基于改进随机森林的苹果分类系统设计_吴静.pdf

第 34 卷第 2 期陇 东 学 院 学 报Vol34No22023 年 3 月Journal of Longdong UniversityMar 2023文章编号:1674-1730(2023)02-0050-07收稿日期:2022-03-28作者简介:吴静(1982)，女，福建松溪人，副教授，主要从事数据挖掘研究。基于改进随机森林的苹果分类系统设计吴静(福州软件职业技术学院，福建 福州 350028)摘要:苹果分拣耗时耗力且分拣准确率低，设计苹果分类系统来提升苹果分拣效率和质量迫在眉睫。利用机器学习算法设计并实现基于改进随机森林的苹果自动分拣系统，在原有的随机森林的方法基础上进行多层卷积快速提取特征，再用随机森林对其特征进行整体分类。利用图像分割和特征选择方法对苹果图像预处理，并采用改进随机森林算法对苹果进行分类。该系统能够依据苹果的品种、颜色、尺寸、重量进行分类，同时还可以检测出苹果存在的结痂、污渍和腐烂等问题，每秒可以检测 15 个苹果;该系统还能有效提高苹果质量检测效率，减少苹果分拣的劳动力投入与人工分拣误判率，对农产品自动化检测技术发展提供理论参考。关键词:随机森林;苹果分类;农产品;机器学习中图分类号:TP242文献标识码:ADesign of Apple Classification System based on Improved andom ForestWU Jing(Fuzhou Software Vocational and Technical College，Fuzhou 350028，Fujian)Abstract:Apple sorting is time-consuming and labor-consuming，and the sorting accuracy is low An apple classi-fication system is designed to improve the efficiency and quality of apple sorting The automatic apple sorting systembased on improved random forest was designed and implemented by machine learning algorithm Based on the origi-nal random forest method，multi-layer convolution was used to extract features quickly，and then the feature set wasclassified by random forest The system included roller，conveyor and grading conveyor，and combined with ma-chine vision，load cell and control panel Apple image is preprocessed by image segmentation and feature selec-tion，and apple is classified by decision tree algorithm the apple sorting system based on decision tree can classifyapples according to their variety，color，size and weight At the same time，it can also detect the problems of scab，stain and decay of apples The number of apples can be detected per second is 15 The designed Apple classifica-tion system can effectively improve the efficiency of apple quality detection，reduce the labor input of apple sortingand the misjudgment rate of manual sorting，and provide a theoretical reference for the development of automaticdetection technology of agricultural productsKey words:decision tree;apple classification;agricultural products;machine learning国民经济的快速发展使得居民生活水平持续提升，国民的食品安全意识也在不断地增强。食品质量是现代农业发展必须高度关注的问题，直接决定了产品在激烈市场中的竞争力。目前，我国农产品的评价主要是依赖于人工检验，这导致农产品评价需要投入大量的人力、物力和财力资源，同时评价的结果主观性比较大。为了更好地满足消费者对农产品日益增长的需求和农产品质量更高的期望，对农产品质量评价系统与流程的改进至关重要。实现农产品质量检测的自动化不仅仅可以提高农产品质量评估的准确性，同时也可以使得农产品加工生产的效率大大提升1 3。我国是世界上最大的苹果生产第 2 期吴静:基于改进随机森林的苹果分类系统设计国，苹果的质量由颜色、重量、尺寸、缺陷等诸多因素来确定，对苹果的自动化分类引起了许多学者的高度关注。邱光应4 提出了基于决策树支持向量机(DT-SVM)的苹果表面缺陷识别方法，该方法对富士苹果图像表面缺陷识别的准确率高达 97 7%，和多分类支持向量机以及 AdaBoost 分类算法相比具有分类正确率高、耗时短的优点。李欣5 提出了基于改进粒子群算法的 SVM 决策树苹果分级算法，该算法对特级果、一级果、二级果以及等外果的识别准确率分别为 96%、94%、98%、98%，苹果分级的速率为 4 个/s，能够有效地满足苹果在线分级的需求。刘媛媛6 针对不同种类苹果分拣需要消耗大量人力物力问题，提出了基于多角度、多区域特征融合的苹果分类方法，并将其应用于 329 个样本数据的分类中，分类结果表明，提出的苹果分类方法明显优于单角度、单区域分类方法。本研究设计并实现了基于改进随机森林的苹果分类系统，其中系统的硬件部分主要由传送带、分选机、分类机组成，软件部分主要基于改进随机森林的机器视觉技术来进行产品质量评价。为确保苹果实时图像处理获得高效、准确的分类结果，在滚筒输送机上安装工业彩色摄像机，苹果在传送带上的滚动图像可以在 0 52s 内被捕获并处理。最后，选择 183 个形状与颜色不同的苹果样本，依据颜色、重量、大小特征对苹果进行分类，测试所开发苹果的分类系统性能。1苹果分类系统概述机器学习技术在农产品质量评价中具有广泛的应用，使用计算机视觉取代人类的主观视觉决策，实现了农产品质量评价的自动化，提升了农产品加工生产的效率。市场对农产品质量要求的把控越来越严格，将计算机视觉与学习技术相结合进行农产品质量检测的研究仍是十分必要的7。基于改进随机森林的苹果分类系统对捕获的图像进行处理，将苹果与背景进行区分。根据苹果大小和重量可分为小、中和大三个等级，或根据颜色可分为浅和深，或根据质量可分为瑕疵品和非瑕疵品。改进随机森林技术可用于在一组训练数据中自动学习有意义或重要的关系，并产生这些关系的描述，用于解释新的、看不见的测试数据。改进随机森林的 C4 5 算法由于其简单性和基于规则的结构，被首选为通用分类器8 10。1 1硬件系统输送机将苹果沿通道旋转和移动，分类后的苹果用刷子转移到传送机的传送带上，苹果被放置在输送机上特殊的碗中，以保持苹果的位置稳定。在传送机开始时，两个测压元件被放置在碗下面，用于测量苹果的重量。当碗到达分类模块，将碗开着，苹果慢慢地掉进分类模块中。苹果自动分拣系统如图 1 所示。图 1苹果自动分拣系统PC 机同时支撑图像采集、软件处理。苹果分类数据通过并行端口发送到 PLC 上，机器视觉系统对苹果进行分类后，将苹果转移到输送机上。此时 PC将苹果的分类数据通过一个并口发送到 PLC，且不会丢失苹果的位置。碗状系统通过 PLC 发送给48V电磁铁的触发信息来打开碗，从而完成苹果分类。1 2图像采集苹果分拣的主要问题是摄像头与输送机的同步。摄像头和 PC 机可以通过 USB 2 0 接口通信，使用编码器来触发摄像机。利用图像采集工具箱对摄像机的视频信号进行采集。不同加工时间下苹果在相机下的位置可以用矩阵形式 表示为:=Dt+3Ct+2Bt+1AtEt+3Dt+2Ct+1BtFt+3Et+2Dt+1CtGt+3Ft+2Et+1Dt(1)用 A，B，C，D，E，F，G 表示不同的苹果，下标 t表示处理时间。相机在实时工作的传送带上每秒拍摄 16 张照片。图像的提取主要分三步完成:第一步是触发，从 16 张照片中捕捉到合适的照片;第二步是从捕获的图像中提取苹果，苹果的所有表面都被处理了;第三步是在图片中的每个苹果贴标签，同时剔除不合适的苹果图像。该软件对标上 t 指数的苹果进行处理，并将其信息存储在一个矩阵中。从图像中提取的颜色、最大尺寸的检测、缺陷区域的数量和大小是苹果分类15陇 东 学 院 学 报第 34 卷的主要信息11。最后，将传感器与图像信息相结合，给出具体苹果的决策。1 3苹果特征苹果特征的提取是对苹果准确分类的关键。在实际的应用中，颜色、大小、重量常常作为用于苹果分类的特征，其中苹果的颜色和尺寸特征常常通过图像的处理获得。颜色特征:苹果在收获时，生产者往往将不同种类的苹果分开存放。采用 GB 颜色模型对苹果进行分类，采用苹果图像颜色的明暗来检测苹果的种类12。尺寸特征:苹果的大小由二值图像来确定，具体如图 2 所示。图 2苹果的长度和宽度苹果尺寸的最大值 bmax由苹果四幅图像的高度b1与宽度 b2计算得到，图像像素值进一步转换为苹果的具体尺寸 Breal。根据苹果的尺寸将苹果分为小、中、大三种类型。缺陷区域:此处采用基于窗口的方法识别苹果污渍，即利用平均值、标准偏差等统计特征，判定苹果是否存在缺陷区域平均值、标准偏差13。在每一个窗口中，平均值与标准偏差的计算公式为:平均值:m=1NNi=1xi(2)标准偏差:=1NNi=1(xi m)2(3)计算平均值与标准偏差，按照从小到大的排序创建一个列表，前几个值为每一个类接受的阈值，如果所得值大于阈值，那么便认为苹果是被染色的。重量特征:苹果重量是进行苹果分类的一个重要特征，根据苹果的重量判定苹果是否成熟。本文使用最小二乘估计(LSE)从图像区域估计苹果的权重。在苹果分拣系统中，苹果的重量通过称重传感器测量获得，具体如图 3 所示。图 3苹果称重分类触发系统2改进随机森林苹果分类是分割算法的主要组成部分之一，正确使用分类器是苹果准确分类的关键。在机器学习技术中，常使用最近邻算法、线性支持向量机(Line-ar SVM)、径向基函数支持向量机(BF SVM)、高斯过程、随机森林、神经网络、AdaBoost、朴素贝叶斯、二次判别分析(QDA)等算法来开发像素分类器14 16。用一部分样本来训练这些分类器，另外一部分样本用于测试这些分类器。分别计算训练集和测试集的准确率，以检验分类器的效果，避免过度拟合。准确率计算方法如(5)所示。真阳性率(TP)用于评价分类器性能。计算公式:Accuracy=TP+TNTP+FPo+TN+FNTP=TruePositiveFP=FalsePositiveTN=TrueNegativeFN=FalseNegative(4)TruePositiveate=TPTP+FP(5)其中，True Positive(TP)是苹果果实像素正确检测的像素数，TN 为正确检测到的像素个数。假阳