基于SVM分类器识别的香蕉成熟度检测系统.docx

基于SVM分类器识别的香蕉成熟度检测系统.docx

《基于SVM分类器识别的香蕉成熟度检测系统.docx》由会员分享，可在线阅读，更多相关《基于SVM分类器识别的香蕉成熟度检测系统.docx（10页珍藏版）》请在冰豆网上搜索。

基于SVM分类器识别的香蕉成熟度检测系统设计说明书

作品内容简介

本文根据VonLoeseckeHW的香蕉表皮颜色分级法以及《中华人民共和国农业标准香蕉包装、贮存与运输技术规程》（NY/T1395-2007）设计出一套香蕉成熟度检测系统。

通过视频识别的方法获得香蕉的外观信息，并经由Python语言编写的、采用SVM分类器进行分类的检测程序进行分析，对香蕉的成熟度进行分级。

1作品研究背景与意义

香蕉是目前世界上贸易量最大的水果之一，采收后容易发生后熟和腐烂。

为了能够销往

世界各地，往往在其未成熟时采摘，在运到目的地后再进行催熟，销往市场。

香蕉的成熟度能直接反映香蕉的品质，也影响到其销量，因此在运输过程中检测其成熟度至关重要。

然而，

据统计，每一年，香蕉在运输的过程中由于处置不当造成的损失率达20%，极大地影响香蕉的经济效益[1]。

香蕉的腐烂将导致资源的浪费，这并不符合节能减排的理念。

因此，对香蕉

成熟度快速分级，及时上市，对提高香蕉的经济效益具有重要意义。

国内外，在应用数字图像处理技术在水果和蔬菜的果实品质检测与分级方面已经开展了大量研究。

早在1992年，G.VanDeVooren等利用机器视觉技术检测了蘑菇的形态学特征参数，计算了在人工筛选过程中难以准确分类的圆度、弯曲能量、球形度和偏心距等蘑菇的形状特征。

N.Ozer等于1995年研制了一种适应水果自动分级的机器视觉系统，利用水果的颜色、尺寸、形状和重量参数构建了待分级水果的检测特征向量，基于BP神经网络进行等级判别。

然而，图像处理技术在香蕉成熟度检测方面的应用寥寥无几。

因此，如果能将数字图像处理技术用于检测香蕉的成熟度并制作出一个相对简易但又不失精确度的检测系统，将极大地提高香蕉在成熟度方面的分级速度与分级质量。

2节能分析

以2015年3月份我国香蕉市场的相关数据进行分析。

2015年3月份，全国香蕉主产区

总产量达66万吨，产地综合平均价格在2.93元/公斤左右（数据来源：

农业部农垦局、中国

农垦经济发展中心）。

以香蕉的损失率为20%进行计算，则该月份共损失66万吨×20%=13.2

万吨，经济损失为2.93元/公斤×13.2×10000×1000公斤=3.87亿元。

可见，香蕉在运输过程中造成的损失将极大影响其经济效益。

通过对香蕉的成熟度进行快速识别，及时处理各个成熟度的香蕉，将减小香蕉的损失率，提高经济效益，起到节能减排的效果。

3系统整体检测方案

3.1

整体方案概述

系统采用视频识别的方法，通过摄像头采集香蕉的外观信息，再经香蕉成熟度检测程序分析，得出香蕉的成熟度。

检测程序用Python语言编写，采用支持向量机SVM分类器进行分类。

原理框图如下图所示。

香

蕉

外

观信息获取

Sv 香

图

像处理

m

分

类器分类

蕉

的成熟度

图1系统原理框图

3.2

实验平台的搭建

为了采集到香蕉的外观信息，我们利用摄像头、计算机、背景板、支架构建了一个简易

的实验平台。

摄像头采用USB2.0摄像头，支持动态图像与静态图像的捕捉，主要参数如下：

图像帧率为30帧/秒，最大动态分辨率为1024×768，感光器件为CMOS数字传感器，像素500万，焦距范围为3cm~∞。

计算机采用便携式计算机，CPU主频2.5Hz，安装内存（RAM）为4G，硬盘容量为463.8G，系统类型为Windows764位操作系统，并安装有Python2.7。

实验平台整体结构如下图所示。

支架

摄像头

PC机

背景板

430

340

340

图2实验平台整体结构

4香蕉成熟度检测程序设计

4.1

分类依据

香蕉的成熟度按照VonLoeseckeHW的香蕉表皮颜色分级法[2]分7级，这7级成熟度如下：

（1）深绿色；

（2）浅绿色，有黄色迹线出现；（3）绿色多于黄色；（4）黄色多于绿色；

（5）几乎全黄，果冠处有残绿；（6）全黄；（7）全黄，有褐色斑点出现。

颜色对照图如图所示[3]。

由图可以看出，香蕉的成熟度划分主要是根据颜色来划分的。

故我们可以通过对香蕉颜色的识别，得出香蕉的成熟度。

图3

香蕉成熟度颜色图

4.2

系统运行过程

l 训练流程：

该系统由训练与识别两部分组成，具体流程如下：

（1）取文件中的一张图片，根据文件名，得到图片中香蕉的成熟度，加入类别矩阵。

（2）将图片变成特定大小。

（3）用混合高斯背景差分得到香蕉的前景图，截取中间的部分。

（4）将香蕉的RGB模型装换为HLS模型，提取出其中的H分量。

（5）计算出H分量的直方图，加入特征矩阵。

（6）重复步骤

（1）~（5），直到所有图片都处理完毕，得到一个特征矩阵和类别矩阵。

（7）用svm分类根据特征矩阵和类别矩阵进行训练，得到训练好的svm

l 识别流程：

（1）将香蕉放到摄像头下面，点击按钮识别，得到香蕉外观信息。

（2）用训练时的方法计算出H分量的直方图。

（3）用得到的直方图和训练得到的svm进行分类识别。

开始

读取训练集

否

训练集中还有

图片？

是

将特征矩阵和

类别矩阵放入

svm分类器训练

取一张图片

开始

为了获得训练样本，我们通过GOOGLE搜索引擎中的按图片搜索功能，上传各个成熟度

的颜色对照图，搜索出相应的图片，依照颜色对照图，我们从搜索得出的图片中选取训练样本。

具体的样本分布情况如下表所示。

表1训练样本分布

成熟度

1级成熟 2级成熟 3级成熟 4级成熟 5级成熟 6级成熟 7级成熟

p，根据名称

得出类名

结束

改变图片为特

读取一张图片

定大小

提取图片中前景，即香蕉部

计算出图片的

分

H分类直方图

将图片从RGB

转换为HLS,提

取出其中的H分量

用svm分类器识别分类

计算H分量的直方

图，将直方图作为

将结果显示在

特征值，加入特征

界面上

矩阵

图4训练样本流程图（左）与分类样本流程图（右）

4.3

模型训练

4.3.1

训练样本的选取

度

度

度

度

度

度

度

样本数

30

33

29

31

40

38

41

4.3.2

训练结果分析

经过训练，各级成熟度的正确率如下图所示。

图5训练样本各级成熟度的正确率

经计算，各级成熟度的识别的平均正确率为80.77%。

由上图可以看出，1级、2级、6级、

7级的成熟度识别正确率较高，3级、4级、5级成熟度识别的正确率较低，这与在计算图片

H分量的直方图中得出的结论“相近成熟度的H分量直方图分布较接近”相符。

4.4

将RGB模型转换为HLS模型

HLS模型是从人的视觉系统出发，用色调、饱和度和强度来表示颜色。

色调H与光的波长有关，它表示人的感官对不同颜色的感受，如红色、蓝色、绿色。

饱和度S表示颜色的纯

度，纯光谱色是完全饱和的。

强度L表示颜色的明暗程度。

由于相机和电脑都是通过RGB彩色模型存储图像的，所以我们需要将RGB模型转化为HSI模型，具体的转换公式为：

ì

ïL=

ï

（R+G+B）

3

ï

íS=1-（R+G+B）[min（R,G,B）]

3

ï

ï

ïH=í2p-q

ì

q

î

î

B£G

B>G

q=í

ìï

其中，

ïî

0.5´[（R-G）+（R-B）]

（R-G）+（R-G）（G-B）

2

由公式可以看出，L分量和彩色信息无关，而在实际的检测中，影响S分量的光源和光照

强度都不变，所以S分量值是确定的。

因此，通过RGB模型对香蕉颜色的识别可以转为通过

H分量对香蕉颜色进行识别。

下图是对一张香蕉图片的处理结果：

图6RGB模型（左）、HSI模型（中）与H分量（右）

4.5

混合高斯背景差分

4级成熟

5级成熟度

级成熟

混合高斯背景模型由Stauffer和Crimson提出，利用概率统计高斯分布函数对序列图像每

一个像素点的色彩强度值进行多个高斯分布建模以描述其在时间轴上的分布情况的背景差分模型。

通过混合高斯背景模型可以识别出图片中的背景和前景，即可以识别出图片中的香蕉。

图7图片前景的提取

4.6

计算图片H分量的直方图

直方图又称质量分布图。

是一种统计报告图，由一系列高度不等的纵向条纹或线段表示

数据分布的情况。

一般用横轴表示数据类型，纵轴表示分布情况。

下图是各成熟度香蕉图片的H分量的直方图。

从下图可以看出，各成熟度的H分量的分布是不同的，1级成熟度的H分量主要分布在50~100之间，而7级成熟度的H分量则主要分布在0~50之间，而相近的成熟度分布较为相近，较难看出不同。

1级成熟度

2级成熟度

3级成熟

6

7级成熟度

图8各成熟度H分量的直方图

4.7

用svm分类器识别分类

支持向量机svm是Vapnik等人在多年研究统计学习理论基础上对分类器提出了另一种设计最佳准则,主要思想可以概括为两点：

（1）它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征

空间采用线性算法对样本的非线性特征进行线性分析成为可能；

（2）它基于结构风险最小化理论之上在特征空间中建构最优分割超平面，使得学习器得到全局最优化，并且在整个样本空间的期望风险以某个概率满足一定上界。

SVM方法是通过一个非线性映射p，把样本空间映射到一个高维乃至无穷维的特征空间中

（Hilbert 空间），使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题．简单地说，就是升维和线性化．升维，就是把样本向高维空间做映射，一般情况下这会增加计算的复杂性，甚至会引起“维数灾难”，因而人们很少问津．但是作为分类、回归等问题来说，很可能在低维样本空间无法线性处理的样本集，在高维特征空间中却可以通过一个线性超平面实现线性划分（或回归）．一般的升维都会带来计算的复杂化，SVM方法巧妙地解决了这个难题：

应用核函数的展开定理，就不需要知道非线性映射的显式表达式；由于是在高维特征空间中建立线性学习机，所以与线性模型相比，不但几乎不增加计算的复杂性，而且在某种程度上避免了“维数灾难。

SVM有如下优点：

（1）非线性映射是SVM方法的理论基础，SVM利用内积核函数代替向高维空间的非线性映射；

（2）对特征空间划分的最优超平面是SVM的目标，最大化分类边际的思想是SVM方法的核心；

（3）支持向量是SVM训练结果，在SVM分类决策中起决定作用的是支持向量（即一些边界样本）；

（4）SVM的最终决策函数只由少数的支持向量所