外文翻译.pdf

10 评估不同的模式识别,苹果的技术分类评估不同的模式识别,苹果的技术分类 文章历史文章历史 金冠苹果苹果使用参数和非参数分类器分类为三个质量类。 苹果的特征用于分 类是色相角(颜色),形状缺陷,周长、坚定、体重、脸红百分比(红色自然景点表 面的苹果),黄褐色(天然网状的表面形成一个苹果),瘀伤内容和数量的天然缺 陷。不同的特性集包括 4、5 九个功能也测试找出最好的分类和特性集组合一个 最优分类成功。使用不同的特性集和分类器的影响对分类性能的影响。功能设置 包括五个功能结果略好分类特性集包括相比一般 4 和 9 个特性。当分类器相比, 它 是 确 定 的 多 层 感 知 器 神 经 网 络 ( 产 生 最 高 的 分 类 结 果 90%) 而 1-nearest-neighbour 和 2-nearest-neighbour 分类器分类器 81.11%分类成功。 3-nearest-neighbour 和决策树分类器导致相似的分类成功(75.56%)。决策规则 的参数插件分类导致最低分类成功。 主成分分析和线性判别分析技术应用于训练 数据和 9,5 和 4 个特性来想象三个质量类的分离度苹果。由于这个应用程序,一 些改进观察分离的三个质量类使用四个输入特征到 9 特性尤其是使用主成分虽 然有些重叠的类之间仍然存在。罗 et al .,1999),在这两项研究,非参数分类方法更 好的 com执行缩减统计方法虽然没有的区别重要的马铃薯分类研究 (Kirsten et al ., 1997)。 Kim et al. (2000)应用线性和非线性识别模型分类的水果。各种特征提取和 降维技术进行从可见光和近红外的光谱数据光谱。线性模式识别技术,如线性的 判别分析(LDA)和非线性的技术基础多层感知器(mlp)是用于分类产品。 在结果中, 非线性方法生产更好的分类结果。 Penza et al. (2001) 使用模式识别技术问题分类的食物,饮料和香水。往 下,cessful 结果与主成分分析和聚类分析方法。 Leemans et al. (2002)开发了一个在线水果分级苹果的系统基于外部质量特 征使用二次判别分析和得到。这两个分级算法导致类似的结果(79%和 72%)两个 品种进行了研究。同样,Hahn et al. (2004)用判别分析和得到检测根霉使用光 谱反射率 stolonifer 孢子在西红柿。判别分析的神经网络分类器的表现方法。 3.材料和方法3.材料和方法 13 3.1 数据采集3.1 数据采集 9 个特性测量从金冠苹果苹果。这些是色相角(颜色)、形状缺陷、圆周、重量、 脸红(红色表面自然景点苹果)的百分比,黄褐色(自然形成网状的表面上的一个 苹果),瘀伤的内容和数量天然的缺陷。坚定用磁石测量 s-Taylor(MT)试验 机 应 用 一 个 11 毫 米 直 径 的 调 查 一 个 8 毫 米 深 度 (Effegi-McCormick, Yakima-FT-327)。色彩是使用 CR-200 美能达色度计测量 L 的域,a 和 b,其中 L 是明度和因素和 b 的色度坐标(Ozer et al., 1995)。的色相角(tan 1(b/a), 这是用来表示颜色的苹果,被证明是最好的人类的代表识别的颜色(Hung et al., 1993)。 的大小在苹果表面缺陷(自然和瘀伤)是阻止-开采使用一种特殊的图模板, 它由一个不同直径的孔数。此外,一个形状缺陷(不平衡)是衡量使用 Mitutoya 电子卡尺(Mitutoya 公司)和的比值苹果的最大高度的最小高度。的使用克兰顿 最大周长测量周长测量装置(克兰顿机械有限公司)。体重测量使用电子秤(型 号:CT1200-S 序列号:3403、容量 120070.1 g)。编程在 Matlab 进行了分类。 3.2 数据收集和行动3.2 数据收集和行动 处理苹果的数量用于确定每个类可用性的基础上专门设置了苹果， 为本研究收 集的苹果。苹果总数为 181 其中包括坏三类（三级）、中（2）和（1 类）的质 量。模式矩阵的大小为 9 九，其中 181 代表的功能。八十年的苹果被保存在房间 温度为 4 天后收获而另一个 80 年保存在一个冷却器(约 31 c)为同一时期,没有 应用任何质量预先创建的颜色变化苹果的表面。此外,21 岁的苹果收获别人,之 前一直在 15 天室温的目的是创建一个变化苹果的外观进行测试。苹果被划分等 级首先由人类专家,然后分类算法开发。专家在外部培训苹果质量标准为好、中、 坏苹果组由美国农业部标准(美国农业部,1976)。美国农业部苹果质量标准明确 定义质量标准这是非常简单的一个专家跟踪和应用它们。 非常大的或小的苹果已 经由经办人员排除在外。 苹果是由人类专家评分分为三个品质小组根据专家的经 验,期望和美国农业部标准(美国农业部,1976)。 苹果的数量确定了每个质量组由 人类专家 表 1 中给出。三班的低数量的苹果提供了一个不利的局面。同一组的苹果分类 中使用模糊逻辑之前的研究(Kavdir 训练数据被转换 使用线性判别分析和主成分分析,然后首先 2 线性判别变量(2 和第一主成分)是 质量策划组(G,好(1 级)质量苹果;M,介质(二班)质量苹果;B,坏(3 班)质量苹 果)。 图 2 - 3 质量的可视化类二维预测苹果的五维的特征空间,训练数据被转换使 用线性判别分析和主成分分析,然后第一个 2 线性判别变量(2 和第一主成分)是 质量策划组(G(1 级)质量好苹果;M,介质(二班)质量苹果;B,坏(3 班)质量苹果)。 17 图 3 - 3 类的苹果质量的可视化的二维投影 nine-dimensional 特征空间;训练 数据被转换使用线性判别分析和主成分分析,然后首先 2 线性判别变量(2和第一 主成分)是质量策划组(G,好(1 级)质量苹果;M,介质(二班)质量苹果;B,坏(3 班) 质量苹果)。 3.3.3。K-nearest-neighbour(事例)分类器 近邻分类器是一种非参数抚慰心灵菲尔不做任何假设的形式条件类的密度和 分配模式的标签最多再样品中表示训练集(Alchanatis et al .,1993)。K 代表 了最近的邻居。 分配测试模式类,整个训练数据,即之间的距离测试模式和每个训 练模式测量。 虽然训练的分类器非常简单,它需要大量的计算机内存,因为它必须 保持信息的每个样本训练集,不同的指标用于衡量之间的相似性模式。采用欧氏 距离来衡量的在这个研究之间的距离(相似性)模式。 在 1-NN 分类器,测试模式被 分配到类,含有最接近的模式(培训)测量模式(测试)。同时,2-NN 和 3-NN 分类器 进行了测试,在这些分类器,模式被分配到班上大多数的模式中事例。 当每一个近 邻模式(培训)从一个不同的类在 2-NN 3-NN 分类器,测试模式被分配到类最接近 成员的测试模式,即 1-NN 分类过程应用在每个近邻模式从一个吗不同的质量类 2-NN 3-NN 分类器。的欧氏距离表示如下; 2 1 1 2 , d j kiE xxkid（ 9 ） 在 d 的数量特征,欧几里得距离 d E 我和 k 指数之间的模式,x 的位置测试模式 和 x k 是训练模式的位置。 3.3.4。决策树分类器(DT) 非参数和层次 DT 分类器由分裂的训练数据的子集后代的子集。使用二叉树结 构的形成生成的 DTS-plus (Venables 使用的数量输入 层神经元是 4、 5 和 9(所有的特性测量),分别对三个不同的组特性(图 4);在第一 和神经元的数量第二个隐藏层是8和4个,分别为:隐藏层和神经元的数量基于试 验和错误隐藏层被选中。 实验开始时先使用一个隐藏层,使用不同数量的神经元。 后,尝试和错误实验持续使用两个隐藏层神经网络的结构与不同数量的神经元在 里面。8 第一隐层神经元和四个神经元在第二个隐藏层产生最优的结果相比其他 的试验和错误的实验找得到的最优结构。一个非线性“传递函数”传递函数是用 于隐藏层。一个神经元与一个线性输出层中使用传递函数,“线性函数”。不同 类型的功能试验和错误的过程中使用找到最优函数是有效的分类成功神经网络 结构。“线性函数”是最有效的输出神经元。 值为 0.25 和 0.0025,分别选中学习速率和动量系数的基础试验和错误。迭代 的最大数量培训是设置为 3000。错误率收敛 crite -铁正是由于 NNs 停止学习的 是 0.02。NNs 工具箱中使用 Matlab 来实现分类器(Howard -前,改善分类结果可 以预期多个输入特性使用nine-featured的情况设置在NNs分类器的输入。 然而， 使用一五精选子集 MLP NNS 产生分类的性能（88.89%）接近，采用一九精选子集 MLP。 事例分类器(1-NN 2-NN和3-NN)中的延时神经网络分类器的分类成功的录制功 能(表 2)。最优的特性集分类器是五精选输入设置导致特别是 1-NN 和 2-NN 最高 分类成功分类器。增加 K 值大于三个没有有助于进一步改善事例分类器的性能。 DT 分类器,只有四个子集,执行一样或者不如事例一般分类器(表 2)。 插件的统计分类器决策规则执行相同的(72.22%)5 - 9 中输入集(表 2),而其性 能较低的四个输入组(67.78%,表 2)。 散点图的两个线性判别变量和前两个主成分的观察三种不同的特性集的训练 集所示无花果。1 - 3。虽然有一些分离的类使用前两个判别变量(和前两个主成 分),也有一些重叠类。然而,这似乎是一个轻微的改善类的分离提高使用的特性 从四个使用 9。三班的区别清晰当 9 个特性被用来代替四个或五个特性。 4.3。评价分类结果通过混淆矩阵 当混淆矩阵(表 3)调查,它可以被视为最好的分类也是执行的延时NNs分类器。 神经网络分类器,使用所有 9 提供最好的特性分类(表 3),只有两个 64 年的苹果 是更进一步的第一课,而六个 22 个苹果是第二类分类错误的。 虽然只有四个测试 模式可用于类三个,三个正确分类,分类错误的测试模式测试模式被分配到邻居 二班。有低数量的样本类三是有害的情况造成培训质量差,因此贫穷的性能。向 MLP 神经网络分类器,使用 5 个输入特性产生了第二个最佳分类结果(表 2)64 年 这三个测试样本在第一节课,22 日的第二个类和一个四的第三类错误分类(表 3)。 1-NN 和 2-NN 分类器使用五个功能表现最好的神经网络分类器后(表 2)。在这 22 些分类器,64 年苹果被错误归类到邻居类。 第二课,另一方面,11 苹果被正确分类, 而七个苹果被误诊为一班和四个苹果被误诊到 3 班(表 3)。第三类,两个苹果正 确分类,两个苹果,一个 1 级和其他二班,都被误诊。 使用五个特性的情况下,20 的苹果在一班被错误归类到分类与一个插头 在二班吗决策规则分类器(表 3)。只有一个苹果被误诊为一班的 22 个苹果在二 班是不是所有的苹果在 3 班二班。 DT 分类器的分类三的 64 个苹果类为类（表 3）。在二级七的苹果被误判为类， 八个苹果被误判为三级。最后，在三级所有的苹果都被误分为类和类。 苹果 3 班没有正确分类使用 PDR、3-NN 和 DT 分类器。数量少的训练模式这个 类可以误分类的原因对(表 1)。 苹果同样采用模糊逻辑技术在以前的研究中的分类（2003 kavdir 和盖伊，） 造成约 89%的分类成功。 5 结论5 结论 苹果如硬度、尺寸、重量、形状缺陷、颜色、腮红的百分比，锈斑的质量特征， 测量和使用的参数和非参数的分类，如插决策规则，1 是擦伤和自然缺陷的尺寸 大小，2 和 3 的邻居，决策树和神经网络（NNS）对确定一个可行的方法匹配特 征集和最优的分类器的分类结果。 当不同的特性集被用于不同的抚慰菲尔,色彩的特性集包含五个特征,坚定、 形 状缺陷,重量和赤褐色的产生最优分类训练(相比更少的时间 nine-featured 输 入集)和更高的分类结果 一般来说,除了使用九特性的神经网络分类器。神经网络分类器使用中的所有 9 个特征输入设置产生最高的分类结果(90%)在所有应用程序测试。这个分类得到 的成功显示了非线性映射中,他们表现得更好当输入模式和输出类之间的关系他 们有更多的输入。 在分类性能方面,1 -和 2-nearest 邻居分类器,特别是使用 5 个输入特性,产生 最好的结果后,神经网络分类器使用 9 个,五个,四个输入功能。 决策树(使用四个 特性)和 3 -近邻分类器(使用四和五个特性)随后 NNs 和 1(2)最近的邻居分类器 分类方面的成功。 插件的决策规则,参数分类器,在最低了吗在所有的分类器分类 23 成功。 当阴谋用来想象的色散模式三个质量类使用主成分分析和研究了线性判别分 析,似乎有一些改进的分离类,从 4 个增加的数量特征 9 个特性。 低数量的样本,尤其是三班,是一个限制因素负面影响的表现分类器。然而,尽 管低数量的训练类三个样本,神经网络分类器是成功的分类的大部分测试这个类 的样本到右边类。一起得到,1(2)最近的邻居分类器是最成功的分类器分配测试 模式到正确的类。使用更多的培训数据可能会进一步提高分类器的性能。 6 参考文件6 参考文件 Alchanatis V; Peleg K; Ziv M (1993)。组织文化的分类段的颜色机器视觉。 农业工程研究,55 岁,299 - 311 Chen Y R; Nguyen M; Park B (1997)。提高性能的神经网络分类器的输入数 据预处理主成分分析。ASAE 纸没有。97 - 3050 Hahn F; Irineo L; Hernandez G (2004)。光谱检测、匍枝根霉孢子红色的西 红柿的神经网络辨识。生物系统工程，89，93，99 Howard D; Beale M (1992)。神经网络工具箱。数学纳蒂克公司工作 Hung Y C; Morita K; Shewfelt R; Resurreccion A V A; Prussia S(1993)。 颜色评价苹果。ASAE 纸没有。93 - 6541 Kavdr I; Guyer D E (2003)。苹果分级使用模糊逻辑。土耳其农业和林业,27 岁,375 - 382 Kim J; Mowat A; Poole P; Kasabov N (2000)。线性和非线性水果的分类模 式识别模型可见近红外光谱。化学计量学和智能实验室系统,51 岁,201 - 216 Kirsten J; Tyg