机器视觉技术的蔬菜新鲜度检测研究(源码)
为了实现菠菜新鲜度的实时检测，本文以菠菜作为研究对象，采用机器视觉方法进行新鲜度检测。首先通过对比阈值分割中的迭代选择阈值法，最大类间方差法、区域生长等算法，采取形态学优化后的区域生长算法对菠菜图像进行分割，然后提取形状，纹理，颜色，GIST等13种特征值，最后通过支持向量机与卷积神经网络分别对提取的特征进行模型建立，交叉验证，识别检验的过程，研究结果表明局部二进制模式特征，使用支持向量机方法构建识别模型，正面叶片识别准确率达到81.432%，背面叶片识别准确率达到82.311%。
目录
摘要 1
关键词 1
Abstract. 1
Key words 1
1绪论 1
1.1研究背景 2
1.2国内外研究现状 2
1.2.1国内研究现状 2
1.2.2国外研究现状 2
1.3研究的主要内容 3
2数据集的建立 4
2.1采集标准 4
3图像分割算法对比与选取 4
3.1阈值分割算法 4
3.1.1最大类间方差法 4
3.1.3迭代选择阈值法 6
3.2.1区域生长算法 7
3.2.3区域生长算法的优化 8
4特征提取 10
4.1形状特征 10
4.2颜色特征 10
4.3局部二进制模式 11
4.4GIST特征 12
5分类算法 12
5.1支持向量机 12
5.2卷积神经网络 12
6分类算法对比 14
6.1颜色分量+libsvm 14
6.1.1正面实验结果 14
6.1.2背面实验结果 15
6.2形状分量+libsvm 17
6.2.1正面实验结果 17
6.2.2背面实验结果 18
6.3LBP+libsvm 19
6.3.1正面实验结果 19
6.3.2背面实验结果 20
6.4GIST+libsvm 21
6.4.1 *好棒文|www.hbsrm.com +Q: ￥351916072$
正面实验结果 21
6.4.2背面实验结果 22
6.5卷积神经网络 22
6.5.1正面实验结果 23
6.5.2背面实验结果 23
7界面设计 24
8总结 25
致谢 25
参考文献 25
基于机器视觉技术的蔬菜新鲜度检测研究
引言
引言
1绪论
1.1研究背景
我国是一个农业大国，蔬菜是我国重要的贸易组成部分。近年来，我国蔬菜贸易额呈连年增长趋势。2015年，我国蔬菜出口量与出口额均有增加，出口量为1018.72万吨，出口额为132.67亿美元，较2014年分别增长4.37%和6.15%。 2016年，我国农产品进出口总额为1845.6亿美元，同比减少1.6%。其中，出口总额729.9亿美元，同比增长3.3%；进口总额1115.7亿美元，同比减少4.5%；蔬菜方面：112月，出口总额为147.2亿美元，同比增长了11.0%；进口总额5.3亿美元，同比增长2.0%；贸易顺差141.9亿美元，同比增加11.5%。
随着人们的自身健康的重视与生活水平的提高，对蔬菜品质的要求越来越严格，然而，目前国内并没有大批量，快速准确的检测软件，传统的蔬菜新鲜度主要依靠人体自身的视觉，嗅觉等感知器官，具有较强的主观性，因此检测者必须拥有长期的实践经验，但却不能避免工作效率低，主观性严重等缺点，而机器视觉技术的飞速发展使得无损检测蔬菜新鲜程度成为了现实，人们可以借助计算机软件依据叶片的特征量有效地解决上述问题。因此研究这样一个蔬菜新鲜度检测算法是很有必要的事情。
1.2国内外研究现状
1.2.1国内研究现状
我国《农产品质量安全法》明确规定，经过包装或附加标识的农产品原则上要求标明产品质量等级。但是，我国还没有建立完整的蔬菜分级标准认证或检查制度，相关生产企业对蔬菜等级认定标准不统一、不规范，以企业标准为主，缺少其他方面的检验和监督。
2002年，郭文川等人利用机器视觉技术对果蔬的识别与分级进行研究，阐述了机器视觉技术在水果与蔬菜分级中的研究进展。[1]2011年，葛亮等人针对香菇加工业需要解决的等级问题，阐述了机器视觉技术在食用菌等级检测，自动分级方面的研究进展，提出了分级模型的构建，特征参数的提取，研究有效表征的发展方向。 [2]
2016年，徐海霞将菠菜的叶片区域作为特征区域，利用OSTU阈值法完成对菠菜原始图片的图像分割，之后提取R，G，B，H，S，V等颜色特征，建立K近邻法模型，该模型对训练集识别率为92.71%，对测试集识别率为85.42%，建立BP神经网络模型，该模型对训练集识别率为91.67%，对测试集识别率为85.42%。[3]
1.2.2国外研究现状
McDonaldT等利用形态特征、纹理特征研究了图像处理技术在农产品检测中的运用，通过该方法区分了玉米粒型的大小以及对植物叶的识别，并验证了其有效性。[4]
Godine P.A.等人分别描述了一种有实用价值的可以区分不规则图像信息特征和正常图像信息特征的机器视觉系统。2004年，Leemans V.和DesTain M.提出了基于机器视觉系统的苹果缺陷特征提取在线实时分级方法。该系统首先采集到包括整个苹果表面信息的图像。之后这些图像被分割,缺陷特征被提取。分级的具体过程是水果被初步确定等级,再使用二次区分分析加以分级。苹果分级的正确率约为73%。[5]
1.3研究的主要内容
本实验以菠菜作为研究对象进行新鲜度检测方法研究，主要工作有：
(1)图像进行预处理，本次实验中使用了最大类间方差法、迭代选择阈值法与区域生长三种图像分割方法，在光照均匀，复杂背景的情况下，最大类间方差法与迭代选择阈值法都存在过分割结果，并且不能将前景与背景区分开。原始区域生长存在分割不完全的现象，图像边缘存在毛刺，经过形态学处理后图像分割完全，无噪声点，能有效区分前景与背景。
目录
摘要 1
关键词 1
Abstract. 1
Key words 1
1绪论 1
1.1研究背景 2
1.2国内外研究现状 2
1.2.1国内研究现状 2
1.2.2国外研究现状 2
1.3研究的主要内容 3
2数据集的建立 4
2.1采集标准 4
3图像分割算法对比与选取 4
3.1阈值分割算法 4
3.1.1最大类间方差法 4
3.1.3迭代选择阈值法 6
3.2.1区域生长算法 7
3.2.3区域生长算法的优化 8
4特征提取 10
4.1形状特征 10
4.2颜色特征 10
4.3局部二进制模式 11
4.4GIST特征 12
5分类算法 12
5.1支持向量机 12
5.2卷积神经网络 12
6分类算法对比 14
6.1颜色分量+libsvm 14
6.1.1正面实验结果 14
6.1.2背面实验结果 15
6.2形状分量+libsvm 17
6.2.1正面实验结果 17
6.2.2背面实验结果 18
6.3LBP+libsvm 19
6.3.1正面实验结果 19
6.3.2背面实验结果 20
6.4GIST+libsvm 21
6.4.1 *好棒文|www.hbsrm.com +Q: ￥351916072$
正面实验结果 21
6.4.2背面实验结果 22
6.5卷积神经网络 22
6.5.1正面实验结果 23
6.5.2背面实验结果 23
7界面设计 24
8总结 25
致谢 25
参考文献 25
基于机器视觉技术的蔬菜新鲜度检测研究
引言
引言
1绪论
1.1研究背景
我国是一个农业大国，蔬菜是我国重要的贸易组成部分。近年来，我国蔬菜贸易额呈连年增长趋势。2015年，我国蔬菜出口量与出口额均有增加，出口量为1018.72万吨，出口额为132.67亿美元，较2014年分别增长4.37%和6.15%。 2016年，我国农产品进出口总额为1845.6亿美元，同比减少1.6%。其中，出口总额729.9亿美元，同比增长3.3%；进口总额1115.7亿美元，同比减少4.5%；蔬菜方面：112月，出口总额为147.2亿美元，同比增长了11.0%；进口总额5.3亿美元，同比增长2.0%；贸易顺差141.9亿美元，同比增加11.5%。
随着人们的自身健康的重视与生活水平的提高，对蔬菜品质的要求越来越严格，然而，目前国内并没有大批量，快速准确的检测软件，传统的蔬菜新鲜度主要依靠人体自身的视觉，嗅觉等感知器官，具有较强的主观性，因此检测者必须拥有长期的实践经验，但却不能避免工作效率低，主观性严重等缺点，而机器视觉技术的飞速发展使得无损检测蔬菜新鲜程度成为了现实，人们可以借助计算机软件依据叶片的特征量有效地解决上述问题。因此研究这样一个蔬菜新鲜度检测算法是很有必要的事情。
1.2国内外研究现状
1.2.1国内研究现状
我国《农产品质量安全法》明确规定，经过包装或附加标识的农产品原则上要求标明产品质量等级。但是，我国还没有建立完整的蔬菜分级标准认证或检查制度，相关生产企业对蔬菜等级认定标准不统一、不规范，以企业标准为主，缺少其他方面的检验和监督。
2002年，郭文川等人利用机器视觉技术对果蔬的识别与分级进行研究，阐述了机器视觉技术在水果与蔬菜分级中的研究进展。[1]2011年，葛亮等人针对香菇加工业需要解决的等级问题，阐述了机器视觉技术在食用菌等级检测，自动分级方面的研究进展，提出了分级模型的构建，特征参数的提取，研究有效表征的发展方向。 [2]
2016年，徐海霞将菠菜的叶片区域作为特征区域，利用OSTU阈值法完成对菠菜原始图片的图像分割，之后提取R，G，B，H，S，V等颜色特征，建立K近邻法模型，该模型对训练集识别率为92.71%，对测试集识别率为85.42%，建立BP神经网络模型，该模型对训练集识别率为91.67%，对测试集识别率为85.42%。[3]
1.2.2国外研究现状
McDonaldT等利用形态特征、纹理特征研究了图像处理技术在农产品检测中的运用，通过该方法区分了玉米粒型的大小以及对植物叶的识别，并验证了其有效性。[4]
Godine P.A.等人分别描述了一种有实用价值的可以区分不规则图像信息特征和正常图像信息特征的机器视觉系统。2004年，Leemans V.和DesTain M.提出了基于机器视觉系统的苹果缺陷特征提取在线实时分级方法。该系统首先采集到包括整个苹果表面信息的图像。之后这些图像被分割,缺陷特征被提取。分级的具体过程是水果被初步确定等级,再使用二次区分分析加以分级。苹果分级的正确率约为73%。[5]
1.3研究的主要内容
本实验以菠菜作为研究对象进行新鲜度检测方法研究，主要工作有：
(1)图像进行预处理，本次实验中使用了最大类间方差法、迭代选择阈值法与区域生长三种图像分割方法，在光照均匀，复杂背景的情况下，最大类间方差法与迭代选择阈值法都存在过分割结果，并且不能将前景与背景区分开。原始区域生长存在分割不完全的现象，图像边缘存在毛刺，经过形态学处理后图像分割完全，无噪声点，能有效区分前景与背景。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/1775.html
