基于特征组合与SVM的小粒种咖啡缺陷生豆检测

• Published in: 农业工程学报 Vol. 38; no. 14; pp. 295 - 302
• Main Authors: 赵玉清, 杨慧丽, 张悦, 杨颜凯, 杨毅, 赛敏
• Format: Journal Article
• Language: Chinese
• Published: 云南省作物生产与智慧农业重点实验室,昆明 650201%云南省作物生产与智慧农业重点实验室,昆明 650201 01.07.2022; 云南农业大学大数据学院,昆明 650201%云南普洱市长木咖啡有限公司,普洱 665000; 云南农业大学机电工程学院,昆明 650201; 云南省作物生产与智慧农业重点实验室,昆明 650201%云南农业大学机电工程学院,昆明 650201; 昆明理工大学交通工程学院,昆明 650093
• Subjects: 检测模型; 缺陷生咖啡豆; 机器视觉; 特征组合; SVM; 识别
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.2022.14.033

TP39; 缺陷生咖啡豆显著影响商品咖啡豆品质及定价,其分选剔除是咖啡豆烘焙前的重要工作环节.目前缺陷豆的检测、分选及剔除主要由人工操作完成,耗时、费力且主观性大.该研究采用机器视觉技术提取咖啡豆轮廓、颜色和纹理3类特征,使用单一类别特征和不同类别特征进行组合,运用网格搜索确定支持向量机(Support Vector Machine,SVM)分类模型参数,通过k折交叉验证试验对比SVM模型性能,运用皮尔逊相关系数进行特征筛选,找到检测缺陷生咖啡豆的较优特征组合.为说明SVM检测模型的有效性,选用随机森林(Random Forests,RF)、极端随机树(Extremely Randomized Trees,ERT)、逻辑回归(Logistic Regression,LR)、LightGBM、XGBoost和CatBoost算法进行较优特征组合的对比试验.结果表明:包括轮廓、颜色和纹理3类14个特征的组合是较优特征组合,其SVM检测模型的平均准确率、平均精度、平均召回率、平均F1值分别为84.9％、85.8％、82.3％、84.0％,效果均明显优于2类特征组合和单一类别特征的检测模型,SVM检测模型的准确率和F1值相比随机森林、极端随机树、逻辑回归、LightGBM、XGBoost和CatBoost分别提高4.7和4.8,3.4和4.0,5.6和7.2,3.0和3.0,3.5和4.2,2.6和2.6个百分点.较优特征组合的SVM缺陷生咖啡豆检测模型检测缺陷类型较全面,识别准确率高,可实际应用于小粒种生咖啡豆智能化分选装备.