基于决策树的果品分类方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种基于决策树的果品分类方法、装置、设备及存储介质，其中分类方法包括：将果品的原始图像进行处理以获得除去了果柄的无柄图像；根据无柄图像进行特征提取以获取特征值；将特征值输入至一个决策树模型以使决策树模型以使决策树模型输出代表沃柑表面粗糙度分类的分类值。本申请的有益之处在于提供了一种利用机器学习模型对提取与沃柑的表面图像的特征值进行处理从而高效准确进行分类的基于决策树的果品分类方法、装置、设备及存储介质。存储介质。存储介质。

【技术实现步骤摘要】
基于决策树的果品分类方法、装置、设备及存储介质


[0001]本申请涉及果品分类方法，具体而言，涉及一种基于决策树的果品分类方法、装置、设备及存储介质。

技术介绍

[0002]中国是全球柑橘第一大生产国，而沃柑是中国柑橘发展最快的品种之一。沃柑是优良的柑桔晚熟新品种，其果皮厚度是影响果实外观品质的重要指标。粗皮大果的果肉不化渣，风味偏淡，商品性差，可能与施肥和生长调节剂使用不当相关。此外生态环境也是产生粗皮大果的因素，例如在干热的云南地区比在温润的川渝地区更易产生粗皮大果。对沃柑表皮粗细程度并进行分类，有利于提高商品沃柑的品质。
[0003]在相关技术中，沃柑表面粗糙度测量方法主要分为接触式和非接触式两种。接触式测量方法是利用一种特殊触针以一定的速度沿着被测工件表面移动，触针会因为表面的微观不平而上下运动，将触针移动的变量通过机械、光学、电学转换，再经放大、运算，由指示表显示被测表面粗糙度的评定参数数值。接触式测量精度高，使用范围广，但该方法具有测量速度低、易划伤被测表面和由于探针直径的原因可能滤掉一些表面高频信息等缺点，大大限制了其应用范围。非接触式测量主要利用光学原理进行测量，主要有干涉测量法、散射测量法、光切法。干涉测量法对环境要求高，实现过程复杂，光学系统调整时间长，难以得到广泛的应用。散射测量法易实现自动化高速测量，但两者只能用作比较测量，难用定量参数评定工件的表面形貌。光切法只适用于测量精度较低的场合，分辨率与检测精度不高且数值计算费时。除了以上的较为成熟的基于光学技术的测量方法，人们也探索了通过其它途径实现表面粗糙度检测的方法，其中有原子力显微镜(ATM)法、光学传感器法等。ATM法可较准确获得被测物表面形貌，但测量代价昂贵。光学传感器法由于采用技术较为成熟的光学三角法，易实现，但测量精度不高。
[0004]对于其他类似沃柑的果品也存在同样的问题，因此，现在亟需一种简单并且通用的针对沃柑等类似果品的快速表面粗糙度的分类方法。

技术实现思路

[0005]本申请的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本申请的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
[0006]本申请的一些实施例提出了方法、装置、电子设备和计算机可读介质，来解决以上
技术介绍
部分提到的技术问题。
[0007]作为本申请的第一方面，本申请的一些实施例提供了一种基于决策树的果品分类，包括：将果品的原始图像进行处理以获得除去了果柄的无柄图像；根据无柄图像进行特征提取以获取特征值；将特征值输入至一个决策树模型以使决策树模型以使决策树模型输出代表沃柑表面粗糙度分类的分类值。
[0008]进一步的，决策树模型被构造为一个XGBoost决策树模型。
[0009]进一步的，基于决策树的果品分类还包括：训练XGBoost决策树模型。
[0010]进一步的，其中，训练XGBoost决策树模型，包括：采集沃柑的原始图像并按照沃柑粗糙度分类规则进行人工分类；对原始图像进行图像分割以获取分割图像；对分割图像进行处理以除去分割图像中的果柄从而获得无柄图像；根据无柄图像进行特征提取以获取无柄图像的特征值；将无柄图像的特征值作为输入数据，将无柄图像所对应的原始图像的分类值作为输出数据对XGBoost决策树模型进行训练。
[0011]进一步的，沃柑粗糙度分类规则将沃柑表面粗糙度分类分为粗皮和细皮。
[0012]进一步的，沃柑表面粗糙度分类中粗皮的分类值为1；沃柑表面粗糙度分类中粗皮的分类值为2。
[0013]进一步的，其中，将果品的原始图像进行处理以获得除去了果柄的无柄图像，包括：对原始图像进行图像分割以获取分割图像；对分割图像进行处理以除去分割图像中的果柄从而获得无柄图像。
[0014]作为本申请的第二方面，本申请的一些实施例提供了一种基于决策树的沃柑分类装置，包括：除柄模块，用于将果品的原始图像进行处理以获得除去了果柄的无柄图像；提取模块，根据所述无柄图像进行特征提取以获取特征值；分类模块，用于将所述特征值输入至一个决策树模型以使所述决策树模型以使所述决策树模型输出代表沃柑表面粗糙度分类的分类值。
[0015]作为本申请的第三方面，本申请的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
[0016]作为本申请的第四方面，本申请的一些实施例提供了一种计算机存储介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
[0017]本申请的有益效果在于：提供了一种利用机器学习模型对提取与沃柑的表面图像的特征值进行处理从而高效准确进行分类的基于决策树的果品分类方法、装置、设备及存储介质。
附图说明
[0018]构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。
[0019]另外，贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
[0020]在附图中：
[0021]图1是根据本申请一种实施例的基于决策树的果品分类的主要步骤的示意图；
[0022]图2是根据本申请一种实施例的训练所述XGBoost决策树模型主要步骤的示意图；
[0023]图3是根据本申请一种实施例的分类方法的原理示意图；
[0024]图4是根据本申请一种实施例的分类方法中所采集的沃柑的原始图像；
[0025]图5是根据本申请一种实施例的分类方法中所获取的分割图像；
[0026]图6是根据本申请一种实施例的分类方法中所获取的无柄图像；
[0027]图7是根据本申请一种实施例的分类方法中所获取的灰度压缩图像；
[0028]图8是根据本申请一种实施例的基于决策树的沃柑分类装置的模块示意图；
[0029]图9是根据本申请一种实施例的电子设备的结构示意图。
具体实施方式
[0030]下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0031]另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
[0032]需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于决策树的果品分类，包括：将果品的原始图像进行处理以获得除去了果柄的无柄图像；根据所述无柄图像进行特征提取以获取特征值；将所述特征值输入至一个决策树模型以使所述决策树模型以使所述决策树模型输出代表沃柑表面粗糙度分类的分类值。2.根据权利要求1所述的基于决策树的果品分类，其特征在于：所述决策树模型被构造为一个XGBoost决策树模型。3.根据权利要求3所述的基于决策树的果品分类，其特征在于：所述基于决策树的果品分类还包括：训练所述XGBoost决策树模型。4.根据权利要求3所述的基于决策树的果品分类，其特征在于：其中，所述训练所述XGBoost决策树模型，包括：采集沃柑的原始图像并按照沃柑粗糙度分类规则进行人工分类；对所述原始图像进行图像分割以获取分割图像；对所述分割图像进行处理以除去所述分割图像中的果柄从而获得所述无柄图像；根据所述无柄图像进行特征提取以获取所述无柄图像的特征值；将所述无柄图像的特征值作为输入数据，将所述无柄图像所对应的原始图像的分类值作为输出数据对所述XGBoost决策树模型进行训练。5.根据权利要求4所述的基于决策树的果品分类，其特征在于：所述沃柑粗糙度分类规则...

【专利技术属性】
技术研发人员：饶秀勤，黄心瑶，应义斌，张小敏，徐惠荣，李麟，高源，
申请(专利权)人：浙江开浦科技有限公司，
类型：发明
国别省市：