基于神经网络与贝叶斯信息融合的白菜成熟度检测方法
梁帆机智的月光fkdjm等
【论文摘要】为了帮助智能植物了解箱中小白菜的成熟状况,便于箱内环境参数的智能控制,提出了提取小白菜外部形态特征,特别是根系形态特征,结合地上部分形态特征检测小白菜成熟度的方法。 利用Matlab图像处理工具箱对采集到的小白菜图像进行阈值分割和特征提取,然后以小白菜上、下两部分的形态特征数据为训练样本,分别建立相应的神经网络成熟度检测模型,并
【论文关键词】图像处理; 神经网络; 成熟度; 贝叶斯理论; 信息融合
植物根系与地上部分相关性较大[1],根和叶随植物生长而生长,均可作为成熟度特征。 在智能植物生长柜[2]中,作物根系生长在营养液透明水槽中,晾晒阶段完全暴露在空气中。 这为根系形态的特征提取创造了条件。 准确掌握蔬菜成熟度对提高作物产量具有十分重要的意义,特别是在智能植物生长橱柜的生长环境下,成熟度不仅与蔬菜的营养质量有关,而且与节能减排密切相关,因此科学掌握蔬菜成熟度尤为重要。
在作物成熟度检测中,jzdpkq等[3]采集番茄图像,提取h值作为番茄表面颜色特征,采用遗传算法训练的多层前馈神经网络实现番茄成熟度的自动判别,准确率达94% 由于颜色特征易受光照等的影响,本文采用小白菜的形态特征,特别是结合地上茎叶特征和地下根系特征的方法,利用神经网络模型对上下两种形态特征进行建模训练,并根据贝叶斯理论对上下两种神经特征进行建模
1材料和方法
本文采用神经网络建模的方法建立白菜形态与成熟度的关系模型。 神经网络输入采用小白菜图像处理得到的特征数据,输出选择采用积温比获得标准成熟度水平。 最后将其结果进行贝叶斯信息融合,准确检测小白菜成熟度水平。 其整体流程图如图1所示。
1.1试验设置