一种贝叶斯优化随机森林算法的苹果多光谱图像无损检测方法技术

本发明专利技术公开了一种贝叶斯优化随机森林的苹果无损检测方法，包括以下步骤：(1)搭建多光谱数据采集系统，采集苹果的多光谱图像信息；(2)采用CLBP算法(完全局部二值模式)对采集到的苹果多光谱图像进行特征提取；(3)苹果多光谱图像的样本划分；(4)基于贝叶斯优化随机森林算法搭建苹果的无损检测模型；(5)检测模型效果，利用测试集检验模型对好苹果及缺陷苹果的分类准确率。本发明专利技术采用多光谱成像技术结合贝叶斯优化随机森林算法用于苹果的无损检测，具有很高的分类准确率，非常适用于水果的分销，减少人力。减少人力。减少人力。

【技术实现步骤摘要】
一种贝叶斯优化随机森林算法的苹果多光谱图像无损检测方法


[0001]本专利技术属于水果无损检测领域，具体是一种贝叶斯优化随机森林算法的苹果多光谱图像无损检测方法。

技术介绍

[0002]苹果是人们经常食用的水果之一。苹果果实里富含单糖、矿物质、膳食纤维和各种生活性物质。中国是世界上最大的苹果生产国。苹果在生长过程中常常因为环境因素导致苹果表面损坏，出现黑疤等情况，由于苹果的特殊性，在运输过程中也会因为轻微的磕碰和挤压导致苹果表面大面积腐烂，丧失可食性，这导致在苹果的分级销售中，出现水果品质参差不齐的现象，严重影响了我国苹果的销售与出口。
[0003]水果的产后处理是提高水果附加值的重要方法，也是保证水果品质的重要途径，是增强水果市场竞争力的必要技术。传统的苹果分拣过程主要依靠自主人工或机器，人工分拣时，可能会因工作强度、个人判别方法的不同等产生错分误分。传统的机器检测价格高昂、体积笨重，仅限于一些水果大小、纹理、表面颜色的检测。但不能对苹果的腐烂和表面缺陷进行识别。通过多光谱成像技术可以采集苹果的多光谱图像，利用贝叶斯优化随机森林算法构建苹果的无损检测模型，可以在不损伤苹果的情况下实现对好苹果及缺陷苹果的快速高效识别。这对苹果的分级销售有一定的意义。

技术实现思路

[0004]本专利技术的目的是提供一种贝叶斯优化随机森林算法的苹果多光谱图像无损检测方法；该方法能够弥补现有的苹果无损检测上的不足之处，实现对苹果的快速无损检测。
[0005]本专利技术实现专利技术目的采用如下技术方案：r/>[0006]一种贝叶斯优化随机森林的苹果多光谱图像无损检测方法，其特征在于：包括以下步骤：
[0007](1)搭建多光谱数据采集系统，采集苹果的多光谱图像信息；
[0008](2)采用改进的LBP算法CLBP对采集到的苹果多光谱图像进行特征提取；
[0009](3)苹果多光谱图像的样本划分；
[0010](4)基于贝叶斯优化随机森林算法搭建苹果的无损检测模型；
[0011](5)检测模型效果，利用测试集检验模型对好苹果及缺陷苹果的分类准确率。
[0012]作为优选，本专利技术提供的一种贝叶斯优化随机森林算法的苹果多光谱图像无损检测方法，其特征在于：所述步骤(1)中，多光谱数据采集系统由光谱成像仪、滤光片、光源、镜头和上位机组成。通过多光谱数据采集系统获取苹果的多光谱图像信息，得到苹果多光谱图像数据集。实验所用的滤光片只允许波长为675～975nm的光通过，光谱成像仪是由德国XIMEA生产的xiQ系列低功耗超紧凑型面阵相机，分辨率为1088*2048，共25个波段，每个波段都可获得一个分辨率为216*409的光谱图。成像仪的曝光时间设为150ms。
[0013]作为优选，本专利技术提供的一种贝叶斯优化随机森林算法的苹果多光谱图像无损检测方法，其特征在于：所述步骤(2)中，用于提取多光谱图像特征的CLBP算法是一种改进的LBP算法，半径设为1，采样点数设为8，每个波段提取10维特征。
[0014]作为优选，本专利技术提供的一种贝叶斯优化随机森林算法的苹果多光谱图像无损检测方法，其特征在于：所述步骤(3)中，实验一共采集558组苹果多光谱图像，采用Kennard
‑
Stone划分方法将苹果的多光谱图像数据按照7:3的比例划分为独立的训练集和测试集。
[0015]作为优选，本专利技术提供的一种贝叶斯优化随机森林算法的苹果多光谱图像无损检测方法，其特征在于：所述步骤(4)中，训练过程中用贝叶斯算法对随机森林的决策树数量(N
tree
)，决策树最大深度(D
tree
)两个参数进行寻优。根据最优参数构建苹果多光谱图像的最优检测模型。
[0016]作为优选，本专利技术提供的一种贝叶斯优化随机森林算法的苹果多光谱图像无损检测方法，其特征在于：所述步骤(5)中，利用CLBP算法提取的图像特征在训练集上构建苹果无损检测模型，确定苹果无损检测模型的最优参数，然后利用测试集来检验模型对好苹果及缺陷苹果的分类准确率，验证模型性能。
[0017]有益效果：
[0018]本专利技术与现有技术相比，其有益效果体现在：采用改进的LBP算法CLBP对苹果的多光谱图像进行特征提取，对比传统的LBP算法只考虑差值符号特征、过于简化纹理结构的问题，CLBP(完全局部二值模式)即保留了原始的LBP算子没有的空间结构信息，也能提取更加充分的纹理特征。以往对集成模型大多使用网格搜索法以及随机搜索法进行参数寻优。网格搜索法采取遍历参数集的方法，效率低下，面对参数空间很大和参数繁多的模型，容易导致维度爆炸，不具有可行性。采用随机搜索法对参数随机寻优，容易遗漏最优解。采用贝叶斯优化可以有效地处理这一问题，它的寻优效率高，是一种高效的全局优化算法。
[0019]图1是本专利技术的流程图；
[0020]图2是本专利技术的RF参数寻优流程。
具体实施方式
[0021]以下通过具体实施例对本专利技术做进一步解释说明。
[0022]本专利技术为了解决现在技术的全部或者部分不足提供了一种贝叶斯优化随机森林算法的苹果多光谱图像无损检测方法，包括如下步骤：
[0023](1)搭建多光谱数据采集系统，采集苹果的多光谱图像信息；
[0024](2)采用改进的LBP算法CLBP对采集到的苹果多光谱图像进行特征提取；
[0025](3)苹果多光谱图像的样本划分；
[0026](4)基于贝叶斯优化随机森林算法搭建苹果的无损检测模型；
[0027](5)检测模型效果，利用测试集检验模型对好苹果及缺陷苹果的分类准确率。其中，步骤一的做法如下：
[0028]多光谱数据采集系统由光谱成像仪、滤光片、光源、镜头和上位机组成。通过多光谱数据采集系统获取苹果的多光谱图像信息，得到苹果多光谱图像数据集。实验所用的滤光片只允许波长为675～975nm的光通过，光谱成像仪是由德国XIMEA生产的xiQ系列低功耗超紧凑型面阵相机，分辨率为1088*2048，共25个波段，每个波段都可获得一个分辨率为
216*409的光谱图。成像仪的曝光时间设为150ms。
[0029]其中，步骤二的做法如下：
[0030]用于提取多光谱图像特征的CLBP算法是一种改进的LBP算法，半径设为1，采样点数设为8，每个波段提取10维特征。
[0031]其中，步骤三的做法如下：
[0032]实验一共采集558组苹果多光谱图像，采用Kennard
‑
Stone划分方法将苹果的多光谱图像数据按照7:3的比例划分为独立的训练集和测试集。
[0033]其中，步骤四的做法如下：
[0034]RF模型参数主要包括两个：决策树数量(N
tree
)、决策树最大深度(D
tree
)。
[0035]在训练数据上，使用5折交叉验证来评估每组参数所对应的RF模型性能，计算模型平均测试准本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种贝叶斯优化随机森林的苹果多光谱图像无损检测方法，其特征于：包括以下步骤：(1)搭建多光谱数据采集系统，采集苹果的多光谱图像信息；(2)采用改进的LBP算法CLBP对采集到的苹果多光谱图像进行特征提取；(3)苹果多光谱图像的样本划分；(4)基于贝叶斯优化随机森林算法搭建苹果的无损检测模型；(5)检测模型效果，利用测试集检验模型对好苹果及缺陷苹果的分类准确率。2.根据权利要求1所述的一种贝叶斯优化随机森林算法的苹果多光谱图像无损检测方法，其特征在于：所述步骤(1)中，多光谱数据采集系统由光谱成像仪、滤光片、光源、镜头和上位机组成。光谱成像仪是由德国XIMEA生产的xiQ系列低功耗超紧凑型面阵相机，滤光片允许波长为675～975nm的光通过。3.根据权利要求1所述的一种贝叶斯优化随机森林算法的苹果多光谱图像无损检测方法，其特征在于：所述步骤(2)中，用于提取多光谱图像特征的CLBP算法是一种改进的LBP算法，半径设为1，采样...

【专利技术属性】
技术研发人员：燕晶晶，周孟然，胡锋，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：