本发明涉及马铃薯分级算法技术领域,特别涉及一种基于多分辨率分析法和adaboost算法的马铃薯品质分级方法。
背景技术:
在马铃薯品质分级中,形状是一个非常重要的指标,国家标准有着严格的规定。现有技术中提出了不同的针对马铃薯外部品质的分级的方法,但是都不同程度出现效率低下和分级速度较慢的缺陷。
技术实现要素:
本发明实施例发明目的在于提供一种基于多分辨率分析法和adaboost算法的马铃薯品质分级方法,应用该技术方案可以利用多分辨率分析法和adaboots算法对马铃薯的外部形状进行分类,最终对马铃薯品质分级有着更高的效率和更快的速度。
为了实现上述发明目的,本发明的完整技术方案如下:
一种基于多分辨率分析法和adaboost算法的马铃薯品质分级方法,包括以下步骤:
获取若干马铃薯图像;
通过多分辨率分析法分别计算马铃薯图像在不同的抽象层次中输入层与隐层之间的连接权值;
通过adaboots算法滤选所述连接权值,获取最佳特征;
根据连接权值和最佳特征确定图像图像分类的结果。
优选的,所述步骤:通过多分辨率分析法分别计算马铃薯图像在不同的抽象层次中输入层与隐层之间的连接权值,具体的包括以下步骤
将马铃薯图像分解为逼近部分和细节部分;
在新的抽象层次中,将得到的所述逼近部分分解为新逼近部分和新细节部分;
将细节部分和新细节部分定义为输入层与隐层之间的连接权值。
优选的,所述步骤:通过adaboots算法滤选所述连接权值,获取最佳特征;具体的包括以下步骤
设所述连接权值为m组训练数据,(x1,y1),……(xm,ym),其中
xi(instance)∈x,yi(classification)∈y={-1,+1}
初始化d1(i)=1/m,d1(i)为训练样本i的权重;
设最佳特征数量为t,当t=1,...,t时,分类器hi:x→[-11],h为分类器;
若ej<0.5继续以下步骤,否则停止;
设第t个阀值为βt,选择βt∈r:
下一个分类器:
其中zt为归一化因子,令dt+1成为分布函数;
得到最后的分类器:
得到每一类图像的最佳特征,为特征f、阈值β和极性p构成的弱分类器:
优选的,所述步骤:根据连接权值和最佳特征确定图像分类的结果,具体的包括以下步骤
设图像分类的结果为h(y):
当h(y)等于1时,确定当前马铃薯图像符合当前类别,否则确定为不符合。
由上可见,应用本实施例技术方案,通过多分辨率分析法计算连接权值,有效地减少了耗时的训练和分类步骤。再通过adaboots算法对马铃薯的外部形状进行分类,最终对马铃薯品质分级有着更高的效率和更快的速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的程序流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
如图1所示,本实施例提供一种基于多分辨率分析法和adaboost算法的马铃薯品质分级方法,包括以下步骤:
步骤s101:获取若干马铃薯图像;
步骤s102:通过多分辨率分析法分别计算马铃薯图像在不同的抽象层次中输入层与隐层之间的连接权值;
步骤s103:通过adaboots算法滤选所述连接权值,获取最佳特征;
步骤s104:根据连接权值和最佳特征确定图像图像分类的结果。
作为优选的技术方案,更具体的如下:
在步骤s102和s103之间,本实施例可以采用们取值在[01]的sigmoid函数作为激活函数。
在步骤s102中:具体的包括以下步骤
将马铃薯图像分解为逼近部分和细节部分;
在新的抽象层次中,将得到的所述逼近部分分解为新逼近部分和新细节部分;
将细节部分和新细节部分定义为输入层与隐层之间的连接权值。
以上步骤使用多分辨率分析中的快速小波变换(fwt),有效地减少了耗时的训练和分类步骤。其中的细节部分包含有水平细节、垂直细节和对角线细节。
在步骤s103中:具体的包括以下步骤
通过adaboots算法滤选所述连接权值,获取最佳特征;具体的包括以下步骤
设所述连接权值为m组训练数据,(x1,y1),……(xm,ym),其中
xi(instance)∈x,yi(classification)∈y={-1,+1}
初始化d1(i)=1/m,d1(i)为训练样本i的权重;这决定了该样本被选择为成分分类器的概率。
设最佳特征数量为t,当t=1,...,t时,分类器hi:x→[-11],h为分类器;这将最大限度地减少分布dt带来的误差:
若ej<0.5继续以下步骤,否则停止;
设第t个阀值为βt,选择βt∈r:
下一个分类器:
其中zt为归一化因子,令dt+1成为分布函数;
得到最后的分类器:
得到每一类图像的最佳特征,为特征f、阈值β和极性p构成的弱分类器:
阈值β将作为隐层与输出层之间的连接权值以用来确定每一类的图像。
在步骤s104中:要对用作分类的图像y进行分类,必须建立一个神经网络,其中该网络的隐层神经元连接权重是由能表示所有类别图像的所有特征构成的,具体的包括以下步骤
设图像分类的结果为h(y):
当h(y)等于1时,确定当前马铃薯图像符合当前类别,否则确定为不符合。
本发明实施例利用基于多分辨率分析法的快速小波变换在不同层次的抽象中提取出马铃薯图像的特征,其次,我们利用adaboost算法选择出最好的特征并以此对相应的马铃薯图像进行分类。从实验结果来看,分类效果十分理想,并且证明了所提出的基于多分辨率分析和adaboost算法的简单深度学习神经网络结构高效。
以上所述的实施方式,并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等,均应包含在该技术方案的保护范围之内。