本文關(guān)鍵詞：基于流形學(xué)習(xí)算法的馬鈴薯機械損傷機器視覺檢測方法，由筆耕文化傳播整理發(fā)布。

第 30 卷 2014 年

第1期 1月

農(nóng) 業(yè) 工 程 學(xué) 報 Transactions of the Chinese Society of Agricultural Engineering

Vol.30 No.1 Jan. 2014

245

·農(nóng)產(chǎn)品加工工程·

基于流形學(xué)習(xí)算法的馬鈴薯機械損傷機器視覺檢測方法
汪成龍 1，李小昱 1 ，武振中 1，周 竹 2，馮耀澤 1
※

（1. 華中農(nóng)業(yè)大學(xué)工學(xué)院，武漢 43007；

2. 浙江農(nóng)林大學(xué)信息工程學(xué)院，臨安 311300）

摘 要：針對馬鈴薯表面芽眼和凹凸不平的影響，使之馬鈴薯機械損傷難以檢測的問題，該文提出了一種基于流 形學(xué)習(xí)算法的馬鈴薯機械損傷檢測方法。首先利用馬鈴薯圖像的顯著圖分割出馬鈴薯區(qū)域，然后利用主成分分析 （principal component analysis，PCA） 、等距映射（isometric mapping，Isomap）和局部線性嵌入（locally-linear embedding，LLE）3 種流形學(xué)習(xí)方法提取馬鈴薯區(qū)域圖像特征參數(shù)，然后分別建立基于 3 種流形特征的支持向量 機 （support vector machine， SVM） 分類模型 PCA-SVM、 Isomap-SVM 和 LLE-SVM， 利用網(wǎng)格搜索法 （grid search） 、 遺傳算法（genetic algorithm，GA）以及粒子群算法（particle swarm optimization，PSO）3 種模型參數(shù)優(yōu)化方法， 優(yōu)化支持向量機模型的懲罰參數(shù) c 和 RBF 核參數(shù) g，以建立最優(yōu)分類模型，最后比較 3 種分類模型的識別效果， 確定最優(yōu)分類模型。研究結(jié)果表明， PCA-SVM 分類模型對訓(xùn)練集識別率為 100% ，測試集識別率為 100% ； Isomap-SVM 分類模型對訓(xùn)練集識別率為 100%，測試集識別率為 91.7%；LLE-SVM 分類模型對訓(xùn)練集識別率為 100%，測試集識別率為 91.7%，表明 PCA、Isomap 和 LLE 3 種流形學(xué)習(xí)方法用于馬鈴薯機械損傷檢測是可行的， 其中 PCA-SVM 分類模型檢測效果最優(yōu)。 關(guān)鍵詞：機器視覺，識別，算法，流形學(xué)習(xí)，機械損傷，馬鈴薯 doi：10.3969/j.issn.1002-6819.2014.01.031 中圖分類號：TP391.41 文獻標(biāo)志碼：A 文章編號：1002-6819(2014)-01-0245-08 李小昱， 武振中， 等. 基于流形學(xué)習(xí)算法的馬鈴薯機械損傷機器視覺檢測方法[J]. 農(nóng)業(yè)工程學(xué)報， 2014， 汪成龍， 30(1)：245－252. Wang Chenglong, Li Xiaoyu, Wu Zhenzhong, et al. Machine vision detecting potato mechanical damage based on manifold learning algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(1): 245－252. (in Chinese with English abstract)

0

引

言

基于機器視覺的農(nóng)產(chǎn)品表面缺陷檢測和分級 方法國內(nèi)外已有廣泛研究[1-3]。水果方面，應(yīng)義斌等 先后提出了傅里葉變換、區(qū)域增長法和最小外接矩 形法檢測黃花梨的果形、表面缺陷面積和大小[4-6]， 并建立了基于機器視覺的黃花品質(zhì)檢測系統(tǒng)和水 隨后又提出了一種水果表面亮 果實時分級系統(tǒng)[7-8]， 度不均校正算法，利用單閾值灰度分割法正確率達 到 97%[9]。馬鈴薯方面，高曉陽等提出了基于不變 矩的馬鈴薯形檢測方法，薯形分選準(zhǔn)確率為 96%[10]；郝敏等利用 Zernike 矩進行馬鈴薯薯形檢 測 ， 薯 形 良 好 和 畸 形 的 檢 測 準(zhǔn) 確 率 達 93% 和 100%[11]，隨后又提出邊界點矩特征傅里葉描述子
收稿日期：2013-07-25 重點項目（2011CDA033） 作者簡介：汪成龍（1986－） ，男，湖北荊州人，研究方向為智能化檢 測技術(shù)。武漢 華中農(nóng)業(yè)大學(xué)工學(xué)院，430070。 Email：181817906@qq.com ※通信作者：李小昱（1953－） ，女，教授，博士生導(dǎo)師，中國農(nóng)業(yè)工 程學(xué)會高級會員 （E041200068S） ， 研究方向為智能化檢測技術(shù)。 武漢 華 中農(nóng)業(yè)大學(xué)工學(xué)院，430070。Email：lixiaoyu@mail.hzau.edu.cn 修訂日期：2013-11-15

基金項目：國家自然科學(xué)基金項目（61275156） ；湖北省自然科學(xué)基金

檢測馬鈴薯薯形，取得了較好的效果[12]，但兩者均 未對馬鈴薯表面缺陷作相應(yīng)研究。本課題組前期也 進行了馬鈴薯外部品質(zhì)相關(guān)研究，李小昱等以馬鈴 薯缺陷面積為特征研究了馬鈴薯表面缺陷的機器 視覺檢測方法[13]，但其孔洞識別率有待提高。Zhou 等人利用 HSV 空間的閾值分割法檢測馬鈴薯綠皮 特征，其分級準(zhǔn)確率較低[14]。Noordam 等利用線性 判別分析和馬氏距離建立了馬鈴薯表面缺陷的像 素分類器，但無法解決其表面灰度不均勻?qū)θ毕輽z 測的影響[15]。馬鈴薯表面的芽眼和凹凸不平，給機 器視覺檢測其機械損傷帶來很大干擾，導(dǎo)致基于像 素級特征提取方法受光照條件和缺陷灰度值的變 化影響較大，因此考慮嘗試采用能表征圖像低維度 特征的流形特征檢測馬鈴薯的機械損傷。1996 年， Nayar 等提出了高維的圖像數(shù)據(jù)中具有低維流形的 現(xiàn)象[16]，而人類認(rèn)識事物主要是通過低維流形信息 進行的， 此后， 流形學(xué)習(xí)開始廣泛應(yīng)用于人臉等[17-21] 方面的識別。流形學(xué)習(xí)主要分為線性流形學(xué)習(xí)算法 和非線性流形學(xué)習(xí)算法，非線性流形學(xué)習(xí)算法包括 等距映射（isometric mapping，Isomap），局部線性 嵌入（locally-linear embedding，LLE），拉普拉斯

246

農(nóng)業(yè)工程學(xué)報

2014 年

特征映射（laplacian eigenmaps，LE）等。而線性方 法則是對非線性方法的線性擴展，如主成分分析 （principal component analysis，PCA），多維尺度變 換（multidimensional scaling，MDS）等。 雖然流形學(xué)習(xí)算法在人臉識別已有較廣泛研 究，但國內(nèi)外未見有學(xué)者將流形學(xué)習(xí)方法應(yīng)用于農(nóng) 產(chǎn)品外部品質(zhì)檢測，本文提出了基于流形學(xué)習(xí)算法 的馬鈴薯機械損傷檢測方法，首先利用基于視覺顯 著性（Saliency）和 H 維圖像的馬鈴薯區(qū)域分割方 法對馬鈴薯目標(biāo)進行定位和分割，然后利用流形學(xué) 習(xí) 算 法 進 行特 征 提 取 ，并 建 立 基 于支 持 向 量 機 （support vector machine，SVM）的馬鈴薯機械損傷 分類模型，最后利用網(wǎng)格搜索法（grid search）、遺 傳算法（ genetic algorithm ， GA ）以及粒群算法 （particle swarm optimization，PSO）優(yōu)化模型參數(shù)， 確定最優(yōu)模型，以期為流形學(xué)習(xí)算法應(yīng)用于農(nóng)產(chǎn)品 外部機械損傷檢測提供了參考。

鏈條、鏈輪等構(gòu)成。 圖像采集過程：馬鈴薯在圓柱形托輥上沿水平 向左移動并自轉(zhuǎn)，馬鈴薯進入圖像采集箱后，程序 自動采集多幅圖像，每個馬鈴薯選擇其中一幅圖像 作為圖像樣本。對于機械損傷樣本，所選圖像應(yīng)為 機械損傷面，而對于正常樣本，則隨機選擇任意一 面。最終由 100 副圖像構(gòu)成圖像樣本集，圖像分辨 率為 1024×768，顏色空間為 RGB，存儲格式為 BMP。

1
1.1

試驗設(shè)備

1. 工業(yè)相機 2. 環(huán)形光源 3. 圖像采集箱 4. 圓柱形托輥 5. 摩擦 板 6. 馬鈴薯 7. 鏈條 8. 鏈輪 1. Industrial camera 2. Ring light 3. Image capture box 4. Cylindrical roller 5. Friction plate 6. Potato 7. Chain 8. Sprocket

試驗樣本 選用武漢關(guān)山小區(qū)農(nóng)貿(mào)市場采購的陜北定邊 紫花白馬鈴薯，樣本集由 50 個正常馬鈴薯和 50 個 機械損傷馬鈴薯構(gòu)成，正常樣本和機械損傷樣本符 合馬鈴薯等級規(guī)格（NY/T 1066-2006）[22]中的相關(guān) 要求，并按照 3:1 的比例分為訓(xùn)練集（76 個）和測 試集（24 個），樣本參數(shù)如表 1 所示。
表 1 馬鈴薯樣本參數(shù) Table 1 Parameters of potato samples
樣本類型 Type 正常樣本 Normal 樣本數(shù)量 Number 樣本參數(shù) Parameters 質(zhì)量/g 50 個 長徑/mm 短徑/mm 厚度/mm 質(zhì)量/g 長徑/mm 機械損傷樣本 Mechanical damage 短徑/mm 50 個 厚度/mm 機械損傷長 度/mm 機械損傷寬 度/mm 均值 Average 128.8 68.8 61.6 51.7 140.2 70.9 61.4 52.8 19.0 2.7 最大值 Maximum 269.5 92.6 80.0 64.6 283.1 102.6 80.8 75.4 61.6 8.1 最小值 Min 57.4 45.2 44.6 40.4 58.5 51.2 46.9 43.0 8.1 1.0

Fig.1

圖 1 馬鈴薯視覺在線采集試驗平臺 Online image acquisition platform of potatoes based on machine vision

2

馬鈴薯區(qū)域分割

由于試驗采用在線采集的馬鈴薯圖像，因此圖 像中的托輥、鏈條和摩擦板對馬鈴薯的分割具有較 大的干擾，利用基于灰度的分割方法效果不佳。對 馬鈴薯 RGB 圖像（圖 2a），利用最大類間方差法 （maximum between-cluster，OSTU）進行二值分割 結(jié)果如圖 2b 所示，馬鈴薯區(qū)域分割不完整，且有 較多其他噪聲信號。

a. RBG 圖像 a. RBG image

b. OSTU 法分割結(jié)果 b. Segmentation result of OSTU

Fig.2

圖 2 灰度分割法 Grayscale segmentation

馬鈴薯視覺在線采集試驗平臺 馬鈴薯視覺在線采集試驗平臺如圖 1 所示，主 要由步進電機（型號為 110BYG2501）、圖像采集 箱、工業(yè)相機（型號為 scA1390-17fc）、圖像采集 卡 （型號為 Meteor2-1394） 、 主機 （CPU 為 AMD750， 內(nèi)存為 4G）、顯示器（型號為 LG-E2242）、環(huán)形 光源（宏新三基色 32W）、圓柱形托輥、摩擦板、

1.2

為了有效地分割馬鈴薯區(qū)域，本文提出了一種 基于視覺顯著性（Saliency）和 H 維（色調(diào)）圖像 的馬鈴薯區(qū)域分割方法（簡稱 Saliency-H 法）。顯 著性（Saliency）是一種模擬生物體視覺注意機制 的選擇性注意模型，其利用圖像的顏色、灰度、對 比度和方向等信息模擬人類視覺體系，與單閾值分 割相比，具有較好的分割效果[23]。該文采用基于圖

第1期

汪成龍等：基于流形學(xué)習(xí)算法的馬鈴薯機械損傷機器視覺檢測方法

247

論的視覺顯著性算法（graph-based visual saliency， GBVS），并在 Matlab 軟件平臺下對 Saliency-H 法 和基于 H 維的圖像分割方法（簡稱 H 法）2 種算法 進行了仿真。 2.1 Saliency-H 分割法 Saliency-H 分割法具體算法步驟：1）RGB 三 通道圖像中值濾波預(yù)處理（圖 3a）；2）RGB 圖像 轉(zhuǎn) Gray 圖像（圖 3b）；3）基于 Gray 圖像的顯著 性分割；首先利用 GBVS 算法求得其顯著圖（圖 3c） ， 對顯著圖利用 OSTU 方法進行二值化處理 （圖 3d），得到初級目標(biāo)區(qū)域掩膜圖像（圖 3e）。將 RGB 圖像（圖 3a）由初級目標(biāo)區(qū)域水平方向向兩 側(cè)各擴展 50 像素，垂直方向兩側(cè)擴展至邊界處， 得到包含馬鈴薯區(qū)域的二次分割圖像（圖 3f）；4） GBVS 顯著性分割后的 RGB 圖像轉(zhuǎn) HSI 空間（圖 3g）；5）H 維圖像濾波：14 次 3×3 模板的均值濾 波（圖 3h）；6）H 維圖像分割：最大類間方差法 （OSTU）分割，經(jīng)過填充，8 連通區(qū)域標(biāo)記，連通 區(qū)域面積篩選等操作得到最終的馬鈴薯區(qū)域分割 圖像（圖 3i），將得到的馬鈴薯區(qū)域圖像水平方向 擴展至原圖像大小即得到最終分割圖像（圖 3j）。

濾波預(yù)處理（圖 4a）；2）RGB 圖像轉(zhuǎn) HSI 顏色空 間（圖 4b）；3）H 維圖像濾波：14 次 3×3 模板 的均值濾波（圖 4c）；4）H 維圖像分割：最大類間 方差法（OSTU）分割，經(jīng)過填充，8 連通區(qū)域標(biāo)記， 連通區(qū)域面積篩選等操作得到最終的馬鈴薯區(qū)域分 割圖像（圖 4d）。

a. 中值濾波 a. Median filter

b. H 維圖像 b. H image

c. 均值濾波 c. Mean filter

d. 分割結(jié)果 d. Segmentation result

圖4 H法 Fig.4 H segmentation

a. 中值濾波 a. Median filter

b. 灰度圖像 b. Grayscale images

c. 顯著圖 c. Saliency map

Saliency-H 分割法和 H 法結(jié)果分析 對 100 個馬鈴薯圖像分別使用以上 2 種方法進 行圖像分割，其結(jié)果如下： 1）Saliency-H 法和基于 H 維的圖像分割方法 分割效果一致，2 種方法的馬鈴薯區(qū)域分割準(zhǔn)確率 均達到 100%，但 Saliency-H 法能在無監(jiān)督模式下 自動獲取圖像中馬鈴薯目標(biāo)的位置信息。結(jié)果表明 與 H 法相比，Saliency-H 法具有較好的馬鈴薯區(qū)域 定位（如圖 3e 所示）效果。正常樣本和機械損傷 樣本的分割效果如圖 5 所示。

2.3

d. OSTU 分割 d. OSTU segmentation

e. 掩膜圖像 e. Mask image

f. 初分割圖像 f. Initial segmented image

b. 機械損傷樣本 Saliency-H 法分割結(jié)果 a. 機械損傷樣本 b. Result of mechanical a. Mechanical damage damage sample by Saliency-H segmentation method

c. 機械損傷樣本 H 法 分割結(jié)果 c. Result of mechanical damage sample by H segmentation method

g. H 維圖像 g. H image

h. 均值濾波 h. Mean filter

i. OSTU 分割 i. OSTU segmentation

j. 分割結(jié)果 j. Segmentation result d. 正常樣本 d. Normal

圖 3 Saliency-H 法 Fig.3 Saliency-H segmentation

2.2

基于 H 維的圖像分割方法 H 法具體算法步驟：1）RGB 三通道圖像中值

e. 正常樣本 Saliency-H f. 正常樣本 H 法 法分割結(jié)果 分割結(jié)果 e. Result of normal f. Result of normal sample by Saliency-H sample by H segmentation method segmentation method

圖 5 機械損傷和正常樣本 2 種方法的分割結(jié)果 Fig.5 Results of 2 segmentation methods for potato images

248

農(nóng)業(yè)工程學(xué)報

2014 年

2）Saliency-H 法能去除部分無效信息，大大降 低待分割圖像的計算量。對 100 個馬鈴薯圖像進行 Saliency-H 法分割，分割后的圖像與原面積的比值 如圖 6 所示。結(jié)果表明，分割后圖像（圖 3f）的數(shù) 據(jù)量能壓縮至原圖像（圖 3a）數(shù)據(jù)量的 0.2969～ 0.5322，有效的降低了后續(xù)算法處理的速度，提高 了效率。

維流形，能有效地提取全局特征變量，其前提是所 處理的數(shù)據(jù)存在一個潛在的流形。本文使用了主成 分分析（PCA）、等距映射（Isomap）和局部線性 嵌入（LLE）3 種流形學(xué)習(xí)方法結(jié)合 Saliency-H 圖 像分割法提取了馬鈴薯圖像特征。 為了減弱馬鈴薯圖像背景的干擾，減少圖像集 維數(shù)，提高處理速度，將馬鈴薯原始圖像（圖 7a） 通過 Saliency-H 法分割得到馬鈴薯區(qū)域圖像（圖 7b），再利用最近鄰插值法將其重采樣為 64×64 像素大小的小尺寸圖像（圖 7c）。將 64×64 的重 采樣圖像轉(zhuǎn)化為 4 096 列的一維向量 （將 64×64 的 矩陣按從左到右、從上到下的順序展開至一維向 量），最終得到 100×4096 的馬鈴薯圖像數(shù)據(jù)矩陣 F（共 100 個馬鈴薯樣本）。

Fig.6

圖 6 Saliency-H 分割后的圖像與原面積的比值 Area division ratio of segmentation image and original image by Saliency-H

a. 原始RGB圖像 a. Original RGB image

b. 分割結(jié)果 b. Segmentation result

c. 重采樣圖像 c. Resample image

3）Saliency-H 法的分割速度優(yōu)于基于 H 維的 圖像分割方法。由表 2 可知，Saliency-H 法的分割 速度優(yōu)于 H 法。 相比于 H 法， Saliency-H 法中 RGB 圖 像 轉(zhuǎn) HSI 空 間 和 H 維 圖 像 分 割 2 個 步 驟 （Saliency-H 法 4 和 6 步驟，H 法 2 和 4 步驟）耗時 均有較大幅度的降低。分析其原因在于 Saliency-H 法中的顯著性（GBVS 顯著性）分割能對馬鈴薯目 標(biāo)定位，大大的降低了后續(xù)處理的計算量。
表 2 Saliency-H 法和 H 法的各步驟耗時結(jié)果 Table 2 Average elapsed time of Saliency-H and H-dimensional segmentation
分割方法 Segmentation method 步驟 Step 步驟 1 步驟 2 步驟 3 Saliency-H 法 步驟 4 步驟 5 步驟 6 總耗時 步驟 1 步驟 2 H法 步驟 3 步驟 4 總耗時 平均耗時 Average elapsed time/ms 54.6 27.2 97.0 82.7 24.8 191.4 477.7 53.4 197.3 37.9 263.1 551.7

Fig.7

圖 7 馬鈴薯區(qū)域圖像重采樣 Resampling for the potato region images

利用主成分分析（PCA）、等距映射（Isomap） 和局部線性嵌入（LLE）3 種流形學(xué)習(xí)方法對馬鈴 薯圖像數(shù)據(jù)矩陣 F 進行特征提取，并建立不同特征 維度的支持向量機（SVM）馬鈴薯機械損傷分類模 型。然后，利用網(wǎng)格搜索法（grid search）、遺傳算 法（GA）以及粒群算法（PSO）優(yōu)化馬鈴薯機械損 傷分類模型的懲罰參數(shù) c 和 RBF 核參數(shù) g，確定最 優(yōu)的特征維度，比較 3 種模型識別效果，確定最優(yōu) 的馬鈴薯機械損傷判別法。 3.1 PCA-SVM 馬鈴薯機械損傷判別法 PCA 是一種使用較廣泛的線性降維方法， 通過 原始數(shù)據(jù)的線性組合構(gòu)造方差最大的若干投影方 向，從而降低原數(shù)據(jù)的維度。其對橢球狀分布的樣 本集有較好的學(xué)習(xí)效果，但對具有非線性性質(zhì)的樣 本集，卻無法反應(yīng)出非線性性質(zhì)。算法步驟如下： 1）將 N×N 大小的圖像數(shù)據(jù)轉(zhuǎn)化為 N 2 個元素 的一維向量 I，建立 K×N 2 維的圖像數(shù)據(jù)集樣本集 K 為圖像樣本數(shù)。 可表示為 X={I1, I2, I3… Ij ,j≤K}， 2 ） 求 圖 像 樣 本 集 的 協(xié) 方 差 矩 陣
C= 1 K

∑ (I
j =1

K

j

? u)( I j ? u)T ，其中 u =

1 K

∑I
j =1

K

j

，為圖

3

馬鈴薯機械損傷的流形學(xué)習(xí)判別方法
流形學(xué)習(xí)算法可將圖像中的高維信息降至低

像數(shù)據(jù)集的均值向量。 3）求出協(xié)方差矩陣 C 的前 n 個特征值 λ1，λ2， λ3…λn 對應(yīng)的特征向量 Φ={φ1，φ2，φ3…φn，n≤K}。

第1期

汪成龍等：基于流形學(xué)習(xí)算法的馬鈴薯機械損傷機器視覺檢測方法

249

4）將馬鈴薯圖像數(shù)據(jù)矩陣 F 去均值后向特征 向量空間 Φ 投影ψ = ( I j ? u)Φ ，其中 j≤K，得到 新的列為 n×N 2 的主成分特征向量 ψ。 按以上方法對 100 個樣本進行 PCA 特征提取， 當(dāng)主成分?jǐn)?shù)量為 13 時， 主成分累積貢獻率達到 80%； 當(dāng)主成分?jǐn)?shù)量為 50 時， 主成分累積貢獻率達到 99%。 通常主成分累積貢獻率達 95%即可，為了更為 準(zhǔn)確的確定最優(yōu)主成分?jǐn)?shù)，分別提取 13～50 個主成 分特征（主成分累積貢獻率為 80%～99%），將主 成分特征向量作為輸入， 馬鈴薯的類別作為輸出 （機 械損傷樣本編碼為 1，正常樣本編碼為-1），建立基 于 PCA 的馬鈴薯機械損傷的 SVM 分類模型（使用 libSVM 工具包），共建立 38 個 PCA-SVM 分類模 型 （主成分?jǐn)?shù)為 13～50 個） ， 利用網(wǎng)格搜索法 （grid search）、遺傳算法（GA）以及粒群算法（PSO）優(yōu) 化分類模型懲罰參數(shù) c 和 RBF 核參數(shù) g，確定每個 分類模型的最優(yōu)參數(shù)，比較 38 個分類模型的識別效 果，確定最優(yōu)主成分個數(shù)和最優(yōu)的分類模型。 3.2 Isomap-SVM 馬鈴薯機械損傷判別法 多維尺度變換（MDS）是一種構(gòu)造樣本之間歐 氏距離矩陣的線性降維方法， Isomap 是一種建立在 多維尺度變換（MDS）基礎(chǔ)上的非線性降維方法， 其前提是所對應(yīng)的低維等距子集為凸集，其關(guān)鍵在 于計算樣本間的測地距離，通常將鄰域內(nèi)的點間測 地距離用歐氏距離代替，鄰域外的點的測地距離用 最短路徑來代替。 算法步驟如下：1）構(gòu)造鄰域點權(quán)重圖 G，當(dāng) xi 和 xj 的歐氏距離小于固定值 δ 時，認(rèn)為 G 有鄰域 點 xi 和 xj，兩鄰域點權(quán)重為 d(xi,xj)。2）計算最短 路徑，當(dāng)權(quán)重圖 G 有鄰域點 xi 和 xj 時，設(shè)最短路徑 否則設(shè) dG(xi,xj)=∞。 設(shè) l=1， …， dG(xi,xj)=d(xi,xj)； N，dG(xi,xj)=min{dG(xi,xj), dG(xi,xl)+dG(xi,xj)}， 得到最短路徑距離矩陣 DG= d G xi , x j

的模型參數(shù)、嵌入維度數(shù)和分類模型。

Fig.8

圖 8 Isomap 嵌入維度=1 的樣本分布 Sample distribution of Isomap embedding dimension 1

3.3 LLE-SVM 馬鈴薯機械損傷判別法 局部線性嵌入 LLE 的前提是假設(shè)一個流形在 很小的局部鄰域上可以近似看成歐式的，即局部線 性的，且只需在每個鄰域求解一個小的線性方程 組，與 Isomap 相比，，其計算量更小，其嵌入結(jié)果 能保持原數(shù)據(jù)間的局部幾何特征。算法步驟如下： 1）計算數(shù)據(jù)點的鄰域。當(dāng) xi 和 xj 的歐氏距離 小于固定值 δ 時，認(rèn)為 xi 和 xj 互為鄰域點。 2） 通過最小局方差方法求解計算權(quán)重矩陣 W， 最小化目標(biāo)函數(shù)為

ε (W ) = ∑ xi ? ∑ Wij x j
i =1 j =1

N

k

3）最小化以下表達式
2

Φ (Y ) = ∑ yi ? ∑ Wij y j
i j

[ (
2

)]

N

i , j =1

。3）利

求得 yi，i=1，2，…，n，為嵌入結(jié)果。 圖 9 為 LLE 嵌入維度為 1 時的樣本分布圖。 表 明在該維度上， 機械損傷樣本大部分分布于 0 以上， 正常樣本大部分分布于 0 以下。

用最短路徑距離矩陣 DG 和多維尺度變換（MDS）算 法求得原數(shù)據(jù)不同嵌入維度下的嵌入結(jié)果。 圖 8 為 Isomap 嵌入維度為 1 的樣本分布圖。 表明在該維度上，機械損傷樣本大部分分布于 0 以 上，正常樣本大部分分布于 0 以下。 Isomap 嵌入維度過多會攜帶大量無效信息， 從 而導(dǎo)致模型識別率下降，因此，本文對 100 個樣本 分別提取 1～100 維度 Isomap 特征值；將 Isomap 特征向量作為輸入，馬鈴薯的類別作為輸出（機械 損傷樣本編碼為 1，正常樣本編碼為-1），建立基 于 Isomap 的馬鈴薯機械損傷的 SVM 分類模型（使 用 libSVM 工具包），共建立 100 個 Isomap-SVM 分類模型，利用 3.1 中的參數(shù)優(yōu)化方法，確定最優(yōu)

Fig.9

圖 9 LLE 嵌入維度=1 的樣本分布 Sample distribution of LLE embedding dimension 1

250

農(nóng)業(yè)工程學(xué)報

2014 年

為了避免 LLE 特征值攜帶大量無效信息， 本文 （維 對 100 個樣本分別提取 1-100 維度 LLE 特征值 度過高會引入大量無用信息，從而導(dǎo)致模型識別率 下降）；將 LLE 特征向量作為輸入，馬鈴薯的類別 作為輸出（機械損傷樣本編碼為 1，正常樣本編碼 為-1），建立基于 LLE 的馬鈴薯機械損傷的 SVM 分類模型（使用 libSVM 工具包），共建立 100 個 LLE-SVM 分類模型，利用 3.1 中的參數(shù)優(yōu)化方法，
Table 3
機械損傷判別方法 Mechanical damage identification method

確定最優(yōu)的模型參數(shù)、嵌入維度數(shù)和分類模型。

4
4.1

結(jié)果與分析

3 種馬鈴薯機械損傷判別方法的識別結(jié)果 對 100 個樣本（訓(xùn)練集 76 個，測試集 24 個） 利用 PCA-SVM、Isomap-SVM 和 LLE-SVM 3 種馬 鈴薯機械損傷判別方法進行檢測，Matlab 軟件平臺 下的仿真結(jié)果如表 3 所示。

表 3 3 種馬鈴薯機械損傷判別法的識別結(jié)果 Recognition rate of 3 mechanical damage identification methods
特征 數(shù)量 Number of features

訓(xùn)練集 測試集 Training set Test set 誤判個數(shù) 誤判個數(shù) 識別率 Recognition 識別率 rate/% Recognition rate/% Wrong/個 Wrong/個 grid search 40 100 0 100 0 主成份分析-支持向量機 GA 28 100 0 95.8 1 PCA-SVM PSO 28 100 0 91.7 2 grid search 15 100 0 91.7 2 等距映射-支持向量機 GA 4 100 0 91.7 2 Isomap-SVM PSO 4 100 0 87.5 3 grid search 2 97.4 2 91.7 2 局部線性嵌入-支持向量機 GA 19 100 0 91.7 2 LLE-SVM PSO 19 100 0 91.7 2 注： PCA-SVM 為 principal component analysis (PCA)-support vector machine(SVM) ； Isomap-SVM 為 isometric mapping(Isomap) -support vector machine(SVM)；LLE-SVM 為 locally-linear embedding(LLE) -support vector machine(SVM)。下同。 參數(shù)優(yōu)化方法 Parameter optimization method

對所建 38 個 PCA-SVM 分類模型進行優(yōu)化后，3 種 參數(shù)優(yōu)化方法所對應(yīng)的 3 個最優(yōu) PCA-SVM 模型識別結(jié) 果如表 3 所示，比較識別結(jié)果得，最優(yōu)參數(shù)優(yōu)化方法為 grid search ，最優(yōu)主成分特征數(shù)量為 40 ，其對應(yīng)的 PCA-SVM 分類模型對訓(xùn)練集識別率為 100%， 測試集識 別率為 100%，最優(yōu)模型參數(shù) c=27.8576，g=0.0068。 對所建 100 個 Isomap-SVM 分類模型進行優(yōu)化 后，3 種參數(shù)優(yōu)化方法所對應(yīng)的 3 個最優(yōu) Isomap-SVM 模型識別結(jié)果如表 3 所示，比較識別 結(jié)果得，最優(yōu)參數(shù)優(yōu)化方法為 GA，最優(yōu) Isomap 嵌 入維數(shù)為 4，其對應(yīng)的 Isomap-SVM 分類模型對訓(xùn) 測試集識別率為 91.7%， 最優(yōu) 練集識別率為 100%， 模型參數(shù) c=27.8576，g=0.0068。 4.2 基于流形算法的馬鈴薯機械識別結(jié)果 對所建 100 個 LLE -SVM 分類模型進行優(yōu)化 后，3 種參數(shù)優(yōu)化方法所對應(yīng)的 3 個最優(yōu) LLE-SVM 模型識別結(jié)果如表 3 所示， 比較識別結(jié) 果 得 到 最 優(yōu) LLE 嵌 入 維 數(shù) 為 19 ， 其 對 應(yīng) 的
Table 4

LLE-SVM 分類模型對訓(xùn)練集識別率為 100%，測 試集識別率為 91.7%。在相同的識別效果下，為 避免懲罰因子 c 過大而造成的過學(xué)習(xí)，選擇 c 較 小的那一組參數(shù)為最優(yōu)模型參數(shù)，而 PSO 優(yōu)化下 的參數(shù) c 較小，則最優(yōu)參數(shù)優(yōu)化方法為 PSO，最 優(yōu)模型參數(shù) c=0.1000， g=18.8827。 PCA-SVM、Isomap-SVM 和 LLE-SVM 3 種馬 鈴薯機械損傷判別法所建分類模型的最優(yōu)識別結(jié) 果如表 4 所示，3 種流形學(xué)習(xí)分類模型均能有效適 用于馬鈴薯機械損傷判別。但對機械損傷位于馬鈴 薯輪廓邊緣的樣本，Isomap-SVM 和 LLE-SVM 2 種 方 法 的 識 別 率 略 低 于 PCA-SVM ， 圖 11 為 Isomap-SVM 和 LLE-SVM 2 種方法下誤判的 2 幅 機械損傷位于輪廓邊緣的馬鈴薯樣本圖像。比較 3 種分類模型的識別效果得到最優(yōu)模型為 PCA-SVM 分 類 模 型 ，其 對 訓(xùn) 練 集和 測 試 集 的識 別 率 均 為 100%， 表明 3 種流形學(xué)習(xí)馬鈴薯機械損傷判別方法 中，PCA-SVM 為最優(yōu)判別方法。

表 4 基于流形學(xué)習(xí)算法馬鈴薯機械損傷判別法識別結(jié)果 Recognition rate of mechanical damage identification method based on manifold learning algorithm
特征數(shù)量 Number of features 40 4 19 訓(xùn)練集 Training set 識別率 Recognition rate/% 100 100 100 誤判個數(shù) Wrong/個 0 0 0 測試集 Test set 識別率 Recognition rate/% 100 91.7 91.7 誤判個數(shù) Wrong/個 0 2 2

機械損傷判別方法 Mechanical damage identification method 主成份分析-支持向量機 PCA-SVM 等距映射-支持向量機 Isomap-SVM 局部線性嵌入-支持向量機 LLE-SVM

第1期

汪成龍等：基于流形學(xué)習(xí)算法的馬鈴薯機械損傷機器視覺檢測方法

251

a. 誤判樣本 1 a. Misjudged sample 1

b. 誤判樣本 2 b. Misjudged sample 2

圖 11 機械損傷位于輪廓邊緣的馬鈴薯誤判樣本圖像 Fig.11 Misjudged image of potato samples whose mechanical damage is nearby image contour

5

結(jié)

論

1）針對馬鈴薯表面芽眼、凹凸不平和光照不 均勻，以及托輥、鏈條和摩擦板等對馬鈴薯分割的 干擾問題，提出了基于視覺顯著性（Saliency）和 H 維圖像的馬鈴薯區(qū)域分割方法（Saliency-H 法）， 結(jié)果表明，與 H 法相比，Saliency-H 法能在無監(jiān)督 模式下自動獲取圖像中馬鈴薯目標(biāo)的位置信息，并 去除部分無效信息，大大降低待分割圖像的計算 量，提高了馬鈴薯區(qū)域的分割速度。 2）針對馬鈴薯機械損傷部位不易分割的問題， 首次將流形學(xué)習(xí)應(yīng)用于馬鈴薯機械損傷特征提取， 并提出了基于流形學(xué)習(xí)和支持向量機（SVM）的馬 鈴 薯 機 械 損 傷 判 別 方 法 ， 比 較 了 PCA-SVM 、 Isomap-SVM 和 LLE-SVM 3 種馬鈴薯機械損傷判別 法的識別效果，結(jié)果表明，3 種方法均能適用于馬 鈴薯機械損傷檢測，其中 PCA-SVM 馬鈴薯機械損 傷判別法的識別效果最優(yōu)，可達 100%。 3）采用 GridSearch、GA 和 PSO 3 種參數(shù)優(yōu)化 方法能有效的優(yōu)化 SVM 分類模型參數(shù)，從而確定 最優(yōu)分類模型。
[參 考 文 獻] 應(yīng)義斌，饒秀勤，趙勻，等. 機器視覺技術(shù)在農(nóng)產(chǎn)品 品質(zhì)自動識別中的應(yīng)用 （Ⅰ） [J]. 農(nóng)業(yè)工程學(xué)報， 2000， 16(1)：103－108. Ying Yibin, Rao Xiuqin, Zhao Yun, et al. Application of machine vision technique to quality automatic identification of agricultural products (Ⅰ)[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2000, 16(1): 103－108. (in Chinese with English abstract). 應(yīng)義斌，饒秀勤，趙勻，等. 機器視覺技術(shù)在農(nóng)產(chǎn)品 品質(zhì)自動識別中的應(yīng)用研究進展[J]. 農(nóng)業(yè)工程學(xué)報， 2000，16(3)：4－8. Ying Yibin, Rao Xiuqin, Zhao Yun, et al. Advance on application of machine vision technique to automatic quality identification of agricultural products[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2000, 16(3): 4－ 8. (in Chinese with English abstract) 龐江偉，應(yīng)義斌. 機器視覺在水果缺陷檢測中的研究 現(xiàn)狀[J]. 農(nóng)機化研究，2006(9)：47－49. Pang Jiangwei, Ying Yibin. Application of machine

[1]

[2]

[3]

vision for detection of defects on fruits[J]. Journal of Agricultural Mechanization Resarch, 2006(9): 47 － 49. (in Chinese with English abstract) [4] 應(yīng)義斌，景寒松，馬俊福，等. 黃花梨果形的機器視覺識 別方法研究[J]. 農(nóng)業(yè)工程學(xué)報，1999，15(1)：198－202. Ying Yibin, Jing Hansong, Ma Junfu, et al. Shape identification of Huanghua pear using machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 1999, 15(1): 198－202. (in Chinese with English abstract) [5] 應(yīng)義斌，景寒松，馬俊福，等. 機器視覺技術(shù)在黃花 梨尺寸和果面缺陷檢測中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報， 1999，15(1)：203－206. Ying Yibin, Jing Hansong, Ma Junfu, et al. Application of machine vision to detecting size and surface defect of Huanghua pear[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 1999, 15(1): 203－206. (in Chinese with English abstract) [6] 應(yīng)義斌，王劍平，蔣煥煜，等. 水果直徑和缺陷面積的機 器視覺檢測[J]. 農(nóng)業(yè)工程學(xué)報，2002，18(5)：216－220. Ying Yibin, Wang Jianpin, Jiang Huanyu, et al. Inspecting diameter and defect area of fruit with machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2002, 18(5): 216－220. (in English with Chinese abstract) [7] 應(yīng)義斌，景寒松，馬俊福，等. 黃花梨品質(zhì)檢測機器 視覺系統(tǒng)[J]. 農(nóng)業(yè)機械學(xué)報，2000，31(2)：113－115. [8] 蔣煥煜，應(yīng)義斌，王劍平，等. 水果品質(zhì)智能化實時 檢測分級生產(chǎn)線的研究 [J]. 農(nóng)業(yè)工程學(xué)報， 2002 ， 18(6)：158－160. Jiang Huanyu, Ying Yibin, Wang Jianpin, et al. Real time intelligent inspecting and grading line of fruits[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2002, 18(6): 158－160. (in Chinese with English abstract). [9] 李江波，饒秀勤，應(yīng)義斌，等. 水果表面亮度不均校 正及單閾值缺陷提取研究[J]. 農(nóng)業(yè)機械學(xué)報，2011， 42(8)：159－163. Li Jiangbo, Rao Xiuqin, Ying Yibin, et al. Correction algorithm of illumination nonuniformity on fruit surface and defects extraction using single threshold value[J]. Transactions of the Chinese Society for Agricultural Machinery, 2011, 42(8): 159－163. (in Chinese with English abstract) [10] 孔彥龍，高曉陽，李紅玲，等. 基于機器視覺的馬鈴 薯質(zhì)量和形狀分選方法 [J]. 農(nóng)業(yè)工程學(xué)報， 2012 ， 28(17)：143－148. Kong Yanlong, Gao Xiaoyang, Li Hongling, et al. Potato grading method of mass and shapes based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(17): 143－148. (in Chinese with English abstract) [11] 郝敏，麻碩士，郝小冬，等. 基于 Zernike 矩的馬鈴薯 薯形檢測[J]. 農(nóng)業(yè)工程學(xué)報，2010，26(2)：347－350. Hao Min, Ma Shuoshi, Hao Xiaodong, et al. Potato shape detection based on Zernike moments[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(2): 347－350. (in Chinese with English abstract) [12] 崔建麗，童淑敏，郝敏，等. 邊界點矩特征傅里葉描述 的馬鈴薯薯形研究[J]. 中國農(nóng)機化，2012(2)：59－62. Cui Jianli, Tong Shumin, Hao Min, et al. Study on shape of potatoes based on dividing point's proper of matrix's fourier descriptor[J]. Chinese Agricultural Mechanization, 2012(2): 59－62. (in Chinese with English abstract)

252

農(nóng)業(yè)工程學(xué)報

2014 年

[13] 周竹，黃懿，李小昱，等. 基于機器視覺的馬鈴薯自 動分級方法[J]. 農(nóng)業(yè)工程學(xué)報，2012，28(7)：178-183. Zhou Zhu, Huang Yi, Li Xiaoyu, et al. Automatic detecting and grading method of potatoes based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012,28(7):178-183. (in Chinese with English abstract). [14] Zhou L, Chalana V, Kim Y. PC-based machine vision system for real-time computer-aided potato inspection[J]. International Journal of Imaging Systems and Technology, 1998, 9(6): 423－433. [15] Noordam J C, Otten G W, Timmermans A J M, et al. High seed potato grading and quality inspection based on a color vision system[C]// Machine Vision Applications in Industrial Inspection, 2000, 3966(3): 206－217. [16] Nayar S, Nene S, Murase H. Subspace methods for robot vision[J]. IEEE Transactions on Robotics and Automation, 1996, 12(5): 750－758. [17] Tenenbaum J B, De S V, Langford J C. A global geometric framework for nonlinear dimensionality reduction[J]. Science, 2000, 290(5500): 2319－2323. [18] Zhu L, Zhu S A. Face recognition based on extended locally linear embedding[C]// IEEE Conference on Industrial Electronics and Applications，No. 4025860, 2006.

[19] Ge S S, Yang Y, Lee T H. Hand gesture recognition and tracking based on distributed locally linear embedding[C]// IEEE conference on Robotics, Automation and Mechatronics, No.4018822, 2006. [20] 郭志強，楊杰，柳步蔭. 基于 WPT/PCA 的特征級融合人臉 識別方法[J]. 武漢理工大學(xué)學(xué)報，2009，31(17)：131－134. Guo Zhiqiang, Yang Jie, Liu Buyin. Feature fusion face recognition based on WPT and PCA[J]. Journal of Wuhan University of Technology, 2009, 31(17): 131－ 134. (in Chinese with English abstract) [21] 鄧楠. 基于主成分分析的人臉識別研究[D]. 西安：西 北大學(xué)，2006. Deng Nan. Study on Face Recognition Based on Principal Component Analysis[D]. Xi’an: Northwest University, 2006. (in Chinese with English abstract). [22] NY/T 1066-2006，馬鈴薯等級規(guī)格[S]. [23] 高尚兵， 嚴(yán)云洋， 宗慧. 基于顯著性區(qū)域的圖像分割[J]. 微電子學(xué)與計算機，2011，28(10)：21－23，27. Gao Shangbing, Yan Yunyang, Zong Hui. Image segmentation based on salient region[J]. Microel Ectronics and Computer, 2011, 28(10): 21－23, 27. (in Chinese with English abstract).

Machine vision detecting potato mechanical damage based on manifold learning algorithm
Wang Chenglong1, Li Xiaoyu1 , Wu Zhenzhong1, Zhou Zhu2, Feng Yaoze1
※

(1. College of Engineering, Huazhong Agricultural University, Wuhan 430070, China; 2. Information Engineering College, Zhejiang Forestry University, Lin'an 311300, China)

Abstract: Buds and uneven surface of potatoes have caused problems to detect the mechanical damage based on machine vision. The lighting conditions and gray value changes of defect region have great impacts on the pixel level feature extraction. While manifold learning methods have been extensively studied in the face recognition, they have not been used for the external quality inspection of agricultural products. The manifold learning method is mainly divided into linear and nonlinear manifold learning algorithms. The nonlinear manifold learning algorithm includes isometric mapping (Isomap), locally linear embedding (LLE), laplacian eigenmaping (LE). The linear algorithm is extension of the nonlinear methods such as principal component analysis (PCA) and multidimensional scaling (MDS). In order to weaken the influence of the buds and uneven surface on potatoes mechanical damage detection, the image was characterized by using low dimensional manifolds. A mechanical damage detection method for potatoes was provided based on manifold learning. In this study, the Saliency and H images were firstly segmented on the potato regional image. The segmentation accuracies of both images are 100%. However, Saliency-H method can the potato’s location information of the image by unsupervised pattern was automatically obtained. In addition, Saliency-H method was faster (average elapsed time is 477.7ms) than H method with a high data compression rate. After the potato region images were resampled from 1024×768 to 64×64, the features of potato images were extracted from the resample images by using the three manifold learning methods: principal component analysis (PCA), isometric mapping (Isomap) and locally linear embedding (LLE). Thirdly, the three corresponding SVM classification models were developed based on their features. Finally the parameters of the models were optimized to develop corresponding optimal classification models by using the grid search method (grid search), genetic algorithm (GA) and particle swarm optimization (PSO). The best three classification models were obtained through comparing the recognition results of SVM classification models. Test results showed that the training set recognition rate of PCA-SVM classification model was 100%, the test set recognition rate was 100%. The best parameter optimization method was grid search, the best number of features was 40, the test parameter c was equal to 27.8576 g. The training set recognition rate of Isomap-SVM classification model was 100%, the test set recognition rate was 91.7%, the best parameter optimization method was GA, the best number of features is 4, the test parameter c was equal to 27.8576 g. The training set recognition rate of LLE-SVM classification model was 100%, the test set recognition rate was 91.7%, the best parameter optimization method was PSO, the best number of features is 19, the test parameter c equals 0.1000, g equals 18.8827. These results indicate that potatoes mechanical damage detection is feasible using three manifold learning methods including PCA, Isomap and LLE. PCA-SVM classification model is the best classification model. Key words: computer vison, identification, algorithms, manifold learning, mechanical damage, potatoes （責(zé)任編輯：張俊芳）

基于流形學(xué)習(xí)算法的馬鈴薯機械損傷機器視覺檢測方法
作者： 作者單位： 刊名： 英文刊名： 年，卷(期)： 汪成龍， 李小昱， 武振中， 周竹， 馮耀澤， Wang Chenglong， Li Xiaoyu， Wu Zhenzhong， Zhou Zhu ， Feng Yaoze 汪成龍,李小昱,武振中,馮耀澤,Wang Chenglong,Li Xiaoyu,Wu Zhenzhong,Feng Yaoze(華中農(nóng)業(yè)大學(xué)工學(xué)院 ,武漢,430007)， 周竹,Zhou Zhu(浙江農(nóng)林大學(xué)信息工程學(xué)院,臨安,311300) 農(nóng)業(yè)工程學(xué)報 Transactions of the Chinese Society of Agricultural Engineering 2014(1)

參考文獻(23條) 1.應(yīng)義斌;饒秀勤;趙勻 機器視覺技術(shù)在農(nóng)產(chǎn)品品質(zhì)自動識別中的應(yīng)用(Ⅰ) 2000(01) 2.應(yīng)義斌;饒秀勤;趙勻 機器視覺技術(shù)在農(nóng)產(chǎn)品品質(zhì)自動識別中的應(yīng)用研究進展[期刊論文]-農(nóng)業(yè)工程學(xué)報 2000(03) 3.龐江偉;應(yīng)義斌 機器視覺在水果缺陷檢測中的研究現(xiàn)狀[期刊論文]-農(nóng)機化研究 2006(09) 4.應(yīng)義斌;景寒松;馬俊福 黃花梨果形的機器視覺識別方法研究[期刊論文]-農(nóng)業(yè)工程學(xué)報 1999(01) 5.應(yīng)義斌;景寒松;馬俊福 機器視覺技術(shù)在黃花梨尺寸和果面缺陷檢測中的應(yīng)用[期刊論文]-農(nóng)業(yè)工程學(xué)報 1999(01) 6.應(yīng)義斌;王劍平;蔣煥煜 水果直徑和缺陷面積的機器視覺檢測[期刊論文]-農(nóng)業(yè)工程學(xué)報 2002(05) 7.應(yīng)義斌;景寒松;馬俊福 黃花梨品質(zhì)檢測機器視覺系統(tǒng)[期刊論文]-農(nóng)業(yè)機械學(xué)報 2000(02) 8.蔣煥煜;應(yīng)義斌;王劍平 水果品質(zhì)智能化實時檢測分級生產(chǎn)線的研究[期刊論文]-農(nóng)業(yè)工程學(xué)報 2002(06) 9.李江波;饒秀勤;應(yīng)義斌 水果表面亮度不均校正及單閾值缺陷提取研究[期刊論文]-農(nóng)業(yè)機械學(xué)報 2011(08) 10.孔彥龍;高曉陽;李紅玲 基于機器視覺的馬鈴薯質(zhì)量和形狀分選方法[期刊論文]-農(nóng)業(yè)工程學(xué)報 2012(17) 11.郝敏;麻碩士;郝小冬 基于Zernike矩的馬鈴薯薯形檢測[期刊論文]-農(nóng)業(yè)工程學(xué)報 2010(02) 12.崔建麗;童淑敏;郝敏 邊界點矩特征傅里葉描述的馬鈴薯薯形研究[期刊論文]-中國農(nóng)機化 2012(02) 13.周竹;黃懿;李小昱 基于機器視覺的馬鈴薯自動分級方法[期刊論文]-農(nóng)業(yè)工程學(xué)報 2012(07) 14.Zhou L;Chalana V;Kim Y PC-based machine vision system for real-time computer-aided potato inspection 1998(06) 15.Noordam J C;Otten G W;Timmermans A J M High seed potato grading and quality inspection based on a color vision system 2000(03) 16.Nayar S;Nene S;Murase H Subspace methods for robot vision[外文期刊] 1996(05) 17.Tenenbaum J B;De S V;Langford J C A global geometric framework for nonlinear dimensionality reduction 2000(5500) 18.Zhu L;Zhu S A Face recognition based on extended locally linear embedding 2006 19.Ge S S;Yang Y;Lee T H Hand gesture recognition and tracking based on distributed locally linear embedding 2006 20.郭志強;楊杰;柳步蔭 基于WPT/PCA的特征級融合人臉識別方法[期刊論文]-武漢理工大學(xué)學(xué)報 2009(17) 21.鄧楠 基于主成分分析的人臉識別研究[學(xué)位論文] 2006 22.馬鈴薯等級規(guī)格 23.高尚兵;嚴(yán)云洋;宗慧 基于顯著性區(qū)域的圖像分割[期刊論文]-微電子學(xué)與計算機 2011(10)

引用本文格式：汪成龍.李小昱.武振中.周竹.馮耀澤.Wang Chenglong.Li Xiaoyu.Wu Zhenzhong.Zhou Zhu.Feng Yaoze 基于流形學(xué)習(xí)算 法的馬鈴薯機械損傷機器視覺檢測方法[期刊論文]-農(nóng)業(yè)工程學(xué)報 2014(1)



  本文關(guān)鍵詞：基于流形學(xué)習(xí)算法的馬鈴薯機械損傷機器視覺檢測方法，由筆耕文化傳播整理發(fā)布。