首页 > 分享 > 基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法

基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法

花匠小妙招
2025-05-16 03:20

1.本发明涉及水果成熟度鉴别技术领域，具体为基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法。

背景技术：

2.猕猴桃对于人体来说是一种非常好的水果，能够起到养生和保健的功效，无论是老人还是小孩儿都非常适合食用。而且果肉饱满细腻，口感酸甜，也深受人们的喜爱，但是为了方便运输和保存，所以大多数市面上所销售的猕猴桃都是不成熟的。因此在购买之后，都需要在家里放置几天才能够食用。因此猕猴桃成熟程度的鉴别无论对于卖方还是买方都具有很大的意义。
3.猕猴桃在未熟到成熟的阶段上，表皮颜色、纹理等会随着时间逐渐变化，成熟的猕猴桃表皮颜色相对较黄，表皮相对皱，而未成熟的表皮颜色会偏绿，表皮相对光滑。此外，猕猴桃原本是否损伤也会对表皮颜色、纹路和绒毛状态造成影响。
4.目前对于消费者来说，判断是否成熟的方法主要为经验判断：使用手捏法判断猕猴桃的软硬程度进而判断猕猴桃是否成熟。而手捏法容易造成猕猴桃手捏部位损伤，影响口感。且手捏法依靠经验判断经常无法在猕猴桃最佳成熟度时食用，也会影响消费者的体验，目前已知其他水果成熟度检测方法主要有化学检测和力、光、声、电学检测，其中化学检测为提取果内汁液进行化学分析，会对水果造成损伤，而力、光、声、电学等无损伤鉴别方法却需要对应的相对昂贵的器材，对于消费者来说，这显然是不被接受的，不能满足人们的要求。

技术实现要素：

5.(一)解决的技术问题
6.针对现有技术的不足，本发明提供了基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法，解决了现有已知其他水果成熟度检测方法主要有化学检测和力、光、声、电学检测，其中化学检测为提取果内汁液进行化学分析，会对水果造成损伤，而力、光、声、电学等无损伤鉴别方法却需要对应的相对昂贵的器材，对于消费者来说，这显然是不被接受的，不能满足人们的要求的问题。
7.(二)技术方案
8.为实现上述目的，本发明提供如下技术方案：
9.基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法，包括以下步骤：
10.s1：收集猕猴桃数据，在3-6天里，每天同一时间段分别采集40-80个猕猴桃的图像，并在同一位置按压判断猕猴桃是否成熟，做好标签记录并按标签保存图像文件，得到原始数据集；
11.s2：提取数据，提取原始数据集中猕猴桃表皮的颜色、纹理；
12.s3：判断，使用经验判断法将样本数据各个时间各个猕猴桃贴上成熟度标签，成熟
度分为三个阶段——未熟、微熟和成熟，利用学习算法学习猕猴桃成熟度的阈值θ(θ1，θ2)，及平均成熟耗时n天；
13.s4：深度训练学习，通过提取的猕猴桃表皮的颜色、纹理，然后与经验判断法判断的结果，学习出猕猴桃表皮颜色、纹理与成熟度之间的关系，s4中进行训练学习时搭建模型，搭建模型时分为三个模型进行搭建，分别为：
14.model-1——判断水果是否有损伤；
15.model-2——判断有损伤水果成熟程度；
16.model-3——判断无损伤水果成熟程度；
17.为了更好地描述猕猴桃状态，将猕猴桃是否损伤分为有损伤和无损伤，并在程序中编码为1和0，将水果成熟程度分为未熟、微熟和成熟，并在程序中编码为0、1和2，使用python的tensorflow模块来实现深度学习；
18.在训练时判别指标model-1为：
19.model-1输出为
20.model-1表示为
21.model-2、model-3：
22.由于原数据过于离散，现通过拟合进行数据扩充：
23.各猕猴桃标签值变化一个单位平均时间差δt：
24.标签扩充函数为
25.模型表示为
26.s5：输出结果，输出各阶段的猕猴桃成熟度阀值及平均成熟耗时。
27.作为本发明再进一步的方案，所述s1中在收集猕猴桃数据时优选为在4天里，每天同一时间段分别采集60个猕猴桃的图像。
28.进一步的，所述s1中在采集猕猴桃图像时猕猴桃包装测试盒必须颜色与猕猴桃颜色反差较大，采集猕猴桃信息摄像头像素必须从猕猴桃包装盒正上方采集。
29.在前述方案的基础上，所述s4中未熟猕猴桃推荐为不能食用，微熟猕猴桃推荐为未来几天内可食用，成熟猕猴桃推荐为当天内食用。
30.进一步的，所述s4中model-2、model-3输出的猕猴桃成熟度为β，计算出猕猴桃d天后可食用，方案如下：
31.当β＜θ2时，则可启动成熟时间预测提示；
32.成熟时间预测阈值
33.预测值为
34.在前述方案的基础上，所述s1中包括手持智能终端，手持智能终端包括图像采集模块，图像采集模块包括图像传感器，所述图像采集模块连接有处理器、主控电路、显示模块、电源模块和传输模块。
35.本发明再进一步的方案，所述s4中包括储存模块和比对模块，比对模块与图像采集模块相连接。
36.(三)有益效果
37.与现有技术相比，本发明提供了基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法，具备以下有益效果：
38.1、本发明在收集大量不同成熟期的猕猴桃图像数据的基础上，运用深度学习的办法得到阈值，能够保证识别正确率高于人工经验识别。
39.2、本发明中，由于猕猴桃本身是否损伤会对表皮颜色、纹路和绒毛状态造成影响，通过三个模型的搭建能够消除该方面对系统精度的影响。
40.3、本发明中通过猕猴桃的原始图片数据，建立不同成熟度猕猴桃表皮颜色、纹理判别指标，利用深度学习算法学习各个猕猴桃成熟度指标阈值，从而达到根据猕猴桃成熟度进行成熟时间预测的目的。
41.4、本发明排除人主观性干扰，降低人力成本，适合大批量识别操作，识别正确率远高于人工经验识别，避免了识别过程中对猕猴桃造成损伤，识别成本低。
附图说明
42.图1为本发明提出的基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法的流程结构示意图；
43.图2为本发明提出的基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法的训练流程结构示意图。
具体实施方式
44.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
45.实施例1
46.参照图1-2，基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法，包括以下步骤：
47.s1：收集猕猴桃数据，在6天里，每天同一时间段分别采集80个猕猴桃的图像，并在同一位置按压判断猕猴桃是否成熟，做好标签记录并按标签保存图像文件，得到原始数据集；
48.s2：提取数据，提取原始数据集中猕猴桃表皮的颜色、纹理；
49.s3：判断，使用经验判断法将样本数据各个时间各个猕猴桃贴上成熟度标签，成熟度分为三个阶段——未熟、微熟和成熟，利用学习算法学习猕猴桃成熟度的阈值θ(θ1，θ2)，及平均成熟耗时n天，本发明在收集大量不同成熟期的猕猴桃图像数据的基础上，运用深度
学习的办法得到阈值，能够保证识别正确率高于人工经验识别；
50.s4：深度训练学习，通过提取的猕猴桃表皮的颜色、纹理，然后与经验判断法判断的结果，学习出猕猴桃表皮颜色、纹理与成熟度之间的关系，进行训练学习时搭建模型，搭建模型时分为三个模型进行搭建，分别为：
51.model-1——判断水果是否有损伤；
52.model-2——判断有损伤水果成熟程度；
53.model-3——判断无损伤水果成熟程度；由于猕猴桃本身是否损伤会对表皮颜色、纹路和绒毛状态造成影响，通过三个模型的搭建能够消除该方面对系统精度的影响；
54.为了更好地描述猕猴桃状态，将猕猴桃是否损伤分为有损伤和无损伤，并在程序中编码为1和0，将水果成熟程度分为未熟、微熟和成熟，并在程序中编码为0、1和2，使用python的tensorflow模块来实现深度学习；
55.在训练时判别指标model-1为：
56.model-1输出为
57.model-1表示为
58.model-2、model-3：
59.由于原数据过于离散，现通过拟合进行数据扩充：
60.各猕猴桃标签值变化一个单位平均时间差δt：
61.标签扩充函数为
62.模型表示为
63.通过猕猴桃的原始图片数据，建立不同成熟度猕猴桃表皮颜色、纹理判别指标，利用深度学习算法学习各个猕猴桃成熟度指标阈值，从而达到根据猕猴桃成熟度进行成熟时间预测的目的；
64.s5：输出结果，输出各阶段的猕猴桃成熟度阀值及平均成熟耗时，本发明排除人主观性干扰，降低人力成本，适合大批量识别操作，识别正确率远高于人工经验识别，避免了识别过程中对猕猴桃造成损伤，识别成本低。
65.本发明的s1中在采集猕猴桃图像时猕猴桃包装测试盒必须颜色与猕猴桃颜色反差较大，采集猕猴桃信息摄像头像素必须从猕猴桃包装盒正上方采集，防止与猕猴桃颜色相似的测试盒的颜色影响猕猴桃图像采集的对比度，而且从上方采集能够使得图像更加清晰，s4中未熟猕猴桃推荐为不能食用，微熟猕猴桃推荐为未来几天内可食用，成熟猕猴桃推荐为当天内食用，s4中model-2、model-3输出的猕猴桃成熟度为β，计算出猕猴桃d天后可食用，方案如下：
66.当β＜θ2时，则可启动成熟时间预测提示；
67.成熟时间预测阈值
68.预测值为
69.实施例2
70.参照图1-2，基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法，包括以下步骤：
71.s1：收集猕猴桃数据，在4天里，每天同一时间段分别采集60个猕猴桃的图像，并在同一位置按压判断猕猴桃是否成熟，做好标签记录并按标签保存图像文件，得到原始数据集；
72.s2：提取数据，提取原始数据集中猕猴桃表皮的颜色、纹理；
73.s3：判断，使用经验判断法将样本数据各个时间各个猕猴桃贴上成熟度标签，成熟度分为三个阶段——未熟、微熟和成熟，利用学习算法学习猕猴桃成熟度的阈值θ(θ1，θ2)，及平均成熟耗时n天，本发明在收集大量不同成熟期的猕猴桃图像数据的基础上，运用深度学习的办法得到阈值，能够保证识别正确率高于人工经验识别；
74.s4：深度训练学习，通过提取的猕猴桃表皮的颜色、纹理，然后与经验判断法判断的结果，学习出猕猴桃表皮颜色、纹理与成熟度之间的关系，进行训练学习时搭建模型，搭建模型时分为三个模型进行搭建，分别为：
75.model-1——判断水果是否有损伤；
76.model-2——判断有损伤水果成熟程度；
77.model-3——判断无损伤水果成熟程度；由于猕猴桃本身是否损伤会对表皮颜色、纹路和绒毛状态造成影响，通过三个模型的搭建能够消除该方面对系统精度的影响；
78.为了更好地描述猕猴桃状态，将猕猴桃是否损伤分为有损伤和无损伤，并在程序中编码为1和0，将水果成熟程度分为未熟、微熟和成熟，并在程序中编码为0、1和2，使用python的tensorflow模块来实现深度学习；
79.在训练时判别指标model-1为：
80.model-1输出为
81.model-1表示为
82.model-2、model-3：
83.由于原数据过于离散，现通过拟合进行数据扩充：
84.各猕猴桃标签值变化一个单位平均时间差δt：
85.标签扩充函数为
86.模型表示为
87.通过猕猴桃的原始图片数据，建立不同成熟度猕猴桃表皮颜色、纹理判别指标，利用深度学习算法学习各个猕猴桃成熟度指标阈值，从而达到根据猕猴桃成熟度进行成熟时间预测的目的；
88.s5：输出结果，输出各阶段的猕猴桃成熟度阀值及平均成熟耗时，本发明排除人主观性干扰，降低人力成本，适合大批量识别操作，识别正确率远高于人工经验识别，避免了识别过程中对猕猴桃造成损伤，识别成本低。
89.本发明的s1中在采集猕猴桃图像时猕猴桃包装测试盒必须颜色与猕猴桃颜色反差较大，采集猕猴桃信息摄像头像素必须从猕猴桃包装盒正上方采集，防止与猕猴桃颜色相似的测试盒的颜色影响猕猴桃图像采集的对比度，而且从上方采集能够使得图像更加清晰，s4中未熟猕猴桃推荐为不能食用，微熟猕猴桃推荐为未来几天内可食用，成熟猕猴桃推荐为当天内食用，s4中model-2、model-3输出的猕猴桃成熟度为β，计算出猕猴桃d天后可食用，方案如下：
90.当β＜θ2时，则可启动成熟时间预测提示；
91.成熟时间预测阈值
92.预测值为
93.本发明中，s1中包括手持智能终端，手持智能终端包括图像采集模块，图像采集模块包括图像传感器，所述图像采集模块连接有处理器、主控电路、显示模块、电源模块和传输模块，s4中包括储存模块和比对模块，比对模块与图像采集模块相连接，手持智能终端对猕猴桃进行拍照，然后通过传输模块传到比对模块，比对模块把图像和储存模块储存的训练模型进行对比，然后通过显示模块显示比对结果，省时省力，方便快捷，准确度高。
94.在该文中的描述中，需要说明的是，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
95.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。