神经网络的番茄成熟度识别(附件)
摘要：采集不同成熟度的番茄作为实验对象进行研究，实现对目标番茄的成熟度的识别和分级。针对采集到的图像存在噪声的问题，使用邻域平均法和中值滤波法进行去噪处理。为从背景中突出番茄目标，对去噪后的图像采用形态学算法进行增强处理，包括腐蚀膨胀，开闭运算等。根据番茄的颜色特征,将番茄RGB颜色空间转变到HSI颜色空间。提取H特征值并进行归一化处理作为人工神经网络模型的输入端。采用基本BP算法进行学习训练，用动量算法进行改进，并分别采用遗传算法和粒子群算法进行训练。通过大量的学习训练，对四种算法进行批量测试，进行了总体正确率、样本误差、运行耗时的对比，以得到效果最好的神经网络算法。
目录
摘要 2
关键词 2
Abstract 2
Key words 3
引言 3
1 选题背景 3
1.1 研究的意义 3
1.2 国内外研究状况 3
1.2.1 国外研究状况 3
1.2.2 国内研究状况 3
1.3 研究的目的和内容 4
1.3.1 研究的目的 4
1.3.2 研究的内容 4
2 图像处理算法及其选择 4
2.1 图像去噪处理 4
2.1.1 邻域平均法 5
2.1.2 中值滤波法 5
2.1.3 去噪处理的方法与分析 5
2.2 图像形态学算法处理 6
2.3 彩色图像的颜色空间 6
2.3.1 RGB颜色空间 6
2.3.2 HIS颜色空间 6
2.3.3 颜色特征量的选择 7
3 番茄图像的成熟度的识别 8
3.1 特征量的计算与提取 8
3.1.1 特征量的获得 8
3.1.2 归一化处理 8
3.2 神经网络算法的实现与改进 9
3.2.1 神经网络模型 9
3.2.1.1 基本BP算法 9
3.2.1.2 基本BP算法的缺陷 10
3.2.2 BP算法的改进 10
3.2.2.1 动量改进型BP算法 1
*好棒文|www.hbsrm.com +Q: ^3^5`1^9`1^6^0`7^2#
0
3.2.2.2 基于遗传算法的训练方法 11
3.2.2.3 基于粒子群算法的训练方法 13
3.3 结果与分析 14
4 实验结果 14
4.1 实验平台 14
4.2 实验过程与结论 14
5 讨论 16
致谢 16
参考文献 16
基于神经网络的番茄成熟度识别
引言
番茄采摘是一件简单重复的工作，人力进行采摘不仅仅成本大，而且采摘也是一件枯燥的工作。番茄采摘机器人的研制不仅可以在很大程度上减轻果农的劳动负担、而且可以提高生产效率,从而更有利于推广更大面积的番茄种植,可以获得更多的经济效益。在采摘机器人的研究中，成熟度识别是一个关键的步骤。本文研究基于神经网络的番茄图像成熟度的识别，先将图像中的番茄目标进行提取，然后对目标进行成熟度的识别和分级。研究中主要难题是对神经网络的训练算法进行不断改进，以提高识别的正确率和算法整体性能。
1 选题背景
1.1研究的意义
我国是一个农业大国，自从加入了WTO，农业也面临前所未有的巨大挑战和机遇。目前,国际化、机械化、自动化己成为我国农业发展的一个基本趋势。随着科技的发展，对农业机械的智能化、自动化的要求也越来越高。在当前发展趋势下，对于采摘机器人研究的关键技术就是机器人的图像识别技术，而成熟度的识别是机器识别的一个关键步骤。该研究成果为采摘机器人的研发做技术铺垫或者用于对已采摘番茄的成熟度自动分级，将有利于减轻农民工作的负担，提高农业的生产效率。
1.2国内外研究状况
1.2.1国外研究状况
在国外，人工智能在农产品自动采摘方面的应用先于我国很早就进行了研究，并且这个方面的研究也是农业方面的一个热门研究课题。国外的先进的研究水平为我国提供丰富的经验。Lasco等人对基于机器视觉技术研制的西班牙Valenciano Investigaciones Agrarias在线水果分级机器人的视觉系统进行了研宄,图像分割采用贝叶斯判别分析法来分割背景,利用大小、颜色来对橙子、桃子和苹果进行分级。用自动阈值来判别果实的外部瑕疵[1]。分级和缺陷检测的精度分别为93%和86%。但是对在线检测的光照条件有一定的限制。Razali等人研究了户外视觉系统下油棕果实成熟度的建模,主要研宄的是人工视觉辨别果实的成熟度,为机器视觉的判断打基础[2]。Cubero等人研宄性的介绍了机器视觉系统在自动检查水果和蔬菜方面的应用,包括分级、从外部参数到内部特性的质量评估,以及在存储或水果生产过程的监控评价。并介绍了紫外线、近红外光谱等在这方面的检测优于人工视觉系统[3]。Ishak等人介绍了一种基于图像测量的新概念,建立油棕果实图像识别的成熟度预测模型。Lee等人研宄开发了基于数字反射近红外成像的机器视觉自动分级系统。Effendi等人利用反向传播理论研究建立了基于颜色和大小的麻风树果实的分级算法[4]。
1.2.2国内研究状况
我国的人工智能在农产品的应用开始与20世纪90年代，近年来受到热切的关注。现在，我国在人工智能就农业方面的应用研究的较多。但是，相对国外而言,我国在这个领域的研究则显得不足,还处于起步阶段。国内学者李江波等人研究基于视觉的成熟挤橙表面缺陷检测的方法,这是针对已经采摘的成熟肪橙,为了更好的检测出表面缺陷,对背景和光照都有限制。刘继展等人研究了番前的果梗力学特性,以此来判断成熟度和设计采摘方式,且得到番前成熟度越高,所需要折断果梗的力就越小的结论。钱建平[7]等人研究在自然场景下,利用果实自身颜色特性,基于值和F值的混合颜色空间识别方法,进行成熟苹果的识别[5]。汪强等人基于计算机视觉技术利用烟叶图像颜色值与叶绿素含量、值之间的关系,建立起了烟叶成熟度判定方法[6]。王乐研等人基于红光半导体激光器对果实进行照射,所得光谱产生明显峰值特性,以红心李和桃子为例建立了一种探测果实成熟度的新方法。其它学者也对成熟度的检测、判断和分级等进行了大量的研究。段史江等利用图像处理技术和BP 神经网络检测了烘烤过程中烟叶β胡萝卜素的含量来检测成熟度。
综上所述,国内对农产品成熟度的智能判别方面进行了大量的研究,但与国外仍存在一定的差距。目前国内外对果实成熟度识别的研究方法主要集中在计算机视觉方面，利用人工神经网络模型识别的研究工作较少且方法比较单一。为了超越国外技术水平，早日实现农业自动化生产,必须对机器人识别技术研究加大力度和深度，尤其有必要加强神经网络算法在果实成熟度识别方面的研究和改进，以提高识别率，从而实现农产品自动化采摘和分级拖入市场。
1.3研究的目的和内容
目录
摘要 2
关键词 2
Abstract 2
Key words 3
引言 3
1 选题背景 3
1.1 研究的意义 3
1.2 国内外研究状况 3
1.2.1 国外研究状况 3
1.2.2 国内研究状况 3
1.3 研究的目的和内容 4
1.3.1 研究的目的 4
1.3.2 研究的内容 4
2 图像处理算法及其选择 4
2.1 图像去噪处理 4
2.1.1 邻域平均法 5
2.1.2 中值滤波法 5
2.1.3 去噪处理的方法与分析 5
2.2 图像形态学算法处理 6
2.3 彩色图像的颜色空间 6
2.3.1 RGB颜色空间 6
2.3.2 HIS颜色空间 6
2.3.3 颜色特征量的选择 7
3 番茄图像的成熟度的识别 8
3.1 特征量的计算与提取 8
3.1.1 特征量的获得 8
3.1.2 归一化处理 8
3.2 神经网络算法的实现与改进 9
3.2.1 神经网络模型 9
3.2.1.1 基本BP算法 9
3.2.1.2 基本BP算法的缺陷 10
3.2.2 BP算法的改进 10
3.2.2.1 动量改进型BP算法 1
*好棒文|www.hbsrm.com +Q: ^3^5`1^9`1^6^0`7^2#
0
3.2.2.2 基于遗传算法的训练方法 11
3.2.2.3 基于粒子群算法的训练方法 13
3.3 结果与分析 14
4 实验结果 14
4.1 实验平台 14
4.2 实验过程与结论 14
5 讨论 16
致谢 16
参考文献 16
基于神经网络的番茄成熟度识别
引言
番茄采摘是一件简单重复的工作，人力进行采摘不仅仅成本大，而且采摘也是一件枯燥的工作。番茄采摘机器人的研制不仅可以在很大程度上减轻果农的劳动负担、而且可以提高生产效率,从而更有利于推广更大面积的番茄种植,可以获得更多的经济效益。在采摘机器人的研究中，成熟度识别是一个关键的步骤。本文研究基于神经网络的番茄图像成熟度的识别，先将图像中的番茄目标进行提取，然后对目标进行成熟度的识别和分级。研究中主要难题是对神经网络的训练算法进行不断改进，以提高识别的正确率和算法整体性能。
1 选题背景
1.1研究的意义
我国是一个农业大国，自从加入了WTO，农业也面临前所未有的巨大挑战和机遇。目前,国际化、机械化、自动化己成为我国农业发展的一个基本趋势。随着科技的发展，对农业机械的智能化、自动化的要求也越来越高。在当前发展趋势下，对于采摘机器人研究的关键技术就是机器人的图像识别技术，而成熟度的识别是机器识别的一个关键步骤。该研究成果为采摘机器人的研发做技术铺垫或者用于对已采摘番茄的成熟度自动分级，将有利于减轻农民工作的负担，提高农业的生产效率。
1.2国内外研究状况
1.2.1国外研究状况
在国外，人工智能在农产品自动采摘方面的应用先于我国很早就进行了研究，并且这个方面的研究也是农业方面的一个热门研究课题。国外的先进的研究水平为我国提供丰富的经验。Lasco等人对基于机器视觉技术研制的西班牙Valenciano Investigaciones Agrarias在线水果分级机器人的视觉系统进行了研宄,图像分割采用贝叶斯判别分析法来分割背景,利用大小、颜色来对橙子、桃子和苹果进行分级。用自动阈值来判别果实的外部瑕疵[1]。分级和缺陷检测的精度分别为93%和86%。但是对在线检测的光照条件有一定的限制。Razali等人研究了户外视觉系统下油棕果实成熟度的建模,主要研宄的是人工视觉辨别果实的成熟度,为机器视觉的判断打基础[2]。Cubero等人研宄性的介绍了机器视觉系统在自动检查水果和蔬菜方面的应用,包括分级、从外部参数到内部特性的质量评估,以及在存储或水果生产过程的监控评价。并介绍了紫外线、近红外光谱等在这方面的检测优于人工视觉系统[3]。Ishak等人介绍了一种基于图像测量的新概念,建立油棕果实图像识别的成熟度预测模型。Lee等人研宄开发了基于数字反射近红外成像的机器视觉自动分级系统。Effendi等人利用反向传播理论研究建立了基于颜色和大小的麻风树果实的分级算法[4]。
1.2.2国内研究状况
我国的人工智能在农产品的应用开始与20世纪90年代，近年来受到热切的关注。现在，我国在人工智能就农业方面的应用研究的较多。但是，相对国外而言,我国在这个领域的研究则显得不足,还处于起步阶段。国内学者李江波等人研究基于视觉的成熟挤橙表面缺陷检测的方法,这是针对已经采摘的成熟肪橙,为了更好的检测出表面缺陷,对背景和光照都有限制。刘继展等人研究了番前的果梗力学特性,以此来判断成熟度和设计采摘方式,且得到番前成熟度越高,所需要折断果梗的力就越小的结论。钱建平[7]等人研究在自然场景下,利用果实自身颜色特性,基于值和F值的混合颜色空间识别方法,进行成熟苹果的识别[5]。汪强等人基于计算机视觉技术利用烟叶图像颜色值与叶绿素含量、值之间的关系,建立起了烟叶成熟度判定方法[6]。王乐研等人基于红光半导体激光器对果实进行照射,所得光谱产生明显峰值特性,以红心李和桃子为例建立了一种探测果实成熟度的新方法。其它学者也对成熟度的检测、判断和分级等进行了大量的研究。段史江等利用图像处理技术和BP 神经网络检测了烘烤过程中烟叶β胡萝卜素的含量来检测成熟度。
综上所述,国内对农产品成熟度的智能判别方面进行了大量的研究,但与国外仍存在一定的差距。目前国内外对果实成熟度识别的研究方法主要集中在计算机视觉方面，利用人工神经网络模型识别的研究工作较少且方法比较单一。为了超越国外技术水平，早日实现农业自动化生产,必须对机器人识别技术研究加大力度和深度，尤其有必要加强神经网络算法在果实成熟度识别方面的研究和改进，以提高识别率，从而实现农产品自动化采摘和分级拖入市场。
1.3研究的目的和内容
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/wljs/705.html
