一种基于BP神经网络的香蕉成熟度检测方法及装置制造方法及图纸

本发明专利技术公开了一种基于BP神经网络的香蕉成熟度检测方法及装置，该方法包括：获取待检测香蕉成熟度的香蕉图像；通过预先训练得到的BP神经网络香蕉成熟度检测模型对所述香蕉图像进行检测；所述检测模型通过多组训练数据对BP神经网络模型进行训练得到的；所述多组训练数据的每一组数据包括多种成熟度类型的香蕉图像及所述香蕉图像对应的成熟度等级信息；根据所述BP神经网络香蕉成熟度检测模型的检测结果，确定所述香蕉图像中香蕉的成熟度。本发明专利技术建立的基于BP神经网络的香蕉成熟度检测模型，相比传统的检测方法，可实现对香蕉样本无损检测，准确率高，用时快，提高了香蕉的经济效益。益。益。

【技术实现步骤摘要】
一种基于BP神经网络的香蕉成熟度检测方法及装置


[0001]本专利技术涉及香蕉成熟度检测
，特别涉及一种基于BP神经网络的香蕉成熟度检测方法及装置。

技术介绍

[0002]香蕉被世界粮农组织定位为四大粮食作物之一，我国是香蕉原产地之一，有着三千多年的栽培历史。随着农业种植结构调整和中央系列惠农政策的落实，我国香蕉产业发展迅速，已成为热带高效农业的支柱产业。在香蕉销售过程中，成熟度是香蕉品质的重要参考标准。但目前香蕉成熟度大多采用人工感官检测，很难保证准确率与效率。因此，如何快速准确鉴别香蕉成熟度具有重要意义。
[0003]传统水果成熟度检测方法主要是对相关的化学物质进行测量，如酸碱值、糖度等，这些常常造成水果样品的损坏，使用计算机视觉技术可以无损检测出香蕉成熟度。
[0004]计算机视觉技术的检测一般通过使用一系列图像处理技术对香蕉图像处理，提取各个阶段香蕉的特征，使用分类算法判断出香蕉成熟度。常用分类算法为FLD(线性判别模型)、SVM(支持向量机)、NB(朴素贝叶斯)、自设阈值，大部分算法为传统的机器学习算法，在深度学习高速发展的今天，使用深度学习算法解决问题效果更好、效率更高。
[0005]但是上述分类算法计算较为复杂，比如SVM是一个二分类算法，如需对香蕉成熟度多分类需要构建多个分类器，所需时间较长，无法满足对香蕉实时检测。

技术实现思路

[0006]本专利技术的目的是针对现有技术的不足，提供一种基于BP神经网络的香蕉成熟度检测方法及装置，该方法操作简单，易于执行，可实现对香蕉样本无损检测，准确率高，用时快，提高了香蕉的经济效益。
[0007]第一方面，本专利技术实施例提供一种基于BP神经网络的香蕉成熟度检测方法，包括：获取待检测香蕉成熟度的香蕉图像；
[0008]通过预先训练得到的BP神经网络香蕉成熟度检测模型对所述香蕉图像进行检测；所述检测模型通过多组训练数据对BP神经网络模型进行训练得到的；所述多组训练数据的每一组数据包括多种成熟度类型的香蕉图像及所述香蕉图像对应的成熟度等级信息；
[0009]根据所述BP神经网络香蕉成熟度检测模型的检测结果，确定所述香蕉图像中香蕉的成熟度。
[0010]在一个实施例中，通过预先训练得到的BP神经网络香蕉成熟度检测模型对所述香蕉图像进行检测之前，所述方法还包括：
[0011]获取预设数量的训练图像；所述训练图像包括多种成熟度类型的香蕉图像及所述香蕉图像对应的成熟度等级信息；
[0012]对所述训练图像提取颜色特征和纹理特征；
[0013]将提取的颜色特征和纹理特征，输入BP神经网络模型，使用Tensorflow2.3深度学
习框架进行训练；
[0014]判断训练得到的模型是否满足预设条件；
[0015]当训练得到的模型满足预设条件时，确定所述训练得到的模型为BP神经网络香蕉成熟度检测模型。
[0016]在一个实施例中，判断训练得到的模型是否满足预设条件，包括：
[0017]将所述训练图像和获取的测试图像，对所述模型进行验证；得到所述模型的检测准确率；
[0018]当所述检测准确率与历史检测准确率相同时，确定训练得到的模型满足预设条件；所述历史检测准确率为所述训练得到的模型在上一次验证过程中得到的检测准确率。
[0019]在一个实施例中，对所述训练图像提取颜色特征和纹理特征之前，还包括：
[0020]对获取的原始所述训练图像，运用高斯滤波算法去除图像噪声；
[0021]将去除图像噪声后的图像分割为三个通道图像，选取B通道图像将香蕉从背景中分割出来；
[0022]将分割后区域与原始所述训练图像取交集得到去除背景后的香蕉图像。
[0023]在一个实施例中，选取B通道图像将香蕉从背景中分割出来之后，还包括：
[0024]对分割后的香蕉二值图像进行开闭运算，消除图像边缘毛刺，填充细小空洞。
[0025]在一个实施例中，对所述训练图像提取颜色特征和纹理特征，包括：
[0026]提取所述香蕉图像的RGB、HSV两个颜色空间下的六个颜色特征，包括：R均值、G均值、B均值、H均值、S均值、V均值；
[0027]采用灰度共生矩阵提取能量、对比度、熵、相关性的纹理特征。
[0028]在一个实施例中，所述BP神经网络香蕉成熟度检测模型，采用三层网络结构，分别为：输入层、隐藏层、输出层；
[0029]输入层节点数为：10，隐藏层节点数为：7，输出层节点数为：4；隐藏层激活函数为relu函数，输出层激活函数为softmax函数，损失函数为交叉熵函数。
[0030]在一个实施例中，根据确定所述香蕉图像中香蕉的成熟度，香蕉分级生产线上，机械手臂实现对不同类型成熟度的香蕉进行分拣。
[0031]在一个实施例中，根据确定所述香蕉图像中香蕉的成熟度，香蕉保鲜仓库中对不同成熟度的香蕉调整对应的仓储环境参数。
[0032]第二方面，本专利技术实施例还一种基于BP神经网络的香蕉成熟度检测装置，包括：
[0033]获取模块，用于获取待检测香蕉成熟度的香蕉图像；
[0034]检测模块，用于通过预先训练得到的BP神经网络香蕉成熟度检测模型对所述香蕉图像进行检测；所述检测模型通过多组训练数据对BP神经网络模型进行训练得到的；所述多组训练数据的每一组数据包括多种成熟度类型的香蕉图像及所述香蕉图像对应的成熟度等级信息；
[0035]确定模块，用于根据所述BP神经网络香蕉成熟度检测模型的检测结果，确定所述香蕉图像中香蕉的成熟度。
[0036]第三方面，本专利技术实施例又提供一种基于BP神经网络的香蕉成熟度检测装置，包括：
[0037]处理器；
[0038]用于存储处理器可执行命令的存储器；
[0039]其中，所述处理器用于执行如上述任一项实施例所述的基于BP神经网络的香蕉成熟度检测方法。
[0040]第四方面，本专利技术实施例再提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如上述任一项实施例所述的基于BP神经网络的香蕉成熟度检测方法。
[0041]本专利技术实施例提供的技术方案可以包括以下有益效果：
[0042]1.本专利技术建立的基于BP神经网络的香蕉成熟度检测模型，相比传统的检测方法，可实现对香蕉样本无损检测，准确率高，用时快，提高了香蕉的经济效益。
[0043]2.相比传统的机器学习算法，本专利技术建立的基于BP神经网络的香蕉成熟度检测模型，准确率更高，用时更短，更加符合实际应用当中。
[0044]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
[0045]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络的香蕉成熟度检测方法，其特征在于，包括：获取待检测香蕉成熟度的香蕉图像；通过预先训练得到的BP神经网络香蕉成熟度检测模型对所述香蕉图像进行检测；所述检测模型通过多组训练数据对BP神经网络模型进行训练得到的；所述多组训练数据的每一组数据包括多种成熟度类型的香蕉图像及所述香蕉图像对应的成熟度等级信息；根据所述BP神经网络香蕉成熟度检测模型的检测结果，确定所述香蕉图像中香蕉的成熟度。2.根据权利要求1所述的一种基于BP神经网络的香蕉成熟度检测方法，其特征在于，通过预先训练得到的BP神经网络香蕉成熟度检测模型对所述香蕉图像进行检测之前，所述方法还包括：获取预设数量的训练图像；所述训练图像包括多种成熟度类型的香蕉图像及所述香蕉图像对应的成熟度等级信息；对所述训练图像提取颜色特征和纹理特征；将提取的颜色特征和纹理特征，输入BP神经网络模型，使用Tensorflow2.3深度学习框架进行训练；判断训练得到的模型是否满足预设条件；当训练得到的模型满足预设条件时，确定所述训练得到的模型为BP神经网络香蕉成熟度检测模型。3.根据权利要求2所述的一种基于BP神经网络的香蕉成熟度检测方法，其特征在于，判断训练得到的模型是否满足预设条件，包括：将所述训练图像和获取的测试图像，对所述模型进行验证；得到所述模型的检测准确率；当所述检测准确率与历史检测准确率相同时，确定训练得到的模型满足预设条件；所述历史检测准确率为所述训练得到的模型在上一次验证过程中得到的检测准确率。4.根据权利要求2所述的一种基于BP神经网络的香蕉成熟度检测方法，其特征在于，对所述训练图像提取颜色特征和纹理特征之前，还包括：对获取的原始所述训练图像，运用高斯滤波算法去除图像噪声；将去除图像噪声后的图像分割为三个通道图像，选取B通道图像将香蕉从背景中分割出来；将分割后区域与原始所述训练图像取交集得到去除背景后的香蕉图像。5.根据权利要求4所...

【专利技术属性】
技术研发人员：赵文锋，刘韵锋，杨洲，段洁利，马立哲，刘小玲，陈侨，罗桥，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：