基于图像的金桔重量预测方法研究

doi:10.11924/j.issn.1000-6850.casb2022-0377

中国农学通报 ›› 2022, Vol. 38 ›› Issue (34): 138-143.doi: 10.11924/j.issn.1000-6850.casb2022-0377

所属专题：生物技术；园艺

基于图像的金桔重量预测方法研究

刘现¹(), 杨航², 李健翔², 俞鉴签²

¹福建省农业科学院数字农业研究所，福州 350003
²福建农林大学计算机与信息学院，福州 350003

收稿日期:2022-05-08 修回日期:2022-06-15 出版日期:2022-12-05 发布日期:2022-11-25
作者简介:刘现，女，1985年出生，福建福州人，助理研究员，硕士，研究方向：环境感知与智能控制。通信地址：350003 福建省福州市鼓楼区华林路188号福建省农业科学院科技干部培训中心（数字农业研究所），Tel：0591-87869364，E-mail：fzhtlx@163.com。
基金资助:
智慧农林福建省高校重点实验室开放基金项目“基于大数据的金桔智能分级模型构建及应用”(2019LSAF01);福建省基金项目“基于循环神经网络的荔枝品质分级模型优化研究”(2020J011377);福建省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(CXTD2021012-3);福建省农业科学院自由探索科技创新项目(ZYTS202234);福建省数字农业科技经济融合服务平台

Multiple Weight Prediction Methods Based on Kumquat Image

LIU Xian¹(), YANG Hang², LI Jianxiang², YU Jianqian²

¹Digital Agriculture Research Institute, Fujian Academy of Agricultural Sciences, Fuzhou 350003
²School of Computer Science and Technology, Fujian Agriculture and Forest University, Fuzhou 350003

Received:2022-05-08 Revised:2022-06-15 Online:2022-12-05 Published:2022-11-25

摘要/Abstract

摘要：

为提高金桔重量检测的智能化程度，基于图像进行金桔重量预测研究。在自主构建的图像采集系统试验平台上采集600张金桔图像，基于图像使用Python语言结合OpenCV计算机视觉库编程求解金桔果实大小像素值，根据实际重量数据使用最小二乘法、线性法、多项式法等进行数据拟合，构建基于金桔图像的重量预测模型。试验结果表明，基于金桔图像构建数学模型对金桔的重量进行预测具有一定地可行性和科学研究价值，其中线性法的预测模型方程为y=7.27×10^-6x+23.032，多项式法的预测模型方程为y=1.199×10^-15x³-1.082×10^-9x²+3.053×10^-4x-2.773，最小二乘法的预测模型方程为 $y = 2.564 × 10 - 8 x (- 9.688 × 10 - 6 x 2 + 2531870.247)$ 。

关键词: 金桔, 图像, 重量, 预测, 模型

Abstract:

To improve the intelligent degree of kumquat weight detection, this paper studied the weight prediction based on kumquat image and proposed a new intelligent weight prediction method. We collected 600 kumquat images on the self-built image acquisition system test platform and used Python language in combination with OpenCV computer vision library to solve the size of kumquat based on the image. According to the actual weight data, we used least square method, linear method, polynomial method and other methods to fit the data, and constructed the weight prediction model based on kumquat image. The experimental results showed that it was feasible and had certain scientific research value to build a mathematical model based on kumquat image to predict the weight of kumquat. The prediction model equation of the linear method was y=7.27×10^-6x+23.032, the prediction model equation of polynomial method was y=1.199×10^-15x³-1.082×10^-9x²+3.053×10^-4x-2.773, and the prediction model equation of the least square method was $y = 2.564 × 10 - 8 x (- 9.688 × 10 - 6 x 2 + 2531870.247)$ .

Key words: kumquat, image, weight, prediction, model

中图分类号:

S666.2

刘现, 杨航, 李健翔, 俞鉴签. 基于图像的金桔重量预测方法研究[J]. 中国农学通报, 2022, 38(34): 138-143.

LIU Xian, YANG Hang, LI Jianxiang, YU Jianqian. Multiple Weight Prediction Methods Based on Kumquat Image[J]. Chinese Agricultural Science Bulletin, 2022, 38(34): 138-143.

图/表 7

参考文献 30

[1]	李俊, 傅曼琴, 徐玉娟, 等. 融安金桔不同生长期果实品质特性比较[J]. 现代食品科技, 2021, 37(2):138-146.
[2]	苏妙铃, 杨健妮, 周秀悄, 等. 青金桔果皮精油成分的GC-MS分析[J]. 广州化工, 2020, 48(10):89-93.
[3]	夏政泗. 金桔高产栽培技术要点探析[J]. 农村科学实验, 2020(5):115-116.
[4]	黎新荣. 滑皮金桔糖度的近红外光谱无损检测技术[J]. 南方农业学报, 2019, 50(4):838-843.
[5]	张方明, 应义斌. 水果分级机器人关键技术的研究和发展[J]. 机器人技术与应用, 2004, 91(1):33-37.
[6]	孙曙光, 张佩, 李金磊. 水果分选技术的现状和发展[J]. 农业装备技术, 2018, 44(3):19-20.
[7]	林开颜, 吴军辉. 基于计算机视觉的水果分级技术研究进展[J]. 信息化纵横, 2009(10):1-4.
[8]	任永新, 单忠德, 张静, 等. 计算机视觉技术在水果品质检测中的研究进展[J]. 中国农业科技导报, 2012, 14(1):98-103.
[9]	吴峰, 张会娟, 胡志超, 等. 计算机视觉技术在水果分级处理中的应用概况及发展[J]. 农业机械, 2008(30):42-44.
[10]	张书彦, 张文毅, 余山山, 等. 图像处理技术在信息农业中的应用现状及发展趋势[J]. 江苏农业科学, 2017, 45(22):9-13.
[11]	邓泓, 杨滢婷, 刘志超, 等. 基于实时数据的智能农业图像处理系统的实现[J]. 数字技术与应用, 2019, 37(11):160-161.
[12]	黄启春. 基于像素统计的快速果品分类系统[J]. 计算机应用, 2004, 24(6):404-405.
[13]	应义斌, 饶秀勤, 黄永林, 等. 运动水果图像的实时采集方法与系统研究[J]. 农业机械学报, 2004, 35(3):179-183.
[14]	崔巍, 高珏, 朱培逸, 等. 基于机器视觉的金桔大小分级研究[J]. 常熟理工学院学报(自然科学), 2012, 26(4):87-90.
[15]	李国进, 董第永, 陈双. 基于计算机视觉的芒果检测与分级研究[J]. 农机化研究, 2015(10):13-18.
[16]	黄辰, 费继友. 基于图像特征融合的苹果在线分级方法[J]. 农业工程学报, 2017, 33(1):285-291.
[17]	向阳, 林洁雯, 李亚军, 等. 芒果双面成熟度在线检测分级系统[J]. 农业工程学报, 2019, 35(10):259-266.
[18]	李小占, 马本学, 喻国威, 等. 基于深度学习与图像处理的哈密瓜表面缺陷检测[J]. 农业工程学报, 2021, 37(1):223-232.
[19]	SAAD F S A, IBRAHIM M F, SHAKAFF A Y, et al. Shape and weight grading of mangoes using visible imaging[J]. Computers and electronics in agriculture, 2015, 5(6):51-56.
[20]	MIAO Yajie, ZHANG Hao, METZE F. Speaker adaptive training of deep neural network a coustic models using I-vectors[J]. IEEE/ACM Trans on Audio, Speech and Language Processing, 2015, 23(11):1938-1949. doi: 10.1109/TASLP.2015.2457612 URL
[21]	AHMAD J, MOHAMMAD M, MAJID M, et al. Classification of sour lemons based on apparent defects using stochastic pooling mechanism in deep convolutional neural networks[J]. Scientia horticulturae, 2020, 263:109133. doi: 10.1016/j.scienta.2019.109133 URL
[22]	ZHANG Y, PHILIPS P, WANG S, et al. Fruit classification by biogeography-based optimization and feed forward neural network[J]. Expert systems, 2016, 33(3):239-253. doi: 10.1111/exsy.12146 URL
[23]	MUREAN H, OLTEAN M. Fruit recognition from images using deep learning[J]. Acta universitatis spaientiae informatica, 2018, 10(1):26-42.
[24]	赫特兰. Python基础教程[M]. 北京: 人民邮电出版社, 2014.
[25]	JOE Minichino, JOSEPH Howse. OpenCV3计算机视觉Python语言实现[M]. 北京: 机械工业出版社, 2019.
[26]	高秋英, 王丽丽, 王荣忠. 最小二乘法曲线拟合及优化算法研究[J]. 工业控制计算机, 2021, 34(11):100-101.
[27]	王萼芳, 石生明. 高等代数[M]. 北京: 高等教育出版社, 2003.
[28]	刘子骐. 采用多项式拟合对转辙机缺口的预测研究[J]. 黑龙江科学, 2020, 11(14):9-11.
[29]	杨再雄, 吴恋, 左建, 等. 基于人工智能的农产水果分级检测技术综述[J]. 科技创新与应用, 2021(22):41-43.
[30]	刘现, 蔡淑芳, 黄语燕. 基于Canny算子的福橘图像边缘检测研究[J]. 东南园艺, 2018(6):19-22.

样本号	重量/g	样本号	重量/g	样本号	重量/g	样本号	重量/g
1	23.0	7	26.0	24	25.5	37	24.0
5	24.5	11	25.0	30	23.5

样本号	重量/g	样本号	重量/g	样本号	重量/g	样本号	重量/g
1	23.0	7	26.0	24	25.5	37	24.0
5	24.5	11	25.0	30	23.5

样本号	金桔图像						像素值/px
样本号	正上方	正上方	左侧方	左侧方	右侧方	右侧方	像素值/px
1							251919.0
5							233158.0
7							232440.5
11							230011.0
24							194448.5
30							222524.0
37							193042.0

样本号	金桔图像						像素值/px
样本号	正上方	正上方	左侧方	左侧方	右侧方	右侧方	像素值/px
1							251919.0
5							233158.0
7							232440.5
11							230011.0
24							194448.5
30							222524.0
37							193042.0

样本号	真实值	最小二乘法		线性法		多项式法
样本号	真实值	预测值	预测误差	预测值	预测误差	预测值	预测误差
1	23.0	24.67	1.67	24.86	1.86	24.64	1.64
5	24.5	24.82	0.32	24.73	0.23	24.79	0.29
7	26.0	24.82	-1.18	24.72	-1.28	24.79	-1.21
11	25.0	24.83	-0.17	24.70	-0.30	24.80	-0.20
24	25.5	24.48	-1.02	24.45	-1.05	24.50	-1.00
30	23.5	24.82	1.32	24.65	1.15	24.80	1.30
37	24.0	24.45	0.45	24.44	0.44	24.47	0.47

基于图像的金桔重量预测方法研究

Multiple Weight Prediction Methods Based on Kumquat Image

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 30

相关文章 15

编辑推荐

Metrics

本文评价

关于本刊

作者中心

审者中心

在线期刊

联系我们

[1]	白玛仁增, 顿玉多吉, 德例归吉, 德吉央宗, 益西多吉, 边巴次仁. 星-地结合对水稻高温热害监测模型的研究[J]. 中国农学通报, 2023, 39(1): 133-141.
[2]	洪波, 张泽, 张强, 马怡茹, 易翔, 吕新. 基于数码图像的棉花叶片氮含量估测研究[J]. 中国农学通报, 2022, 38(9): 49-55.
[3]	孙瑜, 张永梅, 武玉军. 基于粒子群算法和支持向量机的黄花菜叶部病害识别[J]. 中国农学通报, 2022, 38(8): 135-140.
[4]	周小红. 基于多元回归分析的农作物产量估测模型研究[J]. 中国农学通报, 2022, 38(8): 152-156.
[5]	喻家玥, 陈娆, 贾天宇. 农民专业合作社社员满意度及其影响因素研究——以北京市怀柔区为例[J]. 中国农学通报, 2022, 38(6): 141-148.
[6]	梁长梅, 王建伟, 温鹏飞, 杨华. 高压静电场诱导采后葡萄果实总黄烷-3-醇积累模型构建[J]. 中国农学通报, 2022, 38(5): 152-156.
[7]	白苇, 胡杨, 胡卿卿, 崔金丽, 张宝英, 杨素梅. 冀北油葵主要栽培因素对产量的影响[J]. 中国农学通报, 2022, 38(5): 17-22.
[8]	张勇, 徐智, 高丽芳, 邓亚琴, 王瑞雪, 王宇蕴. 有机类肥料部分替代化肥影响新垦红壤生菜地产量因素的研究[J]. 中国农学通报, 2022, 38(5): 79-85.
[9]	陈嘉聪, 黄永德, 朱文娟, 叶文芳, 翁嘉, 黄秀丽, 陈榕德, 陈水叨. 基于Arrhenius方程建立湿米粉货架期预测模型的研究[J]. 中国农学通报, 2022, 38(33): 132-138.
[10]	王楚珏, 李昂, 李璐骥. 基于灰水足迹不好产出的黄河流域农业用水效率评价[J]. 中国农学通报, 2022, 38(31): 105-112.
[11]	张霞, 许秀梅. 农业技术推广效果的影响因素研究——以山东省平度市为例[J]. 中国农学通报, 2022, 38(30): 135-140.
[12]	蒋锋, 闫艳, 麦嘉埼, 梁日朗, 周捷成, 李坪遥, 刘鹏飞. 甜玉米品质性状的主基因+多基因遗传分析[J]. 中国农学通报, 2022, 38(30): 14-20.
[13]	赵桂琼, 邓锐捷, 陈志龙, 蔡欣明, 陈乐. 成都市秋桂开花期气象指标及预测[J]. 中国农学通报, 2022, 38(29): 135-139.
[14]	陈检锋, 赵文军, 付利波, 尹梅, 王志远, 王伟, 王应学, 杨艳鲜, 陈华. 适产养分临界值模型对玉溪烤烟产质量的影响[J]. 中国农学通报, 2022, 38(28): 1-6.
[15]	王春玲, 叶彩华, 姜江. 北京地区春季木本植物花粉起始期预报模型研究[J]. 中国农学通报, 2022, 38(28): 89-97.