基于机器视觉几何特征参数的大蒜根部尺寸预测

发布时间：2021-09-29 19:10

　　在出口大蒜的深加工工序中,如何精确快速地获取大蒜根部位置形状尺寸信息是实现自动化精准切须作业的关键步骤.以大蒜根部蒜胡的形状尺寸预测为研究目标,利用机器视觉技术提取大蒜的12个绝对形状特征建立大蒜特征训练集,通过建立回归预测模型,实现大蒜蒜胡周长的预测,并完成实验测试.测试结果表明,所建立的BP神经网络模型的预测值与实际值之间的平均绝对百分比误差为3.59%, SVR模型得到的平均绝对百分比误差为4.62%,两类预测模型均可实现对大蒜根部蒜胡周长的预测. 

【文章来源】：中北大学学报(自然科学版). 2020,41(04)

【文章页数】：6 页

【部分图文】：

图像采集

式中: T1和T2表示阈值, 将背景与目标区域分开, 确定阈值是关键. 本文在环形光源下进行图像采集, 亮度均匀, 且目标区域与背景的对比度较大, 直接采用Otsu法[7-8]进行分割, 得到整个大蒜区域的二值图像, 分割效果如图 2(b) 所示. 完成大蒜与背景的分割后, 还需将大蒜的蒜须分割开. 本文设计了基于形态学的循环分割算法, 过程如图 3 所示, 对图像进行多次分割, 直到得到目标区域. 通过上述处理, 实现果实的目标提取, 分割的目标轮廓效果如图 2(c) 所示.本文随机选取200头大蒜做为研究对象, 利用机器视觉技术, 共获得200组数据, 每组数据包含大蒜的12个几何形状特征以及大蒜蒜胡的周长. 随机选取100组数据作为训练集样本建立预测大蒜蒜胡尺寸的预测模型, 另外100组数据作为测试集样本. 计算并统计目标区域的形状特征, 其中大蒜像素面积分布范围为 95 274～355 218 像素, 平均像素为198 292像素, 中位数为200 728像素, 大蒜的圆度分布范围X11为 0.797 9～0.961 3, X12为 0.563 3～0.700 4. 其他数据分布用箱形图绘制, 如图 4 所示, 箱形图能显示出一组数据的最大值、 最小值、 中位数及上下四分位数, 为使箱型图更加直观, 所有轮廓长度X3均缩小 10倍. 不同大蒜样本的某个特征属性的分布情况均表现出一定的差异性, 但从整体上看, 每头大蒜的不同特征属性又表现出一定的相关性. 所以采用大蒜的多个特征属性联合回归预测大蒜蒜胡的尺寸大小.

本文随机选取200头大蒜做为研究对象, 利用机器视觉技术, 共获得200组数据, 每组数据包含大蒜的12个几何形状特征以及大蒜蒜胡的周长. 随机选取100组数据作为训练集样本建立预测大蒜蒜胡尺寸的预测模型, 另外100组数据作为测试集样本. 计算并统计目标区域的形状特征, 其中大蒜像素面积分布范围为 95 274～355 218 像素, 平均像素为198 292像素, 中位数为200 728像素, 大蒜的圆度分布范围X11为 0.797 9～0.961 3, X12为 0.563 3～0.700 4. 其他数据分布用箱形图绘制, 如图 4 所示, 箱形图能显示出一组数据的最大值、 最小值、 中位数及上下四分位数, 为使箱型图更加直观, 所有轮廓长度X3均缩小 10倍. 不同大蒜样本的某个特征属性的分布情况均表现出一定的差异性, 但从整体上看, 每头大蒜的不同特征属性又表现出一定的相关性. 所以采用大蒜的多个特征属性联合回归预测大蒜蒜胡的尺寸大小.图 4 大蒜特征属性数据分布

【参考文献】：
期刊论文
[1]基于机器视觉形状特征参数的祁门红茶等级识别[J]. 宋彦,谢汉垒,宁井铭,张正竹.  农业工程学报. 2018(23)
[2]基于特征光谱参数的苹果叶片叶绿素含量估算[J]. 冯海宽,杨福芹,杨贵军,李振海,裴浩杰,邢会敏.  农业工程学报. 2018(06)
[3]基于BP神经网络的玉米种植密度和施肥量优化[J]. 王福林,董志贵,吴志辉,方堃.  农业工程学报. 2017(06)
[4]中国大蒜出口贸易现状研究[J]. 马招弟,丁天娇.  农村经济与科技. 2017(02)
[5]基于BP神经网络的橡胶苗叶片磷含量高光谱预测[J]. 郭澎涛,苏艺,茶正早,林清火,罗微,林钊沐.  农业工程学报. 2016(S1)
[6]基于核函数支持向量回归机的耕地面积预测[J]. 王霞,王占岐,金贵,杨俊.  农业工程学报. 2014(04)



本文编号：3414300