CN119418334A 基于深度卷积神经网络的菠萝成熟度的无损检测方法及系统 （仲恺农业工程学院）

基于深度卷积神经网络的菠萝成熟度的无本发明公开了一种基于深度卷积神经网络表面纹理特征参数及颜色特征参数的菠萝外观2获取若干已知表面纹理特征参数和颜色特征参数的菠萝基于样本图像建立卷积神经网络预测模型，将样本图像作为卷采集待检测菠萝的外观图像，对其进行预处理后输入完成训练的特征分析预测模型采集待检测菠萝的物理参数对初始成熟度判断阈值进行动态修正，得到动态成2.根据权利要求1所述的一种基于深度卷积神经网络的菠萝成熟度的无损检测方法，;;;33.根据权利要求2所述的一种基于深度卷积神经网络的菠萝成熟度的无损检测方法，;i表示第i个对应的卷积层，SI(na)则表示第i个对应的卷积层中第p个特征图的第4.根据权利要求1所述的一种基于深度卷积神经网络的菠萝成熟度的无损检测方法，;5.根据权利要求4所述的一种基于深度卷积神经网络的菠萝成熟度的无损检测方法，通过检测在时间段中封闭环境内的气体特征对菠萝成熟度判断系数进行修正，得到;时刻乙烯浓度的差值，coz为封闭环境中的监测时间段初始时刻和终点时刻二氧化碳浓度的差值，和wz分别为封闭环境中的乙烯浓度和二氧化碳浓度的权重系数，其中w1>w26.根据权利要求5所述的一种基于深度卷积神经网络的菠萝成熟度的无损检测方法，;4;为待检测菠萝的表皮硬度。7.根据权利要求6所述的一种基于深度卷积神经网络的菠萝成熟度的无损检测方法，当cs'之1.0*yz时，判断为待检测菠萝的成熟度为完全成熟，表示待检测菠萝可以直8.一种基于深度卷积神经网络的菠萝成熟度的无损检深度卷积神经网络的菠萝成熟度的无损检测系统用于执行权利要求1_7任一项所述的基于样本图像采集处理模块，用于获取若干已知表面纹理特征参数和颜色特预测模型训练模块，用于基于样本图像建立卷积神经网络预测模型像对应的表面纹理特征参数和颜色特征参数的特征成熟度分析模块，用于采集待检测菠萝的外观图成熟度判断模块，用于采集待检测菠萝的物理参数对5学习方法在面对高维度的图像特征时常常需要人工设计特征，且特征选择的效果受限于专家的经验。含量模型并对输出的叶绿素含量与果实的成熟度进行映射，通过值与值之间的映射之后，6[0007]本发明的目的在于提供一种基于深度卷积神经网络的菠萝成熟度的无损检测方菠萝外观图像进行降噪增强处理的方法为：采用小波变换的去噪方法对图像进行去噪处;;;7;;通过检测在时间段中封闭环境内的气体特征对菠萝成熟度判断系数进行修正，;终点时刻乙烯浓度的差值，coz为封闭环境中的监测时间段初始时刻和终点时刻二氧化碳浓度的差值，w1和wz分别为封闭环境中的乙烯浓度和二氧化碳浓度的权重系数，其中w1>w2且w1和wz均大于0。;8;当cs'之1.0*yz时，判断为待检测菠萝的于深度卷积神经网络的菠萝成熟度的无损检测系统用于执行上述基于深度卷积神经网络入图像对应的表面纹理特征参数和颜色特征参数的特征分析9采用动态成熟度判断阈值进行修正，使得模型能够根据菠萝的实际情况进行自适应调整。或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。对位置关系也可能相应地改变。;;;[0022]其中，果皮凹陷深度具体的获取方式为：使用图像分析软件或编程工具（如Lab颜色范围来筛选绿色像素，通过像素计数计算绿色区域的面积，通常使用二值化处理预测模型的输入，并以每张样本图像对应的表面纹理特征参数和颜色特征参数作为标签，面纹理特征参数和颜色特征参数的特征分析;;陷深度越大，因此果皮凹陷深度D与菠萝成熟度判断系数cs成正比。同时通过平方项[0036]待检测菠萝的果皮绿色区域面积Age，述气体特征包括在时间段内封闭环境中的乙烯和二氧化2H4[0039]通过检测在时间段中封闭环境内的气体特征对菠萝成熟度判断系数进行修正，;终点时刻乙烯浓度的差值，coz为封闭环境中的监测时间段初始时刻和终点时刻二氧化碳浓度的差值，w1和wz分别为封闭环境中的乙烯浓度和二氧化碳浓度的权重系数，其中w1>w2且w1和wz均大于0。成熟度进行进一步精确判断，精确菠萝成熟度判断系数cs其值越大，表示菠萝成熟度越高的成熟度。加通常与果实的成熟度成正相关。较高的二氧化碳浓度表明果实正在经历快速的生理变[0043]乙烯被广泛认为是植物中的一个关键成熟激素，它直接参与调控果实的成熟过;;[0049]将精确菠萝成熟度判断系数与动态成熟度判断阈值相对比，根据不同的对比结当cs'之1.0*yz时，判断为待检测菠萝的[0050]请参阅图2