Download presentation
Presentation is loading. Please wait.
1
蔬菜種苗葉片之型態分析與辨識 國立台灣大學生物產業機電工程學系 季育澤 林達德
2
前 言 本研究利用新發展的貝氏描述子(Bezier Descriptor)及傳統型態學上之特徵如長寬比、似圓度、平滑度等來描述蔬菜種苗葉片的形狀。藉由這些特徵,我們可以將種苗葉片分類並辨識葉片之種類。
3
實 驗 設 備 與 材 料 實驗設備 實驗材料 Meteor彩色的影像擷取卡。 Watec CCD 攝影機。 背光箱及攝影機架。
軟體:Borland C++ Builder Matrox Image Library 實驗材料 甘藍、 白菜、 萵苣、 莧菜
4
貝氏曲線(Bezier Curve) Bezier Curve乃由四點(兩端點, 兩控制點)所構成的三次曲線。 貝氏曲線的特性
B(t) = (1-t)3P1 + 3t(1-t)2P2 + 3t2(1-t)P3 + t3P4 其中t=0~1 貝氏曲線的特性 曲線的起點及終點的切線方向等於端點與控制點的連線方向 曲線是兩端點及兩控制點的加權平均
5
實 驗 流 程 非監督式的影像自動二元化 Blob分析: 求得葉片的幾何特徵 1 2
6
幾 何 描 述 子 特 徵 C=4πA/P2 R=4A / πL2 E=W/L G=H/P 堅實度 似圓度 長寬比 平滑度 基本幾何特徵
無 因 次 特 徵 C=4πA/P2 R=4A / πL2 E=W/L G=H/P W A P H L
7
實 驗 流 程 – 求葉邊緣 3 若兩點有顏色變化則( xr , yr )為葉片邊緣
8
實 驗 流 程 – 求葉尖點與葉基點 由輪廓點離散函數r(θ)及r“(θ)的聯集求得 4
9
實 驗 流 程 – 貝氏曲線逼近 決定控制線方向 決定控制線長比 5
10
實 驗 流 程 – 正規化 6 四個正規點座標 縮放比 逼近誤差
11
貝氏描述子特徵 葉 尖 角( ) 葉 基 角( ) 兩 控 制 線 長 比 逼 近 誤 差
12
實驗結果 甘 藍 白 菜 萵 苣 莧 菜
13
四種蔬菜的正規點分佈 甘 藍 白 菜 萵 苣 莧 菜 (-0.75±0.17, 0.70±0.16)
(0.77±0.20,0.70±0.17) (-0.99±0.17, -0.03±0.25) (0.98±0.20, -0.06±0.28) (0.55±0.16, 0.92±0.07) (-0.56±0.17, 0.93±0.07) (1.05±0.16, 0.03±0.31) (-1.08±0.18, 0.02±0.31) 甘 藍 白 菜 (0.42±0.10 , 0.81±0.10) (0.36±0.04, 0.91±0.04) (-0.35±0.08, 0.91±0.05) (-0.44±0.13, 0.84±0.09) (0.33±0.08, 1.17±0.14) (-0.34±0.07, 1.17±0.15) (-1.66±0.25,0.09±0.25) (1.65±0.28, -0.09±0.35) 萵 苣 莧 菜
14
葉片真實面積與貝氏曲線面積之比較 真實葉片面積(cm2) 真實葉片面積(cm2) 貝氏曲線面積(cm2) 甘藍 貝氏曲線面積(cm2) 白菜
15
葉片真實面積與貝氏曲線面積之比較 真實葉片面積(cm2) 真實葉片面積(cm2) 貝氏曲線面積(cm2) 萵苣 貝氏曲線面積(cm2) 莧菜
16
倒傳遞類神經網路模組 (back propagation)
類神經網路分類 倒傳遞類神經網路模組 (back propagation) 貝式描述子 幾何描述子 隱藏層兩層 甘藍 白菜 萵苣 莧菜
17
以幾何描述子做蔬菜種苗品種分類之辨識率 辨識之葉片品種 甘藍 白菜 萵苣 莧菜 125 54 16 64.10 58 115 1 23
辨識率(%) 甘藍 白菜 萵苣 莧菜 真 實 葉 片 品 種 125 54 16 64.10 58 115 1 23 58.37 214 100.0 12 24 154 81.05 總辨識率:608 / 795 = 76.48%
18
以貝氏描述子做蔬菜種苗品種分類之辨識率 辨識之葉片品種 甘藍 白菜 萵苣 莧菜 173 22 88.71 16 181 91.88 214
辨識率(%) 甘藍 白菜 萵苣 莧菜 真 實 葉 片 品 種 173 22 88.71 16 181 91.88 214 100.0 188 99.47 總辨識率:756 / 795 = 95.10%
19
以兩種描述子做蔬菜種苗品種分類之辨識率 辨識之葉片品種 甘藍 白菜 萵苣 莧菜 172 23 88.21 8 185 4 93.90 214
辨識率(%) 甘藍 白菜 萵苣 莧菜 真 實 葉 片 品 種 172 23 88.21 8 185 4 93.90 214 100.0 1 184 99.47 總辨識率:755 / 795 = 94.96%
20
結 論 貝氏曲線的面積與真實種苗面積具有相當大的線性關係 貝氏描述子可用來辨別種苗葉片種類 可保留原始葉片的形狀,所需的資訊量少且失真度低
21
謝謝!!謝謝!! Thank You!!
Similar presentations