本發(fā)明涉及馬鈴薯分級算法技術(shù)領(lǐng)域，特別涉及一種基于多分辨率分析法和adaboost算法的馬鈴薯品質(zhì)分級方法。
背景技術(shù)：
在馬鈴薯品質(zhì)分級中，形狀是一個非常重要的指標，國家標準有著嚴格的規(guī)定。現(xiàn)有技術(shù)中提出了不同的針對馬鈴薯外部品質(zhì)的分級的方法，但是都不同程度出現(xiàn)效率低下和分級速度較慢的缺陷。
技術(shù)實現(xiàn)要素：
本發(fā)明實施例發(fā)明目的在于提供一種基于多分辨率分析法和adaboost算法的馬鈴薯品質(zhì)分級方法，應用該技術(shù)方案可以利用多分辨率分析法和adaboots算法對馬鈴薯的外部形狀進行分類，最終對馬鈴薯品質(zhì)分級有著更高的效率和更快的速度。
為了實現(xiàn)上述發(fā)明目的，本發(fā)明的完整技術(shù)方案如下：
一種基于多分辨率分析法和adaboost算法的馬鈴薯品質(zhì)分級方法，包括以下步驟：
獲取若干馬鈴薯圖像；
通過多分辨率分析法分別計算馬鈴薯圖像在不同的抽象層次中輸入層與隱層之間的連接權(quán)值；
通過adaboots算法濾選所述連接權(quán)值，獲取最佳特征；
根據(jù)連接權(quán)值和最佳特征確定圖像圖像分類的結(jié)果。
優(yōu)選的，所述步驟：通過多分辨率分析法分別計算馬鈴薯圖像在不同的抽象層次中輸入層與隱層之間的連接權(quán)值，具體的包括以下步驟
將馬鈴薯圖像分解為逼近部分和細節(jié)部分；
在新的抽象層次中，將得到的所述逼近部分分解為新逼近部分和新細節(jié)部分；
將細節(jié)部分和新細節(jié)部分定義為輸入層與隱層之間的連接權(quán)值。
優(yōu)選的，所述步驟：通過adaboots算法濾選所述連接權(quán)值，獲取最佳特征；具體的包括以下步驟
設所述連接權(quán)值為m組訓練數(shù)據(jù)，(x1,y1)，……(xm，ym)，其中
xi(instance)∈x，yi(classification)∈y＝{-1，+1}
初始化d1(i)＝1/m，d1(i)為訓練樣本i的權(quán)重；
設最佳特征數(shù)量為t，當t＝1,...,t時，分類器hi：x→[-11]，h為分類器；
若ej<0.5繼續(xù)以下步驟，否則停止；
設第t個閥值為βt，選擇βt∈r：
下一個分類器：
其中zt為歸一化因子，令dt+1成為分布函數(shù)；
得到最后的分類器：
得到每一類圖像的最佳特征，為特征f、閾值β和極性p構(gòu)成的弱分類器：
優(yōu)選的，所述步驟：根據(jù)連接權(quán)值和最佳特征確定圖像分類的結(jié)果，具體的包括以下步驟
設圖像分類的結(jié)果為h(y)：
當h(y)等于1時，確定當前馬鈴薯圖像符合當前類別，否則確定為不符合。
由上可見，應用本實施例技術(shù)方案，通過多分辨率分析法計算連接權(quán)值，有效地減少了耗時的訓練和分類步驟。再通過adaboots算法對馬鈴薯的外部形狀進行分類，最終對馬鈴薯品質(zhì)分級有著更高的效率和更快的速度。
附圖說明
為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
圖1為本發(fā)明實施例1提供的程序流程圖。
具體實施方式
下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。
實施例1：
如圖1所示，本實施例提供一種基于多分辨率分析法和adaboost算法的馬鈴薯品質(zhì)分級方法，包括以下步驟：
步驟s101：獲取若干馬鈴薯圖像；
步驟s102：通過多分辨率分析法分別計算馬鈴薯圖像在不同的抽象層次中輸入層與隱層之間的連接權(quán)值；
步驟s103：通過adaboots算法濾選所述連接權(quán)值，獲取最佳特征；
步驟s104：根據(jù)連接權(quán)值和最佳特征確定圖像圖像分類的結(jié)果。
作為優(yōu)選的技術(shù)方案，更具體的如下：
在步驟s102和s103之間，本實施例可以采用們?nèi)≈翟赱01]的sigmoid函數(shù)作為激活函數(shù)。
在步驟s102中：具體的包括以下步驟
將馬鈴薯圖像分解為逼近部分和細節(jié)部分；
在新的抽象層次中，將得到的所述逼近部分分解為新逼近部分和新細節(jié)部分；
將細節(jié)部分和新細節(jié)部分定義為輸入層與隱層之間的連接權(quán)值。
以上步驟使用多分辨率分析中的快速小波變換(fwt)，有效地減少了耗時的訓練和分類步驟。其中的細節(jié)部分包含有水平細節(jié)、垂直細節(jié)和對角線細節(jié)。
在步驟s103中：具體的包括以下步驟
通過adaboots算法濾選所述連接權(quán)值，獲取最佳特征；具體的包括以下步驟
設所述連接權(quán)值為m組訓練數(shù)據(jù)，(x1,y1)，……(xm，ym)，其中
xi(instance)∈x，yi(classification)∈y＝{-1，+1}
初始化d1(i)＝1/m，d1(i)為訓練樣本i的權(quán)重；這決定了該樣本被選擇為成分分類器的概率。
設最佳特征數(shù)量為t，當t＝1,...,t時，分類器hi：x→[-11]，h為分類器；這將最大限度地減少分布dt帶來的誤差：
若ej<0.5繼續(xù)以下步驟，否則停止；
設第t個閥值為βt，選擇βt∈r：
下一個分類器：
其中zt為歸一化因子，令dt+1成為分布函數(shù)；
得到最后的分類器：
得到每一類圖像的最佳特征，為特征f、閾值β和極性p構(gòu)成的弱分類器：
閾值β將作為隱層與輸出層之間的連接權(quán)值以用來確定每一類的圖像。
在步驟s104中：要對用作分類的圖像y進行分類，必須建立一個神經(jīng)網(wǎng)絡，其中該網(wǎng)絡的隱層神經(jīng)元連接權(quán)重是由能表示所有類別圖像的所有特征構(gòu)成的，具體的包括以下步驟
設圖像分類的結(jié)果為h(y)：
當h(y)等于1時，確定當前馬鈴薯圖像符合當前類別，否則確定為不符合。
本發(fā)明實施例利用基于多分辨率分析法的快速小波變換在不同層次的抽象中提取出馬鈴薯圖像的特征，其次，我們利用adaboost算法選擇出最好的特征并以此對相應的馬鈴薯圖像進行分類。從實驗結(jié)果來看，分類效果十分理想，并且證明了所提出的基于多分辨率分析和adaboost算法的簡單深度學習神經(jīng)網(wǎng)絡結(jié)構(gòu)高效。
以上所述的實施方式，并不構(gòu)成對該技術(shù)方案保護范圍的限定。任何在上述實施方式的精神和原則之內(nèi)所作的修改、等同替換和改進等，均應包含在該技術(shù)方案的保護范圍之內(nèi)。