本发明专利技术涉及一种基于嵌入式的苹果采后田间分级检测方法及系统的实现过程。该检测系统主要包括ARM处理器、步进电机模块、图像采集模块、执行分级模块。步进电机模块滚动传输苹果,CMOS能采集苹果整个表皮图像,并通过USB传送到ARM,并与建立好的分类器进行匹配,实现苹果缺陷和大小的检测,并发送控制信号到分级执行机构。分类器是基于Haar-like特征、改进的AdaBoost算法,并引入了风险系数,使算法有更好的鲁棒性和自适应性。采用改进的遗传算法对样本的权值进行优化,采用了改进型交叉算子和改进型变异算子,保证了遗传算法的收敛能力,提高了算法的优化能力。本发明专利技术能实现对苹果的缺陷和大小快速、准确地分级。
【技术实现步骤摘要】
基于嵌入式的苹果采后田间分级检测方法及系统
本专利技术涉及农产品无损检测
,特别涉及一种苹果表皮缺陷和大小的快速检测系统和方法。
技术介绍
我国是世界果树大国,栽培历史悠久,资源丰富,位居世界前列,但由于采后处理不够,使得外销的品质难以保证,在国际市场上缺乏竞争力,其原因有很多,其中一个重要的原因是检测与分级的手段落后。苹果的采后田间预分检是指果农在田间对采后苹果进行分级检测处理的一道工序。它一方面可以帮助果农实现苹果的分级销售,提高经济效益;另一方面,可以减少苹果在储藏、运输期间,病害苹果之间的交叉感染,减少产品损耗;同时可方便水果生产加工,同时企业根据苹果的田间分检结果,采用有针对性的储存、加工、分级等工艺,增加企业竞争力,提高经济效益。由于潜在的巨大经济效益,苹果的采后田间预分检被认为是未来10年内对苹果产业具有重大影响的技术之一。尽管目前国内外已有苹果分级检测系统应用到市场,上位机以PC机为主,体积大,不易携带,价格昂贵,少则上百万,多则上千万,普通果农无法承受,无法普及推广苹果的采后预分拣技术,每年造成了巨大的经济损失。
技术实现思路
本专利技术的目的是克服现有技术中存在的不足,提供了一种基于嵌入式的苹果采后田间分级检测方法及系统,其采用ARM(S3C6410)作为系统的核心处理器,运行内核可裁剪的Linux系统,采用基于Haar-like特性的改进的AdaBoost目标检测算法,引入了分类风险系数,修改了训练中的样本权值更新规则,同时结合改进的遗传算法对分类器的样本权值寻优,保证了遗传算法的收敛能力,有效地提高了算法的优化能力,避免了“早熟”现象的发生。生成分类精度高的强分类器,最后将强分类器级联生成级联分类器,调用OpenCv机器视觉库,检测图像中的缺陷和苹果大小,结合QT编写人机友好交互界面。能快速检测出采后苹果的缺陷和大小,具有实时性好,可靠性高,稳定性强的特点。按照本专利技术提供的技术方案,基于嵌入式的苹果采后田间分级检测系统,系统的工作和开发的过程包括如下步骤:a、建立检测苹果缺陷和大小的级联分类器,所述建立的检测苹果缺陷和大小的级联分类器位于ARM内;b、传输系统滚动传输待检测的苹果;c、CMOS相机获取苹果表皮的图像信息,并通过USB传输到ARM;d、ARM接受采集到的苹果图像,并送到建立好的分类器中进行模式匹配,调用OpenCv机器视觉库,实现苹果缺陷和大小的检测,返回检测结果;e、执行机构接收ARM发送的分级结果信号,并启动相应的执行动作,实现苹果缺陷和大小的分级。所述步骤a中,苹果的缺陷和大小的检测,是基于Haar-like特性的改进的AdaBoost级联分类器,所述步骤a包括如下步骤:a1、选取500个形状、大小、颜色、分布广的苹果,每个苹果拍摄4张图片,大小为640×480,共2000张图片作为检测苹果大小的正样本,正样本归一化到30×30的灰度图,选择6000张不包括苹果的图片作为负样本,大小为640×480。同时让苹果碰撞,产生缺陷和疤痕,每个苹果作出4个碰撞,抠出缺陷部位的图像,共2000张图片作为检测缺陷的正样本,正样本图像归一化到30×30的灰度图,选择6000张不包括缺陷图片作为负样本,大小为640×480。下面介绍训练检测缺陷的分类器构造过程,检测苹果大小的分类器训练过程和检测缺陷分类器的步骤相同。a2、利用图像的Haar-like特性构造正负样本的特征值:其中1≤j≤15,Haar-like包括四类15种特征:边缘特征(4种),线特征(8种),中心环绕特征(2种),对角线特征(1种)。其中Featurej代表第j种Haar-like块的特征值;w1是第j种Haar-like的权值;w2是第j种Haar-like块中黑色矩形的权值。RectSum(r1)代表第j种Haar-like块中包含的所有象素点的象素值之和。RectSum(r2)代表第j种Haar-like块中黑色矩形块所包含象素的象素值之和。a3、构造正负样本的积分图,积分图的构造方式是一幅图像的位置(n,m)处的值q(n,m)是原图像(n,m)左上角方向所有像素的和:积分图构建算法如下:(1)用s(n,m)代表行方向的累加和,初始化s(n,-1)=0。(2)用q(n,m)代表一个积分图像,初始化q(-1,m)=0。(3)逐行扫描图像,递归计算每一个象素(n,m)行方向的累加和s(n,m)和积分图像q(n,m)的值。(4)q(n,m)=s(n,m-1)+q(n,m),q(n,,m)=q(n-1,m)+s(nm)。扫描图像一遍,达到图像右下角象素时,积分图构造完成。a4、利用图像的特征Featurej,阈值θj,偏置pj(+1)构成弱分类器hj=1表示第j种特征判断此样本是正样本,反之则判断为负样本。将所有分类器中分类误差最小的分类器找出来,完成一个弱分类器的构造。a5、利用构造的弱分类器训练构造强分类器:(1)给定样本(x1,y1),...,(xN,yN),xi∈X,yi={0,1},迭代次数为T,1为正样本,0为负样本,正样本为n,负样本为m,样本总数为N=n+m,此处n=2000,m=4000。(2)给出分类风险系数其中x为层分类器在级联分类器中所在层数的标号。训练样本误分类风险初始化:初始化样本权值分布:即:(3)在样本集合和分布Dt下挑选弱分类器误差最小的一个弱分类器ht,弱分类器输出:1判断为正样本,0判断为负样本;记录该弱分类器的分类错误率计算(4)样本权值更新:样本权值归一化:(5)采用改进的遗传算法对每一次训练中的权值Dt(i)寻优:①采用实数数组编码的方式,基因组为D=(Dt(1),Dt(2)...Dt(i)...Dt(N)),其中N为样本容量,Dt(i)是第t次循环中第i个样本的权值。②构造适应度函数:设置选择操作:得到新的基因组D1=(Dt(1),Dt(2)...Dt(i)...Dt(N))。③选择单点进行交叉操作,采用了自适应动态调整交叉概率,利用改进型交叉算子pc,其中Pc1=0.9,0.6≤pc2<0.9,fmax是最大适应度值,favg是平均适应度值,ft是要交叉的两个个体中较大的适应度值,得到交叉后的基因组D2=(Dt(1),Dt(2)...Dt(i)...Dt(N))。④选择均匀变异,利用改进型变异算子其中Pm1=0.1,0.001≤pm2<0.1,fmax是最大适应度值,favg是平均适应度值,ft是要变异个体的适应度值,得到变异后的基因组D3=(Dt(1),Dt(2)...Dt(i)...Dt(N))。⑤若已满足指定的进化迭代次数,则终止计算,否则转步骤②。⑥输出最优的权值。(6)若已满足指定的迭代次数,则终止计算,否则转步骤(2)。(7)构造强分类器为其中a6、利用构造好的强分类器,生成级联分类器:设定误检率,将强分类器串联在一起形成级联分类器。串联时遵循先中后轻的分级分类思想,将由更重要特征的结构且较简单的强分类器放在前面,这样可以先排除大量的负样本,尽管随着级数的增多,但计算量却在减少,检测的速度在加快。所述步骤b中,传输系统包括开关电源、步进电机、步进电机驱动器、通过控制ARM产生的PWM波的频率控制步进电机的速度。系统采用四线两相混合式步进电本文档来自技高网...
【技术保护点】
基于ARM的苹果采后田间分级检测方法及系统,其特征是:所述检测方法包括如下步骤:(a)、选取典型的苹果缺陷样本,不同尺寸的无缺陷苹果样本。(b)、利用图像的Haar?like特性构造样本的特征值:Featurej,其中Featurej代表第j种Haar?like块的特征值,再利用图像的特征Featurej,阈值θj,偏置pj(±1)构成弱分类器hj,在样本集合下挑选弱分类器误差最小的一个弱分类器ht。(c)、利用构造的弱分类器训练构造强分类器,同时利用遗传算法对样本的权值优化。(d)、构造强分类器为H(x)=1Σt=1Tαtht(x)≥(12+λ)Σt=1Tαt0otherwise其中,c为分类风险系数,其中x为层分类器在级联分类器中所在层数的标号。弱分类器的分类错误率生成级联分类器:设定误检率,将强分类器串联在一起形成级联分类器。(e)、传输系统滚动传输待检测的苹果;CMOS相机获取苹果表皮的图像信息,并通过USB传输到ARM。(f)、ARM接受采集到的苹果图像,并送到建立好的分类器中进行模式匹配,实现苹果缺陷和大小的检测,返回检测结果,控制分级执行机构的动作。FSA0000095138690000012.tif,FSA0000095138690000013.tif...
【技术特征摘要】
1.基于ARM的苹果采后田间分级检测方法,其特征是:所述检测方法包括如下步骤:(a)、选取典型的苹果缺陷样本,不同尺寸的无缺陷苹果样本;(b)、利用图像的Haar-like特性构造样本的特征值:Featurej,其中Featurej代表第j种Haar-like块的特征值,再利用图像的特征Featurej,阈值θj,偏置pj(±1)构成弱分类器hj,在样本集合下挑选弱分类器误差最小的一个弱分类器ht;(c)、利用构造的弱分类器训练构造强分类器,同时利用遗传算法对样本的权值优化,包括:(1)采用实数数组编码的方式,基因组为D=(Dt(1),Dt(2)...Dt(i)...Dt(N)),其中N为样本容量,Dt(i)是第t次循环中第i个样本的权值;(2)构造适应度函数:设置选择操作:得到新的基因组D1=(Dt(1),Dt(2)...Dt(i)...Dt(N));(3)选择单点进行交叉操作,采用了自适应动态调整交叉概率,利用改进型交叉算子Pc,其中pc1=0.9,0.6≤pc2<0.9,fmax是最大适...
【专利技术属性】
技术研发人员:朱启兵,许立兵,黄敏,李静,徐志鹏,
申请(专利权)人:江南大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。