Knights Menswear
Products_Casual-Wear.jpg

Modèle grappe de raisin

La formation des paramètres dans l`équation (4) a été une étape très critique pour les modèles de classification linéaire pour séparer le raisin de l`arrière-plan. Pour obtenir les paramètres optimaux, la méthode d`erreur de classification la plus faible (LCE) a été employée dans cette étude. Les paramètres optimaux ont été recherchés en itérant les paramètres entre la plage de la valeur prédéfinie, ce qui pourrait minimiser le taux d`erreur des modèles de classification. La méthode LCE pourrait être décrite par l`équation (5): photo (Raptor Ridge Winery): structure du groupe de raisin la comparaison RPA entre la méthode [18] et la méthode proposée a été inscrite au tableau 4. De la table, nous pouvions savoir que la PRA moyenne de la méthode proposée était plus élevée qu`avec la méthode décrite dans [18]. La figure 11 montre le processus de détection sur l`une des images du vignoble collectées en utilisant les deux méthodes. Il est clair que les résultats de détection de la méthode proposée étaient meilleurs que ceux de [18], et que la sursegmentation était plus grave [18] qu`avec la méthode proposée, qui peut être observée à partir de la grappe de raisin de droite. Dans [18], l`étape clé de la segmentation d`image de grappe de raisin était principalement basée sur les composantes H et V de l`espace colorimétrique de HSV, après avoir obtenu les zones initiales de peloton, et les fausses grappes détectées ont été éliminées en combinant l`information de texture et l`utilisation d`un support machine vectorielle. Cependant, en s`appuyant simplement sur l`un des espaces colorimétriques, il était difficile d`extraire en douceur les zones de grappe initiales de l`environnement viticole complexe avec un éclairage changeant. Parce que Jordan sources raisins de cinq vignobles dans la vallée de la rivière russe pour le Chardonnay Jordan et une douzaine dans la vallée Alexander pour le Cabernet Sauvignon Jordan, il faut Elena quelques semaines pour terminer le comptage des grappes de raisin. Alors que les vignerons et l`équipage de la cave (y compris le fils d`Elena, Danny,) sont occupés avec la mise en bouteille à la fin juin et début juillet, Elena se contente de passer ses journées à profiter des matins frais de Northern Sonoma County croquant numéros. Bien échantillonner un vignoble nécessite un minimum de 20 à 30 grappes, tandis que 40 ou plus est le meilleur pour les grands et/ou des blocs variables, dit Jordan.

Elle conseille de collecter des grappes des deux côtés de la vigne et de toutes les positions sur la vigne – près de la tête, au milieu de la cordons/canne et du bord du cordon/canne. Les résultats de détection des grappes de raisin des images capturées sous trois conditions d`éclairage différentes par la méthode développée. a) image capturée dans des conditions ensoleillées de frontlight; b) image capturée sous des conditions ensoleillées de l`ombre; (c) image capturée dans des conditions d`éclairage nuageux. La comparaison du processus de détection entre la méthode [18] et la méthode proposée, (a) image originale; b) image de segmentation initiale par la méthode [18]; c) image de segmentation initiale par la méthode proposée; d le contour détecté des grappes de raisin par la méthode [18]; e) le contour détecté des grappes de raisin par la méthode proposée; f) le résultat de la détection à l`aide de la méthode [18]; et (g) le résultat de la détection en utilisant la méthode proposée. Pour éliminer les influences causées par des environnements complexes et améliorer le taux de détection des grappes de raisin dans le vignoble, un nouvel algorithme de détection de la vision a fusionné les avantages de l`espace colorimétrique multiple (par exemple, RGB, HSV, la * b *) sur la base du cadre AdaBoost a été développés dans ce document. Premièrement, les données de formation ont été préparées en recadrant manuellement les images capturées dans le vignoble. Plusieurs composants de couleur efficaces qui peuvent distinguer bien les grappes de raisin de l`arrière-plan ont été extraites de l`espace colorimétrique multiple en contrastant l`arrière-plan et les grappes de raisin, puis les modèles de classification linéaire correspondants ont été construits sur la base de ces composants.