摘要
目的:冬虫夏草收购中常常混有相似物种的伪品或不同等级的冬虫夏草,针对市场上由人工分拣带来的效率低、错误率高等问题,结合图像处理技术和深度学习方法,本研究设计了一套冬虫夏草智能化分拣系统,并对冬虫夏草的识别分拣算法进行了深入研究。方法:通过工业摄像头获取分拣时冬虫夏草及其相似物种的多角度图像,搭建了卷积神经网络CNN的识别模型,以拣选出掺入的非冬虫夏草物种,通过人工蜂群算法ABC(Artificial Bee Colony)优化学习速率,并将识别为冬虫夏草的品种通过Canny边缘检测算法和Hu矩得到冬虫夏草大小以及虫体所占比例,结合冬虫夏草质量来进行等级划分。结果:通过实验验证,该分拣系统可以实现对冬虫夏草及伪品的准确识别和快速分拣,识别正确率可达94%,分拣正确率达94.9%。结论:设计的基于CNN的冬虫夏草智能化分拣系统能够更加准确和高效的完成对冬虫夏草的有效识别分拣。
引文
[1] 曾纬,刘飞,张德利.冬虫夏草菌特征及其鉴别[J].中国食用菌,2014,33(5):19-20.
[2] 卓嘎,大布穷.西藏冬虫夏草市场现状及发展对策[J].江苏农业科学,2014,42(8):482-483,484.
[3] 孙超,丘雪红,曹莉,等.不同产地冬虫夏草的质量参数测定[J].环境昆虫学报,2015,37(5):1049-1054.
[4] 尹宝才,王文通,王立春,等.深度学习研究综述[J].北京工业大学学报,2015,41(1):48-59.
[5] 周飞燕,金林鹏,董军.卷积神经网络研究综述[J].计算机学报,2017,40(6):1229-1251.
[6] 刘阗宇,冯全.基于卷积神经网络的葡萄叶片检测[J].西北大学学报(自然科学版),2017,47(4):505-512.
[7] 孙俊,谭文军,毛罕平,等.基于改进卷积神经网络的多种植物叶片病害识别[J].农业工程学报,2017,33(19):209-215.
[8] 梁万杰,曹宏鑫.基于卷积神经网络的水稻虫害识别[J].江苏农业科学,2017,45(20):241-243,253.
[9] 周云成,许童羽,郑伟,等.基于深度卷积神经网络的番茄主要器官分类识别方法[J].农业工程学报,2017,33(15):219-226.
[10] 周飞燕,金林鹏,董军,等.卷积神经网络研究综述[J].计算机学报,2017,40(6):1229-1251.
[11] 张志龙,杨卫平,李吉成,等.一种基于蚁群优化的显著边缘检测算法[J].电子与信息学报,2014,36(9):2061-2067.