基于支持向量机的翠冠梨大小等级评定模型构建.pdf

2023.24 科学技术创新基于支持向量机的翠冠梨大小等级评定模型构建刘现1*，郑华伟2（1.福建省农业科学院 数字农业研究所，福建 福州；2.福建农林大学 计算机与信息学院，福建 福州）引言翠冠梨属砂梨系，品质上等1-2，是福建三明市建宁县的特色水果。我国果品普遍存在分级、包装、商标等商品化处理能力差的弊端，降低了在国际和国内市场竞争中的优势3。梨的分级是梨采后一个十分重要的环节，建立完整的分级制度可促进果品优质优价，助力产业化进一步发展4。支持向量机(Support Vector Machine,SVM)理论最初来源于对数据分类问题的处理5，适合分析小样本和多维数据，常被用于分类和预测6。胡晓依等7结合SVM 分类器搭建适用滚动轴承故障诊断的改进型深度卷积神经网络模型，极大提升了轴承故障识别准确率、模型收敛速度及泛化能力。时雷等8基于支持向量机和灰色 BP 神经网络提出冬小麦晚霜冻害预测模型，预测结果与实际情况基本一致；张冬至等9提出通过麻雀搜索算法对支持向量机的关键参数寻优，对瓶盖装配进行检测，准确率达到 98.33%。综上所述，支持向量机已在工业与农业中加以应用，但未见在翠冠梨分级上的研究报道。翠冠梨是福建三明市建宁县的特色水果，研究它的分级进而实现它的分类计价，可助力翠冠梨果业进一步发展。本研究立足于当前研究现状，构建翠冠梨大小分类图像数据集，利用支持向量机技术搭建翠冠梨大小等级评定模型，并与贝叶斯分类、决策树算法所构建的分类模型进行对比，评判模型的分类效果与性能。1材料与方法1.1材料1.1.1供试材料本试验所使用的翠冠梨采购自福建福州市永辉超市。1.1.2试验平台本单位自主构建了一套图像获取试验平台，如图1 所示。平台包括 1 台吉农牌计算机分选机（型号 TN-68A）、3 个 CCD 工业相机（型号 MV-SUA1600，分辨率 4 608 px伊3 456 px，镜头焦距 8 mm）、笔记本计算机 1 台（Acer Aspire V15 T5000）、LED 光源（功率128 W）、机器视觉检测光源（功率 17 W）3 盏等部件，图像采集组件安装于黑色暗箱内。平台内图像采集箱正中央果盘下方安装有重量传感器，当翠冠梨经由传送带向前输送时，传感器可获取翠冠梨重量数据。参照福建地方标准10与获取的重量数据将翠冠梨分为大果与小果两类，单果重逸250 g 属于大果类，除此之基金项目院福建省农业科学院自由探索科技创新项目“基于大数据的翠冠梨智能分级模型构建”(ZYTS202234)；福建省农业科学院科技创新团队“智慧农业科技创新团队”(CXTD2021013-1)；福建省农业科学院科技创新团队“南方丘陵农情监测科技创新团队”(CXTD2021012-3)。通讯作者院刘现（1985-），女，硕士，助理研究员，研究方向：环境感知与智能控制。摘要：为了提高翠冠梨大小检测及等级评定的智能化程度与效率，基于支持向量机构建了一套翠冠梨大小等级评定模型。利用自主研制的图像采集系统试验平台构建翠冠梨大小分类图像数据集，使用支持向量机算法构建翠冠梨大小等级评定模型，将该模型与贝叶斯分类和决策树算法所构建的模型进行对比，评估其分类效果和性能。实验结果表明，综合考虑模型分类准确率和运行时间，基于支持向量机的翠冠梨大小等级评定模型相较于其他两种算法所构建的模型是最佳的。本研究结果可为翠冠梨大小分级方法提供技术参考。关键词：翠冠梨；大小；支持向量机；贝叶斯；决策树；模型中图分类号院S661.2文献标识码院A文章编号院2096-4390渊2023冤24-0221-04221-科学技术创新 2023.24外为小果类。使用本单位自主研发的图像获取试验平台获取两个类别的翠冠梨图像，获取的图像分辨率为4 608 px伊3 456 px，分别从正上方、侧前方、右侧方三个方向获取图像。于 2022 年 8 月在 30 益下采集了1 600 张图片，其中含 1 000 张大果类图片，600 张小果类图片。获取的翠冠梨图像见图 2。1.图像采集箱；4.反光布；31.低位照明灯；32.高位照明灯；3.照明装置；11.每组横梁；111.横移导轨；12.纵梁；120.第二螺栓；13.摄像头安装架；130.第三螺栓；14.摆架；110.第一螺栓；10.果蔬输送机构；15.支撑立柱图 1试验平台结构(a)大果类翠冠梨图像(b)小果类翠冠梨图像图 2获取的翠冠梨图像1.1.3硬件设备本研究模型训练使用的深度学习服务器为 AMDEPYC 7763 64-Core Processor*2 CPU，64GB*16 内存，GeForce RTX 3090 BULK*8 GPU，Ubuntu 20.04系统，Pytorch 1.12.1 深度学习框架。1.2试验方法本研究基于翠冠梨大小图像数据集采用支持向量机算法（Support Vector Machine,SVM）构建翠冠梨大小等级评定模型并分别使用决策树(Decision Tree)与贝叶斯(Bayes)算法构建模型，作为对比参照。翠冠梨大小等级评定模型构建与评估流程见图 3。1.2.1构建翠冠梨大小图像数据集将获取的 1 600 张翠冠梨图像作为数据集并按留出法以 8:2 的比例划分为训练集和测试集。训练集含1 280 张图像，其中大果类 800 张，小果类 480 张；测试集含 320 张图像，其中大果类 200 张，小果类 120 张。1.2.2基于支持向量机构建翠冠梨大小等级评定模型采用 Python 语言编程，利用深度学习服务器进行模型训练。先将图像进行预处理后输入，然后进行特征提取，使用 SVM 算法进行训练，构建基于 SVM 的翠冠梨大小等级评定模型。1.2.3与其他算法进行比较为了评估模型的分类效果与性能，分别使用 De原cision Tree 与 Bayes 算法来构建翠冠梨大小等级评定模型作为对比并重复每一种算法建模过程十次，对比各个模型之间的分类准确率与模型运行耗时。2结果与分析在数据集上重复三种算法建模过程十次后，得到的结果，见图 4-图 7。图 4、图 6 表明 SVM 算法构建的模型运行 10 次过程中每一次模型分类准确率均高于其他两种算法，其中最小值、最大值及平均值分别为 84.06%、87.81%、85.94%；图 5、图 7 表明 SVM 算法在 1、4、5、6次的运行耗时小于其他两种算法,SVM、Bayes 算法运行耗时最小值、最大值以及平均值分别为 247.32 s、248.00 s、247.50 s 与 234.61 s、248.53 s、246.13 s,最小值和平均值略高于 Bayes 算法。3讨论与结论试验结果表明，SVM 算法构建的模型 10 次分类222-2023.24 科学技术创新 构建 翠 冠梨 大构建 翠 冠梨 大小图 像小图 像 数据数据 集集输输入入图 像图 像图 像预处 理图 像预处 理特 征提取特 征提取使 用使 用SVM算算法训 练法训 练样样本本获 得获 得基于基于svm算算法法的的 翠翠冠 梨大小等级评定冠 梨大小等级评定模 型模 型使用使用 Bayes算算法训 练法训 练样样本本使用使用D ecision Tree算算法 训练法 训练样样 本本获得获得基于基于 Bayes算算法法 的的翠翠冠 梨大小等级评定冠 梨大小等级评定模 型模 型获得获得基于基于 Decision Tree算算法法的的翠 冠梨大 小等 级评 定翠 冠梨大 小等 级评 定模型模型对对比比对对比比图 3翠冠梨大小等级评定模型构建与评估流程准确率均为最高，说明分类效果最好，程序运行耗时最小值和平均值均高于 Bayes 算法，但高的很少，特别是平均值才高 1.37 s。因此综合考虑分类效果与性能因素得出使用 SVM 算法相比较于其他两种算法所构建的翠冠梨大小等级评定模型是最佳的。参考文献1吴志广,邓家林,张全军,等.翠冠梨柱状栽培技术J.四川农业科技,2022(2):41-42,48.2张平,卜范文,杨玉,等.翠冠梨套袋对果实品质的影响研究进展J.落叶果树,2022,54(4):54-56.3冯斌,曹其新,田翔.香梨采后分级技术的研究J.中国科技成果,2011(5):25-28.4张灵光.农产品质量分级标准是增强市场竞争力的基础J.中国标准化,2007(10):59-62.5安金龙,王正欧,马振平.一种新的支持向量机多类分类方法J.信息与控制,2004,33(3):262-267.6杨雅勋,张伟德,于海波,等.基于改进支持向量机的超声参数与受载混凝土应力状态研究J.振动与冲击,2023,42(2):175-181,224.7胡晓依,荆云建,宋志坤,等.基于 CNN-SVM 的深度卷积神经网络轴承故障识别研究 J.振动与冲击,2019,38(18):173-178.图 4各个模型运行 10 次分类准确率图 5各个模型运行 10 次耗时图 6各个模型分类准确率最小、最大及平均值图 7各个模型运行耗时最小、最大及平均值223-科学技术创新 2023.24Construction of Size Grading Model for CuiguanPear Based on Support Vector MachineLiu Xian1*,Zheng Huawei2(1.Digital Agriculture Research Institute,Fujian Academy of Agricultural Sciences,Fuzhou,China;2.School of Computer Science and Technology,Fujian Agriculture and Forest University,Fuzhou,China)Abstract:In order to improve the intelligence and efficiency of Cuiguan pear size detection and grade e原valuation,a set of Cuiguan pear size grade evaluation model was built based on Support Vector Machine.Onthe self-developed image acquisition system experimental platform,a dataset of Cuiguan pear size classifica原tion images were built.Based on the images,the Support Vector Machine algorithm was used to construct aset of Cuiguan pear size grade evaluation model.To evaluate its classification performance and efficiency,themodel was compared with models constructed by Bayesian classification and Decision Tree algorithms.The ex原perimental results show that,considering the classification accuracy and running time of the model,Cuiguanpear size grade evaluation model constructed by Support Vector Machine was the best compared to the othertwo algorithms.The results of this study can provide a technical reference for the size grading method ofCuiguan pear.Key words:Cuiguan pear;size;Support Vector Machine;Bayesian;decision tree;model8时雷,孙佳佳,孙嘉玥,等.基于支持向量机和灰色 BP神经网络的冬小麦晚霜冻害预测 J.江苏农业科学,2023,51(3):178-187.9张冬至,韩栋星,毛瑞源,等.基于麻雀搜索算法优化支持向量机的瓶盖装配检测研究J.河南师范大学学报(自然科学版),2023,51(1):29-38.10三明市经济作物技术推广站,建宁县经济作物站,宁化县经济作物站,等.GB35/760-2007,翠冠梨鲜果S.福建:福建省质量技术监督局,2007:1-4.224-