本文選題：蘋果 + 表面缺陷　； 參考：《食品與機械》2017年09期

【摘要】：在基于機器視覺蘋果缺陷識別過程中,因果梗/花萼與缺陷表皮顏色相似,極大地降低蘋果表面缺陷識別準確率,提出一種基于決策樹支持向量機(DT-SVM)的蘋果表面缺陷識別方法。該方法首先采用單閾值法去除背景,其次在R通道中利用Otsu法和連通域標記法提取目標區域(果梗、花萼和缺陷)的顏色、紋理和形狀特征,最后利用決策樹支持向量機進行識別。以600幅富士蘋果圖像為例,使用該方法進行缺陷識別,結果表明該方法的平均準確率為97.7%。與1-V-1多分類支持向量機(1-V-1SVM)和AdaBoost分類算法相比,DT-SVM方法正確率高、耗時短。說明決策樹支持向量機對蘋果表面缺陷識別十分有效。
[Abstract]:In the process of apple defect recognition based on machine vision, the color of causal stem / calyx is similar to that of defect epidermis, which greatly reduces the accuracy of apple surface defect recognition. A method of apple surface defect recognition based on decision tree support vector machine (DT-SVM) is proposed. In this method, the background is removed by a single threshold method, and the color, texture and shape features of the target region (stem, calyx and defect) are extracted by using Otsu method and connected domain labeling method in the R channel. Finally, decision tree support vector machine is used for recognition. Taking 600 Fuji apple images as an example, this method is used to identify defects. The results show that the average accuracy of this method is 97.7. Compared with 1-V-1 multi-classification support vector machine 1-V-1SVM) and AdaBoost classification algorithm, the accuracy of DT-SVM is higher and the time is short. The result shows that decision tree support vector machine is very effective for apple surface defect recognition.
【作者單位】： 西南大學工程技術學院;
【基金】：中央高校科研業務費課題(編號:XDJK2016A007) 博士啟動基金項目(編號:SWU114109) 中央高校基本科研業務費雙創項目(編號:XDJK2016E050)
【分類號】：TP18;TP391.41

【相似文獻】

相關期刊論文 前10條

1 高松巍;鄭樹林;楊理踐;;長輸管道漏磁內檢測缺陷識別方法[J];無損檢測;2013年01期

2 張毅剛;建筑結構缺陷識別與計算機應用[J];工程設計CAD與智能建筑;1999年12期

3 高頂;張長明;李國慶;張曉光;;基于粗糙-模糊神經網絡的焊接圖像缺陷識別[J];華東理工大學學報(自然科學版);2006年09期

4 王忠輝;;框架結構缺陷識別的小波信息熵方法[J];河南科技大學學報(自然科學版);2012年04期

5 胡杰;馬鐵軍;胡志平;尹志宏;;一種新的輪胎激光散斑檢測缺陷識別方法[J];機電工程技術;2010年06期

6 左凱;孫同景;李振華;陶亮;;基于新息正交的工業CT圖像自適應缺陷識別[J];北京航空航天大學學報;2010年09期

7 陳天璐;闕沛文;;基于超聲衍射反射回波渡越時間的缺陷識別技術[J];化工自動化及儀表;2006年04期

8 陸寶春;李建文;陳吉朋;王婧;李純健;湯海昌;;熒光磁粉探傷自動缺陷識別方法研究[J];南京理工大學學報(自然科學版);2010年06期

9 魏娜娣;;軟件缺陷識別技術與缺陷級別的分析研究[J];科技信息;2014年13期

10 周穎;趙海鳳;郝紅敏;;基于圖像處理的焊點缺陷識別方法的研究[J];計算機工程與應用;2013年01期

相關會議論文 前10條

1 劉希玉;徐志敏;段會川;;基于支持向量機的創新分類器[A];山東省計算機學會2005年信息技術與信息化研討會論文集（一）[C];2005年

2 張曉濱;尹英順;趙培坤;馬秀蘭;;基于漸進直推支持向量機的半對半多類文本分類[A];第三屆全國信息檢索與內容安全學術會議論文集[C];2007年

3 晏慶華;;支持向量機算法綜述[A];2008'中國信息技術與應用學術論壇論文集（二）[C];2008年

4 楊凌;劉玉樹;;基于支持向量機的坦克識別算法[A];第三屆全國數字成像技術及相關材料發展與應用學術研討會論文摘要集[C];2004年

5 高尚;劉夫成;;與κ均值混合的支持向量機的個人信用評估[A];2013年中國智能自動化學術會議論文集（第五分冊）[C];2013年

6 李志明;孔令富;;用于回歸估計的支持向量機[A];廣西計算機學會2005年學術年會論文集[C];2005年

7 李優;;支持向量機在組塊識別中的應用[A];第八屆中國青年運籌信息管理學者大會論文集[C];2006年

8 李智超;余慧佳;馬少平;;使用支持向量機進行作弊頁面識別[A];第三屆全國信息檢索與內容安全學術會議論文集[C];2007年

9 于鷹宇;張小洵;賈云得;;基于局部可控特征及支持向量機的人臉識別[A];中國感光學會第七次全國會員代表大會暨學術年會和第七屆青年學術交流會論文摘要集[C];2006年

10 宋金偉;劉廣利;沈翠華;李迪;;基于支持向量機的織物組織識別方法[A];第六屆全國信息獲取與處理學術會議論文集（2）[C];2008年

相關博士學位論文 前10條

1 王喜賓;基于優化支持向量機的個性化推薦研究[D];重慶大學;2015年

2 陳素根;非平行平面支持向量機及特征提取中若干問題研究[D];江南大學;2016年

3 李華慶;支持向量機及其在人臉識別中的應用研究[D];上海交通大學;2006年

4 郭磊;基于支持向量機的真實頭模型三維重建方法的研究[D];河北工業大學;2007年

5 陳愛軍;最小二乘支持向量機及其在工業過程建模中的應用[D];浙江大學;2006年

6 業寧;支持向量機若干基礎研究及其在圖像識別中的應用[D];東南大學;2006年

7 王開義;基于支持向量機的農產品生產關鍵控制點發現研究[D];北京工業大學;2011年

8 陳萬海;基于支持向量機的超譜圖像分類技術研究[D];哈爾濱工程大學;2008年

9 秦玉平;基于支持向量機的文本分類算法研究[D];大連理工大學;2008年

10 沈傳河;金融問題中的支持向量機應用研究[D];山東科技大學;2011年

相關碩士學位論文 前10條

1 田丹;基于電致發光與BP神經網絡的太陽電池缺陷識別[D];河北大學;2015年

2 李佳;基于壓縮感知的多模型木材圖像缺陷識別[D];東北林業大學;2015年

3 李夢園;深度學習算法在表面缺陷識別中的應用研究[D];浙江工業大學;2015年

4 洪藝涵;基于圖像的帶花紋鈕扣缺陷識別算法研究[D];華中科技大學;2016年

5 李建文;磁粉探傷缺陷識別自動化系統設計與開發[D];南京理工大學;2012年

6 侯曉琴;基于射線成像的缺陷自動識別方法研究及應用[D];重慶大學;2009年

7 毛鋒;面向成型生產的視覺式缺陷識別技術及應用研究[D];浙江大學;2010年

8 呂作超;熒光磁粉探傷缺陷識別系統圖像處理技術研究[D];南京理工大學;2006年

9 張宏軍;太陽能電池缺陷識別的研究與實現[D];東華大學;2012年

10 劉冰清;基于機器視覺的印刷品缺陷識別系統研究[D];西安科技大學;2010年

，

本文編號：1914859