<noframes id="ll9r9"><address id="ll9r9"><nobr id="ll9r9"></nobr></address>
<noframes id="ll9r9">
<noframes id="ll9r9"><form id="ll9r9"></form>
    <em id="ll9r9"><form id="ll9r9"><th id="ll9r9"></th></form></em>
    容易發表/成功率高的期刊
    在線客服

    咨詢客服 咨詢客服

    咨詢郵箱:hz2326495849@163.com

    科學技術論文

    基于圖像處理和深度遷移學習的芒果果實病狀識別

    時間:2021年06月21日 所屬分類:科學技術論文 點擊次數:

    摘要:【目的】基于計算機層析成像(Computedtomography,CT)設備所得芒果CT序列圖像,實現芒果內部品質的無損檢測和病狀識別分類!痉椒ā坷梅侄魏瘮捣、中值濾波結合雙邊濾波,實現芒果圖像增強;采用局部自適應閾值法,實現二值化處理;采用種子填充法進行

      摘要:【目的】基于計算機層析成像(Computedtomography,CT)設備所得芒果CT序列圖像,實現芒果內部品質的無損檢測和病狀識別分類!痉椒ā坷梅侄魏瘮捣、中值濾波結合雙邊濾波,實現芒果圖像增強;采用局部自適應閾值法,實現二值化處理;采用種子填充法進行區域填充;最后通過差影法準確提取芒果果實內部組織的壞損區域;谏疃冗w移學習模型,對未處理和已處理的芒果圖像數據開展訓練和測試,通過AlexNet和GoogLeNet深度學習網絡開展遷移學習,調整超參數完成訓練過程的網絡微調,在不同模型中對比未處理和已處理的芒果測試集在模型上的分類結果!窘Y果】基于未處理數據集,GoogLeNet模型在學習率為0.0002下訓練,Accuracy和Macro-average指標分別為98.79%、98.41%;谝烟幚頂祿,GoogLeNet模型在學習率為0.0002下訓練,Accuracy和Macro-average指標分別為100%和100%。深度遷移學習模型在已處理數據集下的模型分類指標較未處理的數據集下有較大的提升;谕粩祿⑶页瑓狄恢聲r,GoogLeNet網絡的分類效果明顯優于AlexNet網絡!窘Y論】設定學習率為0.0002、Epoch值為3、MiniBatch值為64,基于GoogLeNet網絡開展深度遷移學習訓練,將所得模型作為最終的分類模型。

      關鍵詞:芒果;病狀識別;CT成像;壞損區域提取;深度遷移學習;圖像分類

    圖形圖像處理

      芒果Mangiferaindica作為著名的熱帶、亞熱帶水果,以其色香味俱佳而享有“熱帶果王”的美譽,在熱帶及南亞熱帶地區有廣泛栽培,具有極高的營養價值和經濟價值[1]。我國是芒果原生產地之一,種植歷史悠久,在海南、廣東、廣西、福建、云南、四川等省份建立的規;N植的芒果園,成為重要的地區特色農業經濟產業。

      圖像處理論文范例:基于殘差3DCNN和三維Gabor濾波器的高光譜圖像分類

      由于長期施用過量的化學肥料和農藥,土壤環境不斷地發生惡化,果類病毒產生新的抗藥性,芒果出現新的感染狀況并產生諸多病癥,如海綿組織病、心腐病、軟鼻子病、空心病等生理性病害,對芒果的品質產生了嚴重的影響。在部分芒果產區,由于此類病害所造成的芒果損失率甚至達到了30%以上;加写祟惒『Φ拿⒐,表面與沒有患病的芒果相比并無差異,憑肉眼無法觀測出來,經驗豐富的果農也無法準確對此類芒果做到挑揀和分類,這也就對芒果果實的品質檢測和分級技術提出了新的應用方向與挑戰[2-5]。

      現代農業無損檢測技術正朝著智能化方向發展,結合計算機圖形圖像分析與深度學習的技術正成為水果品質檢測的新方向和研究熱點[5-7]。研究采用可見/近紅外光譜、核磁共振和X射線等檢測技術,無損的獲得果類果實的內部組織特征圖像,然后結合圖像處理和模式識別等相關技術,進行組織提取和病狀類型分析識別,從而實現果實品質檢測和分級[8-9]。國內外眾多學者在農產品果果類檢測方向開展了大量的研究。

      2018年余心杰等[10]基于可見光和近紅外光(Visible-nearinfrared,VIS-NIR)高光譜反射成像技術,研究開發了一種由堆棧自編碼器(Stackedauto-encoder,SAE)和全連接神經網絡組成的深度學習方法,用于預測收獲的庫爾勒香梨的硬度和可溶性固形物含量(Solublesolidscontent,SSC),證明了深度學習方法與高光譜成像技術相結合,可用于庫爾勒香梨的快速無損檢測硬度和SSC。

      2019年AminNasiri等[11]采用深卷積神經網絡模型VGG-16在棗果圖像數據集上進行訓練和測試,來鑒別健康棗果和缺陷棗果并用來預測健康棗的成熟期,VGG-16模型的分類準確率達到了96.98%,證明了深卷積神經網絡(Convolutionalneuralnetwork,CNN)模型優于傳統的基于圖像特征的棗果圖像分類方法。

      2019年萬少華等[12]提出了一種改進的快速R-CNN深度學習網絡模型,用于機器人視覺系統,實現了包括蘋果、芒果和桔子等多類水果檢測,達到了91%以上的檢測正確率,該深度學習模型提高了圖像處理速度,也更適合于實際場景。2020年Yutaro等[13]通過預訓練的VGG16網絡進行了微調,構建了荔枝品種識別模型,該模型實現了98.33%的準確性對荔枝水果圖像進行品種識別,研究表明深度學習可用于區分荔枝品種。

      遷移學習是一種機器學習的方法[14-17],是解決訓練數據不足這一基本問題而發展起來的重要方法,其基本原理是通過已學習的相關任務中知識轉移來改進新任務的學習[17-20]。近年來深度學習技術在圖像識別分析領域取得了長足的進步,但是必須要有海量的訓練數據作為支撐,來理解數據的潛在模式,才能夠實現網絡模型的訓練[20-22]。

      深度遷移學習將在原域中預先訓練好的深度學習網絡結構重新利用,將其用于目標領域的深度神經網絡的一部分,因為原網絡已經學習了圖像豐富特征,有很好的泛化性,可通過網絡微調可以實現相應的目標領域學習,大大加快了學習速度[23-25]。

      本文基于芒果果實計算機層析成像(Computedtomography,CT)設備所得的芒果CT序列圖像,提出了傳統圖像處理技術和深度遷移技術相結合的芒果病狀識別判斷方法。工作內容包括:1)芒果果實CT序列圖像內部壞損區域的提取方法研究;2)利用AlexNet和GoogLeNet[26-28]預訓練網絡開展芒果病狀的識別研究。

      1研究方法

      1.1芒果

      CT序列圖像的獲取基于平板探測器的計算機層析成像系統采集芒果CT序列圖像。該系統主要由X射線源分系統、平板探測器分系統、機械掃描分系統、圖像處理分系統以及安全及輔助分系統組成[29]。該系統采用的平板探測器為VARIANPaxScan2520V,其像元尺寸為0.127mm,A/D轉換器位數為14位。

      選擇外表無破損、內部組織壞損的芒果類型。實驗室環境要求要常溫,濕度小于82%,磁場干擾較小,所有芒果樣品圖像采集的過程中實驗室條件、采集方法和參數設置必須一致,這樣才能減少誤差。設備參數:平板探測器的積分時間為200ms,X光機的電壓為45~50kV,電流為1mA,CT檢測時根據檢測對象大小設置熱區參數,掃描方式為標準連續掃描。

      1.2芒果CT序列圖像預處理

      本文采集海綿組織病和空心病芒果16位DICOM格式CT序列圖像(512ⅹ512),海綿組織病序列圖像650張,空心病序列圖像379張,有效圖像分別為624張和365張。海綿組織病和空心病芒果CT序列圖像。芒果CT圖像的像素點的灰度值集中分布在0~35以內,芒果外區域集中在0~10。a和b分別是對海綿組織病芒果和空心病的CT序列圖像作灰度值統計,驗證了芒果有效像素值分布在灰度值較低范圍,截取256灰度級的原始圖像灰度。

      1.3圖像降噪

      芒果CT序列圖像在獲取的過程中,因為受到溫濕度、磁場干擾、信號傳輸過程中的損耗、振動噪聲等實驗條件的限制,降低了圖像的質量,造成最終的成像效果失真,這樣必然影響后續的圖像分析與研究,采用圖像濾波處理的方法來進行降噪處理。根據獲取的芒果CT序列圖像的成像特點,研究采用空間域濾波處理的方式?臻g域濾波包括:線性濾波和非線性濾波。最終采用了中值濾波和雙邊濾波相結合的方法,對圖像實現降噪處理。中值濾波有去除脈沖噪聲、椒鹽噪聲,保留圖像的邊緣細節的作用。

      1.4圖像分割

      圖像分割是為了提取芒果CT圖像內部組織壞損區域,對芒果果實內部的各種病害進行特征分析。不同病狀芒果以及同一芒果不同層級序列圖像呈現出不同的差異特點,使用圖像二值化、形態學填充和差影法相結合的圖像分割算法。因為芒果CT序列圖像上的不同部分具有不同亮度,局部自適應閾值法可以在同一幅圖像上的不同區域采用的是不同的閾值,亮度較高的圖像區域的二值化閾值通常會較高,而亮度較低的圖像區域的二值化閾值則會相適應地變小,從而在亮度不同的情況下得到更好的結果。本文選擇了局部自適應閾值法,進行圖像的二值化處理。

      2分類算法

      2.1分類模型

      深度遷移學習模型,針對未做圖像處理和已做圖像處理的芒果圖像數據開展訓練和測試,分析分類識別效果;贏lexNet和GoogLeNet深度學習網絡模型,芒果序列圖像數據集作為訓練數據開展遷移學習,調整超參數,完成訓練過程的網絡微調,實現分類任務。在不同模型下,對比了未做圖像處理和做了圖像處理的芒果圖像測試集在模型的分類結果。

      AlexNet和GoogLeNet已基于超過一百萬個圖像進行訓練,將圖像分為1000個對象類別,學習了豐富的特征表示。AlexNet是在LeNet的基礎上加深了網絡的結構,學習更豐富更高維的圖像特征,其特點包括:更深的網絡結構;使用層疊的卷積層,卷積層、卷積層和池化層來提取圖像的特征;使用Dropout抑制過擬合;使用數據增強抑制過擬合;使用Relu替換之前的Sigmoid的作為激活函數。GoogLeNet相比與AlexNet網絡,增加了網絡層數和Inception模塊增強卷積模塊功能,在增加網絡深度和寬度的同時減少了參數,起參數數量約為AlexNet的1/12,提升了計算性能。

      2.2模型算法流程

      修改預先訓練好的網絡并使用遷移學習進行訓練以執行新識別任務,微調預先訓練好的網絡比構造和訓練新網絡更快、更容易,使用更少數量的訓練圖像迅速遷移學習到新任務。

      3實驗結果與分析

      3.1芒果圖像數據集

      芒果數據集分為訓練集、驗證集和測試集,打上標簽。芒果圖像數據集分為兩大類,即未經圖像處理數據集和經圖像處理后的數據集。其中未經圖像處理數據集包括3類:無病癥芒果CT圖片(2168張),海綿組織病芒果CT圖片(1924張),空心病芒果CT圖像(864張)。經圖像處理后的數據集包括5類:無病癥芒果圖片(2168張)、海綿組織病芒果圖片(1924張)、空心病芒果圖片(864張)、海綿組織病壞損區域圖片(1920張)、空心病壞損區域圖片(864張)。

      4結論與討論

      1)針對芒果CT序列圖像壞損區域獲取的問題,本文采用分段函數法、中值濾波結合雙邊濾波的圖像處理方案實現圖像增強,通過局部閾值自適應法開展圖像二值化處理,然后通過形態學種子填充法進行填充,最后利用差影法提取了芒果內部組織的壞損區域,能夠準確地分割出壞損區域,分割效果較好。

      2)本文訓練AlexNet和GoogLeNet分類模型,通過比較Accuracy和Macro-average分類性能參數,GoogLeNet網絡對芒果圖像分類識別的效果最優。當學習速率為0.0002,基于未處理數據集和處理過的數據集進行分類,GoogLeNet網絡分類模型性能極佳,可以作為本文芒果數據的分類模型。深度遷移學習模型在水果圖像分類領域大有可為。

      3)本文分割提取后的芒果壞損區域圖像,特征明顯,易于區分,在類型識別過程中可達到極高準確度,體現了結合圖像處理技術開展深度學習分類識別,具有較高的實際意義。

      4)算法的局限性。文中的芒果數據并不能代表所有的海綿組織病和空心病芒果的壞損情況,主要是由于芒果有自己的生長周期,并且壞損情況受到溫濕度、土壤水平和種植手段等多方面的影響,在未來的研究中,可以通過增加數據量來探究某類型病狀芒果內部壞損的演變過程。

      參考文獻:

      [1]曹霞,周學成,范品良.基于近紅外漫反射光譜技術的芒果糖度無損檢測方法研究[J].農機化研究,2013(1):177-180.

      [2]郭輝.基于機器視覺的蜜柚品質檢測方法研究[D].北京:中國農業大學,2015.

      [3]黃滔滔,孫騰,張京平.基于CT圖像的蘋果內部品質無損檢測[J].浙江大學學報(農業與生命科學版),2013,39(1):92-97.

      [4]曹霞.核桃果實內部品質的無損檢測技術研究[D].廣州:華南農業大學,2013.

      [5]孫騰.CT技術及圖像變換對蘋果內部品質的無損檢測模型研究[D].杭州:浙江大學,2013.

      [6]郭文川,孔繁榮,王轉衛,等.梨生長發育后期介電特性、生理特性和內部品質的關系[J].現代食品科技,2015,31(11):56-61

      作者:張德軍1,周學成1,2,楊旭東1

    亚洲AV片劲爆在线观看