前言:想要寫出一篇引人入勝的文章?我們特意為您整理了果蔬分類中計算機視覺的應(yīng)用范文,希望能給你帶來靈感和參考,敬請閱讀。
摘要:計算機視覺在農(nóng)產(chǎn)品分類領(lǐng)域廣泛應(yīng)用,但受限于類間相似性和不規(guī)則的類內(nèi)特征,果蔬分類仍是一個復(fù)雜的問題。本文針對近年來基于計算機視覺的水果分類進行比較,簡述了現(xiàn)階段果蔬分類所面臨的挑戰(zhàn),并提出展望,以期為提高果蔬分級效率提供參考。
關(guān)鍵詞:計算機視覺;果蔬分類;應(yīng)用;挑戰(zhàn);展望
自“農(nóng)業(yè)4.0”時代的來臨,以“互聯(lián)網(wǎng)+”為驅(qū)動的農(nóng)業(yè)技術(shù)已成為發(fā)展農(nóng)業(yè)強有力的支撐。在果蔬業(yè)中,果蔬分類通常由經(jīng)過訓練的人員人工評估農(nóng)產(chǎn)品或農(nóng)作物的質(zhì)量。但是,人工分類會帶來許多相關(guān)的限制,工作人員需要熟悉果蔬的許多特征,并且高強度的機械性工作帶來的失誤不可避免,因而分類技術(shù)的提高是農(nóng)產(chǎn)品質(zhì)量提升的關(guān)鍵。計算機視覺技術(shù)具有效率高、非接觸、抗干擾能力強等優(yōu)點,在多個領(lǐng)域已經(jīng)廣泛應(yīng)用,能實現(xiàn)農(nóng)產(chǎn)品快速無損檢測的要求[1]。果蔬分級效率的提升對我國產(chǎn)品質(zhì)量提升、農(nóng)民增產(chǎn)增收具有重要意義。
1圖像處理技術(shù)在果蔬分類領(lǐng)域的應(yīng)用
本文對基于計算機視覺技術(shù)的果蔬分類進行了比較調(diào)查,發(fā)現(xiàn)研究人員多使用一種或者多種傳感器或者機器學習技術(shù)進行農(nóng)產(chǎn)品的分類與分級,但是由于相同水果品種不同造成形狀、大小與顏色的不同,果蔬的分類依然面臨著許多挑戰(zhàn)[2]。為解決這些問題研究人員已經(jīng)進行了多種實驗,其中結(jié)合機器學習技術(shù)對于系統(tǒng)有明顯提升。通過使用傳感器捕獲水果與蔬菜的特征,使用機器學習對任務(wù)進行優(yōu)化,以提高系統(tǒng)整體性能[3]。
2果蔬分類的主要挑戰(zhàn)
雖然已經(jīng)在多個產(chǎn)業(yè)中實現(xiàn)目標分類,但將果蔬作為對象進行分類仍然是一項復(fù)雜的問題。在實際過程中,環(huán)境、光及空間等因素制約了系統(tǒng)的優(yōu)化,使系統(tǒng)的時間與準確性方面受到限制。光照方向及亮度、色溫以及背景所造成的鏡面反射與漫反射都會制約系統(tǒng)的進一步優(yōu)化,并且不同種類果蔬的特征并不相同,這也使果蔬分類系統(tǒng)沒有被廣泛地開發(fā)。
2.1缺乏合適的傳感器
分類任務(wù)的一個關(guān)鍵步驟就是選擇適合場景的傳感器用于數(shù)據(jù)采集。在果蔬的分類任務(wù)中視覺傳感器與非視覺傳感器已經(jīng)廣泛地應(yīng)用,但是由于各種傳感器性質(zhì)不同其所適用的應(yīng)用場景亦有不同[4-6]。例如超聲波傳感器與觸覺傳感器都不太適合易損的目標物[7]。因為這些傳感器需要物理接觸果蔬以獲取數(shù)據(jù)。另外,視覺傳感器對許多因素高度敏感,例如照明條件和背景環(huán)境。這些基本因素是許多復(fù)雜因素的結(jié)合,包括反射、折射、縮放、旋轉(zhuǎn)和平移,這在系統(tǒng)實際的設(shè)計中需要深入考慮。傳感器大致分為視覺傳感器和非視覺傳感器。由于每個傳感器具有一定的局限性,例如視覺傳感器對照明條件和背景顏色高度敏感。高光譜相機可以得出物體反射特性,檢測具有相似顏色或背景的不同對象的固有特性,其對許多顏色等因素不敏感,并且高光譜信息與水果的其他特征相結(jié)合,可以提高系統(tǒng)性能。最近,熱紅外分析已用于許多領(lǐng)域,例如植物病害檢測、冷藏對果實的冷害、農(nóng)作物成熟度估算和農(nóng)作物產(chǎn)量估算[8]。然而,由于蔬菜和背景的熱物理性質(zhì)大致相似,并且這種技術(shù)對溫度變化敏感,因而熱紅外分析仍不能很好地完成綠顏色水果和多葉蔬菜的分類任務(wù)。
2.2難以準確選擇特征
特征是用于與其他物體區(qū)分的物理特征。果蔬具有多種物理特征,例如顏色、質(zhì)地、形狀和大小,這些都是可以用作分類的特征參數(shù),并且果蔬具有類間和類內(nèi)的同異性。類別間的變化是主要變化,即顏色、紋理和形狀的變化,而類別內(nèi)的變化更難以發(fā)現(xiàn),特征更加難以區(qū)分。理想的系統(tǒng)能夠進行類間和類內(nèi)分類。研究表明,單個特征不能有效地對果蔬或物體進行有效分類。計算機視覺是用于圖像分類和識別的一種技術(shù),可以設(shè)計算法通過多種方式對果蔬進行分類,通常分類是基于神經(jīng)網(wǎng)絡(luò)完成。在任何機器學習應(yīng)用程序中選擇合適的算法至關(guān)重要,但是由于果蔬的類間相似性,算法優(yōu)化尤為重要。數(shù)字圖像中某些與特性有關(guān)信息的識別、分類、檢索、重建稱為特征描述,果蔬具有相關(guān)的獨特視覺特征。果蔬的分類和識別最常用的特征是顏色、形狀、大小和質(zhì)地,可以根據(jù)整體或局部圖像特征來選擇特征描述是全局或者局部的特征。特別是對于對象識別,全局圖像特征描述整個對象,具有良好的不變性,而局部圖像特征則易于實現(xiàn)快速匹配。因此,通常將局部和全局圖像特征配合使用以提高整體性能。在圖像經(jīng)過去噪、平滑等操作之后,圖像的細節(jié)將不可避免地丟失,因而需要更加注意特征的選取。這些因素對特征描述的選取造成了一些限制。
3展望
在果蔬分級中用于數(shù)據(jù)采集的傳感器由于實際應(yīng)用場景中的各種因素而受到限制。因此,不同環(huán)境的傳感器選擇尤為重要。在果蔬分類中使用多個傳感器會提高預(yù)期結(jié)果,但是由于產(chǎn)生的數(shù)據(jù)不同對數(shù)據(jù)處理的要求也不斷提高,各傳感器數(shù)據(jù)擁有的不同性質(zhì)的使用也受到限制。單使用機器視覺算法對于多特征分類是難以實現(xiàn)的。大多數(shù)傳感器尚未應(yīng)用于果蔬分類領(lǐng)域,其中很大一部分原因是缺乏數(shù)據(jù),需要擴充數(shù)據(jù)以建立新的數(shù)據(jù)集,以使各種傳感器獲得更有效的結(jié)果。
4參考文獻
[1]張書彥,張文毅,余山山,等.圖像處理技術(shù)在信息農(nóng)業(yè)中的應(yīng)用現(xiàn)狀及發(fā)展趨勢[J].江蘇農(nóng)業(yè)科學,2017,45(22):9-13.
[2]羅錫文,廖娟,胡煉,等.提高農(nóng)業(yè)機械化水平促進農(nóng)業(yè)可持續(xù)發(fā)展[J].農(nóng)業(yè)工程學報,2016,32(1):1-11.
[3]陳桂芬,李靜,陳航,等.大數(shù)據(jù)時代人工智能技術(shù)在農(nóng)業(yè)領(lǐng)域的研究進展[J].吉林農(nóng)業(yè)大學學報,2018,40(4):502-510.
[4]陸勇,李臻峰,浦宏杰,等.基于聲振法的西瓜貯藏時間檢測[J].浙江農(nóng)業(yè)學報,2016,28(4):682-687.
[5]李小昱,徐森淼,馮耀澤,等.基于高光譜圖像與果蠅優(yōu)化算法的馬鈴薯輕微碰傷檢測[J].農(nóng)業(yè)機械學報,2016,47(1):221-226.
[6]徐賽,陸華忠,周志艷,等.基于高光譜與電子鼻融合的番石榴機械損傷識別方法[J].農(nóng)業(yè)機械學報,2015,46(7):214-219.
[7]張麗芬.基于計算機視覺技術(shù)的櫻桃自動分選系統(tǒng)設(shè)計[J].農(nóng)機化研究,2017,39(9):212-214.
作者:劉同金 劉生智 熱娜古麗·熱西提 劉冠華 單位:塔里木大學信息工程學院