基于BiSeNet的糖心苹果截面糖心特征提取方法

为解决因糖心苹果截面糖心特征分布不规则导致的种植过程中对糖心品质评估方法精度低、复杂等问题,以380个糖心苹果作为试验样本,基于BiSeNet模型对苹果糖心特征进行提取与占比计算,分别评估该方法在理论研究与实践研究两方面的多项性能指标,并与FCN、PPLiteSeg与DeepLabV3这3种网络模型进行对比。结果显示,BiSeNet无论是在训练时间还是训练准确度都优于其他3种网络模型,用时130 s,准确率98.36%,交并比85.1%。在实际占比计算中,平均占比计算误差为4.04%,低于其他3种模型,且无较大偏差值。结果表明,基于BiSeNet的糖心苹果截面糖心特征提取方法在提供具体糖心占比的同时,可为糖心苹果的糖心特征等无损检测提供更精确的评估方法和比对目标。

基于可见/近红外透射光谱结合蜜獾算法优化支持向量机的糖心苹果鉴别

传统的糖心苹果鉴别方法具有破坏性和不可逆性,无法大范围推广使用。为实现糖心苹果和健康苹果的快速准确分类,提出基于可见/近红外透射光谱结合蜜獾算法优化支持向量机的糖心苹果鉴别方法。首先采集正常苹果和疑似糖心苹果样本的3个不同方向的可见/近红外透射光谱,并利用最大最小值归一化对原始光谱数据进行预处理,然后使用主成分分析对预处理完的数据进行降维和特征提取,再取前10个主成分作为降维后的样本数据,最后将降维后的样本数据输入支持向量机进行分类,结果发现分类效果一般。引入蜜獾算法对支持向量机进行优化,建立新模型,通过结果表明,方向二为光谱数据采集的最佳方向,新模型可以实现对健康苹果和糖心苹果的快速准确分类,为糖心苹果的鉴别和其他果蔬的分类提供新思路。