本發(fā)明屬于農(nóng)業(yè)嵌入式篩選系統(tǒng)，具體涉及一種基于隨機(jī)森林的嵌入式設(shè)備蠶豆篩選方法。

背景技術(shù)：

1、隨著社會(huì)經(jīng)濟(jì)的發(fā)展，人們對(duì)食品安全和健康飲食的重視程度日益增加，作為主要消費(fèi)豆類之一的蠶豆，其產(chǎn)量也逐年提升，其出口份額以及市場(chǎng)規(guī)模也在連續(xù)增長(zhǎng)。然而在蠶豆收貨后的運(yùn)輸及儲(chǔ)存階段會(huì)有變質(zhì)現(xiàn)象發(fā)生，且收獲后未經(jīng)處理的蠶豆良莠不齊、優(yōu)劣混雜，影響到了不同等級(jí)蠶豆的經(jīng)濟(jì)用途分配。因此，對(duì)蠶豆進(jìn)行等級(jí)篩選的研究十分有必要，有助于提升國(guó)內(nèi)蠶豆相關(guān)制品及篩選設(shè)備制造行業(yè)的市場(chǎng)競(jìng)爭(zhēng)力，保障人民的飲食健康和食品安全。

2、作物分選的效率及準(zhǔn)確性受到多方面的影響，物料的大小、形狀、顏色、紋理等因素都可能影響篩選效果，為解決色選機(jī)在實(shí)際應(yīng)用中面臨的挑戰(zhàn)，近年來(lái)眾多研究者嘗試引入先進(jìn)的圖像處理算法，結(jié)合對(duì)應(yīng)物料特性的深度學(xué)習(xí)模型，提高色選機(jī)對(duì)不同物料的識(shí)別能力。機(jī)器學(xué)習(xí)算法可以通過(guò)對(duì)大量數(shù)據(jù)的學(xué)習(xí)，提高色選機(jī)的識(shí)別能力和適應(yīng)性，使其在不同場(chǎng)景下都能夠表現(xiàn)出色。

3、在農(nóng)作物篩選領(lǐng)域，尤其是面對(duì)簡(jiǎn)單背景和不復(fù)雜目標(biāo)的場(chǎng)景，傳統(tǒng)的機(jī)器學(xué)習(xí)方法，如支持向量機(jī)(svm)、k近鄰算法(knn)等，雖然可以在一定程度上完成任務(wù)，但存在諸多不足。首先，這些方法通常依賴于手工設(shè)計(jì)的特征，對(duì)于較為簡(jiǎn)單的背景，傳統(tǒng)方法往往會(huì)出現(xiàn)過(guò)度擬合的問(wèn)題，導(dǎo)致模型在實(shí)際應(yīng)用中的泛化能力不足。其次，由于這些方法對(duì)特征選擇的依賴性較強(qiáng)，特征提取過(guò)程可能會(huì)忽略某些關(guān)鍵特征，進(jìn)而影響篩選的精度。此外，傳統(tǒng)機(jī)器學(xué)習(xí)方法的計(jì)算復(fù)雜度較高，對(duì)于實(shí)時(shí)性要求較高的篩選任務(wù)，它們的效率往往難以令人滿意。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于隨機(jī)森林的嵌入式設(shè)備蠶豆篩選方法，解決了傳統(tǒng)篩選方法分選效率低及手工設(shè)計(jì)特征計(jì)算復(fù)雜度高的技術(shù)問(wèn)題。

2、本發(fā)明所采用的技術(shù)方案是，基于隨機(jī)森林的嵌入式設(shè)備蠶豆篩選方法，具體按照以下步驟實(shí)施：

3、s1，采集原始圖像，并對(duì)原始圖像進(jìn)行預(yù)處理，得到數(shù)據(jù)集；

4、s2，對(duì)s1構(gòu)建的數(shù)據(jù)集進(jìn)行特征提取，使用皮爾遜相關(guān)系數(shù)計(jì)算特征的重要性，對(duì)特征數(shù)據(jù)進(jìn)行特征選擇以去除冗余特征，獲得對(duì)篩選準(zhǔn)確性貢獻(xiàn)高的特征；

5、s3，構(gòu)建隨機(jī)森林模型，根據(jù)s2獲得的圖像特征計(jì)算特征增益，確定特征的決策順序，通過(guò)訓(xùn)練調(diào)整確定隨機(jī)森林模型的結(jié)構(gòu)和參數(shù)；

6、s4，對(duì)s3訓(xùn)練后的隨機(jī)森林模型進(jìn)行參數(shù)量化，對(duì)量化后的模型進(jìn)行嵌入式設(shè)備并行部署；

7、s5，使用s4部署好的隨機(jī)森林篩選模型對(duì)輸入的圖像數(shù)據(jù)進(jìn)行篩選，根據(jù)決策后輸出的目標(biāo)類別使用氣動(dòng)方式進(jìn)行剔除，完成篩選。

8、本發(fā)明的特點(diǎn)還在于：

9、s1中預(yù)處理具體為：

10、對(duì)采集到的原始圖像進(jìn)行濾波，如式(1.1)所示：

11、

12、式(1.1)中，i′(x,y)表示濾波后的像素值，i(x,y)表示原圖像的像素值，n(x,y)是包含像素(x,y)的鄰域，n是鄰域內(nèi)的像素?cái)?shù)；

13、對(duì)進(jìn)行濾波后的原始圖像進(jìn)行如式(1.2)所示的線性歸一化操作，將原始圖像的像素值調(diào)整到標(biāo)準(zhǔn)范圍內(nèi)：

14、

15、式(1.2)中，i′(x,y)是歸一化后的像素值，imax是圖像中最大像素值，imin圖像中最小像素值，a和b是歸一化的目標(biāo)范圍；

16、對(duì)歸一化后的原始圖像進(jìn)行如式(1.3)所示的伽馬校正，調(diào)整原始圖像的色彩失真：

17、i′(x,y)＝i(x,y)γ?(1.3)

18、式(1.3)中，γ是伽馬值，通常范圍為0.8≤γ≤2.2。

19、s2中特征提取具體為：提取s1數(shù)據(jù)集中圖像的顏色直方圖、形狀輪廓和紋理特征，獲得訓(xùn)練集的圖像特征數(shù)據(jù)。

20、s3具體為：

21、s3.1，構(gòu)建隨機(jī)森林模型，設(shè)定隨機(jī)森林模型使用的決策樹(shù)數(shù)量、決策樹(shù)最大深度、最大特征數(shù)和最小樣本分裂數(shù)；

22、s3.2，計(jì)算s2中準(zhǔn)確性貢獻(xiàn)高的顏色直方圖、形狀輪廓和紋理特征的信息增益，如式(3.1)、式(3.2)和式(3.3)所示：

23、

24、式(3.1)中，d是當(dāng)前數(shù)據(jù)集，pi是數(shù)據(jù)集中第i類別的概率，即第i類別的樣本數(shù)除以總樣本數(shù)，n是類別的數(shù)量；

25、根據(jù)式(3.1)得到的熵，計(jì)算特征的條件熵，如式(3.2)所示：

26、

27、式(3.2)中，values(a)是特征a的所有可能取值，dυ是在特征a取值為υ時(shí)的數(shù)據(jù)子集，|dv|是數(shù)據(jù)子集dv的樣本數(shù)，|d|是原數(shù)據(jù)集d的樣本數(shù)，h(dv)是數(shù)據(jù)子集dv的熵；

28、根據(jù)式(3.2)得到的條件熵，計(jì)算特征信息增益，如式(3.3)所示：

29、ig(d,a)＝h(d)-h(d|a)?(3.3)

30、式(3.3)中，ig(d,a)是特征a對(duì)數(shù)據(jù)集d的信息增益，h(d)是數(shù)據(jù)集d的熵，h(d|a)是特征a的條件熵；

31、根據(jù)信息增益確定決策時(shí)使用的特征的決策順序；

32、s3.3，將s1經(jīng)過(guò)預(yù)處理的圖像數(shù)據(jù)集按照一定比例分割為訓(xùn)練集和測(cè)試集，訓(xùn)練集用于構(gòu)建隨機(jī)森林模型，測(cè)試集用于評(píng)估模型的性能，在訓(xùn)練模型之前，對(duì)隨機(jī)森林模型的參數(shù)進(jìn)行初始化，其中，參數(shù)包括樹(shù)的數(shù)量、最大深度、最大特征數(shù)和最小樣本分裂數(shù)；

33、使用訓(xùn)練集對(duì)初始化的隨機(jī)森林模型進(jìn)行訓(xùn)練，訓(xùn)練過(guò)程中，隨機(jī)森林模型通過(guò)隨機(jī)選擇樣本和特征，生成多棵決策樹(shù)，并利用袋外數(shù)據(jù)進(jìn)行模型誤差估計(jì)，通過(guò)多次迭代，確定各參數(shù)的最優(yōu)值，獲得最優(yōu)的模型結(jié)構(gòu)和分類性能。

34、s4具體為：首先對(duì)s3完成訓(xùn)練的隨機(jī)森林模型進(jìn)行參數(shù)范圍分析，分析訓(xùn)練好的隨機(jī)森林模型中各層參數(shù)的分布范圍，確定每個(gè)參數(shù)的最小值、最大值以及動(dòng)態(tài)范圍；根據(jù)嵌入式設(shè)備的處理能力和內(nèi)存限制，選擇定點(diǎn)量化位寬，將浮點(diǎn)數(shù)參數(shù)映射到定點(diǎn)表示，如式(4)所示：

35、q＝round(x×scale)?(4)

36、式(4)中，x為浮點(diǎn)數(shù)，scale為縮放因子，q為定點(diǎn)表示；

37、量化完成后，使用量化后的隨機(jī)森林模型在驗(yàn)證集上進(jìn)行評(píng)估，計(jì)算隨機(jī)森林模型的量化誤差并與浮點(diǎn)數(shù)形式的模型進(jìn)行性能對(duì)比，若量化導(dǎo)致性能顯著下降，可調(diào)整量化位寬或縮放因子，在完成隨機(jī)森林模型參數(shù)的定點(diǎn)量化后，將隨機(jī)森林模型部署到目標(biāo)嵌入式設(shè)備上。

38、s5具體為：使用嵌入式設(shè)備上的圖像傳感器，連續(xù)采集蠶豆樣本的圖像，將采集到的圖像數(shù)據(jù)轉(zhuǎn)換為與隨機(jī)森林模型輸入格式相匹配的數(shù)據(jù)格式，對(duì)轉(zhuǎn)換后的圖像數(shù)據(jù)進(jìn)行特征提取，提取的特征將作為隨機(jī)森林模型的輸入，將提取的特征向量輸入到s4訓(xùn)練好的隨機(jī)森林模型中進(jìn)行推理，隨機(jī)森林模型根據(jù)輸入特征做出分類決策，輸出篩選結(jié)果，根據(jù)隨機(jī)森林模型的決策輸出，將樣本分類為合格或不合格，合格樣本保留，不合格樣本標(biāo)記為需要剔除的目標(biāo)，在隨機(jī)森林模型決策后，實(shí)時(shí)定位并標(biāo)記不合格樣本在圖像中的位置，當(dāng)標(biāo)記的樣本經(jīng)過(guò)預(yù)定位置時(shí)，控制系統(tǒng)觸發(fā)氣動(dòng)裝置，產(chǎn)生高壓氣流，將不合格樣本從傳送帶上剔除，剔除后，記錄篩選結(jié)果，對(duì)合格和不合格樣本進(jìn)行分類統(tǒng)計(jì)，通過(guò)統(tǒng)計(jì)結(jié)果，評(píng)估篩選模型和氣動(dòng)剔除機(jī)制的整體效果。

39、本發(fā)明的有益效果是：

40、本發(fā)明針對(duì)當(dāng)前篩選設(shè)備分選方式單一、分選效率提升乏力的問(wèn)題，提出使用基于機(jī)器學(xué)習(xí)方法的蠶豆分選算法，將機(jī)器學(xué)習(xí)技術(shù)與蠶豆分選任務(wù)相結(jié)合，將針對(duì)蠶豆常見(jiàn)形態(tài)而改進(jìn)的形狀特征，以及紋理特征和顏色特征進(jìn)行結(jié)合，進(jìn)行了改進(jìn)的形狀特征以及顏色和紋理特征的參數(shù)量?jī)?yōu)化研究。通過(guò)減少特征參數(shù)降低計(jì)算復(fù)雜度以及進(jìn)行參數(shù)定點(diǎn)量化，使得該篩選模型能夠進(jìn)行嵌入式設(shè)備部署，高效利用現(xiàn)場(chǎng)可編程邏輯門陣列(field-programmable?gate?array，fpga)的并行計(jì)算特性，實(shí)現(xiàn)了快速高效的蠶豆篩選。