基于人工智能的脐橙品质识别系统及方法与流程

本发明属于图像分析领域，具体来说，特别涉及基于人工智能的脐橙品质识别系统及方法。

背景技术：

1、脐橙是芸香科柑橘属植物甜橙的一类栽培品种，通常指华盛顿脐橙和罗伯逊脐橙其果顶有脐，即有一个发育不全的小果实包埋于果实顶部无核，肉脆嫩，味浓甜略酸；以下是关于脐橙的一些特点和种植的信息：脐橙果实较大，呈球形或椭圆形，果皮光滑，颜色通常为橙色或金黄色，有时带有红色的色调；果肉多汁，口感甜美，无核，风味浓郁，富含维生素c、类黄酮等营养成分；脐橙适合在温暖、湿润的气候条件下生长，需要充足的阳光和肥沃的土壤在中国，脐橙主要种植在广东、江西、四川、湖南等省份；脐橙有许多品种，如华盛顿脐橙、罗伯逊脐橙、赣南脐橙等，每个品种具有独特的风味和特点；脐橙富含维生素c、维生素a、钾、纤维素等营养物质，对身体健康有益。

2、中国专利cn117689734a公开了一种谷物品质实时采集识别方法及系统，利用谷物图像实时采集装置采集谷物下表面图像、谷物上表面图像；对谷物下表面图像、谷物上表面图像进行提取分割，分别得到单籽粒谷物下表面图像、单籽粒谷物上表面图像；对单籽粒谷物下表面图像、单籽粒谷物上表面图像进行图像配准，得到单籽粒谷物组合图像；对单籽粒谷物组合图像进行品质识别，输出谷物品质分类；本发明提供的技术方案能够有效克服现有技术所存在的无法精准获取高分辨率的单籽粒谷物组合图像以对谷物品质进行准确识别的缺陷。

3、现有的脐橙品质进行识别是主要依赖于人工观察和判断，例如通过肉眼观察外观、色泽等，这可能受到观察者主观因素的影响，且每个观察者由于判别的标准可能不同，导致最终得到的识别结果不一致且不准确。

技术实现思路

1、针对相关技术中的问题，本发明提出基于人工智能的脐橙品质识别系统及方法，以克服现有相关技术所存在的上述技术问题。

2、为解决上述技术问题，本发明是通过以下技术方案实现的：

3、本发明为基于人工智能的脐橙品质识别方法，包括以下步骤：

4、s1、采集多个脐橙样本得到第一脐橙样本集以及剖切后的脐橙样本集，对所述第一脐橙样本集以及剖切后的脐橙样本集中的各个样本进行图像采集，分别得到第一脐橙外观图像矩阵和第二脐橙外观图像矩阵；

5、s2、设定第一特征类别集和第二特征类别集；根据所述第一特征类别集和第二特征类别集分别对第一脐橙外观图像矩阵和第二脐橙外观图像矩阵中的各个脐橙外观图像进行特征提取，得到第一脐橙外观图像特征数据矩阵和第二脐橙外观图像特征数据矩阵；对所述第一脐橙外观图像特征数据矩阵和第二脐橙外观图像特征数据矩阵中的各个特征数据进行数据分类，数据分类后再进行分类操作，得到第一最优分类中心数据矩阵和第二最优分类中心数据矩阵；

6、s3、设定待识别脐橙样本以及待识别剖切脐橙样本；采集所述待识别脐橙样本和待识别剖切脐橙样本的图像并进行特征提取以及数据分类，得到第一待识别脐橙特征类别数据矩阵和第二待识别脐橙特征类别数据矩阵；计算所述第一待识别脐橙特征类别数据矩阵和第二待识别脐橙特征类别数据矩阵中每列数据的平均值，得到第一待识别脐橙特征类别平均数据集和第二待识别脐橙特征类别平均数据集；

7、s4、根据所述第一待识别脐橙特征类别平均数据集和第二待识别脐橙特征类别平均数据集判定待识别脐橙样本的最终品质等级；

8、第一特征类别集中包括例如脐橙果实的大小以及形状，例如呈球形或椭圆形，脐橙果皮的光滑程度以及颜色，例如橙色、金黄色，以及有时带有红色的色调；第二特征类别集包括例如果瓣的颜色、大小以及果瓣内部颗粒的形状和大小、以及含籽的数量；通过采集脐橙样本的图像，根据图像能得到脐橙样本中在第一特征类别集中各个特征的数据；再对脐橙样本进行剖切，因此可以对脐橙样本内部的图像进行采集，根据脐橙样本内部的图像能得到脐橙样本中在第二特征类别集中各个特征的数据；通过从脐橙样本外部特征以及内部特征两个维度对脐橙样本的品质级别进行综合分析，使得分析更加的全面，进而使得分析结果更加准确；再对从每个脐橙样本图像提取出来的特征数据进行分类，得到每个特征数据的分类数据，再计算分类数据的平均值，根据平均值进行后续的分类操作，使得分类的更加准确，从而为后续对待识别的脐橙进行分类提供了准确的依据，使得最终判定的结果更加准确且判定过程中不需要人为主观判定，保证了判定标准的一致性。

9、优选地，所述s1包括以下步骤：

10、s11、采集多个脐橙样本，得到第一脐橙样本集；

11、s12、对所述第一脐橙样本集中每个脐橙样本进行外观图像采集，得到第一脐橙外观图像矩阵对所述第一脐橙样本集中每个脐橙样本进行剖切操作，得到剖切后的脐橙样本集；对所述剖切后的脐橙样本集中每个剖切后的脐橙样本进行外观图像采集，得到第二脐橙外观图像矩阵b′；

12、通过采集第一脐橙样本集以及剖切后的脐橙样本集，为后续采集图像提供了样本支持；通过图像的采集，为后续提取脐橙样本以及剖切后的脐橙样本的特征数据提供了数据支持。

13、优选地，所述s2包括以下步骤：

14、s21、设定第一特征类别集和第二特征类别集；根据所述第一特征类别集对第一脐橙外观图像矩阵中的各个脐橙外观图像进行特征提取，得到第一脐橙外观图像特征数据矩阵c′；再根据所述第二特征类别集对第二脐橙外观图像矩阵b′中的各个剖切后的脐橙外观图像进行特征提取，得到第二脐橙外观图像特征数据矩阵

15、s22、根据所述第一特征类别集设定第一特征数据分类区间矩阵再根据所述第二特征类别集设定第二特征数据分类区间矩阵d；再设定分别与所述第一特征数据分类区间矩阵和第二特征数据分类区间矩阵d相对应的第一特征类别数据矩阵e′和第二特征类别数据矩阵

16、s23、根据所述第一特征数据分类区间矩阵以及第一特征类别数据矩阵e′和第二特征数据分类区间矩阵d以及第二特征类别数据矩阵分别对第一脐橙外观图像特征数据矩阵c′中各个脐橙外观图像特征数据以及第二脐橙外观图像特征数据矩阵中剖切后的脐橙外观图像特征数据进行分类，得到第一脐橙外观图像特征类别数据矩阵和第二脐橙外观图像特征类别数据矩阵e；

17、s24、对所述第一脐橙外观图像特征类别数据矩阵和第二脐橙外观图像特征类别数据矩阵e进行分类操作，得到第一最优分类中心数据矩阵p1′和第二最优分类中心数据矩阵p′2；

18、通过设定第一特征类别集和第二特征类别集，确定了需要提取的特征数据的种类，为后续进行特征提取提供了依据；再通过对特征数据进行分类，使得后续根据特征数据对脐橙按照品质级别进行分类的过程更加方便。

19、优选地，s21中所述根据所述第一特征类别集对第一脐橙外观图像矩阵中的各个脐橙外观图像进行特征提取以及根据所述第二特征类别集对第二脐橙外观图像矩阵b′中的各个剖切后的脐橙外观图像进行特征提取包括以下步骤：

20、s211、设定初始盒子滤波器以及尺度空间；设定所述尺度空间的图像金字塔阶数为以及图像金字塔每一阶的层数为l；根据所述图像金字塔阶数以及图像金字塔每一阶的层数l计算任意阶任意层盒子滤波器的尺寸为l′；

21、s212、根据所述任意阶任意层盒子滤波器的尺寸l′对初始盒子滤波器进行设置，得到设置好的盒子滤波器；采用所述设置好的盒子滤波器分别对所述第一脐橙外观图像矩阵中的各个脐橙外观图像以及第二脐橙外观图像矩阵b′中的各个剖切后的脐橙外观图像的hessian矩阵进行构建，得到第一hessian矩阵集和第二hessian矩阵集；

22、s213、设定所述第一脐橙外观图像矩阵中的各个脐橙外观图像的特征点邻域均为记为第一邻域；以及第二脐橙外观图像矩阵b′中的各个剖切后的脐橙外观图像的特征点邻域均为记为第二邻域；在所述第一邻域内对第一hessian矩阵集中各个hessian矩阵的行列式做内插操作以及在所述第二邻域内对第二hessian矩阵集中各个hessian矩阵的行列式做内插操作；再选取所述第一邻域以及第二邻域内的局部极大值，得到所述第一脐橙外观图像矩阵中的各个脐橙外观图像的特征区域集以及第二脐橙外观图像矩阵b′中的各个剖切后的脐橙外观图像的特征区域集；

23、s214、根据所述第一特征类别集对第一脐橙外观图像矩阵中的各个脐橙外观图像的特征区域集进行数据描述，得到所述第一脐橙外观图像特征数据矩阵c′；根据所述第二特征类别集对第二脐橙外观图像矩阵b′中的各个剖切后的脐橙外观图像的特征区域集进行数据描述，得到所述第二脐橙外观图像特征数据矩阵

24、通过采用surf算法对第一脐橙外观图像矩阵中的各个脐橙外观图像以及第二脐橙外观图像矩阵中的各个剖切后的脐橙外观图像中的特征点进行提取，组合成特征区域，再对提取出的特征区域进行数据描述，从而得到了特征数据。

25、优选地，所述s24包括如下步骤：

26、s241、对所述第一脐橙外观图像特征类别数据矩阵和第二脐橙外观图像特征类别数据矩阵e中各个图像特征类别数据进行平均值计算，得到第一图像特征类别平均数据矩阵和第二图像特征类别平均数据矩阵

27、s242、设定脐橙品质等级集；

28、s243、在所述第一图像特征类别平均数据矩阵以及第二图像特征类别平均数据矩阵中均随机选取m′行数据作为初始分类中心数据，得到第一初始分类中心数据矩阵和第二初始分类中心数据矩阵m′表示脐橙品质等级集中脐橙品质等级的总个数；

29、s244、构建第一蝴蝶种群和第二蝴蝶种群；设定所述第一蝴蝶种群和第二蝴蝶种群的规模分别为和设定第一最大迭代次数为第二最大迭代次数为第一当前迭代次数为第二当前迭代次数为设定第一蝴蝶种群中蝴蝶释放香味的浓度公式以及第二蝴蝶种群中蝴蝶释放香味的浓度公式再设定所述第一蝴蝶种群和第二蝴蝶种群中蝴蝶的搜索空间的维度分别为m′×c1和m′×c2；

30、s245、根据所述第一初始分类中心数据矩阵和第二初始分类中心数据矩阵以及第一蝴蝶种群和第二蝴蝶种群中蝴蝶的搜索空间的维度对第一蝴蝶种群和第二蝴蝶种群中各个蝴蝶的初始位置进行设定；得到第一初始位置矩阵集和第二初始位置矩阵集

31、s246、设定所述第一蝴蝶种群和第二蝴蝶种群的适应度函数，分别记为第一适应度函数和第二适应度函数

32、s247、开始分别对所述第一蝴蝶种群和第二蝴蝶种群进行迭代操作，所述第一蝴蝶种群在每轮迭代过程中根据第一适应度函数以及对每只蝴蝶的位置进行更新操作并获取全局最佳适应度以及对应的全局最佳蝴蝶个体；所述第二蝴蝶种群在每轮迭代过程中根据第二适应度函数以及对每只蝴蝶的位置进行更新操作并获取全局最佳适应度以及对应的全局最佳蝴蝶个体；当时，所述第一蝴蝶种群停止迭代，得到第一最优分类中心数据矩阵p1′；当时，所述第二蝴蝶种群停止迭代，得到第二最优分类中心数据矩阵p′2；

33、采用蝴蝶算法对第一图像特征类别平均数据矩阵和第二图像特征类别平均数据矩阵中的各个分类中心进行不断的迭代优化，使得各个分类的数据到各自分类的分类中心数据的欧式距离之和最小，从而实现了最优分类，即得到了最优的分类中心数据。

34、优选地，所述s245包括以下步骤：

35、s2451、根据所述第一特征类别集和第二特征类别集设定第一初始位置步长数据集和第二初始位置步长数据集；

36、s2452、根据所述第一初始位置步长数据集和脐橙品质等级集对所述第一初始分类中心数据矩阵中的各个数据进行生成以及根据所述第二初始位置步长数据集和脐橙品质等级集对第二初始分类中心数据矩阵中的各个数据进行生成；得到所述第一初始位置矩阵集和第二初始位置矩阵；

37、通过设定第一初始位置步长数据集和第二初始位置步长数据集，确定蝴蝶种群中各个蝴蝶的初始位置的生成方式。

38、优选地，所述s3包括以下步骤：

39、s31、设定待识别脐橙样本；对所述待识别脐橙样本进行外观图像采集，得到第一待识别脐橙外观图像集；表示采集的待识别脐橙样本外观图像的总个数；对所述待识别脐橙样本进行剖切操作，得到待识别剖切脐橙样本；对所述待识别剖切脐橙样本进行外观图像采集，得到第二待识别脐橙外观图像集；q′表示采集的待识别剖切脐橙样本外观图像的总个数；

40、s32、根据所述第一特征类别集对第一待识别脐橙外观图像集中各个外观图像进行特征提取，得到第一待识别脐橙特征数据矩阵再根据所述第二特征类别集对第二待识别脐橙外观图像集中各个外观图像进行特征提取，得到第二待识别脐橙特征数据矩阵

41、s33、根据所述第一特征数据分类区间矩阵以及第一特征类别数据矩阵e′分别对第一待识别脐橙特征数据矩阵和第二待识别脐橙特征数据矩阵中各个脐橙外观图像特征数据进行分类，分别得到第一待识别脐橙特征类别数据矩阵和第二待识别脐橙特征类别数据矩阵；

42、s34、计算所述第一待识别脐橙特征类别数据矩阵和第二待识别脐橙特征类别数据矩阵中每列数据的平均值，分别得到第一待识别脐橙特征类别平均数据集和第二待识别脐橙特征类别平均数据集；

43、通过设定待识别脐橙样本以及待识别剖切脐橙样本，这些样本是用于进行识别以确定这些样本的品质；首先对待识别脐橙样本和待识别剖切脐橙样本的图像进行收集，在对收集得到的图像进行特征提取，特征提取的方式优选为采用surf算法，再对提取出来的特征数据进行分类并计算平均值，从而为后续进行品质级别的判定提供了数据基础。

44、优选地，所述s4包括以下步骤：

45、s41、计算所述第一待识别脐橙特征类别平均数据集到第一最优分类中心数据矩阵p1′中各行数据的欧式距离，得到第一欧式距离集；再计算所述第二待识别脐橙特征类别平均数据集到第二最优分类中心数据矩阵p′2中各行数据的欧式距离，得到第二欧式距离集；

46、s42、分别选取所述第一欧式距离集和第二欧式距离集中最小的欧式距离数据对应的脐橙品质级别作为待识别脐橙样本的品质级别以及待识别剖切脐橙样本的品质级别，分别记为第一品质级别和第二品质级别

47、s43、当时，将作为所述待识别脐橙样本的最终品质等级；当时，将作为所述待识别脐橙样本的最终品质等级；

48、通过计算第一待识别脐橙特征类别平均数据集到第一最优分类中心数据矩阵中各行数据的欧式距离以及计算第二待识别脐橙特征类别平均数据集到第二最优分类中心数据矩阵中各行数据的欧式距离，从而可以确定出第一待识别脐橙特征类别平均数据集以及第二待识别脐橙特征类别平均数据集属于哪个分类，进而根据分类判定待识别脐橙样本的品质级别。

49、一种基于人工智能的脐橙品质识别系统，包括第一脐橙图像数据采集模块、第一脐橙图像特征提取模块、第一特征数据分类模块、分类中心数据优化模块、第二脐橙图像数据采集模块、第二脐橙图像特征提取模块、第二特征数据分类模块以及最终品质等级判定模块；

50、所述第一脐橙图像数据采集模块用于对所述第一脐橙样本集以及剖切后的脐橙样本集中的各个样本进行图像采集；

51、所述第一脐橙图像特征提取模块用于根据所述第一特征类别集和第二特征类别集分别对第一脐橙外观图像矩阵和第二脐橙外观图像矩阵中的各个脐橙外观图像进行特征提取；

52、所述第一特征数据分类模块用于对所述第一脐橙外观图像特征数据矩阵和第二脐橙外观图像特征数据矩阵中的各个特征数据进行数据分类；

53、所述分类中心数据优化模块用于对所述第一脐橙外观图像特征类别数据矩阵和第二脐橙外观图像特征类别数据矩阵进行分类操作；

54、所述第二脐橙图像数据采集模块用于采集所述待识别脐橙样本和待识别剖切脐橙样本的图像；

55、所述第二脐橙图像特征提取模块用于对所述待识别脐橙样本和待识别剖切脐橙样本的图像进行特征提取；

56、所述第二特征数据分类模块用于对所述待识别脐橙样本和待识别剖切脐橙样本的图像的特征数据进行分类；

57、所述最终品质等级判定模块用于根据所述第一待识别脐橙特征类别平均数据集和第二待识别脐橙特征类别平均数据集判定待识别脐橙样本的最终品质等级。

58、本发明具有以下有益效果：

59、1.本发明中通过设置第一脐橙图像数据采集模块、第一脐橙图像特征提取模块、第一特征数据分类模块、分类中心数据优化模块、第二脐橙图像数据采集模块、第二脐橙图像特征提取模块、第二特征数据分类模块以及最终品质等级判定模块；通过采集脐橙样本的图像，根据图像能得到脐橙样本中在第一特征类别集中各个特征的数据；再对脐橙样本进行剖切，因此可以对脐橙样本内部的图像进行采集，根据脐橙样本内部的图像能得到脐橙样本中在第二特征类别集中各个特征的数据；通过从脐橙样本外部特征以及内部特征两个维度对脐橙样本的品质级别进行综合分析，使得分析更加的全面，进而使得分析结果更加准确；再对从每个脐橙样本图像提取出来的特征数据进行分类，得到每个特征数据的分类数据，再计算分类数据的平均值，根据平均值进行后续的分类操作，使得分类的更加准确，从而为后续对待识别的脐橙进行分类提供了准确的依据，使得最终判定的结果更加准确。

60、2.本发明中通过采集第一脐橙样本集以及剖切后的脐橙样本集，为后续采集图像提供了样本支持；通过图像的采集，为后续提取脐橙样本以及剖切后的脐橙样本的特征数据提供了数据支持；再通过设定第一特征类别集和第二特征类别集，确定了需要提取的特征数据的种类，为后续进行特征提取提供了依据；再通过对特征数据进行分类，使得后续根据特征数据对脐橙按照品质级别进行分类的过程更加方便。

61、3.本发明中通过采用surf算法对第一脐橙外观图像矩阵中的各个脐橙外观图像以及第二脐橙外观图像矩阵中的各个剖切后的脐橙外观图像中的特征点进行提取，组合成特征区域，再对提取出的特征区域进行数据描述，从而得到了特征数据；另外采用蝴蝶算法对第一图像特征类别平均数据矩阵和第二图像特征类别平均数据矩阵中的各个分类中心进行不断的迭代优化，使得各个分类的数据到各自分类的分类中心数据的欧式距离之和最小，从而实现了最优分类，即得到了最优的分类中心数据。

62、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。