一种基于机器学习的柑橘果蒂的检测方法技术

本发明专利技术提供了一种基于机器学习的柑橘果蒂的检测方法，属于农业信息工程技术领域。本发明专利技术采用深度学习方法进行果蒂检测，构建网络模型以及检测流程，检测出果蒂的精准位置，虽然训练过程需要采集大量样本并花费比较长的时间进行训练，但是当训练完成后实际的检测过程计算量比较小，检测效率和准确率都适合在线系统的需求。本发明专利技术基于图像和机器学习技术提出了自动检测柑橘果蒂的方法，解决了柑橘自动整齐装箱和贴标签的关键技术。经过原型实现和仿真测试，证明本发明专利技术设计的方法实际可行且发挥了果蒂检测的功能。

A detection method of citrus fruit base based on machine learning

【技术实现步骤摘要】
一种基于机器学习的柑橘果蒂的检测方法
本专利技术涉及农业信息工程
，尤其涉及一种基于机器学习的柑橘果蒂的检测方法。
技术介绍
在智能化果品分级和加工的流水线上机械手夹持柑橘装入包装箱，因为柑橘是近似对称的球形，无法通过形状使箱内所有柑橘的果蒂朝向同一方向，果蒂朝向会是凌乱的。与上述情况类似，机械手为每个果品粘贴标签时，标签的位置也是随机的。这不符合高端果品的包装要求，高端果品的摆放方式、果蒂朝向、标签位置都应是一致的。因而在高端水果生产线上不得不使用手工方式完成装箱和贴标签，自动装箱方式只能用于中低端产品。要实现装箱和贴标签的自动化需要在果品上有一个参考点，而果蒂适合作为天然的参考点，因此本专利技术基于数字图像技术设计柑橘果蒂的自动检测方法，为自动装箱和贴标签提供参考点。本专利技术有助于提升果品档次、控制人力成本、提高经济效益。由于不同果实的果蒂在形态、颜色上差别很大，而且果品表面的斑痕会对识别方法产生干扰，所以采用简单的颜色阈值分割、形状检测等方法都只能处理少量理想图像，无法从千差万别的图像中准确检测出果蒂。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于机器学习的柑橘果蒂的检测方法。本专利技术通过构建正负样本训练集，并用训练集训练神经网络模型，最终用得到的模型判定果蒂。为了实现上述专利技术目的，本专利技术提供以下技术方案：本专利技术提供了一种柑橘果蒂的检测方法，包括以下步骤：步骤1：图像的采集和预处理：使用数码相机采集柑橘照片，所述柑橘照片部分包含果蒂，剩余部分不包含果蒂，包含果蒂的用于产生正样本，不包含果蒂的用于产生负样本；步骤2：构建包含正负样本的训练集和测试集：将所述正样本和负样本分割成训练集和测试集；步骤3：计算每一张所述柑橘照片的待定区域，所述待定区域是根据亮度、颜色和纹理证据初步判断该位置附近可能存在果蒂的可疑对象，包括训练集中的待定区域和测试集中的待定区域；对于所述训练集中的每一张照片，计算各照片的亮度、颜色和纹理，然后将这些属性相似的邻近小区域合并，并反复迭代使得区域面积逐渐增大而总数逐渐减少，当所得整幅图像中剩余的区域减少到限定阈值时记录它们的外接矩形的坐标和长宽，以这些矩形作为所述待定区域；步骤4：构建网络模型：所述网络模型包括4个隐含层，第1至第3个隐含层为卷积层，用于提取图像的特征，第4个隐含层为全连接层，所述卷积层和全连接层的激活函数为ReLU函数；步骤5：训练网络模型的参数：将所述步骤3所得训练集中的待定区域输入到所述网络模型，以损失函数取得最小值为准则，使用反向传播方法自动调整网络参数，所述网络模型的输出包括两部分：第一部分是检测出的对象的类别，包括果蒂、果皮和其它，使用支持向量机进行分类，损失函数采用SoftMax函数；第二部分是外接矩形的横纵坐标、长度和宽度，使用线性回归模型，损失函数采用均方误差函数，训练完成后，将所得网络模型的结构和参数保存到h5文件中；步骤6：检测图像中是否存在果蒂并判断果蒂的位置：将所述步骤3所得测试集中的待定区域输入到所述步骤5中训练好的网络模型，判断是否包含果蒂并计算果蒂的位置。优选地，所述采集柑橘照片时采用平移、缩放、旋转或加入噪声对原始图像进行扩增。优选地，所述采集柑橘照片总数为2000张以上。优选地，所述柑橘照片中包含果蒂与不包含果蒂的数量比为1:1。优选地，所述正样本和负样本按照4:1的比例分割成训练集和测试集。优选地，每一张所述柑橘照片使用软件生成一个XML文件。优选地，所述反复迭代时去除明显过大的区域。优选地，所述属性相似的程度用欧氏距离度量。优选地，所述限定阈值的取值范围为400～1000之间。有益效果：本专利技术提供了一种基于机器学习的柑橘果蒂的检测方法，本专利技术采用深度学习方法进行果蒂检测，构建网络模型以及检测流程，检测出果蒂的精准位置，虽然训练过程需要采集大量样本并花费比较长的时间进行训练，但是当训练完成后实际的检测过程计算量比较小，检测效率和准确率都适合在线系统的需求。本专利技术基于图像和机器学习技术提出了自动检测柑橘果蒂的方法，解决了柑橘自动整齐装箱和贴标签的关键技术。经过原型实现和仿真测试，证明本专利技术设计的方法实际可行且发挥了果蒂检测的功能。进一步地，本专利技术将网络层数控制在一个较小的数量，易于实现，运算量主要集中在模型训练阶段，实际运行阶段计算量用普通计算机即可承担。附图说明图1为本专利技术柑橘果蒂的检测方法的流程图；图2为网络模型的示意图。具体实施方式本专利技术提供了一种基于机器学习的柑橘果蒂的检测方法，包括以下步骤：步骤1：图像的采集和预处理：使用数码相机采集柑橘照片，所述柑橘照片部分包含果蒂，剩余部分不包含果蒂，包含果蒂的用于产生正样本，不包含果蒂的用于产生负样本；步骤2：构建包含正负样本的训练集和测试集：将所述正样本和负样本分割成训练集和测试集；步骤3：计算每一张所述柑橘照片的待定区域，所述待定区域是根据亮度、颜色和纹理证据初步判断该位置附近可能存在果蒂的可疑对象，包括训练集中的待定区域和测试集中的待定区域；对于所述训练集中的每一张照片，计算各照片的亮度、颜色和纹理，然后将这些属性相似的邻近小区域合并，并反复迭代使得区域面积逐渐增大而总数逐渐减少，当所得整幅图像中剩余的区域减少到限定阈值时记录它们的外接矩形的坐标和长宽，以这些矩形作为所述待定区域；步骤4：构建网络模型：所述网络模型包括4个隐含层，第1至第3个隐含层为卷积层，用于提取图像的特征，第4个隐含层为全连接层，所述卷积层和全连接层的激活函数为ReLU函数；步骤5：训练网络模型的参数：将所述步骤3所得训练集中的待定区域输入到所述网络模型，以损失函数取得最小值为准则，使用反向传播方法自动调整网络参数，所述网络模型的输出包括两部分：第一部分是检测出的对象的类别，包括果蒂、果皮和其它，使用支持向量机进行分类，损失函数采用SoftMax函数；第二部分是外接矩形的横纵坐标、长度和宽度，使用线性回归模型，损失函数采用均方误差函数，训练完成后，将所得网络模型的结构和参数保存到h5文件中；步骤6：检测图像中是否存在果蒂并判断果蒂的位置：将所述步骤3所得测试集中的待定区域输入到所述步骤5中训练好的网络模型，判断是否包含果蒂并计算果蒂的位置。本专利技术包括图像的采集和预处理：使用数码相机采集柑橘照片，所述柑橘照片部分包含果蒂，剩余部分不包含果蒂，包含果蒂的用于产生正样本，不包含果蒂的用于产生负样本；在本专利技术中，所述采集柑橘照片时优选采用平移、缩放、旋转或加入噪声对原始图像进行扩增。在本专利技术中，所述采集柑橘照片总数优选为2000张以上。在本专利技术中，所述柑橘照片中包含果蒂与不包含果蒂的数量比优选为1:1。本专利技术构建包含正负样本的训练集和测试集：将所述正样本和负样本分割成训练集和测试集。在本专利技术中，所述正样本和负样本优选按照4:1的本文档来自技高网...

【技术保护点】
1.一种基于机器学习的柑橘果蒂的检测方法，其特征在于，包括以下步骤：/n步骤1：图像的采集和预处理：使用数码相机采集柑橘照片，所述柑橘照片部分包含果蒂，剩余部分不包含果蒂，包含果蒂的用于产生正样本，不包含果蒂的用于产生负样本；/n步骤2：构建包含正负样本的训练集和测试集：将所述正样本和负样本分割成训练集和测试集；/n步骤3：计算每一张所述柑橘照片的待定区域，所述待定区域是根据亮度、颜色和纹理证据初步判断该位置附近可能存在果蒂的可疑对象，包括训练集中的待定区域和测试集中的待定区域；对于所述训练集中的每一张照片，计算各照片的亮度、颜色和纹理，然后将这些属性相似的邻近小区域合并，并反复迭代使得区域面积逐渐增大而总数逐渐减少，当所得整幅图像中剩余的区域减少到限定阈值时记录它们的外接矩形的坐标和长宽，以这些矩形作为所述待定区域；/n步骤4：构建网络模型：所述网络模型包括4个隐含层，第1至第3个隐含层为卷积层，用于提取图像的特征，第4个隐含层为全连接层，所述卷积层和全连接层的激活函数为ReLU函数；/n步骤5：训练网络模型的参数：将所述步骤3所得训练集中的待定区域输入到所述网络模型，以损失函数取得最小值为准则，使用反向传播方法自动调整网络参数，所述网络模型的输出包括两部分：第一部分是检测出的对象的类别，包括果蒂、果皮和其它，使用支持向量机进行分类，损失函数采用SoftMax函数；第二部分是外接矩形的横纵坐标、长度和宽度，使用线性回归模型，损失函数采用均方误差函数，训练完成后，将所得网络模型的结构和参数保存到h5文件中；/n步骤6：检测图像中是否存在果蒂并判断果蒂的位置：将所述步骤3所得测试集中的待定区域输入到所述步骤5中训练好的网络模型，判断是否包含果蒂并计算果蒂的位置。/n...

【技术特征摘要】
1.一种基于机器学习的柑橘果蒂的检测方法，其特征在于，包括以下步骤：
步骤1：图像的采集和预处理：使用数码相机采集柑橘照片，所述柑橘照片部分包含果蒂，剩余部分不包含果蒂，包含果蒂的用于产生正样本，不包含果蒂的用于产生负样本；
步骤2：构建包含正负样本的训练集和测试集：将所述正样本和负样本分割成训练集和测试集；
步骤3：计算每一张所述柑橘照片的待定区域，所述待定区域是根据亮度、颜色和纹理证据初步判断该位置附近可能存在果蒂的可疑对象，包括训练集中的待定区域和测试集中的待定区域；对于所述训练集中的每一张照片，计算各照片的亮度、颜色和纹理，然后将这些属性相似的邻近小区域合并，并反复迭代使得区域面积逐渐增大而总数逐渐减少，当所得整幅图像中剩余的区域减少到限定阈值时记录它们的外接矩形的坐标和长宽，以这些矩形作为所述待定区域；
步骤4：构建网络模型：所述网络模型包括4个隐含层，第1至第3个隐含层为卷积层，用于提取图像的特征，第4个隐含层为全连接层，所述卷积层和全连接层的激活函数为ReLU函数；
步骤5：训练网络模型的参数：将所述步骤3所得训练集中的待定区域输入到所述网络模型，以损失函数取得最小值为准则，使用反向传播方法自动调整网络参数，所述网络模型的输出包括两部分：第一部分是检测出的对象的类别，包括果蒂、果皮和其它，使用支持向量机进行分类，损失函数采用SoftMax函数；第二部分是外接矩...

【专利技术属性】
技术研发人员：高俊祥，程运江，王建勇，李吟阁，
申请(专利权)人：华中农业大学，
类型：发明
国别省市：湖北;42