以从直方图的形状中得出。为了进行实验,样本是从水果图像中随机挑选的。然后将样本的每个颜色空间分离。此后,计算每个颜色空间的直方图。表1示出了从水果图像获取的样本的直方图以及样本的每个颜色分量的分布。颜色直方图提供了颜色的全局分布,因此它不能发现颜色之间的空间关系。为了克服这一点,计算颜色矩来区分样本图像的颜色特征的基础上.因此,颜色矩,如颜色平均值和标准偏差,使用方程计算。(3)和(4)。平均值i¼1XXij3vu1XN。你知道吗?ffiffiffiffi3.2. 水果的实际大小测量标准偏差i¼tNj¼1Xi;j-表示ið4Þ在这项研究中,鲜食葡萄和芒果水果的子类为了正确识别果实的质量和类别,有必要找到每种浆果的特征鲜食葡萄果实通常是一串一串的,传统的图像分割技术如分水岭变换、边缘分割等很难因此,在对各种图像分割技术进行实验之后,发现Mask R-CNN方法对于这些类型的问题工作良好(He等人,2017年)。因此,在本研究中采用。它检测图像中的单个实例。预处理后的图像,如图所示。 3(a)作为Mask RCNN的输入。 根据图11所示的Mask RCNN的结果,在图3(b)中,拾取单个浆果,以找到其以mm为单位的实际尺寸,例如,拾取数字17,并使用区域属性函数评估其短轴长度和长轴长度、质心和面积。所有这些计算的参数都以像素为单位。边界框绘制在对象上,并为每个边界框指定编号。在垂直和水平方向上计算边界框内对象的直径。最长的直径称为长轴,而最短的直径表示为短轴。测量长轴长度和短轴长度的纵横比,并通过计算边界内的像素数来计算面积为了计算水果的实际大小,方法,其中在水果图像中利用参考硬币。硬币直径是通过游标卡尺测量的。测量的硬币直径作为系统的输入给出,然后在水果对象上出现由红色矩形表示的边界框,然后用户选择代币区域(例如图4中指定的10)并将硬币的直径作为系统的输入提供。根据硬币的直径,系统自动生成水果的面积、长轴和短轴。3.3. 颜色和形状特征提取颜色特征由于其对图像旋转、平移和缩放的不变性而被广泛应用。本文采用颜色直方图和颜色矩特征。RGB颜色直方图提供有关RGB颜色分布的信息。其中,X是图像,(i,j)是图像像素位置。颜色矩提供描述符的紧凑表示。从每个葡萄类别中采集样品,然后计算其标准差(SD)。之后,计算标准差的平均值,并与从给出绝对差的类别中提取的每个样本的SD进行比较。为了找到测试图像的颜色均匀性,绝对差必须尽可能小本文提出了一种利用长轴长度的形心和长宽比特征来描述水果形状的方法质心特征是物体的中心位置,对于任何形状都是固定的。为了确定水果对象是圆形还是椭圆形,测量长轴和短轴的比率如果比值大于1,则形状为椭圆形,否则为圆形.3.4. 茎颜色提取对于RGB主干样本,为每个r、g、b颜色绘制直方图。然后,根据红色和绿色的直方图,计算计数和bin位置。直方图箱是值的范围。如果绿箱位置在BA和BB的阈值之间(例如,BA = 150和BB = 200)并且计数大于1,则茎被分类为绿茎。否则,如果绿色箱位置大于阈值BC =50并且红色箱位置小于阈值BD = 100并且计数大于1,则茎被分类为棕色茎。3.5. 纹理特征提取纹理特征包含有价值的信息,因此这些特征适合于分类和水果质量评估(Kondo等人,2000; Arivazhagan等人, 2010年)。该算法通过提取水果图像中的像素灰度值来分离水果图像中的各种这些有助于预测表面外观的光滑度或粗糙度。质地与成熟度和糖度(水果内部品质)相匹配有四种类型的纹理特征可用,例如统计,基于模型,结构和基于变换的纹理(Bhargava和Bansal,2018)。统计方法需要最小的计算成本,但对小邻域上的空间关系有约束S.B. Nemade和S.P. Sonavane沙特国王大学学报4597.Σ2 rx2r2yXX表1图像样本的RGB直方图和颜色矩。只有一个刻度。因此,主要使用基于变换的特征提取技术。3.5.1. DWTDWT用于图像处理,因为它捕获空间和频域信息。为了进行有效的分析,DWT采用二元的图像大小,即2k形式。因此,每个图像的k(八)级分解,将其大小调整为256*256。统计测量,如能量平均值(lab),标准差(rab)和偏度(aab)和峰度(cab)是一致的。使用Eqs. (7)Eab¼XxXyjGabx;yj7形象在本研究中,选择DWT(db4)用于分解,这是由于其用于纹理特征提取的众所周知的平滑和正交特性(Pujari等人, 2013年)。DWT分解图像LABEAB公司简介qPPjGx;yj-l2ð8Þ分为四个不同的低通子带(近似系数,系数)和高通(细节系数),即LL1(近似系数)。作为图像的LH1(水平)、HL1(垂直)和HH1(对角)信息最大rab¼X亚卜阿卜Pω Qð9ÞP.P.G [医]甲状旁腺素31= 3Þ Þ信息存在于LL1子带中,但是它不提供任何关于图像奇异性的信息,所以这个带是uti-就像原始图像一样进行下一级分解。下一轮的近似系数LL2 sub.的abX亚卜阿卜公司简介ð10ÞP.P.G [医]甲状旁腺素41= 4Þ Þ带,被提取用于下一级分解。第四级之后的每个细节系数的输出被提供给频率范围从51到52的伽柏滤波器。cabX亚卜阿卜公司简介ð11Þ75%用于纹理特征提取。3.5.2. Gabor滤波器Gabor滤波器由于具有多尺度和多方向性,提高了多分辨率的能力。此外,它具有在空间和频域中的特征的最佳定位它是一种非常流行的技术,用于从图像中提取纹理特征与其他变换相比,它可以获得有效的纹理特征(Alimohamadi 和Ahmadyfard , 2009 )。2-DGabor函数经由具有正弦频率w和标准的高斯包络来以下规定的偏差rx和ryFv¼labrabaabcab12分钟这些特征被组合在特征向量Fv中,并且因此在特征向量Fv中获得总共24个特征。由于从图像中提取的特征是通过统计参数来表示的,这些统计参数可以被认为是多维点,因此可以计算这些对应点之间的距离。印度统计学家P.C. Mahalanobis引入了Mahalanobis距离(MD)来确定给定的样本,是一个类别的成员,还是一个离群值(Mahalanobis,1936)。在分类之前使用Mahalanobis距离来测量两点之间的距离,多维空间,如图所示。 五、gx;yx;12prxry.-一个x2y22pjwxð5ÞMahalanobis距离定义为:在实验中,下限截止频率(fl)= 0.51,MD<$qx1-mnTS-1x1-mnð13Þ选择较高的截止频率(fh)= 0.75。基于DWT的经处理的图像(详细子图像)被单独地与如等式(1)中所述的Gabor核系数(六)、Gabx;ystIx-a;y-bgωabm;n6其中I(x,y)为小波变换的HL,LH,HH子带图像,Gabor函数的复共轭gωab,(m,n)为核大小,G ab为卷积输出。在等式中,行向量x1包含观测值,mn给出给定参考样本的均值,S是变量协方差矩阵。MD是根据两个聚类的标准差标记的欧几里得距离。为了应用MD,对参考样本进行分类,评估类的协方差矩阵,然后计算类的MD。最后,根据最小MD将参考样品分类为光滑或纹理。eS.B. Nemade和S.P. Sonavane沙特国王大学学报4598PðÞ×× ××22 f-布吕格ð Þ¼ ¼ þ 2ð Þð Þ ð × Þ图五. 基于小波变换和Gabor的纹理特征提取方法。3.6. CNN通过文献调研,发现深层特征在分类问题上有很好的作用.因此,在这项研究中,3.8.1. Softmax分类使用softmax函数,第n类图像Xm的概率可以计算为:n预训练的CNN模型用于特征提取。这些特征取自ResNet50的全局平均池层Pm;n<$Cn<$1经验值nXmÞÞð14Þ并给予PCA进行降维。3.6.1. ResNet50(残差网络)ResNet50是在ImageNet数据集上训练的,有50层在等式中,qn Xm是第n类概念的图像Xm的离散概率分布为了减少地面真值和预测概率之间的KL偏差,softmax损失函数如下所示剩余网络在卷积层的五个阶段中,N C第一层7× 7卷积矩阵以fl的步幅1X Xplog.pΣð15Þ2;因此,与池化层一样,对输入进行下采样两个。接下来的三个标识块在向下之前被跟随-¼-Nm²1n² 1m;nm;n两个采样。此过程将持续几个层。每剩余模块具有三个(11、33和11)CON的堆叠。卷积层第一个和最后11个卷积用于增强和降维利用跳连接将上一层的输出添加到下一层,这有助于识别全局特征并最小化梯度消失问题。最后一层使用平均池它提取复杂的描述符并保留初始层的简单特征,以加速收敛。3.6.2. 主成分分析(PCA)它是一种降维技术,减少了特征的数量,去除了可能的相关性,但是保留了输入数据的重要信息(Chan等人, 2015年)。其中,pm;n是图像Xm的类别n的基础真值,即,如果p m;n = 1表示图像的标签存在,如果pm;n= 0表示图像的标记不存在,并且f1是交叉熵损失。在整个训练过程中,地面真实向量是固定的。为了减少交叉熵的损失,网络以这样的方式进行训练,即输出向量qn接近其相关的独热向量。3.8.2.支持向量机Vapnik(1998)介绍了用于二进制分类的SVM问题它旨在到搜索的最优超平面f W:XYW:Xb用特征X区分类别R m.标签显示为Y 1; 1。该问题在数学上表述为:最小化:1千W千23.7. 水果图像质量分类受:W:X≤b≥1,Y≤ 1W:X≤b≤ -1,Y≤ 1/4 - 1ð16Þ当一个对象的两个以上的属性同时出现时,就形成了某种模式,这种模式被称为同现模式。 如图 6,基于诸如大小、颜色(果实和茎)、形状和纹理(平滑和纹理)的特征提取来形成共现模式,用于水果图像的质量分类(参见图1)。 7)。假设考虑N个特征共现模式,则水果的质量类别将如表2所示。如表中所示,类别-A+代表非常好的类别,类别-A也非常好,但质量略低于类别- A+,同样,其他类别在质量方面有所区别。如果外观/特征是纹理特征(>10%),则其优先于尺寸、颜色、形状、股骨柄颜色,并被视为拒收,因为其不符合质量要求。详细的算法步骤在表3中给出。3.8. 分类利用softmax和SVM分类技术对带标注的水果品质等级进行分类。SVM分类器确定用于在多维特征空间中分离类别的超平面。它搜索使支持向量与超平面之间的宽度最大化的超平面。它通过应用一些核技巧来分离决策边界和非线性边界支持向量机使用了几种核函数,如径向基函数(RBF),多项式,线性和sigmoid。这些核函数允许搜索多个超平面。它可以用于多类问题,通过几种方法,如一对一,有向无环图(DAG)和3.9. 利用数学模型进行该算法的复杂性成本O n计算CP的各种功能,并计算质量等级,它需要O n。 使用softmax的深度学习网络需要O pq时间,其中p和q分别是参数(可训练)的数量和数据集大小。如果p的值非常高,则计算开销增加。根据表3算法获得CP特征集,该算法被赋予类提取细节子波段计 算 统计度量Gabor滤波器距离测度光滑或纹理DWT水果图像S.B. Nemade和S.P. Sonavane沙特国王大学学报4599分类质量分类尺寸(面积)1颜色(绿色部分)2形状(比率:主要/次要)3茎颜色(绿色部分)4纹理(表面)4小11大12绿色21黄色绿色22第三十椭圆形绿色41棕色光滑 纹理425152基于CP的特征融合· · · ··· · ··【········】:· · · ··· · ····· ······见图6。 基于CP的特征融合。见图7。 水果图像质量分类。[· · · ··· · ··· · · ··· · ··:· · · ··· · ··· · · ··· · ·· ][· · · ··· · ··· · · ··· · ··:· · · ··· · ··· · · ··· · ·· ][· · · ··· · ··· · · ··· · ··:· · · ··· · ··· · · ··· · ·· ][· · · ··· · ··· · · ··· · ··:· · · ··· · ··· · · ··· · ·· ][· · · ··· · ··· · · ··· · ··:· · · ··· · ··· · · ··· · ·· ]ResNet507x7Conv64S=2P=33 x 3S=2色矩纹理形状大高级特征+ PCA平均池化1 x 1 conv 5123 x 3 conv 5121 x 1 conv 5123 x 3 conv 5121 x 1 conv 643 x 3 conv 641 x 1 conv 512/23 x 3 conv 5121 x 1 conv 643 x 3 conv 641 x 1 conv 643 x 3 conv 641 x 1 conv 2563 x 3 conv 2561 x 1 conv 128/23 x 3 conv 1281 x 1 conv 2563 x 3 conv 2561 x 1 conv 1283 x 3 conv 1281 x 1 conv 2563 x 3 conv 2561 x 1 conv 2563 x 3 conv 2561 x 1 conv 1283 x 3 conv 1281 x 1 conv 2563 x 3 conv 2561 x 1 conv 1283 x 3 conv 1281 x 1 conv 256/23 x 3 conv 256S.B. Nemade和S.P. Sonavane沙特国王大学学报4600Pn1/4便士ð Þ公司简介DXX一ð Þ ð Þ1.11-21-31-41-51大绿圆绿_茎-光滑第1页我我JJJX表2基于共现模式的葡萄品质分类各种模型的准确性是基于测试数据集的正确分类标签的百分比来计算的。Sr.共生描述QualityA+PnTP P号图案类别精度¼Pn第1页Npq22Þ2.11-21-32-41-51大绿椭圆绿_茎-光滑3.11-22-31-41-51大-黄-圆-绿茎光滑4.11-22-32-41-51大-黄-椭圆-绿_茎-光滑其中,Npq表示分类器positive(被正确分类为p类的p类样本的数量)。精度定义为准确预测的标签与CNN模型预测的标签总数5.11-21-31-42-51大-绿色-圆-棕色_茎-A光滑6.11-21-32-42-51大绿椭圆棕色_茎-精确度pTP P公司简介ð23Þ光滑··········其中FPP表示假阳性(不属于p类且被错误分类为阳性p类召回率被描述为准确预测的标签与地面真实标签的比例。sifier.对于softmax分类,组合特征操作如下:召回TPPTPPFNPð24ÞCF¼max0;XnwtXnwhb17其中FNP表示假阴性(样本数量它们来自P类并且被错误地分类为负P类)。其中ft1;t2;:;ti;:;tng是基于CP的特征,fh1;h2;:;hi;:;hng是深度特征,而偏置b。因此,这项研究还利用了一个分类层,减少了可训练的CNN参数,提高了训练效率。在质量分级的标签分配过程中,对于所有n个测试图像需要O n时间对于one-vs-all SVM分类(Lingras和Butz,2007年)使用并行环境,给定d-F-measure也被称为F1得分,其是精确度和召回率的调和平均值,而G-measure,精确度和召回率的平方根,根据等式计算(25)和(26)。F1得分2精确度pω召回率p25精确度p召回率p维度向量和包含CP特征及其对应标签的训练数据集N以以下形式描述:fsx;pxjsx2R;px2 f1; 2;::::;Cgg;x¼ 1; 2;::::;N18在给定的Eq。其中,sx是d维向量,px表示类标签,C表示类的总数。每个二进制SVM的分类函数如下:NG-测度ep<$qPrecisionpωRecialp4.1. 数据集构成该系统的硬件如下:● 相机型号:One Plus6 Mobileð26ÞfsXpnanksx;s-bn;n 1; 2;:; C19● 分辨率:1080× 2280,手机位于30厘米以上nx Xx¼1示例.i.一个绿色葡萄果实的样本是从一个地点收集的pn¼þ1如果s×2n级-其他1人ð20Þ位于马哈拉施特拉邦南部城市米拉吉。样品由400个鲜食葡萄果实组成,有两个亚类(琥珀色和乳绿葡萄)。图像被裁剪pn2{\displaystylep n 2 {\displaystyle p n 1},-1g依赖于sx类标签。 如果sx有以便正确对齐。葡萄果实图像收集于xnx2018年12月第n个类标签,否则为bx 1/4 -1:核函数、拉格朗日n和bn是通过训练第n个个体SVM获得的。SVM输出(Y)被给出为:Ynssgnfns21如果fn S>0则Y n S是+1,表示s属于第n个类,否则s属于不同的类。4. 实验结果与讨论实验是用具有2.80 GHz的操作速度的64位Intel-i7处理器的配置进行的本系统的实现选用MATLAB R2019a数据集被任意划分为训练集(60%)和测试集(40%),它们具有更好的准确性。将10倍交叉验证应用于训练数据集。用于该实验的评估指标是精确度,召回率,准确度,F1得分和水果图像注释性能的G度量(Tharwat,2018)。ii.水果数据集(包含芒果种类)通过数码相机从位于TalukaKanakavali、Sindhudurg区和马哈拉施特拉邦南部当地芒果水果数据集包括来自9个不同类别的人的图像的1300个图像。九种不同的芒果是巴达米、巴因甘发利、达谢哈里、古拉布卡斯、哈普斯、凯萨、兰格拉、拉贾普里和托特普里。芒果图片于2019年5月收集。代表性的样品水果图像如图所示。8 .第八条。4.2. 结果和讨论在这里,实验结果的工作进行了讨论。首先,对基于变换的纹理特征 提 取 技 术 进 行 了 性 能 比 较 。 接 下 来 , 使 用 各 种 分 类 方 法(ResNet50、CP_SVM和CP_Softmax)实现内联水果分类,并且哪种类型的分类方法更适合葡萄和芒果水果类别。预训练的CNN ResNet50模型与建议的(q¼1S.B. Nemade和S.P. Sonavane沙特国王大学学报4601N第1页表3算法算法:水果质量类别的共现模式形成算法输入:图像数据集。输出:基于共现模式的质量分类,g(.): x?{A+,A,B,C,拒绝}。1用相对分级法测定葡萄果粒大小。2计算3平均值¼1PNX i;j4标准偏差你好,我是一个很好的人。ffiffiXffiffiffiffiffiffiffi-ffiffiffiffiffimffiffiffiffieffiffiaffiffiffinffiffiffiffiΣffiffi2ffiffiΣffiffiffiofgrapeberryfruitcolorNi;j我第1页样品并与参比品进行比较。5计算比率¼(长轴/短轴)6如果(ratio > 1),则7形状←8else shape ←9将阈值设置为BA< $150、BB< $200、BC< $50、BD< $10010计算RGB颜色空间11如果((green_bin == BA)和(green_bin == BB))和(count > 1)),则12stem ←13else if((green_bin >= BC)and(red_bin BD))then14stem ←15计算图像纹理16应用离散小波变换(DB4)对灰度图像进行近似分解,以及直到第四级的详细子带。17提取HL、LH和HH第四级子图像(子带)。18应用51%至75%频带的Gabor滤波器提取这些子图像上的特征。19计算统计参数,如平均值,标准差,偏斜和峰度使用方程。(8)20使用Mahalanobis距离测量21ResNet50特征22对ResNet50特征应用PCA,方差为95%23fruit_berry_cnt ←0;24foreach fruit_berry2 imade_dataset do25if(fruit_berry ==((big and green and round and green_stem and smooth)or(big和绿色和椭圆形和绿色_茎和光滑)或(大和黄色和圆形和绿色_茎和光滑)或(大和黄色和椭圆形和绿色_茎和光滑))然后26质量等级←A+;27else if(fruit_berry ==((big andgreen and round and brown_stem和光滑)或(大的绿色椭圆形棕色茎和光滑)或(大的黄色圆形棕色茎和光滑)或(大的黄色椭圆形棕色茎和光滑)或(小的绿色圆形绿色茎和光滑)然后28质量等级←A;29else if(fruit_berry ==((small andgreen and oval and green_stem和光滑)或(小的和黄色的和圆形的和绿色的茎和光滑)或(小的和黄色的和椭圆形的和绿色的茎和光滑)或(小的和绿色的和圆形的和棕色的茎和光滑))然后30质量等级←B;31else if(fruit_berry ==(small andgreen and oval and brown_stem)or(小而黄而圆而棕_茎)或(小而黄而椭圆而棕_茎)或(小而绿而椭圆而棕_茎))和黄色纹理10%))然后32质量等级←C;33其他34quality_grade ←拒绝/D;35fruit_berry_cnt ←fruit_berry_cnt +136x ←quality_grade37端38停止方法的F1得分,整体准确性,精确度,召回率和G-措施。4.2.1. 基于变换的纹理特征提取技术纹理特征的提取采用基于变换的技术。对小波变换、Gabor滤波以及两者结合的方法进行了实验研究。在DWT中,大部分信息存在于LL子带中,但它不提供关于图像奇异性的任何信息。下一轮的近似系数,LL2子带,被提取用于下一级分解在第四层之后,可以感觉到信息正在丢失,因此对于本研究,使用DWT的第四层图像分解,如图9所示。在本研究中,DWT(db4)和Gabor滤波器(在第3.5节中解释)分别用于提取纹理特征,以分析水果图像的表面纹理。良好的统计特征被有效地用来表示纹
下载后可阅读完整内容,剩余1页未读,立即下载
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![-](https://csdnimg.cn/download_wenku/file_type_lunwen.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- BSC绩效考核指标汇总 (2).docx
- BSC资料.pdf
- BSC绩效考核指标汇总 (3).pdf
- C5000W常见问题解决方案.docx
- BSC概念 (2).pdf
- ESP8266智能家居.docx
- ESP8266智能家居.pdf
- BSC概念 HR猫猫.docx
- C5000W常见问题解决方案.pdf
- BSC模板:关键绩效指标示例(财务、客户、内部运营、学习成长四个方面).docx
- BSC概念.docx
- BSC模板:关键绩效指标示例(财务、客户、内部运营、学习成长四个方面).pdf
- BSC概念.pdf
- 各种智能算法的总结汇总.docx
- BSC概念 HR猫猫.pdf
- bsc概念hr猫猫.pdf
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)