1、河南农业科学,2023,52(1):161171Journal of Henan Agricultural Sciencesdoi:10.15933/ki.10043268.2023.01.017基于K-means聚类和改进MLP的苹果分级研究王迎超,张婧婧,贾东霖,周腾飞(新疆农业大学 计算机与信息工程学院,新疆 乌鲁木齐 830052)摘要:为准确实现多特征融合的苹果分级,提出了一种基于K-means聚类和改进MLP的苹果分级方法。该方法主要包括图像预处理、亮度均衡化、背景分割、特征加权以及改进的MLP分级网络训练。首先借助均值滤波算法和直方图均衡化操作改善苹果图像质量;接着借助K-mea
2、ns聚类算法进行背景分割;在果体与背景分割的基础上,依次提取苹果的果径、果形、颜色、缺陷、纹理5个特征;然后借助皮尔逊相关性分析和人工挑选偏好权重对特征数据集综合加权,模拟人工分级场景;最后将特征数据送入改进的MLP神经网络中完成苹果的分级定等。通过对400个定好等级的苹果进行分级测试,准确率达到94.25%,验证了分级方法的可行性与准确性。该方法与现行的苹果分级标准相结合,具备时效性强、检测指标完备等分级优势。关键词:K-means聚类;皮尔逊相关系数;多特征融合;改进MLP;苹果分级中图分类号:TP391.41;S126文献标志码:A文章编号:1004-3268(2023)01-0161-
3、11收稿日期:2022-09-30基金项目:新疆维吾尔自治区自然科学基金资助项目(2022D01A202);新疆农业大学研究生教育教学改革研究项目(xjaualk-yjs-2021012);新疆农业大学2022年度大学生创业训练项目(XJCY202219)作者简介:王迎超(1997-),男,河南驻马店人,在读硕士研究生,研究方向:图像处理。E-mail:通信作者:张婧婧(1981-),女,湖南宁乡人,副教授,硕士,主要从事农业信息化技术研究。E-mail:Grading of Apple Based on Kmeans Clustering and Improved MLPWANG Yingc
4、hao,ZHANG Jingjing,JIA Donglin,ZHOU Tengfei(School of Computer and Information Engineering,Xinjiang Agricultural University,Urumqi 830052,China)Abstract:In order to accurately realize apple classification with multifeature fusion,a classificationmethod of Fuji apples based on Kmeans clustering and i
5、mproved MLP was proposed.The method mainlyincluded image preprocessing,brightness equalization,background segmentation,feature weighting andimproved MLP classification network.Firstly,the image quality of apple was improved by means of meanfiltering algorithm and brightness equalization operation;th
6、en background segmentation was performedby means of Kmeans clustering algorithm;on the basis of fruit body and background segmentation,thefruit diameter,fruit shape,color,defect and texture features of apple were extracted in turn;then Pearsoncorrelation analysis and artificial preference weight wer
7、e used to comprehensively weight the feature dataset to simulate the artificial grading scene;finally,the feature data was sent to the improved MLP neuralnetwork to complete the apple grading.Through the grading test of 400 graded apples,the accuracy ratereached 94.25%,which verified the feasibility
8、 and accuracy of the grading method.This methodcorresponds to the systematic apple grading standard,and has the advantages of strong timeliness andcomplete detection indicators.Key words:Kmeans clustering;Pearson correlation coefficient;Multifeature fusion;Improved MLP;Apple classification河南农业科学第 52
9、 卷我国是世界上公认的苹果种植大国,每年的苹果产量占到了世界总产量的40%以上。在高产量的背后,由于我国普遍采用人工分级方式,导致苹果的质量参差不一和大量的苹果碰伤,造成了很大的利润损失1。苹果在线分级是解决由人工分级导致的苹果碰伤、分级准确率不高等问题的主要方法。在基于机器视觉的苹果外观品质分级领域,通过提取苹果的果径13、缺陷45、颜色67、果形811、纹理1213等单一特征进行量化与分级的技术已得到广泛研究与应用。而不同体系的苹果分级标准表明,单一特征的苹果分级与主流的分级标准差异较大,多特征的苹果分级具备显著的技术优势。在多特征融合的苹果分级技术研究中1420,通常在苹果图像经过预处理
10、、背景分割、特征提取等步骤后,将苹果的果径、果形等多个特征融合并作为苹果分级的依据,弥补了单一特征进行苹果分级的局限性,其分级结果更贴合人工标准。在此类分级技术中,以支持向量机(SVM)、卷积神经网络(CNN)等分类器进行分级更为普遍2124。就模型的泛化能力而言,SVM中惩罚因子的选取会随着特征个数及特征数据本身的变化而变化,不具备较好的泛化能力25。从苹果分级效率出发,CNN网络结构复杂,虽然在分级结果上更为准确,但分级时间很难满足流水线的实时性需求。多层感知机(MLP)神经网络结构简单,输入特征接口数量易改变,参数易选取,适于高效、多分类的分级目标26。鉴于此,采集阿克苏红富士苹果的果形
11、、果径、着色比、缺陷及纹理特征构建样本数据集,基于遗传算法和MLP神经网络建立苹果分级模型,通过遗传算法对MLP神经网络的优化,进一步提升传统MLP的性能,着重解决类球形果体在自动分级过程中分级效率不高、分级不准确等问题,为类球形果体外观品质的分级提供参考与借鉴。1材料和方法1.1材料供试苹果为新疆阿克苏红富士苹果,依据GB/T106512008 鲜苹果 标准采集苹果图像,使用华为Mate30-5G手机,其摄像头为4 000万像素,共计采集了1 500个苹果的正视、侧视与俯视图,如图1所示。图1苹果图像采集Fig.1Apple image acquisition图2苹果侧面图像采集Fig.2A
12、pple profile image acquisitionaa为获取完整的苹果侧面图像,在采集正视与后视图时以苹果的最大横截面为标准,采集方式如图2所示。图2中a表示摄像头到苹果最大横截面的距离。依据三视图的原理,当观测距离相等时,同一物体的正视图与后视图相同,均为该物体的最大横截面。试验证明,由图2所得到的正视图与后视图可以相互重合,因此该方法能够保证苹果侧面图像采集完整。1.2方法1.2.1试验设计提出一种基于 K-means 聚类和改进MLP的苹果分级方法。首先采用均值滤波方法预处理分类图像,过滤图像表面的噪声;之后借助K-means聚类算法进行苹果图像聚类,进一步完成背景与果体的分离
13、。在提取苹果特征之前,使用全局亮度均衡化操作降低图像表面光照及亮斑的影响,保证特征提取过程的准确性。考虑到人工分162第 1 期图3试验设计框架Fig.3Experimental design framework图4预处理后苹果图像Fig.4Pre-processed apple images级过程的人为因素,根据相关性分析结果与人工偏好权重,对特征数据集作综合加权,并进行数据标准化转换。最后按照7 3的比例把数据集的70%用于遗传算法(GA)优化的 MLP 神经网络训练,30%用于测试,其试验设计框架如图3所示。1.2.2试验环境操作系统为Windows10家庭版,版本号为 21H2,笔记本
14、操作系统为 64 位,CPU 为Intel(R)Core(TM)i7-7500U,内存大小为8 GB,开发语言为Python。1.2.3预处理苹果作为类球形水果,在图像采集过程中表面会产生不同的反光,因此,需要对图像进行亮度均衡化处理,以降低光照对后续试验的影响。首先将苹果图像进行颜色空间转换,然后在YCrCb中对亮度通道进行自适应直方图均衡化操作,有效降低光照影响。预处理后图像如图4所示。1.2.4背景分割为准确地提取苹果特征,需要对苹果图像进行背景分割操作。首先,根据背景与果实区域像素阈值的不同,使用最大类间方差法(OSTU)完成图像的分割操作,结果见图 5a。其不足之处在于,当背景与果实
15、区域的像素阈值接近时无法满足预期的分割效果。基于苹果图像的简单背景,选用 K-means聚类算法设定的 K值,通过计算最短欧式距离,将苹果图像的像素点进行分类,王迎超等:基于 K-means 聚类和改进 MLP 的苹果分级研究163河南农业科学第 52 卷据此完成背景的分割,如图5b所示。对比2种方法的分割结果,OSTU分割得到的图像无法准确划分出背景与果实的阈值,出现较明显的误判现象。K-means聚类方法的分割效果更加清晰,对果实区域的提取也更为完整。为进一步验证基于K-means聚类的分割优势,引入经典的U-net和DeepLab-V3模型分别对同一苹果图像数据集进行测试,其平均分割时间
16、的对比结果如表1所示。由表1可知,在3种方法分割效果趋于一致的情况下,基于U-net和DeepLab-V3的分割时间分别为 3.18、12.10 s/次,比基于 K-means 聚类的分割时间分别多出1.22、10.14 s/次。表明基于U-net和 DeepLab-V3为代表的实例分割网络无法满足简单背景下苹果图像分割的高速率要求,而基于 K-means聚类的分割方法在苹果分级过程中能够确保分级的准确率和速率。1.2.5苹果特征的提取1.2.5.1果径果径大小是苹果分级的重要指标之一。利用苹果的俯视图来计算苹果的果径大小。在俯视图的采集过程中,得到的最大截面的直径即为苹果的最大果径。即对俯视
17、图像进行背景分割、二值化处理,之后进行Canny边缘检测,并依据苹果轮廓构建最小外接矩形,按照最小外接矩形的顶点坐标获得矩形的长和宽(h,w),最后对矩形的长和宽取平均值得到苹果的果径d。1.2.5.2果形果形是描述苹果果实圆度(E)的重要参考指标,越接近圆形的苹果等级越高,一般E为0.9时,近似为圆形或者近圆形。果形为苹果果实的纵径与横径之比,如公式(1)27,其中,纵径与横径分别取自苹果轮廓的最小外接矩形的长和宽(h,w)。E=h w(1)1.2.5.3颜色特征苹果的颜色特征是最直观的苹果分级指标之一。HSV空间是接近于人眼感知的能够清晰表述颜色直观特征的颜色空间,因此,将RGB按照式(2
18、)、(3)、(4)28转换到HSV空间,利用H、S、V通道的阈值范围进行红色素的提取,如图6所示。各颜色在HSV空间的阈值范围如表2所示。H=0=060()G-Bmod6Cmax=R60()B-R+2Cmax=G60()R-G+4Cmax=B(2)S=0Cmax=0CmaxCmax 0(3)V=Cmax(4)式 中:R=R/255;G=G/255;B=B/255;Cmax=max(R,G,B);Cmin=min(R,G,B);=Cmax-Cmin。1.2.5.4缺陷苹果的缺陷包括擦伤、腐烂、虫洞等,严重影响着苹果的质量等级。在采集的图像中,苹果的缺陷一般呈现暗黑色或者黑褐色。首先对图像进行二值
19、化并取反,接着对孔洞进行填充,并与原二值图像进行异或运算,得到苹果的缺陷图像。部分缺陷提取效果如图7所示。1.2.5.5纹理纹理是反映图像同质现象变化的一种视觉特征。基于灰度共生矩阵的纹理特征提取方法,能够体现苹果图像表面的组织结构的缓慢性或周期性变化。通过计算图像灰度得到灰度共生矩阵,借助ASM能量、熵(ENT)、逆差矩(IDM)、对比度(CON)、相关性(Corr)5个参数表示苹果图像的纹理特征。设l(x,y)为苹果图像,大小为a b,则l(x,y)的灰度共生矩阵为:G(m,n)=#(x1,y1),(x2,y2)a*b|f(x1,y1)=m,f(x2,y2)=n(5)其中,#(x)为元素x
20、的集合。基于灰度共生矩阵,得到以下的纹理特征向量29-31:ASM=km=1kn=1(G(m,n)2(6)ENT=-km=1kn=1G(m,n)logG(m,n)(7)a.OSTU分割;b.K-means分割a.OSTU segmentation;b.Kmeans segmentation图5苹果图像分割效果对比Fig.5Comparison of apple image segmentation effectab表1各模型分割时间对比Tab.1Comparison of model segmentation time模型 ModelU-netDeepLab-V3K-means聚类Kmeans
21、 clustering分割时间/(s/次)Split time3.1812.101.96164第 1 期IDM=km=1kn=1G(m,n)1+(m-n)2(8)CON=k-1ii2|m-n=iG(m,n)(9)Corr=mn(mn)(G(m,n)-xyxy(10)a.H通道;b.S通道;c.V通道a.Hchannel;b.Schannel;c.Vchannel图6HSV各通道苹果图像Fig.6Images of apples in each channel of HSVabc表2HSV颜色阈值范围Tab.2HSV color threshold rangeHSVHminHmaxSminSma
22、xVminVmax黑Black01800255046灰Gray018004346220白White0180030221255红Red0104325546255156180橙Orange11254325546255黄Yellow26344325546255绿Green35774325546255青Cyan78994325546255蓝Blue1001244325546255紫Purple1251554325546255图7苹果缺陷提取Fig.7Apple defect extraction1.2.6苹果特征数据加权考虑到人工分级中部分人为因素,试验中引入苹果等级的偏好设置。即采用相关性分析获取特
23、征数据与分级结果的关联,结合人工分拣偏好的各特征权重,与输入特征融合并进行加权,重新进行特征数据集的构建。在提取图像特征后,苹果等级依次划分为1、2、3、4四个等级,1代表特级果,一级果、二级果和等外果以此类推。根据相关性分析结果,将得到的相关系数定义为wj。根据人工挑选偏好权重,将苹果各个特征权重定义为aj,如表3所示。王迎超等:基于 K-means 聚类和改进 MLP 的苹果分级研究165河南农业科学第 52 卷依照公式(11)32计算wj与aj得到各个特征的综合权重(j)。j=ajwjj=1najwj(11)1.2.7基于改进MLP的多特征融合分级1.2.7.1MLP神经网络多层感知机是
24、一个包含输入层、多个隐藏层、输出层的神经网络,最简单的MLP为3层,包含1个隐藏层,如图8所示。1.2.7.2改进的MLP神经网络(GA-MLP)传统机器学习的优化算法从单个的初始值开始,通过多次迭代得到最优解,容易陷入局部最优解。而遗传算法(GA)的运算过程是从问题解的串集中开始搜索,搜索范围广,覆盖的值域多,利于找寻最优解。因此,采用遗传算法替代传统优化算法,用于MLP神经网络的优化,其优化流程如图9所示。表3人工挑选偏好权重Tab.3Manual selection weight颜色Color0.30缺陷Defect0.15果径Fruit diameter0.30果形Fruit shap
25、e0.20纹理Texture0.05图9GA优化MLP流程Fig.9Optimization flow chart of MLP by GA图83层感知机Fig.8Three layer perceptron输入层Input layer输出层Output layer隐藏层Hide Layers166第 1 期1.2.8分级模型训练1.2.8.1数 据 标 准 化设 输 入 样 本 矩 阵 为X=x1,x2,xi,对X进行标准差归一化,则归一化后数据33为:X*i=(xi-)/(12)1.2.8.2初始化MLP神经网络与GA参数初始化MLP神经网络隐含层节点数参考公式(13)33:l 0.5ai
26、j+(amin-aij)f(g)r 0.5(19)其中,f(g)=r(1-g/Gmax)2,r属于(0,1),g为当前迭代次数,Gmax为最大迭代次数。最后,将得到的最优参数赋值给 MLP 神经网络,MLP神经网络则根据得到的参数进行训练,完成GA对MLP神经网络的优化。2结果与分析将处理好的苹果特征数据送入到 GA-MLP 神经网络中进行分级,并与传统的MLP神经网络的训练结果进行对比,其中 GA-MLP 神经网络与传统MLP神经网络参数设置如表4所示。其中,(15,20)表示隐藏层层数为 2,神经元个数分别为 15,20。(13,13)表示隐藏层层数为 2,神经元个数分别为13,13。图1
27、0展现了GA-MLP神经网络与MLP神经网络在迭代次数为500、学习率为0.001条件下的训练过程。由图10可以看出,基于GA-MLP神经网络的准确率全程高于MLP神经网络,且训练速度和收敛速度都高于MLP神经网络。表4GA-MLP神经网络与MLP神经网络的参数Tab.4GA-MLP neural network and MLP neuralnetwork parameters参数 Parameter优化器 Optimizer激活函数 Activation function隐藏层 Hide layerGA-MLPLbfgsRelu(15,20)MLPAdamTanh(13,13)图10网络训练
28、结果Fig.10Network training resultsGA-MLPMLP0100200300400500训练周期/次 Epochs准确率 Accuracy王迎超等:基于 K-means 聚类和改进 MLP 的苹果分级研究167河南农业科学第 52 卷a.GA-MLP输出拟合;b.MLP输出拟合a.GAMLP output fitting;b.MLP output fit图11分级结果拟合Fig.11Grading result fittingb050100150200250300350个数 Number苹果分级Apple grade4321真实等级Authenticity level
29、预测等级Forecast level050100150200250300350个数 Number苹果分级Apple gradea真实等级Authenticity level预测等级Forecast level4321a.GA-MLP输出绝对误差;b.MLP输出绝对误差a.GAMLP output absolute error;b.MLP output absolute error图12GA-MLP与MLP输出绝对误差分析Fig.12Absolute error analysis of GA-MLP and MLP output2.001.751.501.251.000.750.500.250.
30、00050100150200250300350个数 Number分级误差Grading errorb2.001.751.501.251.000.750.500.250.00050100150200250300350个数 Number分级误差Grading errora将GA-MLP神经网络与MLP神经网络在测试集上的输出值与实际值进行拟合,其结果如图11所示。GA-MLP神经网络与 MLP神经网络在苹果特征数据集上的输出绝对误差如图12所示。从图11可以看出,通过MLP神经网络及GA-MLP神经网络的训练,其苹果等级的预测与真实值变化趋势基本一致,且GA-MLP神经网络的预测结果更为准确。同样
31、,如图12中,GA-MLP神经网络的分级误差低于MLP神经网络。另取400个苹果的图像完成模型的测试验证。测试集包括前后视图及俯视图,共计1 200副图像,仍划分为特级果、一级果、二级果和等外果 4个等级。每类苹果数量各为100个。依据上述方法完成背景分割、指标提取、相关性分析后分别送入GA-MLP与MLP神经网络中,分类结果如表5所示。由表5可知,在苹果分级应用中,GA-MLP、MLP神经网络的分级准确率分别为94.25%、93.25%。168第 1 期3结论与讨论在前人研究苹果分级中,常以阈值分割法来分割苹果图像,该方法对苹果图像背景要求较为严格,有较大的局限性。本研究将直方图均衡与 K-
32、means聚类相结合,提出一种基于直方图均衡与K-means聚类的分割方法,一定程度上降低了图像背景的要求。在建立数据集方面,前人研究中多认为苹果各个特征权重相同,与实际的分级场景不符。本研究充分考虑到各个苹果特征的权重问题,采用相关性分析法来模拟苹果特征的权重分配,并与人工挑选偏好权重充分结合,进一步模拟更加真实的苹果分级场景。针对阿克苏红富士苹果外观品质分级的需求,本试验制作了阿克苏红富士苹果特征数据集,基于MLP神经网络对该数据集进行分级训练,且采用遗传优化算法获取准确率更高的分级模型。结果表明,基于K-means聚类和改进MLP的苹果分级方法的平均分级准确率达到94.25%,高于一般的
33、MLP分类,达到了较好的分级效果。基于阈值的OSTU方法在分割苹果图像过程中,对图像的像素差别要求较高,容易造成分割误差。K-means聚类借助欧氏距离对图像进行聚类,降低对像素阈值的依赖。在实际图像分割任务中,基于K-means聚类的背景分割效果优于一般的OSTU分割法,为准确提取苹果的各项特征奠定了基础。在测试集上,二级果的分级准确率偏低。考虑到特征数据集的差异,后续可通过数据增强、特征数据扩充等增加数据集的方式将二级果样本数据增加至500条左右。在后续的研究工作中,将继续探究本研究所提方法在其他多特征果体分级案例中的表现,并展开更多的测试应用,根据其他果体的分级表现,进一步获取优化的方法
34、与理论,推动类球形水果的自动分级研究。参考文献:1 张晋宁.基于机器视觉的红富士苹果分级技术及系统实现研究 D.晋中:山西农业大学,2020.ZHANG J N.Research on red Fuji apple gradingtechnology and system implementation based on machinevisionD.Jinzhong:Shanxi Agricultural University,2020.2 郑纪业,张琛,刘光,等.基于线性拟合模型的苹果大小分级方法 J.山东农业科学,2020,52(12):118125.ZHENG J Y,ZHANG C,L
35、IU G,et al.Apple size gradingmethod based on linear fitting modelJ.ShandongAgricultural Science,2020,52(12):118125.3 刘新庭,匡迎春,陈熵,等.基于最小外接圆直径的苹果分级研究 J.中国农学通报,2015,31(20):239243.LIU X T,KUANG Y C,CHEN S,et al.Research on applegrading based on the minimum circumscribed circlediameter J.China Agricultura
36、l Bulletin,2015,31(20):239243.4 纪宇慧.机器视觉在苹果疤痕识别和颜色分级中的应用 D.济南:济南大学,2019.JI Y H.Application of machine vision in apple scarrecognition and color gradingD.Jinan:JinanUniversity,2019.5 张琛,房胜,王风云,等.基于机器学习的免套袋苹果缺陷分级 J.河南农业科学,2019,48(4):154160.ZHANG C,FANG S,WANG F Y,et al.Defect grading ofbaggless apples
37、 based on machine learning J.Journal ofHenan Agricultural Sciences,2019,48(4):154160.6 黄兆良.基于嵌入式平台的苹果果形及颜色的实时识别与分级 D.无锡:江南大学,2017.HUANG Z L.Real time identification and grading ofapple shape and color based on embedded platform D.Wuxi:Jiangnan University,2017.7 谈英,顾宝兴,姬长英,等.基于颜色和重量特征的苹果在线分级系统设计 J.计算
38、机工程与应用,2016,52(2):219222.TAN Y,GU B X,JI C Y,et al.Design of apples online苹果类型 Apple type特级果 Super fruit一级果 Primary fruit二级果 Secondary fruit等外果 Offgrade fruit真实值/个 Real value100100100100预测值/个 Predicted valueGA-MLP10010077100MLP1001007399误差/个 ErrorGA-MLP00230MLP00271表5各等级苹果分类结果对比Tab.5Comparison of ap
39、ple classification results of different grades王迎超等:基于 K-means 聚类和改进 MLP 的苹果分级研究169河南农业科学第 52 卷grading system based on color and weight characteristicsJ.Computer Engineering and Application,2016,52(2):219222.8 陈庆光,刘强,张竞成,等.多视角三维视觉成像的苹果果形测量与分类 J.杭州电子科技大学学报(自然科学版),2022,42(4):3441,56.CHEN Q G,LIU Q,ZHAN
40、G J C,et al.Measurement andclassification of apple shape by multi view 3D visualimaging J.JournalofHangzhouUniversityofElectronicScienceandTechnology(NaturalScienceEdition),2022,42(4):3441,56.9 王守亚,吴琰,权循忠.基于机器视觉的苹果果形分级方法研究 J.太原师范学院学报(自然科学版),2020,19(1):6164.WANG S Y,WU Y,QUAN X G.Research on apple sh
41、apegrading method based on machine visionJ.Journal ofTaiyuan Normal University(Natural Science Edition),2020,19(1):6164.10 许铮.基于机器视觉的红富士苹果分级方法研究D.济南:济南大学,2021.XU Z.Research on red Fuji apple grading methodbased on machine vision D.Ji nan:Ji nan University,2021.11 郭志涛,袁金丽,岳大为,等.基于L-M神经网络的苹果形状快速分级 J.农
42、业网络信息,2007(7):2830.GUOZT,YUANJ L,YUEDW,et al.Fastclassification of apple shape based on LM neuralnetworkJ.Agricultural Network Information,2007(7):2830.12 KIM M S,DUIZER L M,GRYGORCZYK A.Applicationof a texture analyzer friction rig to evaluate complextexture attributes in apples J.Postharvest Biolo
43、gy andTechnology,2022,186:111820.13 HOUJ,SUNY,CHENF,etal.Analysisofmicrostructures and macrotextures for different applecultivarsbasedonparenchymamorphology J.Microscopy Research and Technique,2016,79(4):304312.14 项辉宇,黄恩浩,冷崇杰,等.基于图像处理与深度学习的苹果检测分级 J.食品安全导刊,2022(22):4853.XIANG H Y,HUANG E H,LENG C J,e
44、t al.Appledetection grading based on image processing and deeplearning J.Food Safety Guide,2022(22):4853.15 林海波,卢元栋,丁荣诚,等.基于图像处理与改进SVM的苹果多特征融合分级方法 J.山东农业科学,2022,54(6):141149.LINHB,LUYD,DINGRC,etal.Applemultifeature fusion classification method based onimage processing and improved SVMJ.ShandongAgric
45、ultural Science,2022,54(6):141149.16 岳琳茜,李文宽,杨晓峰,等.基于改进YOLOv4的苹果检测与果径估测方法 J.激光杂志,2022,43(2):5865.YUE L X,LI W K,YANG X F,et al.Apple detectionandfruitdiameterestimationmethodbasedonimproved YOLOv4 J.Laser Journal,2022,43(2):5865.17 李文其,凌晨昱,余雷.基于卷积神经网络的苹果分级算法研究 J.电工技术,2021(20):4851.LI W Q,LING C Y,YU
46、 L.Research on apple gradingalgorithm based on convolution neural networkJ.Electrotechnical Technology,2021(20):4851.18 何进荣,石延新,刘斌,等.基于DXNet模型的富士苹果外部品质分级方法研究 J.农业机械学报,2021,52(7):379385.HE J R,SHI Y X,LIU B,et al.Research on externalquality grading method of Fuji apple based on DXNetmodelJ.Journal of
47、 Agricultural Machinery,2021,52(7):379385.19 罗炤茜,陈月芬,占煜辉,等.基于Keras和CNN的苹果自动分级 J.系统仿真技术,2021,17(1):4852.LUO Z X,CHEN Y F,ZHAN Y H,et al.Appleautomatic grading based on Keras and CNNJ.System Simulati on Technology,2021,17(1):4852.20 张婧婧,程芸涛,达新民.基于K-means聚类的苹果图像处理与分级设计 J.计算机与数字工程,2021,49(8):16561660.ZH
48、ANG J J,CHENG Y T,DA X M.Apple imageprocessing and hierarchical design based on Kmeansclustering J.Computer and Digital Engineering,2021,49(8):16561660.21 石瑞瑶,田有文,赖兴涛,等.基于机器视觉的苹果品质在线分级检测 J.中国农业科技导报,2018,20(3):8086.SHI R Y,TIAN Y W,LAI X T,et al.Online gradingand detection of apple quality based on m
49、achine visionJ.ChinaAgriculturalScienceandTechnologyGuide,2018,20(3):8086.22 樊泽泽,柳倩,柴洁玮,等.基于颜色与果径特征的苹果树果实检测与分级 J.计算机工程与科学,2020,42(9):15991607.170第 1 期王迎超等:基于 K-means 聚类和改进 MLP 的苹果分级研究FAN Z Z,LIU Q,CHAI J W,et al.Apple fruitdetectionandclassificationbasedoncoloranddiameterJ.ComputerEngineeringandScie
50、nce,2020,42(9):15991607.23 BHARGAVA A,BANSAL A.Classification and gradingof multiple varieties of apple fruit J.Food AnalyticalMethods,2021,14(7):13591368.24 仇晓洁,罗荣芸.MLP模型在房地产批量评估中的应用研究 J.中国资产评估,2022(1):2431.QIU X J,LUO R Y.Research on the application ofMLP model in real estate batch appraisal J.Chi