[发明专利]基于决策树的果品分类方法、装置、设备及存储介质

说明书

本申请公开了一种基于决策树的果品分类方法、装置、设备及存储介质，其中分类方法包括：将果品的原始图像进行处理以获得除去了果柄的无柄图像；根据无柄图像进行特征提取以获取特征值；将特征值输入至一个决策树模型以使决策树模型以使决策树模型输出代表沃柑表面粗糙度分类的分类值。本申请的有益之处在于提供了一种利用机器学习模型对提取与沃柑的表面图像的特征值进行处理从而高效准确进行分类的基于决策树的果品分类方法、装置、设备及存储介质。

技术领域

本申请涉及果品分类方法，具体而言，涉及一种基于决策树的果品分类方法、装置、设备及存储介质。

背景技术

中国是全球柑橘第一大生产国，而沃柑是中国柑橘发展最快的品种之一。沃柑是优良的柑桔晚熟新品种，其果皮厚度是影响果实外观品质的重要指标。粗皮大果的果肉不化渣，风味偏淡，商品性差，可能与施肥和生长调节剂使用不当相关。此外生态环境也是产生粗皮大果的因素，例如在干热的云南地区比在温润的川渝地区更易产生粗皮大果。对沃柑表皮粗细程度并进行分类，有利于提高商品沃柑的品质。

在相关技术中，沃柑表面粗糙度测量方法主要分为接触式和非接触式两种。接触式测量方法是利用一种特殊触针以一定的速度沿着被测工件表面移动，触针会因为表面的微观不平而上下运动，将触针移动的变量通过机械、光学、电学转换，再经放大、运算，由指示表显示被测表面粗糙度的评定参数数值。接触式测量精度高，使用范围广，但该方法具有测量速度低、易划伤被测表面和由于探针直径的原因可能滤掉一些表面高频信息等缺点，大大限制了其应用范围。非接触式测量主要利用光学原理进行测量，主要有干涉测量法、散射测量法、光切法。干涉测量法对环境要求高，实现过程复杂，光学系统调整时间长，难以得到广泛的应用。散射测量法易实现自动化高速测量，但两者只能用作比较测量，难用定量参数评定工件的表面形貌。光切法只适用于测量精度较低的场合，分辨率与检测精度不高且数值计算费时。除了以上的较为成熟的基于光学技术的测量方法，人们也探索了通过其它途径实现表面粗糙度检测的方法，其中有原子力显微镜(ATM)法、光学传感器法等。ATM法可较准确获得被测物表面形貌，但测量代价昂贵。光学传感器法由于采用技术较为成熟的光学三角法，易实现，但测量精度不高。

对于其他类似沃柑的果品也存在同样的问题，因此，现在亟需一种简单并且通用的针对沃柑等类似果品的快速表面粗糙度的分类方法。

发明内容

本申请的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本申请的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本申请的一些实施例提出了方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。

作为本申请的第一方面，本申请的一些实施例提供了一种基于决策树的果品分类，包括：将果品的原始图像进行处理以获得除去了果柄的无柄图像；根据无柄图像进行特征提取以获取特征值；将特征值输入至一个决策树模型以使决策树模型以使决策树模型输出代表沃柑表面粗糙度分类的分类值。

进一步的，决策树模型被构造为一个XGBoost决策树模型。

进一步的，基于决策树的果品分类还包括：训练XGBoost决策树模型。

进一步的，其中，训练XGBoost决策树模型，包括：采集沃柑的原始图像并按照沃柑粗糙度分类规则进行人工分类；对原始图像进行图像分割以获取分割图像；对分割图像进行处理以除去分割图像中的果柄从而获得无柄图像；根据无柄图像进行特征提取以获取无柄图像的特征值；将无柄图像的特征值作为输入数据，将无柄图像所对应的原始图像的分类值作为输出数据对XGBoost决策树模型进行训练。

进一步的，沃柑粗糙度分类规则将沃柑表面粗糙度分类分为粗皮和细皮。

进一步的，沃柑表面粗糙度分类中粗皮的分类值为1；沃柑表面粗糙度分类中粗皮的分类值为2。