蘋果果梗-花萼與缺陷的紋理特征識(shí)別方法.pdf

1、水果是人們?nèi)粘Ｉ钪械闹饕獱I養(yǎng)來源之一，隨著生活品質(zhì)的提高，對(duì)水果的品質(zhì)要求也越來越高。消費(fèi)者主要根據(jù)水果的外部品質(zhì)判斷果品質(zhì)量，因此根據(jù)水果外部品質(zhì)進(jìn)行分級(jí)是非常必要的，水果品質(zhì)快速檢測是影響我國果品產(chǎn)后價(jià)值和國際市場競爭力的重要技術(shù)。在果品品質(zhì)快速檢測領(lǐng)域中一直存在的一個(gè)難題是如何對(duì)果梗/花萼與缺陷進(jìn)行有效的識(shí)別，特別是針對(duì)具有相似形狀和大小的果梗/花萼與缺陷的特殊情況。目前使用的果梗/花萼與缺陷識(shí)別技術(shù)和方法主要有高光譜成像技術(shù)、

2、多光譜成像技術(shù)、多相機(jī)系統(tǒng)、3D圖像分析等，但是這些方法存在數(shù)據(jù)量大、分析速度慢、成本高等缺點(diǎn)。本文研究主要是尋找一種簡單易行的方法實(shí)現(xiàn)果梗/花萼與缺陷的識(shí)別，與其它檢測方法相結(jié)合提高檢測精度。
　　 本文以紅富士蘋果為研究對(duì)象，使用統(tǒng)計(jì)紋理分析方法和小波紋理分析方法，對(duì)蘋果果梗/花萼與缺陷進(jìn)行紋理分析，獲取紋理信息來對(duì)它們進(jìn)行分類。
　　 主要的研究內(nèi)容和成果如下：
　　 (1)對(duì)蘋果果梗/花萼與缺陷進(jìn)行紋理特

3、征分析。使用灰度共生矩陣(GreyLevel Co-occurrence Matrix，GLCM)和雙樹復(fù)小波變換(Dual-Tree Complex WaveletTransform，DT-CWT)兩種方法對(duì)蘋果果梗/花萼與缺陷紋理圖像進(jìn)行紋理分析。比較兩種分析方法得到的紋理特征向量，結(jié)果表明，DT-CWT比GLCM能獲取更全面的紋理信息；兩種紋理分析方法受圖像旋轉(zhuǎn)影像都較??；3層DT-CWT為最佳分解小波。
　　 (2)比較

4、了幾種不同圖像分類算法(K-means、BP神經(jīng)網(wǎng)絡(luò)(Back propagationneural network，BPNN)和最小二乘支持向量機(jī)(Least Squares support Vector Machine，LS-SVM)的分類精度，使用紋理圖像進(jìn)行測試結(jié)果表明，使用LS-SVM對(duì)紋理圖像的分類正確最高。確定分類器的核函數(shù)為徑向基核函數(shù)(Radial Basis Function，RBF)，分類算法為一對(duì)一(One-Aga

5、inst-One)算法。利用DT-CWT方法和LS-SVM分類器對(duì)蘋果果梗/花萼與缺陷的紋理圖像進(jìn)行實(shí)驗(yàn)，得到分類正確率為92.22％。
　　 (3)使用DT-CWT和GLCM兩種方法對(duì)果梗/花萼與缺陷圖像進(jìn)行紋理分析，分類識(shí)別正確率分別為81.17％和92.22％。對(duì)每個(gè)蘋果樣本從彩色圖像分割到最終識(shí)別分類，使用DT-CWT作為紋理分析方法平均每個(gè)樣本分析時(shí)間為0.25s，而使用GLCM方法時(shí)平均每個(gè)樣本分析時(shí)間為2.22s。