在出口大蒜的深加工工序中,如何精確快速地獲取大蒜根部位置形狀尺寸信息是實現(xiàn)自動化精準(zhǔn)切須作業(yè)的關(guān)鍵步驟.以大蒜根部蒜胡的形狀尺寸預(yù)測為研究目標(biāo),利用機器視覺技術(shù)提取大蒜的12個絕對形狀特征建立大蒜特征訓(xùn)練集,通過建立回歸預(yù)測模型,實現(xiàn)大蒜蒜胡周長的預(yù)測,并完成實驗測試.測試結(jié)果表明,所建立的BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測值與實際值之間的平均絕對百分比誤差為3.59%, SVR模型得到的平均絕對百分比誤差為4.62%,兩類預(yù)測模型均可實現(xiàn)對大蒜根部蒜胡周長的預(yù)測. 

【文章來源】：中北大學(xué)學(xué)報(自然科學(xué)版). 2020,41(04)

【文章頁數(shù)】：6 頁

【部分圖文】：

圖像采集

式中: T1和T2表示閾值, 將背景與目標(biāo)區(qū)域分開, 確定閾值是關(guān)鍵. 本文在環(huán)形光源下進行圖像采集, 亮度均勻, 且目標(biāo)區(qū)域與背景的對比度較大, 直接采用Otsu法[7-8]進行分割, 得到整個大蒜區(qū)域的二值圖像, 分割效果如圖 2(b) 所示. 完成大蒜與背景的分割后, 還需將大蒜的蒜須分割開. 本文設(shè)計了基于形態(tài)學(xué)的循環(huán)分割算法, 過程如圖 3 所示, 對圖像進行多次分割, 直到得到目標(biāo)區(qū)域. 通過上述處理, 實現(xiàn)果實的目標(biāo)提取, 分割的目標(biāo)輪廓效果如圖 2(c) 所示.本文隨機選取200頭大蒜做為研究對象, 利用機器視覺技術(shù), 共獲得200組數(shù)據(jù), 每組數(shù)據(jù)包含大蒜的12個幾何形狀特征以及大蒜蒜胡的周長. 隨機選取100組數(shù)據(jù)作為訓(xùn)練集樣本建立預(yù)測大蒜蒜胡尺寸的預(yù)測模型, 另外100組數(shù)據(jù)作為測試集樣本. 計算并統(tǒng)計目標(biāo)區(qū)域的形狀特征, 其中大蒜像素面積分布范圍為 95 274～355 218 像素, 平均像素為198 292像素, 中位數(shù)為200 728像素, 大蒜的圓度分布范圍X11為 0.797 9～0.961 3, X12為 0.563 3～0.700 4. 其他數(shù)據(jù)分布用箱形圖繪制, 如圖 4 所示, 箱形圖能顯示出一組數(shù)據(jù)的最大值、 最小值、 中位數(shù)及上下四分位數(shù), 為使箱型圖更加直觀, 所有輪廓長度X3均縮小 10倍. 不同大蒜樣本的某個特征屬性的分布情況均表現(xiàn)出一定的差異性, 但從整體上看, 每頭大蒜的不同特征屬性又表現(xiàn)出一定的相關(guān)性. 所以采用大蒜的多個特征屬性聯(lián)合回歸預(yù)測大蒜蒜胡的尺寸大小.

本文隨機選取200頭大蒜做為研究對象, 利用機器視覺技術(shù), 共獲得200組數(shù)據(jù), 每組數(shù)據(jù)包含大蒜的12個幾何形狀特征以及大蒜蒜胡的周長. 隨機選取100組數(shù)據(jù)作為訓(xùn)練集樣本建立預(yù)測大蒜蒜胡尺寸的預(yù)測模型, 另外100組數(shù)據(jù)作為測試集樣本. 計算并統(tǒng)計目標(biāo)區(qū)域的形狀特征, 其中大蒜像素面積分布范圍為 95 274～355 218 像素, 平均像素為198 292像素, 中位數(shù)為200 728像素, 大蒜的圓度分布范圍X11為 0.797 9～0.961 3, X12為 0.563 3～0.700 4. 其他數(shù)據(jù)分布用箱形圖繪制, 如圖 4 所示, 箱形圖能顯示出一組數(shù)據(jù)的最大值、 最小值、 中位數(shù)及上下四分位數(shù), 為使箱型圖更加直觀, 所有輪廓長度X3均縮小 10倍. 不同大蒜樣本的某個特征屬性的分布情況均表現(xiàn)出一定的差異性, 但從整體上看, 每頭大蒜的不同特征屬性又表現(xiàn)出一定的相關(guān)性. 所以采用大蒜的多個特征屬性聯(lián)合回歸預(yù)測大蒜蒜胡的尺寸大小.圖 4 大蒜特征屬性數(shù)據(jù)分布

【參考文獻】：
期刊論文
[1]基于機器視覺形狀特征參數(shù)的祁門紅茶等級識別[J]. 宋彥,謝漢壘,寧井銘,張正竹.  農(nóng)業(yè)工程學(xué)報. 2018(23)
[2]基于特征光譜參數(shù)的蘋果葉片葉綠素含量估算[J]. 馮海寬,楊福芹,楊貴軍,李振海,裴浩杰,邢會敏.  農(nóng)業(yè)工程學(xué)報. 2018(06)
[3]基于BP神經(jīng)網(wǎng)絡(luò)的玉米種植密度和施肥量優(yōu)化[J]. 王福林,董志貴,吳志輝,方堃.  農(nóng)業(yè)工程學(xué)報. 2017(06)
[4]中國大蒜出口貿(mào)易現(xiàn)狀研究[J]. 馬招弟,丁天嬌.  農(nóng)村經(jīng)濟與科技. 2017(02)
[5]基于BP神經(jīng)網(wǎng)絡(luò)的橡膠苗葉片磷含量高光譜預(yù)測[J]. 郭澎濤,蘇藝,茶正早,林清火,羅微,林釗沐.  農(nóng)業(yè)工程學(xué)報. 2016(S1)
[6]基于核函數(shù)支持向量回歸機的耕地面積預(yù)測[J]. 王霞,王占岐,金貴,楊俊.  農(nóng)業(yè)工程學(xué)報. 2014(04)



本文編號：3414300