论文部分内容阅读
水果是人们日常生活中的主要营养来源之一,随着生活品质的提高,对水果的品质要求也越来越高。消费者主要根据水果的外部品质判断果品质量,因此根据水果外部品质进行分级是非常必要的,水果品质快速检测是影响我国果品产后价值和国际市场竞争力的重要技术。在果品品质快速检测领域中一直存在的一个难题是如何对果梗/花萼与缺陷进行有效的识别,特别是针对具有相似形状和大小的果梗/花萼与缺陷的特殊情况。目前使用的果梗/花萼与缺陷识别技术和方法主要有高光谱成像技术、多光谱成像技术、多相机系统、3D图像分析等,但是这些方法存在数据量大、分析速度慢、成本高等缺点。本文研究主要是寻找一种简单易行的方法实现果梗/花萼与缺陷的识别,与其它检测方法相结合提高检测精度。本文以红富士苹果为研究对象,使用统计纹理分析方法和小波纹理分析方法,对苹果果梗/花萼与缺陷进行纹理分析,获取纹理信息来对它们进行分类。主要的研究内容和成果如下：(1)对苹果果梗/花萼与缺陷进行纹理特征分析。使用灰度共生矩阵(GreyLevel Co-occurrence Matrix, GLCM)和双树复小波变换(Dual-Tree Complex Wavelet Transform, DT-CWT)两种方法对苹果果梗/花萼与缺陷纹理图像进行纹理分析。比较两种分析方法得到的纹理特征向量,结果表明,DT-CWT比GLCM能获取更全面的纹理信息；两种纹理分析方法受图像旋转影像都较小；3层DT-CWT为最佳分解小波。(2)比较了几种不同图像分类算法(K-means. BP神经网络(Back propagation neural network, BPNN)和最小二乘支持向量机(Least Squares Support Vector Machine, LS-SVM)的分类精度,使用纹理图像进行测试结果表明,使用LS-SVM对纹理图像的分类正确最高。确定分类器的核函数为径向基核函数(Radial Basis Function, RBF),分类算法为一对一(One-Against-One)算法。利用DT-CWT方法和LS-SVM分类器对苹果果梗/花萼与缺陷的纹理图像进行实验,得到分类正确率为92.22%。(3)使用DT-CWT和GLCM两种方法对果梗/花萼与缺陷图像进行纹理分析,分类识别正确率分别为81.17%和92.22%。对每个苹果样本从彩色图像分割到最终识别分类,使用DT-CWT作为纹理分析方法平均每个样本分析时间为0.25s,而使用GLCM方法时平均每个样本分析时间为2.22s。结果表明,使用DT-CWT方法对果梗/花萼与缺陷进行纹理识别优于传统的GLCM方法。