未来智讯 > 神经网络论文 > 基于BP神经网络的葡萄柚分类
基于BP神经网络分类的葡萄柚学习作者:未知摘要:第一卷基于BP神经网络的葡萄柚分类检测系统。 决定利用葡萄柚的外部缺陷,葡萄柚的形状和葡萄的大小来构建BP神经网络模型,以获得更好的网络重量。 然后使用20组数据进行验证。 已经证明,基于BP的神经网络能够以90%的正确率正确地对葡萄柚进行分类。 关键词:BP神经网络; 葡萄柚分类; 葡萄柚特征
中图分类号:TP391.4文献标识码:A文章编号:0439-8114(2018)24-0112- 04 DOI:10.14088 / j.cnki.issn0439-8114.2018.24.031 Bloom Science(Resource Service)Identification 代码(OSID):摘要:介绍了一种基于BP神经网络的葡萄柚分类检测系统。 通过选择葡萄柚表面缺陷,葡萄柚形状,葡萄柚大小等指标建立BP神经网络模型,以获得更好的网络权重。 然后选择了20组用于验证的数据。 实验结果表明葡萄柚分类可以是葡萄柚清澈; 鼻汁,酸甜,清凉,营养丰富,药用价值非常好,是人们最喜爱的水果食品,也具有治疗效果的水果。 然而,目前葡萄柚的采摘和分选主要取决于人造体型。 人工检测劳动力弱,效果低,分选准确性不恒定。点。 随着机器技术的发展,机械视觉技术已广泛应用于农产品分拣系统。 运用机械视觉检测不仅可以消除主观因素,而且可以定量和定性地描述检测,具有人工检测的优越性[1]。 筛选优质葡萄柚,主要外观,葡萄柚的形状应该是上端和下部宽度,即柚子的脖子较短,果实的底部一般是扁平的,类似于不倒翁或是 (水点状。葡萄柚果肉的颈部长度较少第二,它取决于果皮,葡萄柚皮肤光滑细致,颜色均匀,并且有光泽。再次,葡萄柚被分类为 葡萄柚上面的三个关键点,选择这个图像。处理技术,处理葡萄柚颜色,果形和大小,然后选择神经网络进行建模和分类,最后筛选获得优质葡萄柚。 .1葡萄柚检测系统组装为了获得正确的葡萄柚图像,防止相机的远近运动导致成像不一致并导致误判。在此系统中选择的测试硬件组件i 如图1所示。选择具有自己的灯的矩形盒,尺寸为800 mm×500 mm,并在中心打开一个孔。 用于组装相机,机柜内部涂有非反射涂料,并消除了反射光对测试的影响。 2葡萄柚检测
2.1检测葡萄柚外的缺陷。 水果外的缺陷往往反映在外面的光彩中。 因此,葡萄柚外部缺陷的检测是识别图像图案的方法,并且从一批葡萄柚中检测到荣耀。 葡萄柚有外观问题。 葡萄柚皮的雀斑大而小。 在正常环境中,人们认为小葡萄柚斑点不会​​影响葡萄柚的质量,这可以忽略不计,如图2a所示。 大型葡萄柚斑点会影响外观,应予以清除。 如图2b所示,建议的策略,图2a的缺陷区域占总面积的0.6%,图2b的缺陷区域占总面积的2.23%。 图像模式识别的方法是解决人眼和葡萄柚外的缺陷水平。 比较定量,测定试验和人眼鉴定,缺陷面积超过总面积2%的葡萄柚是具有不同面积的葡萄柚,葡萄柚分为2%至100%的葡萄柚。 葡萄柚的总面积。 基于此,使用具有不符合要求的外部缺陷的葡萄柚。 2.2葡萄柚的果实形状检测优质果实的辨别不仅是今天的成果。 在外面,也在选择水果的大小和形状,选择优质葡萄柚也是一片云。 因此,在去除外部缺陷的葡萄柚后,需要筛选葡萄柚的形状。 如上所述。 优质葡萄柚颈部短而宽,呈圆形。 它是模仿人们的思想,选择圆形度作为检测葡萄柚形状的基础,并选择葡萄柚的面积作为检测葡萄柚大小的基础。 2.2.1葡萄柚形状圆形圆形[2]主要用于描述物体的边界用于表示对象循环级别的混乱级别。 最常用的圆度是密度(C),即面积(A)与圆周的平方比(P):如果物体是圆形,则C是1.葡萄柚的形状是圆形的,并且 C越接近1,柚子颈越短,柚越饱满,如图3所示。图3a,图3b,图3c,图3d和图中的柚形状 3e又变坏,各自的圆度为1.119 6,1.138 4,1.149 8,1.207 0和1.271 6(图3f)。 它和人眼一样。 这里,1.2或更大的圆形度被认为是柚形状,并且高质量葡萄柚的圆形度被限制为[1.1,1.2]。 2.2.2葡萄柚大小检测葡萄柚斑点检测分析葡萄柚外的缺陷环境。 圆度测试称重葡萄柚的形状,但不可能调查葡萄柚的大小。 重量是衡量葡萄柚的重量之一。 本文选择的葡萄柚测试组件如图1所示。消除了光线和相机对成像的影响。 所有葡萄柚的重量可以根据图像区域的大小来确定。 如图4所示,图中的葡萄柚没有葡萄柚斑点,柚子形状均匀,但葡萄柚圆润,充满分歧。 根据实际环境,图4b被认为是葡萄柚的大小。 在解决策略时,图4a的面积与图4b的面积之比为1.09。 如果它大于1,葡萄柚是相同的。 图4c至图4b的面积比为0.65。 如果它小于1,葡萄柚就是差异。 。 通过局和人眼看到的情况进行了实验。 葡萄柚的大小不可避免地受到限制,测试葡萄柚与葡萄柚的比例不是无限的。 在测试过程中,为了使葡萄柚看起来更好,测试葡萄柚的比例为葡萄柚大小的1.0到1.5倍。 2.3基于BP神经网络的葡萄柚分类检测BP(Back propagation)网络是由Rumelhart和McCelland于1986年领导的科学家团队提出的,是一种由偏差反向传播算法训练的多层前馈网络,是目前应用的一种 最流行的神经网络模型。 BP网络可以学习和存储大量输入 - 输出模式映射,而无需揭示描述这种映射的数学方程。 BP神经网络通常由输入层,输出层和隐式层组成。 每个层由几个节点组成。 每个节点代表一个神经元。 确定表面节点和基节点之间的权重。 可以协商层权重以进行训练,并且层之间的节点选择完全互连的相干模式,并且每个层内的节点彼此相关联[3,4]。 典型的人工神经元模型如图5所示.BP网络具有很强的非线性映射能力,3层BP神经网络可以实现随机率非线性函数的紧迫性。 因此,本文选择了一个3层布局的BP神经网络,其布局如图6所示。网络具有在3层中,输入层包含3个神经元,隐藏层包含3个神经元,输出层包含1个神经元[5]。 3分析与分析局为了运用BP神经网络算法来赎回葡萄柚的分类,有必要获得大量的训练样本。 在测试期间,使用400组数据作为训练样本,并使用20组作为测试样本。 试验样品数据示于表1中。表1显示了处理后的葡萄柚缺陷率,葡萄柚形状比和葡萄柚大小比。 根据上述葡萄柚的分析,葡萄柚的缺陷率被限制在[0,2],葡萄柚的形状比例被限制在[1.1,1.2],葡萄柚的尺寸比被限制在[1.0,1.5],并且被钝化 葡萄柚等于r餍。 一个前提,否则它是一个不同的产品。 在模拟过程中,通过乘积的期望输出为1,发散积的输出为0,即,如果通过乘积为BP神经网络测试,则输出为1,预期输出准确; 如果输出为0(与预期输出不匹配),则为错误。 从表1可以看出,由于集合的原始数据具有不同的数量级,因此输入网络时数据的权重大不相同,而权重较小的元素通常是误判为0。 必须在BP网络训练之前和之前规范化数据,并将输入数据的变化限制降低到0~1。 表2显示了归一化后的测试数据。 实验的模拟如图7所示。“o”表示预期的输出值,“*”表示模具的输出值。 如果“o”和“*”重合,则预期的输出值和模具的输出值是相同的。 如果不一致,则预期的输出值和模具的输出值不同,导致误报。 从图7和表3中可以看出,测试了20个测试样品,准确识别的数量为18,正确率为90%,表明模具输出值高度符合预期的输出值。 4总结本文讨论了葡萄柚的缺陷,形状和大小的定量分析,建立了与优质葡萄柚的联系,并使用BP神经网络模型对葡萄柚进行分类。 实践证明,采用BP神经网络的葡萄柚分类预测模型具有较高的精度,并期待接近人工分类的局部真实环境。 参考文献:[1]邓海霞,刘有明,熊立荣。机械视觉技术在农产品大小和形状检测中的应用[J]。湖北农机化,2006(2):25。 [2]何东健,数字图像处理[M]。 第二版。 西安:西安电子科技大学出版社,2008。[3] SOFU A,EKINCI F Y.酸奶储存时间的估算用人工神经网络模式凌[J]。 Journal of Dairy Science,2007,90(7):3118-3125。 [4]付慧珍,赵红。 MATLAB神经网络应用设计[M]。 北京:机械工业出版社,2010。[5]刘天舒。 改进BP神经网络的学习与应用[D]。 哈尔滨:东北农业大学,2011。
转载请注明来源。原文地址:http://tangtes.cn/page/2019/0426/86728/
 与本篇相关的热门内容: