發(fā)布時(shí)間：2018-05-20 13:48

  本文選題：蘋果 + 表面缺陷��； 參考：《食品與機(jī)械》2017年09期

【摘要】：在基于機(jī)器視覺(jué)蘋果缺陷識(shí)別過(guò)程中,因果梗/花萼與缺陷表皮顏色相似,極大地降低蘋果表面缺陷識(shí)別準(zhǔn)確率,提出一種基于決策樹(shù)支持向量機(jī)(DT-SVM)的蘋果表面缺陷識(shí)別方法。該方法首先采用單閾值法去除背景,其次在R通道中利用Otsu法和連通域標(biāo)記法提取目標(biāo)區(qū)域(果梗、花萼和缺陷)的顏色、紋理和形狀特征,最后利用決策樹(shù)支持向量機(jī)進(jìn)行識(shí)別。以600幅富士蘋果圖像為例,使用該方法進(jìn)行缺陷識(shí)別,結(jié)果表明該方法的平均準(zhǔn)確率為97.7%。與1-V-1多分類支持向量機(jī)(1-V-1SVM)和AdaBoost分類算法相比,DT-SVM方法正確率高、耗時(shí)短。說(shuō)明決策樹(shù)支持向量機(jī)對(duì)蘋果表面缺陷識(shí)別十分有效。
[Abstract]:In the process of apple defect recognition based on machine vision, the color of causal stem / calyx is similar to that of defect epidermis, which greatly reduces the accuracy of apple surface defect recognition. A method of apple surface defect recognition based on decision tree support vector machine (DT-SVM) is proposed. In this method, the background is removed by a single threshold method, and the color, texture and shape features of the target region (stem, calyx and defect) are extracted by using Otsu method and connected domain labeling method in the R channel. Finally, decision tree support vector machine is used for recognition. Taking 600 Fuji apple images as an example, this method is used to identify defects. The results show that the average accuracy of this method is 97.7. Compared with 1-V-1 multi-classification support vector machine 1-V-1SVM) and AdaBoost classification algorithm, the accuracy of DT-SVM is higher and the time is short. The result shows that decision tree support vector machine is very effective for apple surface defect recognition.
【作者單位】： 西南大學(xué)工程技術(shù)學(xué)院;
【基金】：中央高�？蒲袠I(yè)務(wù)費(fèi)課題(編號(hào):XDJK2016A007) 博士啟動(dòng)基金項(xiàng)目(編號(hào):SWU114109) 中央高校基本科研業(yè)務(wù)費(fèi)雙創(chuàng)項(xiàng)目(編號(hào):XDJK2016E050)
【分類號(hào)】：TP18;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 高松巍;鄭樹(shù)林;楊理踐;;長(zhǎng)輸管道漏磁內(nèi)檢測(cè)缺陷識(shí)別方法[J];無(wú)損檢測(cè);2013年01期

2 張毅剛;建筑結(jié)構(gòu)缺陷識(shí)別與計(jì)算機(jī)應(yīng)用[J];工程設(shè)計(jì)CAD與智能建筑;1999年12期

3 高頂;張長(zhǎng)明;李國(guó)慶;張曉光;;基于粗糙-模糊神經(jīng)網(wǎng)絡(luò)的焊接圖像缺陷識(shí)別[J];華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年09期

4 王忠輝;;框架結(jié)構(gòu)缺陷識(shí)別的小波信息熵方法[J];河南科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年04期

5 胡杰;馬鐵軍;胡志平;尹志宏;;一種新的輪胎激光散斑檢測(cè)缺陷識(shí)別方法[J];機(jī)電工程技術(shù);2010年06期

6 左凱;孫同景;李振華;陶亮;;基于新息正交的工業(yè)CT圖像自適應(yīng)缺陷識(shí)別[J];北京航空航天大學(xué)學(xué)報(bào);2010年09期

7 陳天璐;闕沛文;;基于超聲衍射反射回波渡越時(shí)間的缺陷識(shí)別技術(shù)[J];化工自動(dòng)化及儀表;2006年04期

8 陸寶春;李建文;陳吉朋;王婧;李純健;湯海昌;;熒光磁粉探傷自動(dòng)缺陷識(shí)別方法研究[J];南京理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年06期

9 魏娜娣;;軟件缺陷識(shí)別技術(shù)與缺陷級(jí)別的分析研究[J];科技信息;2014年13期

10 周穎;趙海鳳;郝紅敏;;基于圖像處理的焊點(diǎn)缺陷識(shí)別方法的研究[J];計(jì)算機(jī)工程與應(yīng)用;2013年01期

相關(guān)會(huì)議論文 前10條

1 劉希玉;徐志敏;段會(huì)川;;基于支持向量機(jī)的創(chuàng)新分類器[A];山東省計(jì)算機(jī)學(xué)會(huì)2005年信息技術(shù)與信息化研討會(huì)論文集（一）[C];2005年

2 張曉濱;尹英順;趙培坤;馬秀蘭;;基于漸進(jìn)直推支持向量機(jī)的半對(duì)半多類文本分類[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

3 晏慶華;;支持向量機(jī)算法綜述[A];2008'中國(guó)信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（二）[C];2008年

4 楊凌;劉玉樹(shù);;基于支持向量機(jī)的坦克識(shí)別算法[A];第三屆全國(guó)數(shù)字成像技術(shù)及相關(guān)材料發(fā)展與應(yīng)用學(xué)術(shù)研討會(huì)論文摘要集[C];2004年

5 高尚;劉夫成;;與κ均值混合的支持向量機(jī)的個(gè)人信用評(píng)估[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第五分冊(cè)）[C];2013年

6 李志明;孔令富;;用于回歸估計(jì)的支持向量機(jī)[A];廣西計(jì)算機(jī)學(xué)會(huì)2005年學(xué)術(shù)年會(huì)論文集[C];2005年

7 李優(yōu);;支持向量機(jī)在組塊識(shí)別中的應(yīng)用[A];第八屆中國(guó)青年運(yùn)籌信息管理學(xué)者大會(huì)論文集[C];2006年

8 李智超;余慧佳;馬少平;;使用支持向量機(jī)進(jìn)行作弊頁(yè)面識(shí)別[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

9 于鷹宇;張小洵;賈云得;;基于局部可控特征及支持向量機(jī)的人臉識(shí)別[A];中國(guó)感光學(xué)會(huì)第七次全國(guó)會(huì)員代表大會(huì)暨學(xué)術(shù)年會(huì)和第七屆青年學(xué)術(shù)交流會(huì)論文摘要集[C];2006年

10 宋金偉;劉廣利;沈翠華;李迪;;基于支持向量機(jī)的織物組織識(shí)別方法[A];第六屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集（2）[C];2008年

相關(guān)博士學(xué)位論文 前10條

1 王喜賓;基于優(yōu)化支持向量機(jī)的個(gè)性化推薦研究[D];重慶大學(xué);2015年

2 陳素根;非平行平面支持向量機(jī)及特征提取中若干問(wèn)題研究[D];江南大學(xué);2016年

3 李華慶;支持向量機(jī)及其在人臉識(shí)別中的應(yīng)用研究[D];上海交通大學(xué);2006年

4 郭磊;基于支持向量機(jī)的真實(shí)頭模型三維重建方法的研究[D];河北工業(yè)大學(xué);2007年

5 陳愛(ài)軍;最小二乘支持向量機(jī)及其在工業(yè)過(guò)程建模中的應(yīng)用[D];浙江大學(xué);2006年

6 業(yè)寧;支持向量機(jī)若干基礎(chǔ)研究及其在圖像識(shí)別中的應(yīng)用[D];東南大學(xué);2006年

7 王開(kāi)義;基于支持向量機(jī)的農(nóng)產(chǎn)品生產(chǎn)關(guān)鍵控制點(diǎn)發(fā)現(xiàn)研究[D];北京工業(yè)大學(xué);2011年

8 陳萬(wàn)海;基于支持向量機(jī)的超譜圖像分類技術(shù)研究[D];哈爾濱工程大學(xué);2008年

9 秦玉平;基于支持向量機(jī)的文本分類算法研究[D];大連理工大學(xué);2008年

10 沈傳河;金融問(wèn)題中的支持向量機(jī)應(yīng)用研究[D];山東科技大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 田丹;基于電致發(fā)光與BP神經(jīng)網(wǎng)絡(luò)的太陽(yáng)電池缺陷識(shí)別[D];河北大學(xué);2015年

2 李佳;基于壓縮感知的多模型木材圖像缺陷識(shí)別[D];東北林業(yè)大學(xué);2015年

3 李夢(mèng)園;深度學(xué)習(xí)算法在表面缺陷識(shí)別中的應(yīng)用研究[D];浙江工業(yè)大學(xué);2015年

4 洪藝涵;基于圖像的帶花紋鈕扣缺陷識(shí)別算法研究[D];華中科技大學(xué);2016年

5 李建文;磁粉探傷缺陷識(shí)別自動(dòng)化系統(tǒng)設(shè)計(jì)與開(kāi)發(fā)[D];南京理工大學(xué);2012年

6 侯曉琴;基于射線成像的缺陷自動(dòng)識(shí)別方法研究及應(yīng)用[D];重慶大學(xué);2009年

7 毛鋒;面向成型生產(chǎn)的視覺(jué)式缺陷識(shí)別技術(shù)及應(yīng)用研究[D];浙江大學(xué);2010年

8 呂作超;熒光磁粉探傷缺陷識(shí)別系統(tǒng)圖像處理技術(shù)研究[D];南京理工大學(xué);2006年

9 張宏軍;太陽(yáng)能電池缺陷識(shí)別的研究與實(shí)現(xiàn)[D];東華大學(xué);2012年

10 劉冰清;基于機(jī)器視覺(jué)的印刷品缺陷識(shí)別系統(tǒng)研究[D];西安科技大學(xué);2010年

，

本文編號(hào)：1914859