基于决策树支持向量机的苹果表面缺陷识别

发布时间：2018-05-20 13:48

  本文选题：苹果 + 表面缺陷　； 参考：《食品与机械》2017年09期

【摘要】：在基于机器视觉苹果缺陷识别过程中,因果梗/花萼与缺陷表皮颜色相似,极大地降低苹果表面缺陷识别准确率,提出一种基于决策树支持向量机(DT-SVM)的苹果表面缺陷识别方法。该方法首先采用单阈值法去除背景,其次在R通道中利用Otsu法和连通域标记法提取目标区域(果梗、花萼和缺陷)的颜色、纹理和形状特征,最后利用决策树支持向量机进行识别。以600幅富士苹果图像为例,使用该方法进行缺陷识别,结果表明该方法的平均准确率为97.7%。与1-V-1多分类支持向量机(1-V-1SVM)和AdaBoost分类算法相比,DT-SVM方法正确率高、耗时短。说明决策树支持向量机对苹果表面缺陷识别十分有效。
[Abstract]:In the process of apple defect recognition based on machine vision, the color of causal stem / calyx is similar to that of defect epidermis, which greatly reduces the accuracy of apple surface defect recognition. A method of apple surface defect recognition based on decision tree support vector machine (DT-SVM) is proposed. In this method, the background is removed by a single threshold method, and the color, texture and shape features of the target region (stem, calyx and defect) are extracted by using Otsu method and connected domain labeling method in the R channel. Finally, decision tree support vector machine is used for recognition. Taking 600 Fuji apple images as an example, this method is used to identify defects. The results show that the average accuracy of this method is 97.7. Compared with 1-V-1 multi-classification support vector machine 1-V-1SVM) and AdaBoost classification algorithm, the accuracy of DT-SVM is higher and the time is short. The result shows that decision tree support vector machine is very effective for apple surface defect recognition.
【作者单位】： 西南大学工程技术学院;
【基金】：中央高校科研业务费课题(编号:XDJK2016A007) 博士启动基金项目(编号:SWU114109) 中央高校基本科研业务费双创项目(编号:XDJK2016E050)
【分类号】：TP18;TP391.41

【相似文献】

相关期刊论文 前10条

1 高松巍;郑树林;杨理践;;长输管道漏磁内检测缺陷识别方法[J];无损检测;2013年01期

2 张毅刚;建筑结构缺陷识别与计算机应用[J];工程设计CAD与智能建筑;1999年12期

3 高顶;张长明;李国庆;张晓光;;基于粗糙-模糊神经网络的焊接图像缺陷识别[J];华东理工大学学报(自然科学版);2006年09期

4 王忠辉;;框架结构缺陷识别的小波信息熵方法[J];河南科技大学学报(自然科学版);2012年04期

5 胡杰;马铁军;胡志平;尹志宏;;一种新的轮胎激光散斑检测缺陷识别方法[J];机电工程技术;2010年06期

6 左凯;孙同景;李振华;陶亮;;基于新息正交的工业CT图像自适应缺陷识别[J];北京航空航天大学学报;2010年09期

7 陈天璐;阙沛文;;基于超声衍射反射回波渡越时间的缺陷识别技术[J];化工自动化及仪表;2006年04期

8 陆宝春;李建文;陈吉朋;王婧;李纯健;汤海昌;;荧光磁粉探伤自动缺陷识别方法研究[J];南京理工大学学报(自然科学版);2010年06期

9 魏娜娣;;软件缺陷识别技术与缺陷级别的分析研究[J];科技信息;2014年13期

10 周颖;赵海凤;郝红敏;;基于图像处理的焊点缺陷识别方法的研究[J];计算机工程与应用;2013年01期

相关会议论文 前10条

1 刘希玉;徐志敏;段会川;;基于支持向量机的创新分类器[A];山东省计算机学会2005年信息技术与信息化研讨会论文集（一）[C];2005年

2 张晓滨;尹英顺;赵培坤;马秀兰;;基于渐进直推支持向量机的半对半多类文本分类[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

3 晏庆华;;支持向量机算法综述[A];2008'中国信息技术与应用学术论坛论文集（二）[C];2008年

4 杨凌;刘玉树;;基于支持向量机的坦克识别算法[A];第三届全国数字成像技术及相关材料发展与应用学术研讨会论文摘要集[C];2004年

5 高尚;刘夫成;;与κ均值混合的支持向量机的个人信用评估[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

6 李志明;孔令富;;用于回归估计的支持向量机[A];广西计算机学会2005年学术年会论文集[C];2005年

7 李优;;支持向量机在组块识别中的应用[A];第八届中国青年运筹信息管理学者大会论文集[C];2006年

8 李智超;余慧佳;马少平;;使用支持向量机进行作弊页面识别[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

9 于鹰宇;张小洵;贾云得;;基于局部可控特征及支持向量机的人脸识别[A];中国感光学会第七次全国会员代表大会暨学术年会和第七届青年学术交流会论文摘要集[C];2006年

10 宋金伟;刘广利;沈翠华;李迪;;基于支持向量机的织物组织识别方法[A];第六届全国信息获取与处理学术会议论文集（2）[C];2008年

相关博士学位论文 前10条

1 王喜宾;基于优化支持向量机的个性化推荐研究[D];重庆大学;2015年

2 陈素根;非平行平面支持向量机及特征提取中若干问题研究[D];江南大学;2016年

3 李华庆;支持向量机及其在人脸识别中的应用研究[D];上海交通大学;2006年

4 郭磊;基于支持向量机的真实头模型三维重建方法的研究[D];河北工业大学;2007年

5 陈爱军;最小二乘支持向量机及其在工业过程建模中的应用[D];浙江大学;2006年

6 业宁;支持向量机若干基础研究及其在图像识别中的应用[D];东南大学;2006年

7 王开义;基于支持向量机的农产品生产关键控制点发现研究[D];北京工业大学;2011年

8 陈万海;基于支持向量机的超谱图像分类技术研究[D];哈尔滨工程大学;2008年

9 秦玉平;基于支持向量机的文本分类算法研究[D];大连理工大学;2008年

10 沈传河;金融问题中的支持向量机应用研究[D];山东科技大学;2011年

相关硕士学位论文 前10条

1 田丹;基于电致发光与BP神经网络的太阳电池缺陷识别[D];河北大学;2015年

2 李佳;基于压缩感知的多模型木材图像缺陷识别[D];东北林业大学;2015年

3 李梦园;深度学习算法在表面缺陷识别中的应用研究[D];浙江工业大学;2015年

4 洪艺涵;基于图像的带花纹钮扣缺陷识别算法研究[D];华中科技大学;2016年

5 李建文;磁粉探伤缺陷识别自动化系统设计与开发[D];南京理工大学;2012年

6 侯晓琴;基于射线成像的缺陷自动识别方法研究及应用[D];重庆大学;2009年

7 毛锋;面向成型生产的视觉式缺陷识别技术及应用研究[D];浙江大学;2010年

8 吕作超;荧光磁粉探伤缺陷识别系统图像处理技术研究[D];南京理工大学;2006年

9 张宏军;太阳能电池缺陷识别的研究与实现[D];东华大学;2012年

10 刘冰清;基于机器视觉的印刷品缺陷识别系统研究[D];西安科技大学;2010年

，

本文编号：1914859