基于 LBP + SVM 胡萝卜开裂检测算法

胡萝卜开裂检测算法

l  LBP+SVM 算法：

1.       算法描述：

LBP+SVM对胡萝卜开裂检测算法的主要思想是，首先，利用LBP对开裂胡萝卜与非开裂胡萝卜进行特征提取，将提取的特征利用svm对提取的特征进行训练和识别；

2.       算法步骤描述：

1)       首先，对胡萝卜进行预处理，主要通过加权的方式对胡萝卜的背景进行去除；当RGB三个通道的加权系数分别为2.5、-1.5、-1.0时，可得到较好的处理效果，具体计算如下述公式所示：

上述公式中，gray 为去除背景后的胡萝卜的灰度图像，R、G、B分别为RGB图像的三个颜色通道图像，即为R 通道图像、G通道图像、B通道图像；

处理效果如下图所示：

对处理后的图像进行分割，仅提取出胡萝卜区域，提取的图像如下图所示：

2)       对提取出的胡萝卜进行LBP特征提取，主要采用LBP圆形算子对胡萝卜进行LBP特征的提取，当LBP圆形算子的半径为1，领域为12时，可以对胡萝卜的表面纹理特征进行准确的描述，如下图所示：

对非开裂胡萝卜的纹理特征的描述，如下图所示：

对开裂胡萝卜的描述，如下图所示：

3)       Svm 采用径向基函数作为激活函数，当gamma取8.0，惩罚因子C 取10.0时，svm对训练集的识别准确率为100%，但对测试集的识别准确率为：70%，具体情况，详见数据统计表。

 

3.       算法准确率统计

根据现有算法，对胡萝卜的准确率的统计如下所述，共采集了200个样本，表面有裂纹的胡萝卜与表面没有裂纹的胡萝卜各100个，在两组各100个样本中，各取95个作为训练集，剩余的5个做为测试集，其中，训练集的识别准确率为100%，测试集的准确率为70%，具体数据如下表所述：

训练集

测试集

 

开裂

非开裂

开裂

非开裂

数量

95

95

5

5

正确

95

95

2

5

错误

0

0

3

0

准确率

100%

100%

40%

100%

整体准确率

100%

70%

 

4.       算法分析

1)       算法识别效率低的原因分析

根据上表中统计的数据，可以看出，主要是将开裂的胡萝卜识别为非开裂的胡萝卜，造成这种现象的主要原因，主要有以下几点：

a)       首先，由于算法本身决定，LBP算法主要是根据局部图像的灰度值对该区域进行编码，继而遍历该图像，得到该图像的LBP编码，因此，该算法的准确率，很大程序上依赖于图像的灰度值，识别错误的图像如下图所示：

如上图中左右两侧的图像所示，胡萝卜的开裂区域的纹理与灰度值，与其他非开裂区域的纹理与灰度值的特征非常接近，而算法本身是通过灰度值与纹理特征来进行区分，因此，这是造成算法识别率低的主要原因之一；

b)       因为，图像的采集环境过于简单，胡萝卜表面存在高光，也会对算法的准确率造成一定的影响；

c)       参数的设置也是对检测造成影响的因素之一，因为，此处的胡萝卜LBP特征的提取，采用的是LBP圆形算子，其中的半径(radius)、邻域数(neighbor)等数据，通过人为设置进行设定，所以，该参数组合的设置，对检测的准确率也有一定的影响；

 

5.