贝叶斯信息融合MATLAB,基于神经网络与贝叶斯信息融合的小白菜成熟度检测方法...

基于神经网络与贝叶斯信息融合的小白菜成熟度检测方法

梁帆孙更强王宇等

【论文摘要】为了掌握智能植物生长柜中小白菜的成熟情况，便于对柜内环境参数实现智能控制，提出了利用小白菜的外部形态特征，特别是提取根系形态特征并将其与地上部分形态特征相结合来检测小白菜成熟度的方法。通过Matlab图像处理工具箱对采集的小白菜图像进行阈值分割和特征提取，然后将小白菜上、下两部分的形态特征数据作为训练样本，分别建立对应的神经网络成熟度检测模型，并将神经网络检测值利用贝叶斯理论来对其进行信息融合，从而进一步提高神经网络模型检测的准确性。

【论文关键词】图像处理；神经网络；成熟度；贝叶斯理论；信息融合

植物根系和地上部分有着极大的相关性[1]，根和叶伴随着植物的生长而生长，都可以作为其成熟度的表征。对于智能植物生长柜[2]来说，作物的根系生长在营养液透明水槽中，在晾根的环节可以完全暴露在空气中，这为根系形态特征提取创造了条件。准确掌握蔬菜的成熟度对于提高作物产量具有十分重要的意义，尤其是智能植物生长柜生长环境下，成熟度不仅关系到蔬菜的营养品质，而且与节能减耗也紧密相关，因此科学地掌握蔬菜的成熟度显得尤为重要。

在作物成熟度检测方面，张长利等[3]通过采集番茄图像，提取H值作为番茄表面颜色特征，采用遗传算法训练的多层前馈神经网络实现番茄成熟度的自动判别，准确率达到94%。由于颜色特征很容易受到光照等因素的影响，为此，本文提出了利用小白菜的形态特征，特别是地上部分的茎叶特征与地下部分的根系特征相结合的方法，利用神经网络模型对上下两部分形态特征建模训练，然后再根据贝叶斯理论对上下两部分神经网络的检测值进行信息融合，从而进一步提高小白菜成熟度检测的准确性。

1材料与方法

本文使用神经网络建模的方法建立小白菜形态与成熟度之间的关系模型。神经网络的输入采用小白菜图像处理得到的特征数据，输出则选择利用积温比值得到标准成熟度等级。最后对其结果进行贝叶斯信息融合，从而准确检测出小白菜成熟度等级。其整体流程图如图1所示。

1.1试验设置