[桂花树价格]基于人工视觉的桂花内容鉴别自动搜索

　　借助人工视觉技术，研究了桂花的形态特征，建立了桂花定量分类的评价标准。用Matalb软件采集和实时读取CCD摄像机视频图像，然后使用Matlab图像处理功能对采集的图像进行过滤和分割，从中提取特征值基于数学理论的桂花分级，建立人工神经网络的分级判别。模，训练神经网络并执行泛化测试。果表明，该层次判别模型的准确性达到91.7％，具有一定的市场价值。花筛查是产后治疗的重要组成部分[1]。前，中国尚未建立工业化的农作物收获后处理系统。人工筛选相比，工业化智能筛选具有客观，高效，无机械损坏，自动分类等优点。[2]。此，研究桂花等级自动判别具有重要的现实意义和社会经济价值。国内外研究阶段以来，他主要使用图像处理技术和人工视觉。如，Ariana等人[3]使用高光谱图像检测桂花采样过程中的机械损伤，发现950×1350 nm波段更适合检测机械损伤。
　　花;自国内外研究阶段以来，目前桂花香的自动分类仍处于理论研究阶段，主要取决于桂花的长度，宽度和曲率。味区分其优缺点[5-6]。现有的基础上，结合计算机视觉，神经网络等方法，利用桂花的六个一般特征值和加权特征值对桂花进行了分类和验证。法的可用性。精度。研究分三个阶段进行，研究方案如图1所示。像理论的分析阶段。于图像处理技术，对桂花进行采集和图像分割，得到实验所需的桂花图像。征模型已建立。取了桂花的六个基本特征值和加权特征值，并通过BP神经网络的形成对桂花特征模型进行了评价。试结果的验证阶段。BP神经元网络的输出节点获得的结果与人工选择的桂花进行比较，并对测试结果进行验证和分析。花自动定标的研究主要基于基于人工视觉的计算机视觉处理技术[7]。像的获取是所有实验的基石：图像本身的质量和特性将影响图像处理过程的难度和已处理数据的真实性。实验中，模拟了工业自动化中的商品输送带的传输方式，实时记录了位移过程中的桂花视频，并在特定位置记录了桂花图像帧。选择为下一处理的源图像。实际生产中最大化图像获取过程，以确保图像信息的真实性和实用性。像处理需要通过图像阈值对获取的图像进行分割[8]。此，在拍摄期间要选择的照明装置防止光源的强度和颜色引起图像或图像区域的变形。暖的白色光源使用4W白色荧光灯进行测试，在布置光源时，桂花树价格请在拍摄箱内的四个角中的每个角落安装白色荧光灯，以免在背景中留下令人愉悦的气味的桂花阴影。CCD摄像机安装在收集箱的顶部，可以上下调节高度，以确保捕获的桂花图像没有暗区或亮区。RGB桂花图像的三个通道的数据分析结果在图5中示出。2.从图2中可以看出，桂花图像的三个R，G和B通道的像素值均小于170。大的绿色像素值是桂花图像。
　　得目标区域和背景色之间有较大差异的原始图像，背景色应为红色（红色为绿色补色），并且采用物理校准规则是蓝色的。像各区域的色差较大，降低了图像分割处理的难度，分割后的图像效果也很好。获的图像可分为3部分：桂花图像，尺子图像和背景图像[9]。花图像是提取图像参数的主要部分，标尺用于检测桂花的实际长度，这使得分割原始图像的两个部分成为可能。体参数的后续提取。捕获的图像中，桂花区域大部分为绿色，背景区域为红色，校准为蓝色。过分析RGB色彩图的G通道的直方图，可以知道像素值高的部分对应于图中的桂花区域，而背景和像素的像素校准区域较小，RGB色彩图的R通道的对应于图形背景区域的部分也较小。像素部分是桂花和校准区域。据图像的特殊性，基于双峰方法的这项研究可以获取RGB桂花色图的单色通道R和B的图像。点是方法简单，效果明显。
　　后，旋转算法使获得桂花中的标准二元图成为可能。体步骤如下。像分割。双峰法[10]从整体图像中分割出桂花图像和比例尺图像，其结果如图5所示。3.图像旋转。

　　图像被收集时，桂花的位置是随机的，桂花本身具有不同的曲率度[11]。此基础上，在提取具有愉悦气味的桂花特征参数之前，有必要在不影响具有愉悦气味的桂花形态特征的情况下移动目标桂花目标区域，以便于提取。下特征参数。为对应于桂花带的图形的最小外接矩形，计算二值图像的外接矩形的长度和宽度，以及最长边的角度和二值图像的坐标轴。预定图案获得图像，并且角度是图像的旋转角度。
　　形的四个角的坐标存储在rectx和recty中。
　　会将任何桂花图像旋转为标准图像（图4）。花是一种长形瓜，具有更复杂的特征，包括实际长度，宽度，曲率和均匀性，其中均匀性和曲率是最关键的标准[12-14]。算机不能直接对其图像进行区分和分类，必须从图像中提取参数以建立桂花轮廓特征的图案。花特征参数的提取步骤如下。图5所示，桂花的径向长度为H，并且获得了五个点，其径向长度分别为0.2 H，0.3 H，0.5 H，0.7 H和0.8 H和桂花的横向宽度值对应于这些点。别为W1，W2，W，W3和W4。5示出了0.5H是桂花的径向长度的中间点，并且与该点对应的桂花的宽度W可以被定义为用于判断均匀性的参考值。

　　定桂花的宽度和其他点的宽度之比以确定桂花的均匀厚度。
　　的特征参数。据公式（4），计算出反映桂花整个宽度均匀性的特征参数。取桂花二值图像两个边缘中心的所有点。些点绘制的图案可能会以愉悦的气味反映出桂花的曲率[15]。图6所示，点A，B，C，桂花树价格D和E分别取0、0.25 H，0.50 H，0.75 H和1.00H。到了AB，BC，CD，DE和AE的几何距离，并且这些片段的几何距离之比可用于获得桂花的特征值参数。据公式（5）和（6），可以获得桂花品质的特征值。项研究是一个分类问题，在研究中使用BP的神经网络分层学习模型非常有用（请参见图7）。研究选择了两层BP网络，并添加了一个隐藏层以减小网络规模。入节点的数量由特征参数的数量（即六个）确定，因此输入是6N向量，N是训练过程中样本帧的数量。

　　过实验，当隐藏层节点数为10时，系统覆盖效果更好，输出层节点设置为2（用于表示三个分层状态），如图所示在图。8.对应于桂花的三个层次（上层，一等，二等），二维数组[0; 1]，[1; 0]，[1; 1]分别代表它们的神经网络输出端口。于BP网络分类的神经网络训练标准是根据桂花《中华人民共和国农业产业标准》（NY / T 1587-2008）的质量规范进行分级的，如表1所示。30个元素中手动选择了神经网络，并将其分为三类：优秀产品，一等产品，二等产品，针对特征参数的三种训练样本桂花。神经网络的基础上，为保证测试结果的准确性，应增加桂花实际长度的特征参数。此，利用加权算法的原理，获得了最终准则。须通过实际应用来评估神经网络和整个设计系统的性能。次选择12朵桂花作为样本来测试系统。12种桂花的人工分类如下：3种优良产品，3种一流产品和6种二等产品。2列出了12个要分类的桂花的特性。以看出，手工分类的第一类产品的第三种桂花相对均匀，曲率低，被认为是优质的产品。算机;确定的其他结果相同。常，根据水果均匀度的特征参数，特征的弯曲水果的参数，厚度和实际长度的特征参数，可以使用七个特征参数来确定果实的质量。花的分类准确率可以达到91.7％。

　　
　　误的主要原因是神经网络的学习样本不足。研究详尽地运用了图像处理知识和神经网络理论，通过图像分割和图像特征参数的提取，建立了神经网络模型识别系统。BP已建立并验证。到以下结论。于桂花的特征形状参数，可以使用BP神经网络系统来识别模型，与手动分类相比，其准确性高达91.7％。
　　加系统模型形成的输入样本参数将进一步提高准确性。实际操作中，有必要在图像采集过程中保证均匀的照明度和适度的色温，以使图像尽可能地反映出桂花的真实色彩，提高结果的准确性。视。
　　本文转载自
　　桂花树价格 http://m.guihua99.net/m/