苹果特征提取

合集下载

基于机器视觉的苹果园果实识别研究综述

基于机器视觉的苹果园果实识别研究综述1. 引言1.1 研究背景苹果是一种重要的经济作物，在世界范围内种植面积广泛。

苹果的品质和产量受到果实的生长发育和成熟情况的影响，因此果园管理人员需要及时准确地对苹果树上的果实进行识别和监测。

传统的方法主要依靠人工采摘和观察，效率低下且容易出现误差。

随着机器视觉技术的快速发展，基于机器视觉的苹果园果实识别成为了一种新的解决方案。

通过搭载摄像头和图像处理算法的设备，可以实现对苹果园中果实的自动识别和统计，提高了果园管理的效率和准确性。

本文将综述基于机器视觉的苹果园果实识别技术，探讨其在农业领域的应用前景。

同时也将分析当前存在的问题与挑战，为未来的研究和发展提供参考和展望。

【研究背景】部分结束。

1.2 研究意义苹果是世界上重要的水果之一，具有丰富的营养价值，备受消费者喜爱。

苹果园的管理和采摘过程中存在着一些问题，其中之一就是果实的识别和分类。

而基于机器视觉的苹果园果实识别技术可以有效地解决这一问题。

研究对于基于机器视觉的苹果园果实识别技术具有重要的意义。

通过机器视觉技术能够实现对苹果园中成熟果实的自动识别和分类，提高果实采摘的效率和准确性，减少人工成本。

有效的果实识别技术可以帮助果农更好地管理苹果园，合理安排采摘时间，提高果实的品质和产量，增加农业经济效益。

基于机器视觉的苹果园果实识别技术还能为果品质量溯源、果实病虫害检测、果实成熟度监测等提供技术支持，有助于提升苹果产业的发展水平。

研究基于机器视觉的苹果园果实识别技术具有重要的理论和实践价值，对于推动农业现代化、提高果农收益、促进农业可持续发展具有积极意义。

1.3 研究现状苹果园果实识别是现代农业领域的重要研究课题，通过对苹果园中果实进行自动化的识别和分类，可以提高果园管理的效率，优化农业生产流程，降低人力成本，减少农药的使用量等。

目前，国内外对于基于机器视觉的苹果园果实识别技术的研究逐渐增多，取得了一些显著的成果。

多特征图像融合的苹果分级方法应用研究

ｅｓｉｇｔｃｎｌｇｓｕｅｘｒｃｈｉｅｈｐｎｏｏｅｔｒｓｔｅｃｉｅｔｅｑａｉｆａｐｅｈｎＲＢｅｓｎｅｈｏｏｗａｓｄｔｅｔａｔｔｅｓｚ，ｓａｅａｄｃｌｒｆａｕｅｏｄｓｒｈｕｌｙｏｐｌ，ｔｅＦｙｏｂｔ
ＬＩＡＮＧｎＭＥＮＧ－ｗｅＭｉｇ，Ｄａｉ
（ｅａｔｅｔｆｏｐｔｐｌａｏｅｈｏｇ，ｉｇｕＦｏｃｎｅＣｌｇ，ｕｉ，ｉｎｓ，２０３ｈｎ）ＤｐｒｎｏｍｕｒＡｐｉｔｎＴｃｎｌｙＪｎｓｏｄＳｉｃｏｌｅＨａｎＪｇｕ２３０，ＣｉｍＣｅｃｉｏａｅｅａａａ
ａｃｒｃａｅｈａｅｒｐｓｄａｐｌｒｄｎｔｏａｅｎｔｅｅｉｅｃｈｏｙｆｓｏ．Ｆｒｔ，ｉｇｒ — ｃｕａｙｒｔ，ｔｅｐｐｒｐｏｏｅａｐｅｇａｉｇｍｅｈｄｂｓｄｏｈｖｄｎｅｔｅｒｕｉｎｎｉｌｓｙｍａｅｐｏ
ｔｅｑａｉｆｐｌｒｄｎｃｕａｙｒｔ，ａｄｔｅａｃｒｃｓｌｗｎｎｔｂｅｎｏｄｒｔｍｐｏｅａｐｅｇａｉｇｈｕｌｙｏｐｅｇａｉｇａｃｒｃａｅｎｈｃｕａｙｉｏａｄｕｓａｌ．Ｉｒｅｏｉｒｖｐｌｒｄｎｔａ
第２卷第７９期
文章编号：０６９４（０２０ — ２６０１０ — ３８２１）７０５ — ４

三元组特征

三元组特征一、三元组特征概述三元组特征是指从文本中抽取的三个元素组成的关系，通常用于表示实体之间的关系或者事件。

例如，在句子“苹果是一种水果”中，三元组特征可以表示为“苹果-是一种-水果”。

三元组特征是自然语言处理领域中重要的特征之一，被广泛应用于命名实体识别、关系抽取、问答系统等任务。

二、三元组特征的提取方法1.基于规则的方法基于规则的方法是最早的三元组特征提取方法之一。

该方法主要依靠人工制定的规则或者模板，从文本中抽取三元组特征。

由于规则的制定需要人工参与，因此这种方法需要大量的人力成本和时间成本。

但是，基于规则的方法具有较高的准确率，因此在一些特定领域仍然有应用价值。

2.基于机器学习的方法随着机器学习技术的发展，越来越多的研究者开始采用基于机器学习的方法来提取三元组特征。

其中，最具代表性的方法是基于图模型的方法。

该方法将文本中的实体和关系看作节点和边，构建一个图模型，然后利用图模型算法进行三元组特征的提取。

基于图模型的方法可以自动学习实体和关系之间的模式，因此具有较高的泛化能力。

3.基于深度学习的方法近年来，深度学习技术成为了自然语言处理领域的研究热点。

基于深度学习的方法可以自动从大量数据中学习实体和关系之间的模式，因此在三元组特征提取方面具有很高的准确率和召回率。

常见的基于深度学习的方法包括：卷积神经网络（CNN）、循环神经网络（RNN）和注意力机制等。

三、三元组特征的应用场景1.命名实体识别命名实体识别是自然语言处理领域中的一项基础任务，其目的是识别出文本中的实体，如人名、地名、组织机构名等。

在命名实体识别任务中，可以利用三元组特征来表示实体之间的关系，从而进一步提高实体识别的准确率。

2.关系抽取关系抽取是从文本中抽取实体之间关系的任务。

在关系抽取任务中，可以利用三元组特征来表示实体之间的关系，从而得到更加丰富和准确的关系信息。

例如，在新闻报道中抽取人物、地点、事件之间的关系，可以用于构建事件驱动的新闻摘要等。

基于机器视觉的苹果园果实识别研究综述

基于机器视觉的苹果园果实识别研究综述随着人工智能的发展，机器视觉技术在不同领域得到了广泛的应用。

基于机器视觉的果实识别技术在农业领域发挥着重要作用。

苹果园果实识别是其中的一个重要课题。

本文将从苹果园果实识别技术的现状、方法和应用等方面进行综述。

苹果园果实识别是指通过机器视觉技术实现对苹果园中果实的自动检测、分类和计数等功能。

目前，苹果园果实识别主要依靠计算机视觉和机器学习算法。

计算机视觉技术通过对苹果园果实的图像进行分析和处理，识别出果实的特征和属性。

机器学习算法则通过对大量果实图像的训练，让计算机具备对苹果园果实进行判断和分类的能力。

在苹果园果实识别技术的方法研究方面，主要包括图像采集、图像预处理、特征提取和分类识别等步骤。

图像采集是获取苹果园果实图像的基础，通常使用数字相机或者无人机等设备进行采集。

图像预处理是对采集到的图像进行去噪、对比度增强、边缘检测等处理，提高果实图像的质量。

特征提取是从图像中提取出能够表征果实的各种特征，如形状、颜色、纹理等。

分类识别是将提取到的特征输入到机器学习算法中，进行分类和识别。

在苹果园果实识别技术的应用方面，主要包括果实病害检测、果实品质评估和果实自动收获等。

果实病害检测是通过对果实图像进行分析，识别出果实是否存在病害，并进行分类判断。

果实品质评估是通过对果实图像中的特征进行提取和分析，评估果实的成熟度、色泽和大小等指标。

果实自动收获是通过机器视觉技术实现对果实的自动检测和收获，提高果实收获的效率和质量。

随着技术的不断发展，基于机器视觉的苹果园果实识别在农业领域的应用前景广阔。

尤其是在果实病害检测和果实自动收获等方面，机器视觉技术能够大大提高农业生产的效率和质量。

目前该技术仍存在一些挑战，如光照条件的影响、果实形状和大小的差异等。

未来的研究需要进一步解决这些问题，提高苹果园果实识别的准确性和稳定性。

matlab水果识别实验报告

matlab水果识别实验报告实验报告：Matlab水果识别一、实验目标本实验的目标是使用Matlab实现水果的自动识别。

通过训练神经网络模型，实现对苹果、香蕉、橙子三种水果的分类。

二、实验原理基于图像处理的水果识别主要涉及图像采集、预处理、特征提取和分类器设计等步骤。

在Matlab中，我们可以使用内置的图像处理和机器学习工具箱来实现这些步骤。

1. 图像采集：使用相机或图像库获取不同种类水果的高清图片。

2. 预处理：包括灰度化、去噪、二值化等操作，以改善图像质量，便于特征提取。

3. 特征提取：通过边缘检测、形状分析等技术，提取出水果的颜色、纹理、形状等特征。

4. 分类器设计：采用神经网络等机器学习方法，训练分类器以实现对不同水果的分类。

三、实验步骤1. 准备数据集：收集苹果、香蕉、橙子的图片，并标记类别。

将图片分为训练集和测试集。

2. 图像预处理：对图片进行灰度化、去噪、二值化等操作，以改善图像质量。

3. 特征提取：提取图片的颜色、纹理、形状等特征，以便于分类器学习。

4. 训练分类器：使用训练集数据训练神经网络模型，调整模型参数，以提高分类准确率。

5. 测试分类器：使用测试集数据测试分类器的准确率。

6. 结果分析：分析实验结果，评估分类器的性能，提出改进措施。

四、实验结果经过训练和测试，我们得到了以下实验结果：类别识别率苹果 90%香蕉 85%橙子 80%五、结论分析从实验结果可以看出，我们的分类器在识别苹果和香蕉时表现较好，但在识别橙子时准确率较低。

这可能是因为橙子的颜色和纹理特征与苹果和香蕉较为相似，导致分类器难以准确区分。

为了提高橙子的识别率，我们可以尝试采用更复杂的特征提取方法，或者增加训练数据量，以提高分类器的泛化能力。

基于SVD的苹果粉质化高光谱散射图像特征提取

用于对后续所采的高光谱散射图像进行校正，以减小水果果形所带来的误差。本直径范围在６．和８．ｉ之问。样Ｏ７９０１ｍＴ１２高光谱散射图像采集．
用雎缩硬度和汁液含量两个仪器检测指标结合偏微分最小二
乘判别分析算法建立苹果粉质化分类模型。
１实验材料与方法
１１样本．
实验中共使用 “ ｄＤｅｃｕ” 本５０个，１０个采摘Ｒｅｌｉｓ样ｉｏ８８于美国密歇根州立大学农业实验站（ｃｉｎｓａｅｕｉｒｉｍｉｇｔｔｎｖｓｈａｅ — ｔ，ＭＳ，４０个买于商业包装厂（ｏｙＵ）０ｃｍｍｅｃｌｐｃｉｇｒｉａｋｎ — ａｈｕｅＣ）样本分为两组，在不同的条件下储藏，第一组ｏｓ，Ｐ。２０样本（８个来源于Ｃ，６４个１０Ｐ０个来源于ＭＳ储藏在４Ｕ） ℃ 的冷藏室；了加速苹果的粉质化过程，二组３０个样为第４
的奇异值作为粉质化表征参数，结合偏微分最小二乘判别分析建立苹果粉质化分类模型。结果显示，不同对
产地和不同储藏条件下的样本，其两分类模型（质化和非粉质化）分类精度为７．～８．，于平粉的６１Ｏ６优
均值特征提取方法（５３－７．％）分析表明，奇异值分解可以有效地提取高光谱散射图像的特征，７．６５。用此

认知心理学视角下的语义加工与语义记忆

认知心理学视角下的语义加工与语义记忆在我们的日常生活中，语言是交流思想和传递信息的重要工具。

当我们听到或读到一个词、一句话时，能够迅速理解其含义，这种能力看似简单，实则涉及到复杂的认知过程，即语义加工和语义记忆。

从认知心理学的角度来探究这两个方面，能够帮助我们更深入地理解人类的思维和语言处理机制。

语义加工，简单来说，就是我们理解和解释语言意义的过程。

当我们接触到一个新的词汇或句子时，大脑会迅速启动一系列的活动来解读其含义。

这个过程并非一蹴而就，而是分步骤进行的。

首先是词汇识别。

当我们看到一个单词，比如“苹果”，视觉系统会将这个图像信息传递给大脑。

大脑会迅速在词汇库中搜索与之匹配的信息，确认这是“苹果”这个词。

但这只是第一步，仅仅知道这个词还不够，我们还需要理解它在当前语境中的具体含义。

接着是语义特征提取。

每个词汇都有一系列与之相关的语义特征，比如“苹果”的特征可能包括“红色”“圆形”“可食用”等。

在理解过程中，大脑会提取这些特征，并将它们组合起来，形成一个完整的语义概念。

然后是语境整合。

一个词的含义往往会受到其所处语境的影响。

比如“我今天吃了一个苹果”和“这个苹果看起来很漂亮”中，“苹果”的具体含义和作用是不同的。

大脑需要根据上下文的信息，对词汇的语义进行调整和整合，以确保准确理解整个句子的意思。

语义记忆则是我们长期存储和组织语义知识的系统。

它就像是一个巨大的知识库，里面存放着我们对世界万物的认识和理解。

语义记忆的内容非常丰富多样，包括物体的概念、人物的特征、事件的经过、抽象的概念等等。

这些知识不是孤立存在的，而是相互关联形成一个复杂的网络结构。

比如，当我们想到“动物”这个概念时，可能会联想到与之相关的“猫”“狗”“狮子”等具体的动物；而想到“猫”时，又可能会进一步想到“猫的习性”“猫的品种”等更具体的信息。

这种关联网络使得我们在回忆和提取语义信息时更加高效。

语义记忆的形成是一个逐渐积累的过程。

基于形态分析的六种市售苹果品种鉴别

基于形态分析的六种市售苹果品种鉴别在如今的社会中，苹果成为了人们日常生活中不可或缺的果品之一。

有着千千万万种不同品种的苹果，它们的形态和颜色不尽相同。

然而，在购买苹果时，消费者经常被卖家蒙骗，无法分辨不同品种的苹果，导致无法买到理想的果品。

为了帮助消费者更好地辨别苹果品种，基于形态分析的苹果品种鉴别技术应运而生。

基于形态分析的苹果品种鉴别技术是利用计算机视觉技术对苹果的形态特征进行提取和比对，从而实现苹果品种的自动识别。

常见的市售苹果品种有六个，分别是富士，红星，嘎拉，红太阳，首选，黄元帅。

下面将分别对这六种品种进行介绍及其特征分析。

一、富士富士苹果是一种来自日本的高档苹果品种，其外观略显扁平，通常为圆锥形，果皮颜色主要为红色。

通过计算机视觉技术，可以发现富士苹果外形的特征主要包括了果实的较大且扁平的特征以及红色果皮的颜色特征。

二、红星红星苹果是一种典型的中国北方苹果品种，其外形圆润，果皮呈现整个红色。

对于计算机视觉技术来说，红星苹果主要表现在果实呈现圆润型的特征以及果皮颜色的整体鲜艳度。

三、嘎拉嘎拉苹果源于新西兰，其果实呈现形态规则且微呈扁平状。

计算机视觉技术可以很好的识别出嘎拉苹果的特征，即果实的扁平且无规则形状以及果皮呈现橙色调。

四、红太阳红太阳苹果主要产自中国的山东省，以其外观美观，口感极佳而广受喜爱。

计算机视觉技术可以发现，红太阳苹果的形态特点主要为规则的果实形状和整体红色的果皮。

五、首选首选苹果产自中国，其果实微呈扁平形，果皮为绿色和洋红色交替。

计算机视觉通过提取其特征，可以很好的将首选苹果与其他品种进行区分，主要特征表现为果形扁平，果皮纹路清晰并呈交替状。

六、黄元帅黄元帅苹果是国人最为喜欢的苹果品种之一，其果实呈现规则扁平状，果皮呈现金黄色。

计算机视觉技术可以通过计算果形规则扁平和果皮颜色黄色度来进行特征提取，从而实现识别。

综上所述，基于形态分析的苹果品种鉴别技术可以很好地帮助消费者辨别市售苹果品种，减少因识别不清而带来的损失，并很好地提高了消费体验。

ikeytools方法

ikeytools方法（原创版4篇）目录（篇1）1.ikeytools 方法概述2.ikeytools 方法的使用步骤3.ikeytools 方法的优点与局限性正文（篇1）1.ikeytools 方法概述iKeyTools 是一款功能强大的苹果 iOS 设备数据提取和分析工具，适用于所有 iOS 设备，包括 iPhone、iPad 和 iPod Touch。

该工具基于 Python 编写，可以帮助用户轻松地从 iOS 设备中提取关键数据，例如联系人、短信、通话记录、应用数据等。

通过使用 iKeyTools，用户可以更好地分析和了解 iOS 设备的使用情况，为取证、数据恢复和分析提供便利。

2.ikeytools 方法的使用步骤使用 iKeyTools 方法进行数据提取和分析的步骤如下：（1）安装 iKeyTools：在开始使用之前，用户需要先安装 iKeyTools。

用户可以访问 iKeyTools 官方网站下载并安装该工具。

（2）连接设备：确保 iOS 设备已连接到计算机，并开启 USB 调试功能。

（3）启动 iKeyTools：双击 iKeyTools 图标启动工具。

（4）选择目标设备：在 iKeyTools 主界面中选择已连接的 iOS 设备。

（5）选择要提取的数据：根据需求，在 iKeyTools 中选择要提取的数据类型，如联系人、短信、通话记录等。

（6）开始提取：点击“开始提取”按钮，iKeyTools 将开始从 iOS 设备中提取所选数据。

（7）查看和分析数据：提取完成后，用户可以在 iKeyTools 中查看和分析提取的数据。

3.ikeytools 方法的优点与局限性优点：（1）功能强大：iKeyTools 支持提取多种数据类型，满足用户的多样化需求。

（2）操作简便：基于 Python 编写，用户只需按照提示操作即可完成数据提取和分析。

（3）兼容性强：支持所有 iOS 设备，包括不同版本和型号的 iPhone、iPad 和 iPod Touch。

特征的选择与提取特征提取

因此在特征空间得任何一点,如果她对不同类别得后验概率差别很大,则为分类提供了很明确得信息
而Shannon信息论定义得熵就可以用来对可分类性作出评价
故这方面可分性判据得定义称之为基于熵函数得可分性判据
基于熵函数得可分性判据
基于熵函数得可分性判据
分析
如果对某些特征,各类后验概率都相等,即此时
例如
对原特征空间实行一D×D线性变换A 令Sw, Sb为原空间离散度矩阵 S*w, S*b为映射后得离散度矩阵,则:
S*b= A Sb AT S*w= A Sw AT 经变换后得J2变为: J2*(A)=tr[(A Sw AT)-1 A Sb AT] =tr[(AT )-1 Sw-1Sb AT]=tr[Sw-1Sb]=J2(A)
比如先进特征提取,然后再进一步选择其中一部分,或反过来。
8、2 类别可分离性判据
为什么需要类别可分离性判据
特征选择与特征提取得任务就是求出一组对分类最有效得特征
所谓有效就是指在特征维数减少到同等水平时,其分类性能最佳
因此需要有定量分析比较得方法, 判断所得到得特征维数及所使用特征就是否对分类最有利
类别可分离性判据
类别可分离性判据得种类
基于距离度量得可分性判据基于概率分布得可分性判据等
8、2、1基于距离得可分性判据
基于距离得可分性判据
基于距离度量就是人们常用来进行分类得重要依据
一般情况下同类物体在特征空间呈聚类状态,即从总体上说同类物体内各样本由于具有共性
因此类内样本间距离应比跨类样本间距离小
另一个重要问题
如何确定合适得特征空间如何描述每个样本和每个模式
基本概念
大家应该也有点累了，稍作休息
大家有疑问的，可以询问和交流

苹果近红外光谱的特征提取和分类研究

苹果近红外光谱的特征提取和分类研究卜锡滨;武斌;贾红雯【摘要】NIR spectroscopy analysis method is applied to classify different kinds of apple samples. A new method of apple NIR spectra qualitative analysis based on uncorrelated discriminant transformation is presented. Three methods of feature extraction such as principal component analysis, Fisher discriminant analysis and uncorrelated discriminant transformation are used to extract feature from apple NIR spectra. By using AT-nearest neighbour(KNN) three classification models are constructed for the classification recognition of apples. The models are verified by using the leave-one-out cross-validation. The results show that Uncorrelated Discriminant Transformation (UDT) model, comparing with Principal Component Analysis (PC A) model and Fisher Discriminant Analysis(FDA) model, has higher accuracy recognition rate.%采用近红外光谱分析法对不同种类的苹果样品进行分类,提出一种基于非相关判别转换的苹果近红外光谱定性分析新方法.实验分别采用主成分分析、Fisher判别分析和非相关判别转换三种方法对苹果光谱数据进行特征提取,并使用K-近邻分类算法建立三种苹果分类识别模型,最后使用“留一”交叉验证法进行模型检验.结果表明,使用非相关判别转换方法建立的模型正确识别率优于使用主成分分析和Fisher判别分析建立的模型.【期刊名称】《计算机工程与应用》【年(卷),期】2013(049)002【总页数】5页(P170-173,193)【关键词】近红外光谱;主成分分析;Fisher判别分析;非相关判别转换;特征提取【作者】卜锡滨;武斌;贾红雯【作者单位】滁州职业技术学院信息工程系,安徽滁州239000;滁州职业技术学院信息工程系,安徽滁州239000;滁州职业技术学院信息工程系,安徽滁州239000【正文语种】中文【中图分类】TP391苹果是一种生活中常见的水果，采摘后进行有效的分类是苹果商品化处理（包括挑选、分类、包装等）的关键环节。

自然场景下成熟苹果目标的识别及其定位技术研究

自然场景下成熟苹果目标的识别及其定位技术研究自然场景下成熟苹果目标的识别及其定位技术研究引言:随着科技的不断发展，计算机视觉领域的研究也取得了长足的进展。

在自然场景下，识别和定位成熟苹果目标是农业领域的重要研究方向之一。

这项研究旨在通过计算机视觉和机器学习技术，实现对成熟苹果的自动识别和定位，并提供有价值的信息和数据，为农业产品的生产和管理提供支持。

一、背景介绍苹果作为一种重要的水果，具有广泛的应用和市场需求。

为了提高苹果的种植和管理效率，需要对苹果的识别和定位进行研究。

传统的方法是依靠人工目测和人工采摘，但这样的方式耗时耗力，并且容易造成误判。

因此，引入计算机视觉技术可以提高苹果识别的准确性和效率。

二、成熟苹果目标的识别技术研究在自然场景下，苹果的外观受光线、角度以及果实自身特性等多种因素的影响，导致苹果的外观变化较大。

因此，对成熟苹果目标的识别技术需要具备较高的鲁棒性和准确性。

目前，常用的识别方法包括颜色特征、形状特征和纹理特征的提取和匹配。

通过对成熟苹果图像的预处理、特征提取和分类器训练，可以实现苹果目标的快速、准确的识别。

1. 图像预处理图像预处理是识别算法的前置步骤，其目的是提取图像中特征信息，减少图像中的噪声干扰。

对于苹果图像，首先需要进行图像增强和去噪处理。

增强图像的对比度可以使苹果的特征更加明显，而降低图像的噪声可以提高后续处理的准确性。

2. 特征提取特征提取是识别算法的关键步骤，通过提取苹果图像的颜色、形状和纹理等特征，将苹果与背景进行区分。

颜色特征是苹果识别中最常用的特征之一，通过提取苹果图像中的颜色分布和颜色空间，可以判断苹果的成熟度。

另外，形状特征和纹理特征也可以提供额外的信息来区分苹果和其他物体。

3. 分类器训练分类器训练是目标识别中的最后一步，通过已经提取好的特征，建立分类器模型来实现对苹果目标的识别和定位。

常用的分类器包括支持向量机、决策树和神经网络等。

根据具体的应用场景和需要，可以选择适合的分类器进行训练和优化，以提高识别的准确性和效率。

基于D-S证据理论的决策级多特征融合苹果分级方法

基于D-S证据理论的决策级多特征融合苹果分级方法李先锋;朱伟兴;花小朋;孔令东【摘要】针对单特征苹果分级的不确定性和低正确率,通过图像处理提取大小、形状、颜色和缺陷4类能反映苹果外观品质的主要特征,引入信息融合的思想,以单特征初步分级的结果作为证据,用D-S证据理论的方法进行决策级融合处理,实现苹果的多特征综合分级,进一步提高可靠性和分级正确率.80个测试样本的分级试验表明,苹果分级正确率达92.5％,与单特征分级相比,此方法正确识别率高、稳定性好、效果显著.%According to the uncertainty and low accuracy of apple grading relying on the single feature, key features such as size, shape, color and defect which could show the apple' s appearance quality were extracted and a decision fusion method based on D - S evidence theory was proposed. Firstly, the apples were graded according to each of the four features utilizing human experience and neural network. Then, the former grading results were used as evidences to achieve the decision fusion in order to increase the grading reliability and accuracy. Finally, 80 apple samples were used to test grading effect. The experimental results showed that five apples were misjudged and the grading accuracy reached to 92. 5% . The proposed method had good performance on classification rate and stability compared to the grading method based on single feature.【期刊名称】《农业机械学报》【年(卷),期】2011(042)006【总页数】5页(P188-192)【关键词】苹果分级;D-S证据理论;特征提取;决策级融合【作者】李先锋;朱伟兴;花小朋;孔令东【作者单位】盐城工学院信息工程学院,盐城224051;江苏大学电气信息工程学院,镇江212013;盐城工学院信息工程学院,盐城224051;盐城工学院信息工程学院,盐城224051【正文语种】中文【中图分类】TP391.41引言水果分级是其产后处理和市场销售的一个重要环节。

基于颜色和重量特征的苹果在线分级系统设计

基于颜色和重量特征的苹果在线分级系统设计谈英;顾宝兴;姬长英;田光兆;金丽丽;李珈慧【摘要】针对目前水果分级自动化程度较低且分级系统均为离线工作台方式的问题，设计了一种基于多信息融合的苹果采摘机器人在线自动分级系统。

在提取苹果重量及颜色两个特征参数后，运用权重分析法对这两个特征参数进行数据融合，以实现双特征综合分级。

为提高分级正确率，通过实验优化了权重系数。

实验结果表明：所设计的分级系统可实现按重量和颜色双特征进行苹果分级，分级正确率达87%以上。

%Aimed at the problem that the automatic level of fruit grading and all fruit grading systems work in the way of off-line at present, one kind of apple on-line automatic grading system is designed for apple picking robots based on multi-information fusion. Weight and color characteristic parameters of the apple are extracted, the data are fused through weight analysis to achieve comprehensive grading based on multi-feature. To improve the accuracy of grading, the weight coefficients are optimized by experiments. Experimental results show that the designed system can achieve grading based on double-feature(weight andcolor)with the correct rate of over 87%.【期刊名称】《计算机工程与应用》【年(卷),期】2016(000)002【总页数】4页(P219-222)【关键词】在线自动分级;特征提取;图像处理;权重分析法【作者】谈英;顾宝兴;姬长英;田光兆;金丽丽;李珈慧【作者单位】南京农业大学工学院，江苏省智能化农业装备重点实验室，南京210031;南京农业大学工学院，江苏省智能化农业装备重点实验室，南京 210031;南京农业大学工学院，江苏省智能化农业装备重点实验室，南京 210031;南京农业大学工学院，江苏省智能化农业装备重点实验室，南京 210031;南京农业大学工学院，江苏省智能化农业装备重点实验室，南京210031;南京农业大学工学院，江苏省智能化农业装备重点实验室，南京 210031【正文语种】中文【中图分类】TP391.41TAN Ying,GU Baoxing,JI Changying,et al.Computer Engineering and Applications,2016,52（2）：219-222.近年来，我国水果产业发展迅速，同时也存在着采摘技术落后、产后处理能力不足等问题。

计算机视觉考试题目及参考答案

计算机视觉考试题目及参考答案一、选择题（每题2分，共30分）1. 计算机视觉主要研究的是：A. 计算机图像处理B. 计算机图形学C. 计算机视觉系统D. 计算机视觉算法答案：C2. 图像处理与计算机视觉的区别在于：A. 图像处理注重图像的获取和传输，计算机视觉注重图像的解释和理解B. 图像处理主要用于网络传输，计算机视觉主要用于图像处理C. 图像处理是计算机视觉的一个子领域D. 图像处理与计算机视觉没有区别答案：A3. 计算机视觉应用广泛，以下哪项不是计算机视觉的应用之一：A. 人脸识别B. 视频监控C. 自动驾驶D. 家电控制答案：D4. 图像分割是计算机视觉中的重要任务，以下哪种方法常用于图像分割：A. 模糊聚类B. 边缘检测C. 直方图均衡化D. 滤波处理答案：B5. 特征提取是计算机视觉中的关键步骤，以下哪种方法常用于特征提取：A. 主成分分析（PCA）B. 高斯模糊C. 轮廓检测D. 图像压缩答案：A二、填空题（每题3分，共30分）1. 图像的分辨率指的是图像中包含的______。

答案：像素点2. 图像的边缘可以通过______算法来检测。

答案：Canny3. 图像配准是指将多幅图像在______方面进行对齐。

答案：空间4. 在计算机视觉中，用于描述图像颜色的模型有RGB和______。

答案：HSV5. OCR是计算机视觉中的一项重要任务，其全称为______。

答案：Optical Character Recognition三、简答题（每题10分，共30分）1. 请简要介绍计算机视觉的基本原理和流程。

答案：计算机视觉的基本原理是通过图像获取、图像处理和图像解释三个步骤来实现对图像的理解和应用。

图像获取是指通过摄像机等设备获取图像数据；图像处理是指对图像进行预处理，包括去噪、增强、分割等操作；图像解释是指通过特征提取、目标检测和识别等算法对图像进行分析和解释。

2. 请简要介绍计算机视觉在人脸识别中的应用及原理。

图像中被遮挡苹果的还原及定位技术研究

图像中被遮挡苹果的还原及定位技术研究李宏利;何东健【摘要】为了准确识别和定位遮挡苹果果实,提出了基于圆曲率的苹果图像识别与定位方法.该方法首先对遮挡苹果图像用红绿色差法(R-G)分割,并提取苹果果实图像,然后对二值化图像进行形态学处理和边缘跟踪以获取目标轮廓,最后用最小二乘法对不完整轮廓进行圆拟合,提取出果实的圆心和半径.实验结果表明,该方法可以有效地对严重遮挡下的苹果进行识别和定位.【期刊名称】《农机化研究》【年(卷),期】2013(035)009【总页数】4页(P20-23)【关键词】苹果图像;苹果识别;轮廓;特征提取;最小二乘法【作者】李宏利;何东健【作者单位】西北农林科技大学机械与电子工程学院,陕西杨凌712100;西北农林科技大学信息工程学院,陕西杨凌712100;西北农林科技大学机械与电子工程学院,陕西杨凌712100【正文语种】中文【中图分类】TP391.410 引言采用机器人进行果园自动化采集是提高农业生产效率和农业生产自动化程度的重要途径，近年来机器人采摘苹果成为研究热点。

然而，在自然光照条件下，准确识别并确定苹果的位置，已成为机器人采摘的技术难点之一。

Hough变换是目前运用较多的方法，可以通过Hough变换实现圆心定位及半径检测[1-5]。

陈振羽等用水果多种特征和Hopfield神经网络相结合的方法对有遮挡目标的识别进行了探索[6]；黄庆、李飚等提出通过曲率进行圆检测方法[7]；李芳芳提出了通过图像边缘信息进行鸡蛋曲率计算的方法[8]。

已有研究表明，Hough 变换对单个苹果或苹果面积缺失较小时效果较好，但苹果有严重重叠或遮挡时，识别难度较大。

本文以遮挡或重叠苹果图像为研究对象，研究其检测和定位方法。

首先，把彩色图像转换为黑白二值图像；其次，对图像去噪处理，消除图像上的干扰因素；最后对黑白二值图像进行轮廓提取，结合轮廓曲率提取光滑的轮廓弧段，再对提取的光滑弧段采用最小二乘法进行圆拟合，从而求出苹果的几何中心以及半径。

基于图像识别的苹果果实检测技术

Ｃｔｈｅｍｅｔｈｏｄｃａｎａｃｃｕｒａｔｅｌｙｅｘｔｒａｃｔｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆａｐｐｌｅｆｒｕｉｔｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｔｒａｄｉｔｉｏｎａｌｉｄｅｎｔｉｆｉｃａｔｉｏｎｍｅｔｈｏｄａｎｄ
（ｒ
ｉｍｐｏｒｔａｎｔｗａｙｏｒｆｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆａｐｐｌｅｉｎｄｕｓｔｒｙ．Ａｔｐｒｅｓｅｎｔ，ｔｈｅａｐｐｌｅｉｍａｇｅｉｄｅｎｔｉｉｃｆａｔｉｏｎａｎｄｄｅｔｅ（＇ｔｉｏｎｔａｋｅｌｏｎｇ
ｒ
Ｃ
ｆ

ｇ
ｆ
ｆ
Ａｂｓｔｒａｃｔ：Ｔｈｅａｐｐｌｉｅａｔｉｏｎｏｆｉｍａｇｅｒｅｃｏｇｎｉｔｉｏｎｔｅｃｈｎｏｌｏｇｙｉｎａｐｐｌｅｆｒｕｉｔａｕｔｏｍａｌｉｃｐｉｃｋｉｎｇａｍ］ｓｅｌｅｃｔｉｎｇｐｒｏｃｅｓｓｉｓａｎ
ＳＳＮｌ００６—７Ｉ６７
睑
室
研
究
第３５港第１０期
ＶｏＩ＿３５Ｎ０．１（）
２０Ｉ６年１０Ｊ
Ｏｃｔ．２０１６

基于色差信息的成熟苹果识别

西北大学学报（自然科学版）２１０１年ｌ，４２月第１卷第６期，ｅ．２１，ｏ．１Ｎ．Ｄｃ，０１Ｖ１，ｏ６４ＪｕｌｏＮ￣ｗｓＵｉｒｉＮｔｒｃｅｃｄｔｎｏｍａｆｏｈｅｔｎｖｓｙ（ａａＳｉｎｅＥｉｏ）ｅｔｕｌｉ
（ｏｅｅｏｌｃｉａｄＩｆｒａｏｎｉｅｒｇＳａｎｉｎｅｓｙｏｃｅｃｎｅｈｏｇ，Ｘｎ７０２，ｈａＣｌｇｆｅｔｃｎｏｍｔｎＥｇｅｉ，ｈａｘｉｒｔｆｉｅａｄＴｃｎｌｙｉ１０１Ｃｉ）ｌＥｒｎｉｎｎＵｖｉＳｎｏａｎ
现，为采摘机器人准确识别和定位提供了视觉基础。
关
键
词：果；苹色差；大类间方差；别；最识区域标记
文献标识码：＝Ａ文章编号：００２４Ｘ（０１０－９３５１０．７２１）６０９－０
中图分类号：Ｐ９．Ｔ３１４
Ｔｈｅｉｅｔｆｃｔｏｆｍａｕｒｐｌａｅｄｎｉａｉｎｏｔｅａｐｅｂｓｄｉ
ｏｈｈｒｍａｉｂｒａｉｎｎｔｅｃｏｔｃａｅｒｔｏ
Ｃｈ－ａＬｉＵＩｕｊｎ，ＩａＳｕＪｎ
Ａｂｓｒｃｔａｔ：ＡｉｍＭａｕｅａｐｅａｅｔｅｉｅｔｆｅｎｈｉｅｔｒｓｅｔａｔｄｉｉｆｒｎｉｈｎｉｏｔｒｐｌｓｒｏｂｄｎｉｉｄａｄｔｅｒｆａｕｅｘｒｃｅｎｄｆｅｅｔｌｇｔｅｖｒｎｍｅｔ．ｎｓ

写出项目水果分类模型的过程

写出项目水果分类模型的过程一、项目水果分类模型的整体思路1、什么是水果分类模型咱就把水果分类模型想象成一个超级智能的小助手，它的任务呢，就是把各种各样的水果按照不同的特点分到不同的“小房间”里。

比如说，把苹果、香蕉、橙子这些都分开来放，就像咱们整理衣柜，把衬衫放一格，裤子放一格一样。

这个模型可不是随便分的，它得按照水果的一些特定属性来分。

2、为什么要做水果分类模型哎呀，这可太有用啦。

你想啊，如果是水果超市，把水果分类好了，顾客找起来多方便呀。

再比如说，要是有个专门研究水果营养的机构，分类好了就能更好地统计不同种类水果的营养数据啥的。

而且对于果农来说，分类模型可以帮助他们更好地管理果园里的水果品种呢。

二、数据收集1、收集什么样的数据咱们得收集各种水果的相关数据呀。

像水果的形状，苹果是圆圆的，香蕉是弯弯的；颜色也很重要呢，苹果有红的、青的，橙子是橙色的；还有大小，大西瓜和小樱桃对比可明显啦。

除了这些外观数据，还得收集水果的口感、气味这些数据呢。

口感像苹果是脆脆的，香蕉是软软糯糯的；气味呢，像芒果有股独特的香味。

2、从哪里收集数据可以从好多地方收集呢。

水果市场就是个大宝库，那里有各种各样的水果，我们可以直接观察、测量。

还有果园，果农们对自己种的水果那是相当了解，可以从他们那里获取很多一手数据。

另外，一些水果研究机构也有很多关于水果的数据，咱们也可以去借来用用。

三、数据预处理1、数据清理收集来的数据有时候可没那么干净。

比如说，可能有些数据记录错误了，苹果的颜色写成蓝色了，这肯定不对呀。

咱们就得把这些错误的数据找出来，然后修正或者直接扔掉。

还有些重复的数据，就像同一个苹果被记录了两遍，这也得处理掉。

2、数据标准化不同的水果数据可能量纲不一样。

比如说苹果的大小可能用厘米记录，香蕉的长度可能用毫米记录。

这时候就要把它们统一成一样的标准，这样在模型处理的时候才不会混乱。

就像大家排队，都得按照一样的规则来站，不能有的按身高站，有的按年龄站。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

经验与交流
计算机与信息技术
· ７９ ·
苹果的特征检测与ＭＡＴＬＡＢ实现
王术兰徐晓辉胡慧
（河北工业大学信息工程学院天津３００１３０）
摘要本文选取了可用于苹果分级的部分特征，并在Ｍａｔｌａｂ上进行试验检测ቤተ መጻሕፍቲ ባይዱ该方法可以对苹果的外部缺陷、果梗、尺
寸和形状进行全面的检测，在此基础上可对苹果进行高速和精确的分级。
２田捷，沙飞，张新生编著．实用图像分析与处理技术．北京：电子工业出版社，１９９５．１２７～１２９
３宁素俭，李强，杨文志．计算机视觉轮廓的获取及其尺寸测量．农业机械学报，１９９６，２７（２）：４４～４９
４ＷｅｎＺ，ＴａｏＹ．Ｄｕａｌ－ｃａｍｅｒａＮＩＲ／ＭＩＲｉｍａｇｉｎｇｆｏｒｓｔｅｍ－ｅｎｄ／ｃａ－ｌｙｘｉｄｅｎｔｉｆｉｃａｔｉｏｎｉｎａｐｐｌｅｄｅｆｅｃｔｓｏｒｔｉｎｇ．ＴｒａｎｓａｃｔｉｏｎｏｆＡＳＡＥ，２０００，４３（２）：４４６－４５２
Ｉ＝ｉｍｒｅａｄ（＇图片名．ｊｐｇ＇）；Ｉ２＝ｒｇｂ２ｇｒａｙ（Ｉ）；Ｊ＝ｉｍａｄｊｕｓｔ（Ｉ２，［０．１０．３］，［］）；Ｂ＝ｍｅｄｆｉｌｔ２（Ｊ）；ＢＷ＝ｅｄｇｅ（Ｂ，＇ｓｏｂｅｌ＇，０．１）；ＢＷｆｉｌｌ＝ｉｍｆｉｌｌ（ＢＷ，＇ｈｏｌｅｓ＇）；ＢＷｆｉｌｔ＝ｍｅｄｆｉｌｔ２（ＢＷｆｉｌｌ）；ＢＷｆｉｌｔ２＝ｍｅｄｆｉｌｔ２（ＢＷｆｉｌｔ）；ＢＷｆｉｌｔ３＝ｍｅｄｆｉｌｔ２（ＢＷｆｉｌｔ２）；ＢＷｆｉｌｔ４＝ｍｅｄｆｉｌｔ２（ＢＷｆｉｌｔ３）；ＢＷｆｉｌｔ５＝ｍｅｄｆｉｌｔ２（ＢＷｆｉｌｔ４）；ｆｉｇｕｒｅ，ｓｕｂｐｌｏｔ（１，３，１），ｉｍｓｈｏｗ（Ｉ）；ｓｕｂｐｌｏｔ（１，３，２），ｉｍｓｈｏｗ（Ｉ２）；ｓｕｂｐｌｏｔ（１，３，３），ｉｍｓｈｏｗ（Ｊ）；ｆｉｇｕｒｅ，ｓｕｂｐｌｏｔ（１，３，１），ｉｍｓｈｏｗ（ＢＷ）；ｓｕｂｐｌｏｔ（１，３，２），ｉｍｓｈｏｗ（ＢＷｆｉｌｌ）；ｓｕｂｐｌｏｔ（１，３，３），ｉｍｓｈｏｗ（ＢＷｆｉｌｔ５）；ａ＝ｂｗａｒｅａ（ＢＷｆｉｌｔ５）；［ｘ，ｙ］＝ｓｉｚｅ（Ｉ）；ｂ＝ａ／（ｘ＊ｙ）；ｉｆ（ｂ＞０）
Ｉ＝ｉｍｒｅａｄ（＇图片名．ｊｐｇ＇）；
Ｉ２＝ｒｇｂ２ｇｒａｙ（Ｉ）；
Ｂ＝ｍｅｄｆｉｌｔ２（Ｉ２）；
Ｂ２＝ｍｅｄｆｉｌｔ２（Ｂ）；
Ｂ３＝ｍｅｄｆｉｌｔ２（Ｂ２）；
Ｂ４＝ｍｅｄｆｉｌｔ２（Ｂ３）；
Ｂ５＝ｍｅｄｆｉｌｔ２（Ｂ４）；
Ｂ６＝ｍｅｄｆｉｌｔ２（Ｂ５）；
ＢＷ＝ｅｄｇｅ（Ｂ６，＇ｓｏｂｅｌ＇，０．１）；
关键词分级；缺陷；果梗
０引言
近年来，国外在利用计算机视觉技术进行水果品质检测方面做了大量研究，并获得了许多重要成果；在我国也有许多研究报导，但到目前为止都处于试验阶段，而且分析方法距实际应用还有一段距离。特别是在缺陷检测方面，目前采用的方法处理速度很慢，在实际在线工作时无法使用。国外学者（ＣｈｅｎｇＸ等）在识别缺陷时获得成功，但需要同时使用近红外和中红外摄像设备，这２种设备造价之昂贵，使得该方法的应用受到限制，无法在农业分级设备中广泛应用。因此，研究适合于生产的分级检测方法有重要意义。
１大小检测
对于苹果大小的检测，主要依靠求出的苹果面积作为判别依据。本课题所采用的苹果图片都只是单个苹果的图片。首先对图片进行灰度处理，使用的ＭＡＴＬＡＢ函数是ｒｇｂ２ｇｒａｙ；其次使用函数ｉｍ２ｂｗ把灰度图转换为二值图，阈值则取０．９，从而使苹果区域为黑色，其余区域为白色；然后对二值图取反，使黑白颜色区域颠倒，这时的苹果区域为白色；最后利用函数ｂｗａｒｅａ可以计算白色区域的像素点的个数ｔｏｔａｌ。利用ｔｏ－ｔａｌ与整幅图片的像素值（ｘ＊ｙ）之比，再与图片的面积相乘，便可得出苹果相对图片的面积．利用这个面积我们可以进行筛选．程序流程：读入图像 → 灰度化图像 → 二值化图像 → 计算面积
５ＴａｏＹ，ＭｏｒｒｏｗＣＴ，ＨｅｉｎｅｍａｎｎＰ．Ｆｏｕｒｉｅｒ－ｂａｓｅｄｓｅｐａｒａｔｉｏｎｔｅｃｈｎｉｑｕｅｆｏｒｓｈａｐｅｇｒａｄｉｎｇｏｆｐｏｔａｔｏｅｓｕｓｉｎｇｍａｃｈｉｎｅｖｉｓｉｏｎ．Ｔｒａｎｓａｃ－ｔｉｏｎｏｆＡＳＥＡ，１９９５，３８（３）：９４９～９５７
１ＴａｏＹ，ＣｈａｎｃｅＬ，ＢａｏｒｅｎＬ．ＦｕｌｌＳｃａｌｅＦｒｕｉｔＶｉｓｉｏｎＳｏｒｔｉｎｇＳｙｓｔｅｍＤｅｓｉｇｎ－ＦａｃｔｏｒｓａｎｄＣｏｎｓｉｄｅｒａｔｉｏｎｓ［Ａ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｔｈｅＦＰＡＣＣｏｎ－ｆｅｒｅｎｃｅ［Ｃ］．Ｃｈｉｃａｇｏ，Ｉｌｌｉｎｏｉｓ．１９９５．１４－２２
ｆｉｇｕｒｅ，ｓｕｂｐｌｏｔ（１，４，１），ｉｍｓｈｏｗ（Ｉ）；
ｓｕｂｐｌｏｔ（１，４，２），ｉｍｓｈｏｗ（Ｉ２）；
ｓｕｂｐｌｏｔ（１，４，３），ｉｍｓｈｏｗ（Ｂ６）；
ｓｕｂｐｌｏｔ（１，４，４），ｉｍｓｈｏｗ（ＢＷ）；
ａ原始图片
ｂ灰度图片
ｃ二值图片
图１求苹果面积过程中的图像变换
２缺陷检测
对于苹果表面的缺陷（如疤瘌、黑斑等），本课题采用特征提取，即提取出坏损部位的轮廓，再进行填充求其面积，以其面积在图片中的比例作为判别依据。首先，对采集的原始图片（即彩色图片）进行灰度变换；接着用函数ｉｍａｄｊｕｓｔ来调整灰度；对灰度图片进行一次中值滤波后，再对图片进行边缘检测；这时坏损的轮廓已经出现，但还有一些噪声存在，为滤掉噪声，要先对坏损的轮廓填充，采用ＢＷｆｉｌｌ＝ｉｍｆｉｌｌ（ＢＷ，＇ｈｏｌｅｓ＇）语句，使缺陷部位的像素点为白色；其次是经过滤波，把噪声滤掉求缺陷的像素个数ａ，与图片总的像素个数（ｘ＊ｙ）的比ｂ就是我们判断的依据，本程序设ｂ＝０。程序流程：读入图像→ 灰度化图像→直方图调整→中值滤波 →边缘检测 → 缺陷判定
ｆｐｒｉｎｔｆ（＇有缺陷＇）；ｅｌｓｅ
· ８０ ·
ｆｐｒｉｎｔｆ（＇无缺陷＇）；ｅｎｄ
ａ原始图片
ｂ灰度图片
计算机与信息技术
经验与交流
ｃ灰度变换
ｓｕｍ＝ｓｕｍ＋ａ（ｉ，ｊ）；ｅｎｄｅｎｄｉｆ（ｓｕｍ＞８０００｜｜ｓｕｍ＜－５．００００ｅ＋００５）
ｆｐｒｉｎｔｆ（＇无果梗＇）；ｅｌｓｅ
ｆｐｒｉｎｔｆ（＇有果梗＇）；ｅｎｄ
ｄ边缘检测
ｅ轮廓填充
ｆ滤波
图２检测苹果表面坏损过程中的图像变换
３果梗检测
对苹果梗的检测，主要是通过对苹果的轮廓线矩阵求差
分实现的。利用图像处理技术对苹果的彩色图片进行灰度转
换，经滤波后再边缘检测，提取出苹果的轮廓线，利用ｉｍｃｏｎ－
ｔｏｕｒ函数可以得出轮廓线的矩阵，再用ｄｉｆｆ函数对矩阵进
行差分，把这些差分值累加，于是得到一个ｓｕｍ值。这个值就
是我们判断果梗有无的依据。当有果梗时ｓｕｍ会在０到－５．
００００ｅ５（估测值）之间，而无果梗的ｓｕｍ值是正值，本程序大概
定于８０００以上。
程序流程：读入图像 → 灰度化图像 →滤波及边缘检测 →
提取轮廓线 →参数提取→ 果梗判断
ｆｉｇｕｒｅ，［Ｃ，ｈ］＝ｉｍｃｏｎｔｏｕｒ（ＢＷ）；
ａ＝ｄｉｆｆ（Ｃ）；
［ｘ，ｙ］＝ｓｉｚｅ（ａ）；
ｓｕｍ＝０；
ｆｏｒｉ＝１：ｘ
ｆｏｒｊ＝１：ｙ
ａ原始图片ｂ灰度图片ｃ滤波后的图片ｄ边缘检测
ｅ数据轮廓线图３检测果梗过程中的图像变换
４结论
通过在Ｍａｔｌａｂ上实验分析，应用这些特征加以判断对水果进行分级，解决了苹果自动分级视觉信息处理中亟待进一步完善的问题— ——果梗判别，与此同时还能进行边缘检测，算法简单易行，再加上算法本身既适合于并行处理，又适合于硬件电路实现，为苹果自动分级系统的真正实施打下了坚实的基础。参考文献
Ｉ＝ｉｍｒｅａｄ（＇图片名．ｊｐｇ＇）；Ｉ２＝ｒｇｂ２ｇｒａｙ（Ｉ）；ＢＷ＝ｉｍ２ｂｗ（Ｉ２，０．９）；ｔｏｔａｌ＝ｂｗａｒｅａ（￣ＢＷ）ｆｉｇｕｒｅ，ｓｕｂｐｌｏｔ（１，３，１），ｉｍｓｈｏｗ（Ｉ）；ｓｕｂｐｌｏｔ（１，３，２），ｉｍｓｈｏｗ（Ｉ２）；ｓｕｂｐｌｏｔ（１，３，３），ｉｍｓｈｏｗ（ＢＷ）；如图１所示：