文摘

人工视觉系统(AVS)已经成为非常重要的精准农业应用于生产高质量和低成本的食品具有高功能特征生成通过环境保健实践。本文报道一种新的模糊分类架构的设计和实现基于RGB颜色模型和描述符。三个输入使用的平均值相关联的颜色成分番茄的四个视图;三角形隶属度函数的数量与组件相关联和三个和四个组件的情况下 。番茄样品的用量在训练40和二十来测试;培训是通过使用Matlab©ANFISEDIT。番茄样本分为六类根据美国农业部(USDA)。这项研究集中在优化颜色空间的描述符来实现高精度的预测结果最终分类任务的错误 ⁶。计算机视觉系统(CVS)与照明由图像隔离系统集成;图像捕捉系统使用一个覆盆子π3和相机模块覆盆子π2在一个固定的距离和一个黑色背景。在CVS的实现,三种不同颜色的描述方法对番茄分类进行了分析和各自分散系统也设计,其中两个使用文献中描述的描述符。

1。介绍

番茄是一种人类所食用的主要蔬菜的抗氧化成分,维生素(A、B1、B2、B6、C和E),和矿物质如钾、镁、锰、锌、铜、钠、铁和钙(1]。这种水果提供健康福利在预防慢性疾病,如癌症、骨质疏松、白内障。的一个主要指标,允许知道的内部成分番茄是其成熟程度。这个特征是非常重要的决定收成的物流过程,运输、商业化和食品消费。在这方面,美国农业部(USDA)建立了六个州的成熟的绿色,断路器,车削,粉红,浅红色和红色([2]);这是显示在图1。

在文学中,有人工视觉研究,报告方法估计的成熟度状态使用颜色的番茄为主要特征。番茄成熟度评估模型提出了基于彩色空间的使用不同的模型。例如,模型允许识别的六个阶段,成熟的西红柿用美能达 (3- - - - - -5]。文献[6)进行了一项研究的坚定和番茄的颜色;他们报告说,推荐的商业化坚定为1.46毫米¹;他们还确定,粉红色的成熟阶段的番茄,从美能达的值改变从消极到积极的大小。当美能达的比率 西红柿的达到0.6 - -0.95,这些可以很容易地销售。另一方面,(4)估计,番茄红素含量不同的成熟阶段的番茄的叶面积和颜色参数( , , ,和色调)。这个模型是用一个人工神经网络(ANN)。

另一方面,使用RGB颜色模型,使得识别成熟的番茄。据(7],它提出了一个方法来识别红番茄自动削减通过使用一个机器人,这使用RGB图像分析使用之间的关系(RB)和红绿红蓝组件(RG)允许制定的不平等: 和 ,当这些条件得到满足,可以收获果实。一个类似的调查是由(8),在那里他们将RGB图像与高光谱图像(在396 - 736纳米的范围使用光谱仪光谱分辨率为1.3 nm)。线性判别分析分类应用于两组的五个阶段的西红柿成熟,由多数加权投票策略的分析每个像素。作者文档,高光谱图像比RGB番茄成熟度判别分析。

2018年,(9]发达成熟的系统分类的西红柿,系统使用两种类型的西红柿:有缺陷和没有缺陷。水果的分类、人工反向传播神经网络(摘要),这是在Matlab中实现©。这个系统识别度的成熟:红色、橙色、车削、和绿色。神经网络的架构师有十三个输入与六色和七个功能的函数的形式,二十个神经元在隐藏层和一个输出。文献[10使用摘要]提出了一种方法来检测成熟度级别(绿色、橘色和红色)罗马和啤梨品种的番茄。

颜色特征提取从五个同心圆的水果,和每个次区域的平均颜色值被用来预测的成熟度级别的样品;这些值是摘要的条目。的平均精度检测的三个成熟度级别番茄样品在这个方法是99.31%,和标准偏差为1.2%。文献[11)实现了一个基于卷积神经网络(CNN)的分类系统。提出了分类体系是由三个阶段;第一阶段管理的三个通道的彩色图像在高度和宽度200像素。在第二部分,用五层的CNN,提取的主要特征。卷积核的大小 , ,和 为了保护特性,减少不必要的参数,提高计算的速度。在一起,它有两个层次的max-pooling CNN层。最后一部分是由一个完全连接层的分类结果。实验结果显示,平均精度为91.9%,预测时间小于0.01秒。另一个研究是(3),他提出了一个算法在Matlab©仿真软件,采用4像素摄像头,决议的 和30帧率捕获的图像;他们收到的处理包括水土流失和扩张。成熟的分类和识别番茄的使用获得红YCbCr颜色模型的浓度,这是在135年和180年之间。文献[6)开发了一个分类体系的成熟樱桃番茄基于人工视觉;在这个提议,他们使用的颜色、纹理和形状的最近的 - - - - - -邻居和支持矢量机的分类器分类熟透的西红柿。

目前,计算机视觉系统(CVS)和模糊逻辑(FL),应用成熟的西红柿,分类番石榴,苹果,芒果,西瓜员工开发(12]。FL模型是一种人工智能技术,人类推理的语言学专家来解决一个问题。因此,逻辑处理的变量是基于定量定性的归属函数(13]。参考文献(14,4)认为的成熟元素的分类的研究是由两个系统识别的颜色和它的标签。颜色的表示,他们使用了基于RGB图像直方图,恒生指数,和CIELab颜色空间模型;水果的自动贴标,他们设计了一个模糊系统,处理转移由一个专家知识库。另一方面,建议由(15)估计的成熟度水平苹果使用RGB颜色空间;他们的方法用四个图像矩阵的不同视图。他们提出了四个成熟类,基于模糊系统,它被定义为成熟、低成熟,接近成熟,或太成熟。分散系统的输入是每种颜色的平均值的地图分割图像。文献[13)开发了一个图像分类系统的苹果、甜柠檬、香蕉、番石榴、和橙色;系统在Matlab中实现©。特征提取每个水果的图像区域,每个样本的主要和次要的轴;这些被用作输入扩散系统的分类。另一个类似的研究报告(16),它实现了一个分散系统分类的番石榴成熟度的原始阶段,成熟和过熟。拟议的分类是基于明显的颜色,和他们认为三个输入:色调值、饱和度和亮度。

遵循这一趋势,本文报道番茄成熟的行为基于RGB颜色模型,即模型与一般商业数码相机的工作,因为他们大多是由一个光学拜耳过滤器在光电传感器。用模糊系统在分类阶段。这个工作的主要贡献关注颜色模型的比较番茄成熟阶段的描述。此外,覆盆子π是用于捕获和输出变量的估计。

2。材料和方法

2.1。样品制备

在拟议的方法中,六十番茄样本使用(在当地的贸易获得),分类在六个成熟度阶段(绿色,断路器,转动,罗莎,光红色和红色)。分类是根据美国农业部的标准美国农业部(1997)。样品分为两组:训练集和验证集如表所示1。

2.2。人工视觉系统

人工视觉系统(AVS)的目的是模仿人类视觉的功能描述元素捕获的图像。一些AV的优势与其他方案相比是降低成本,提高精度,提高精度,可靠性和良好的估计(14]。图2显示了AVS系统,集成的三个部分:(a)的图像捕获、(b)照明子系统和(c)处理子系统。第一个获得空间信息和水果的特点,第二个保持实验条件,第三个获得均衡直方图等几个特征,突出边缘,分段,标签组件和番茄成熟度17- - - - - -19]。

AVS的图像被收购,这是安装在一个黑盒子的维度 ;最后为了防止照明的影响,如图2。集成了AVS的覆盆子π3相机(8像素)垂直放置在30厘米的样品在一个角度28.8°。有一个环几何(使用的照明20.功率为5.4 W和直径23厘米,这是放置30厘米以上的样品强度是200勒克斯。处理子系统是覆盆子π3卡上实现,Quadcom 1.2 GHz Broadcom BCM2837 64位处理器,1 GB RAM内存。这个设备已经使用的灵活性在通用的问题的解决方案21]。

该系统显示在图3;在第一阶段,RGB图像的样本。之后,图像分割来创建一个向量与平均的红色,绿色和蓝色的组件,这些工作作为模糊系统的输入。

2.3。图像采集

4每个水果图像,每个视图的番茄,总共获得240图像对应于60水果。图4显示了一个示例的四个视图在绿色成熟状态。捕获的图像的分辨率( );他们是按比例缩小的大小( )强度200勒克斯。

2.4。图像分割

数据5(一个)- - - - - -5 (c)显示过程进行样品使用Python 3.7和OpenCV。第一步抓住了图片和分配一个成熟度级别。第二步的关键在HSV空间利用100 H < = 156, 90 < < = = S < = 255和0 < = V < = 255,范围在0到255之间。第四步是段每个番茄图像和标记他们通过使用一种算法组件的连接。第五步是单独的片段在500像素的图片,最后,他们各自的面具被用来获取感兴趣的领域每个样本。

2.5。属性选择

属性选择基于提出的方法(15]。均值分割的图像使用通道的值,它也认为,在初始阶段的成熟,研究番茄有绿色含量高,其内容的红色很低。果达到完全成熟,行为是逆14]。段的意思是行为映射使用40训练样本图像的渠道。它还使用RGB颜色模型,1976年CIELab和美能达 比例如图6,7,8。通过使用前文所述的过程,识别的六个西红柿成熟阶段,主要由于轴之间的直接关系的正交性与数据类。

2.6。模糊化

在这个阶段,模糊性主要目的将输入值转化为语言变量(22]。在这个系统,提出一个向量由RGB分量的平均值作为输入变量。输入模糊化是通过使用三角形隶属函数如图9。这些函数被选为他们的简单的硬件实现。

众所周知,在前三个成熟度阶段,需要一个更大的灵敏度来确定变化而其他人。因此,在本文中,绿色变量隶属函数相关条目由四个部分组成。另一方面,三个隶属度函数提出了蓝色和红色的情况下,导致六成熟状态。最后,范围值,输入和输出阶段,最重要的是通过为每个变量选择的语言状态决定的,即非常,媒介,更少。

2.7。模糊系统实现

模糊系统是用Matlab实现ANFISEDIT工具和图像捕获使用覆盆子π相机,一组数据被发现和集成的意思是RGB通道图像和输出标记的样本。

四个变量的模糊系统的设计对西红柿的成熟状态进行分类。在这些,几个参数维护,系统的输入,培训epcohs和隶属函数的类型。表2显示用于每个模糊系统的体系结构和训练后获得的错误,它可以看出最错误展示的设计,模型3和4。选中的隶属函数是三角,因为它容易实现。

提出的编程进行了使用方法(23]。每个函数的描述,显示了变量的LR(低红色),(中间红色)先生,HB(红色)高、低绿色(LG),绿色(MLG)介质低,中等高的绿色(MHG),绿色(HG)高、低磅(蓝色),MB(蓝色),HB(蓝色)。

2.8。推论的逻辑

推论的逻辑是由确定最大和最小平均范围的训练集图像的RGB分量。表3显示每个成熟度的最大和最小平均状态。据美国农业部通过使用最后一个程序,可以确定一组36用于模糊系统的规则;使用语言变量是低、中、低平均高,和平均高、表4。

2.9。去模糊化

去模糊化是由方程(11),36岁的推论规则获得成熟的建模。Takagi-Sugeno模糊模型如图10;代表输出模糊规则的重量,和是隶属函数的重量;是规则的数量推断。

2.10。模糊系统的建议

三提出了模糊系统的架构进行评估的水果识别成熟如图11。这些使用的RGB通道与图像相关的部分。在第一个架构,它使用 , ,和渠道作为输入,第二个使用的区别和渠道,允许识别成熟根据提出的方法(7],最后建设是1976年从RGB到CIELab颜色模型变化,和投入使用 , ,和和美能达 提出的关系(4]。

简称ANFIS训练,四十样品六个阶段的成熟。表5显示的结果训练使用100时代提出的三个模型。它可以观察到,模型1训练误差最低是0.046;该模型使用的条目 , ,和分别为3.4和3归属函数。

3所示。结果

模型的结果使用一组20个样品没有训练集的一部分,他们如表所示6。通过模型1,它可以注意到它的误差 ⁶,这是相比其他两个最小值。另一方面,模型2和3设法正确分类的整个样本测试。然而,模型2没有12个样本测试集进行分类;这些都是市场斜体。模型1中的分类误差较低,因为渠道的组件的描述符的意思 , ,和可以识别的增加意味着红色通道,减少绿色通道的平均值,平均值和非线性行为的蓝色烛煤(14]。

4所示。讨论

结果显示,模型1和3正确分类的测试样本集。此外,这些提供最低的平方误差的总和,RGB的模糊系统设计组件的平均价值 ⁶。建筑十隶属度函数用于红、四为绿色,蓝色和三个,性能可靠。

此外,模型3是一个分散系统,使用平均值( , , ,和 )番茄作为输入;其架构集成十二隶属度函数,即三,每个输入使用。这个系统误差的总和 ⁶。另一方面,模糊系统与RGB数据输入(R- - - - - -G)有10个隶属度函数和一笔的二次分类误差为32.8434。

可以推断,使用减法(R- - - - - -G)作为描述符,隐藏的模糊分类器的R, G组件的信息,而放弃了蓝色的组件。这个系统提出困难分类类3、4、5;因此,他们与他人相比效率很低。颜色表示的组件( , , ,和 )似乎帮助,因为一些隶属度函数是用于每个条目,但当四个条目被认为,工作区域被划分为81个行业。颜色表示与RGB模型的直接值传感器收集的图片,一般拜耳类型的,所以它有完整的信息分类没有噪音由于数据转换;这是一个明显的理论优势的工作。因此,模糊系统设计与RGB平均只用36部门由三个隶属度函数生成的 ,4 ,和3 ;这是实际的优势。

换句话说,六个西红柿成熟的分类可以可靠地在RGB颜色空间进行的,主要是由于非线性表面产生的模糊系统或其他数学函数,将每个阶段。然而,该系统的主要限制是整个实验进行了在一个被控制的环境中(固定照明,固定样本距离相机,和马特黑色背景)。这个弱点已经被认为是在研究小组,并提议将在以后的文章中报道。

5。结论

在这项工作中,CVS设计使用一个覆盆子π3,使用番茄成熟度度根据美国农业部标准平均误差 ⁶。CVS图像的采集是通过相机模块覆盆子π2在一个受控环境中光照强度200勒克斯,目的是减少噪声对果实的分割。随后,几个模糊系统进行评估,同时保持四个视图的使用优化三角隶属度函数减少的数量分类错误。根据结果,系统获得了良好的分类,超过了系统使用CIELab颜色空间模型和R-G颜色空间模型。结合本研究,报告关系 番茄成熟的识别确认(3- - - - - -6]。

可以强调一个方面是使用树莓π3和相机模块覆盆子π2,允许创建应用程序的简单技术转让和快速实现专注于水果和蔬菜成熟的分类。这个系统可以扩展到CVS在估算可溶性固体,西红柿中维生素和抗氧化剂。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

作者的贡献

马科斯耶稣学校Aguilar导致的图像采集系统的实现番茄样品。而且,他开发了捕获和处理系统软件的决心番茄成熟度级别。j·恩里克Botello阿尔瓦雷斯导致了概念化,视觉系统的设计实验,辅导,和学习材料的供应,实验室样品,和设备。f·哈维尔Perez-Pinal促成了准备,创造的出版工作,写的初稿,验证结果的视觉系统。Miroslava Cano-Lara专注于视觉系统的验证的采集和算法。m·法利昂Galvan集中在修订的结果分类系统和概念化。Micael-Gerardo Bravo-Sanchez导致方法设计、辅导,建立视觉系统的设计实验。Alejandro以色列深峡谷古铁雷斯领导的监督责任的领导计划、研究活动的执行,技术验证,后续出版的手稿。

确认

作者非常感谢TecNM的支持,CONACyT,即,UG, ITESI和工艺。