4.3.3. ShapeThe farmers use shape i

4.3.3. Shape
The farmers use shape irregularity as a quality measure. Fruits
having irregular shapes are considered of better quality. We
estimated it from the outer profile of the fruit image. The estimation
steps are described below.
(1) Using an edge tracking operator to estimate the outmost
edge points of the fruit image.
(2) Link the outermost edge points to form the outermost
profile of the fruit image.
(3) Compute the centroid ðxg; ygÞ of the profile.
(4) Starting from the topmost and leftmost point of the pro-
file and moving clockwise calculate the sequence
rðtÞ ¼
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
ðxt xgÞþðyt ygÞ
2
q
;
for t = 1, 2, 3, ..., N, were xt and yt are the Cartesian
coordinates of the profile at profile boundary time t,
and N is the total number of points in the profile.
(5) Compute the Fourier coefficients of r(t)
an ¼ XN
t¼1
rðtÞe
2jpnt
N
The value of the first coefficient was used as the irregularity
measure.
4.3.4. Intensity
We have observed that the better quality date yield high intensity
images. The intensity is estimated in terms of the number
of wrinkles. The number of edges was considered as the number
of wrinkles. To determine the intensity the image is binarized
and edges are extracted using Sobel operator and
labeled. The intensity measure is defined as I ¼ a
A ; where a is
the area covered by edges, A is the total fruit area and
0 6 I 6 1.
4.3.5. Defects
The bruises (Fig. 7.) and bird flicks (Fig. 6) are common defects
in date fruits. The bird flicks appear brighter in the image
so they are determined from the color intensity. An estimate of
the average brightness and variations in intensity of the bird
flicked area were obtained. The average brightness was thoroughly
examined and the bird flicked area size was tracked
and estimated. A pixel belongs to the bird flicked area if the
brightness of a pixel lies in the interval Ib kr2
b; where Ib is
the average brightness of the pixels and r2
b is the variance in
the bird flicked area, and k is an experimentally determined
constant. The bruises are estimated from the shape as they generally
deform the shape by tearing the fruit. In our observation
finding an accurate estimate of bruises is an extremely difficult
task.
4.4. Classification
We first visually examined the fruits that we used in this experiment
and graded them manually according to their features.
The fruits having good shape, large size, high intensity, high
flabbiness and no defects were branded as of the best quality,
i.e., grade 1. The grade 2 fruits have distorted shape, medium
size, low flabbiness, low intensity and no defects and fruits
having defects were considered as grade 3 fruits regardless of
other features. A sample of grades 1–3 fruits are shown in
Fig. 8 below.
For classification, we used back propagation neural network
(BPNN) which is described below.
4.4.1. Back propagation neural network
The back propagation neural network (BPNN) contains an input
layer, at least one hidden layer and one output layer. In the
network, the information flows from left to right. The input
feature vector X = (xi) is presented to the input layer and it
is passed to output layer via hidden layer. These layers are connected
by weights among neurons.
In a training cycle of the network, every training set pattern
is presented as input to the network and the output ok is computed.
The output is compared with the desired response dk. In
case of error the weight of the network is modified to reduce
the error. The training cycle is repeated across the training pattern
to modify the weights of the network till the error attains
some predefined tolerance level.
4.4.2. Implementation
To classify dates we studied two BPNN models. The first model
has three layers: input layer, one hidden layer and an output
layer. The input layer has five neurons representing five feature
Fi

ผลลัพธ์ (ไทย) 1:

4.3.3. รูปร่างเกษตรกรใช้รูปร่างผิดปกติของการวัดคุณภาพ ผลไม้มีรูปร่างผิดปกติถือว่ามีคุณภาพดีขึ้น เราประเมินจากส่วนกำหนดค่าภายนอกของภาพผลไม้ การประเมินขั้นตอนที่อธิบายไว้ด้านล่าง(1) ขอบการติดตามดำเนินการโดยใช้การประเมิน outmostจุดขอบของภาพผลไม้(2) จุดขอบด้านนอกสุดชั้นนอกสุดเพื่อเชื่อมโยงโพรไฟล์ภาพผลไม้(3) คำนวณ ðxg เซนทรอยด์ ygÞ ของโพรไฟล์(4) เริ่มต้นจากจุดอยู่ด้านบนสุด และซ้ายสุดของโปร-แฟ้มและคนลำดับการคำนวณrðtÞ ¼ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiðxt xgÞþðyt ygÞ2q;สำหรับ t = 1, 2, 3,..., N มี xt และ yt เป็นแบบคาร์ทีเซียนพิกัดของโพรไฟล์ที่ส่วนกำหนดค่าขอบเขตของเวลา tและ N คือ จำนวนจุดในโพรไฟล์(5) คำนวณสัมประสิทธิ์ฟูรีเย r(t)XN เป็น¼t¼1rðtÞe2jpntNค่าของสัมประสิทธิ์แรกถูกใช้เป็นการผิดปกติของวัด4.3.4 ความเข้มเราสังเกตที่วันที่คุณภาพดีผลผลิตความเข้มสูงภาพ มีประเมินความรุนแรงในแง่ของจำนวนของริ้วรอย จำนวนขอบถูกถือว่าเป็นหมายเลขของริ้วรอย กำหนดความเข้มของภาพคือ binarizedและขอบที่สกัดโดยใช้ตัวดำเนินการ Sobel และได้ มีกำหนดหน่วยวัดความเข้มเป็น¼ของฉันA ที่เป็นอยู่บริเวณที่ครอบคลุมขอบ เป็นพื้นที่รวมผลไม้ และ0 6 ผม 6 14.3.5 การบกพร่องขอด (Fig. 7) และนกตวัด (Fig. 6) มีข้อบกพร่องทั่วไปในขิงวัน ตวัดนกปรากฏสว่างในภาพดังนั้น พวกเขาจะถูกกำหนดจากความเข้มของสี การประเมินของความสว่างเฉลี่ยและรูปแบบในความเข้มของนกตั้ง flicked ได้รับ ความสว่างเฉลี่ยได้อย่างละเอียดตรวจสอบ และมีติดตามขนาดพื้นที่นก flickedและประเมิน พิกเซลเป็นของนก flicked พื้นที่ถ้าการความสว่างของพิกเซลอยู่ในช่วง Ib kr2b ที่เป็น Ibความสว่างเฉลี่ยของพิกเซลและ r2b คือ ค่าความแปรปรวนในนก flicked ที่ตั้ง และ k คือ กำหนด experimentallyค่าคง ขอดจะประเมินจากรูปเหล่านั้นโดยทั่วไปเบี้ยวรูปร่าง โดยผลไม้ฉีกขาด ในการสังเกตของเราค้นหาการประเมินความถูกต้องของขอดได้ยากมากงาน4.4 การจัดประเภทเราครั้งแรกเห็นตรวจสอบผลไม้ที่เราใช้ในการทดลองนี้และเรียนได้ด้วยตนเองตามลักษณะการทำงานของพวกเขาผลไม้ที่มีรูปร่างดี ขนาดใหญ่ ความสูง สูงflabbiness และข้อบกพร่องมีตรา ณคุณภาพดีสุดเช่น เกรด 1 ผลไม้เกรด 2 มีผิดเพี้ยนรูปร่าง ขนาดกลางขนาด flabbiness ต่ำ ความเข้มต่ำ และไม่มีข้อบกพร่อง และผลไม้มีข้อบกพร่องถือว่าเป็นเกรด 3 ผลไม้ไม่ว่าคุณสมบัติอื่น ๆ ตัวอย่างของผลไม้ 1 – 3 แสดงเกรด8 fig. ด้านล่างการจัด เราใช้เครือข่ายประสาทกลับมาเผยแพร่(BPNN) ซึ่งอธิบายไว้ด้านล่าง4.4.1 การกลับเผยแพร่เครือข่ายประสาทได้ประกอบด้วยการเผยแพร่หลังโครงข่ายประสาท (BPNN)ชั้น ชั้นที่ซ่อน และชั้นหนึ่งผล ในเครือข่าย ข้อมูลที่ไหลจากซ้ายไปขวา การป้อนข้อมูลนำเสนอคุณลักษณะเวกเตอร์ X = (ซี) ชั้นอินพุตและถูกส่งไปแสดงผลผ่านชั้นซ่อนชั้น ชั้นเหล่านี้จะเชื่อมต่อโดยน้ำหนักระหว่าง neuronsในวงจรการฝึกอบรมของเครือข่าย อบรมทุกตั้งค่ารูปแบบนำเสนอเป็นข้อมูลป้อนเข้าเครือข่ายและผลผลิตตกลงที่คำนวณเปรียบเทียบกับ dk. ต้องตอบในผลลัพธ์กรณีของข้อผิดพลาดในการปรับเปลี่ยนเพื่อลดน้ำหนักของเครือข่ายข้อผิดพลาด วงจรการฝึกอบรมจะถูกทำซ้ำในรูปแบบการฝึกอบรมการปรับเปลี่ยนน้ำหนักของเครือข่ายจนถึงข้อผิดพลาด attainsระดับการยอมรับที่กำหนดไว้ล่วงหน้าบาง4.4.2 การดำเนินการจัดประเภทที่ เราศึกษา 2 รุ่น BPNN รุ่นแรกมีสามชั้น: ป้อนชั้น หนึ่งชั้นซ่อน และออกชั้น ชั้นอินพุตมี neurons ที่แทนคุณลักษณะห้าห้าไร้สาย

ผลลัพธ์ (ไทย) 2:

4.3.3 รูปร่าง
เกษตรกรใช้รูปร่างผิดปกติเป็นมาตรการที่มีคุณภาพ ผลไม้
ที่มีรูปร่างผิดปกติได้รับการพิจารณาของที่มีคุณภาพที่ดีขึ้น เรา
คาดได้จากรายละเอียดด้านนอกของภาพผลไม้ การประมาณค่า
ขั้นตอนมีรายละเอียดดังนี้.
(1) การใช้ประกอบการติดตามขอบที่จะประเมินภายนอก
จุดที่ขอบของภาพผลไม้.
(2) การเชื่อมโยงจุดขอบนอกสุดในรูปแบบสุด
รายละเอียดของภาพผลไม้.
(3) คำนวณ centroid DXG; ygÞของรายละเอียด.
(4) เริ่มต้นจากจุดสูงสุดและซ้ายสุดของโปร
ไฟล์และย้ายตามเข็มนาฬิกาคำนวณลำดับ
rðtÞ xgÞþðytygÞ 2 Q ; สำหรับ t = 1, 2, 3, ... , N, มี XT และ yt มีคาร์ทีเซียนพิกัดของรายละเอียดที่ขอบเขตรายละเอียดเวลา t,, และ N คือจำนวนรวมของคะแนนในรายละเอียด. ( 5) คำนวณค่าสัมประสิทธิ์ฟูริเยร์ของ R (t) ¼ XN t¼1 rðtÞe 2jpnt ไม่มีค่าของค่าสัมประสิทธิ์ครั้งแรกที่ถูกนำมาใช้เป็นความผิดปกติการวัด. 4.3.4 ความเข้มของเราได้ตั้งข้อสังเกตว่าวันที่มีคุณภาพที่ดีกว่าผลตอบแทนความเข้มสูงภาพ เข้มเป็นที่คาดกันในแง่ของจำนวนของริ้วรอย จำนวนขอบได้รับการพิจารณาเป็นจำนวนของริ้วรอย การตรวจสอบความเข้มของภาพจะถูก binarized และขอบที่สกัดโดยใช้ผู้ประกอบการโชเบลและการติดฉลาก วัดความรุนแรงถูกกำหนดให้เป็นฉัน¼ ; ที่เป็นพื้นที่ปกคลุมด้วยขอบเป็นพื้นที่ผลไม้รวมและ0 6 1 6 ฉัน. 4.3.5 ข้อบกพร่องรอยฟกช้ำ (รูปที่ 7.) และการตวัดนก (รูปที่. 6) มีข้อบกพร่องที่พบในผลไม้วัน ตวัดนกสว่างปรากฏในภาพเพื่อให้พวกเขามีความมุ่งมั่นจากความเข้มของสี ประมาณการของความสว่างเฉลี่ยและการเปลี่ยนแปลงในความเข้มของนกสะบัดพื้นที่ที่ได้รับ ความสว่างเฉลี่ยอย่างละเอียดตรวจสอบและขนาดพื้นที่สะบัดนกได้รับการติดตามและประมาณ พิกเซลเป็นนกสะบัดพื้นที่หากความสว่างของพิกเซลอยู่ในช่วง Ib KR2 ข; ที่อิบเป็นความสว่างเฉลี่ยของพิกเซลและ r2 ขเป็นความแปรปรวนในนกสะบัดในพื้นที่และ k จะกำหนดทดลองอย่างต่อเนื่อง รอยฟกช้ำอยู่ที่ประมาณจากรูปร่างที่พวกเขาโดยทั่วไปเบี้ยวรูปร่างโดยการฉีกขาดผลไม้ ในการสังเกตของเราหาประมาณการที่แม่นยำของรอยฟกช้ำเป็นเรื่องยากมากที่งาน. 4.4 จำแนกก่อนอื่นเราตรวจสอบสายตาผลไม้ที่เราใช้ในการทดลองนี้และอย่างช้า ๆ ด้วยตนเองตามคุณสมบัติของพวกเขา. ผลไม้ที่มีรูปร่างที่ดี, ขนาดใหญ่, ความเข้มสูงที่อ่อนแอและไม่มีข้อบกพร่องที่ถูกตราหน้าว่าเป็นของที่มีคุณภาพที่ดีที่สุดคือเกรด 1. ชั้นประถมศึกษาปีที่ 2 ผลไม้ที่มีรูปร่างบิดเบี้ยวขนาดกลางขนาดความหย่อนยานต่ำความเข้มต่ำและไม่มีข้อบกพร่องและผลไม้ที่มีข้อบกพร่องได้รับการพิจารณาเป็นเกรด 3 ผลไม้โดยไม่คำนึงถึงคุณสมบัติอื่น ๆ ตัวอย่างของเกรด 1-3 ผลไม้จะถูกแสดงในรูปที่ 8. สำหรับการจัดหมวดหมู่ที่เราใช้ในการขยายพันธุ์กลับเครือข่ายประสาท(BPNN) ซึ่งมีการระบุไว้ด้านล่าง. 4.4.1 กลับขยายพันธุ์เครือข่ายประสาทการขยายพันธุ์กลับประสาทเครือข่าย (BPNN) มีการป้อนข้อมูลชั้นอย่างน้อยหนึ่งชั้นที่ซ่อนอยู่และเอาท์พุทชั้นหนึ่ง ในเครือข่ายข้อมูลที่ไหลจากซ้ายไปขวา ป้อนข้อมูลคุณลักษณะเวกเตอร์ X = (XI) จะนำเสนอให้ชั้นการป้อนและมันจะถูกส่งไปยังชั้นที่ส่งออกผ่านทางชั้นที่ซ่อนอยู่ เลเยอร์เหล่านี้มีการเชื่อมต่อโดยน้ำหนักในหมู่เซลล์ประสาท. ในรอบการฝึกอบรมของเครือข่ายการฝึกอบรมทุกรูปแบบการตั้งค่าที่จะนำเสนอเป็นข้อมูลไปยังเครือข่ายและการส่งออกตกลงคำนวณ. การส่งออกเมื่อเทียบกับการตอบสนองที่ต้องการ dk ในกรณีที่มีข้อผิดพลาดน้ำหนักของเครือข่ายที่มีการแก้ไขเพื่อลดข้อผิดพลาด วงจรการฝึกอบรมจะถูกทำซ้ำข้ามรูปแบบการฝึกอบรมในการปรับเปลี่ยนน้ำหนักของเครือข่ายจนบรรลุข้อผิดพลาดบางระดับความอดทนที่กำหนดไว้ล่วงหน้า. 4.4.2 การดำเนินการในการจัดประเภทวันที่เราศึกษาสองรุ่น BPNN รุ่นแรกมีสามชั้นชั้นการป้อน, ชั้นหนึ่งที่ซ่อนอยู่และเอาท์พุทชั้น ชั้นการป้อนมีห้าเซลล์ประสาทที่เป็นตัวแทนของห้าคุณลักษณะFi

ผลลัพธ์ (ไทย) 3:

4.3.3 . รูปร่าง
เกษตรกรใช้รูปร่างผิดปกติ เช่น การวัดคุณภาพ ผลไม้
มีรูปร่างผิดปกติจะพิจารณาจากคุณภาพที่ดีขึ้น เรา
ประมาณจากโปรไฟล์ที่ด้านนอกของภาพผลไม้ ขั้นตอนที่อธิบายไว้ด้านล่างค่า
.
( 1 ) ใช้ติดตามขอบเนินประมาณขอบที่สุด

คะแนนของภาพผลไม้ ( 2 ) ลิงค์ขอบนอกจุดนอกสุด
แบบฟอร์มโปรไฟล์ของภาพผลไม้
( 3 ) คำนวณ XG ðไร้ผล ; YG Þของโปรไฟล์ .
( 4 ) เริ่มจากบนสุดซ้ายและจุดของ Pro -
ไฟล์และย้ายตามเข็มนาฬิกาคำนวณลำดับ
r ð T Þ¼

ð XT ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi XG Þþð YT YG Þ

2
q
; r = 1 , 2 , 3 , . . . , nและเป็น XT YT เป็นคาร์ทีเซียน
พิกัดของโปรไฟล์ที่รายละเอียดขอบเขตเวลา t
และ n คือจำนวนของจุดในโปรไฟล์ .
( 5 ) คำนวณสัมประสิทธิ์ฟูเรียร์ R ( T
T )
เป็น¼ซิน¼ 1
t e r ðÞ 2jpnt
n

ค่าของสัมประสิทธิ์แรกถูกใช้เป็นมาตรการปกติ
.
4.3.4 . เข้ม
เราสังเกตเห็นว่าวันที่ดีคุณภาพผลผลิตสูงความเข้ม
ภาพความเข้ม ( ในแง่ของตัวเลข
ของริ้วรอย จำนวนของขอบที่ถูกถือว่าเป็นหมายเลข
ของริ้วรอย เพื่อตรวจสอบความเข้มของภาพ binarized
และขอบจะสกัดโดยใช้ลิงค์ผู้
ป้าย เข้มมาตรการ เช่นผม¼เป็น

; ซึ่งมีพื้นที่ครอบคลุมขอบเป็นไม้และรวมพื้นที่ 6 ชั้น 6 1
0 .
4.3.5 . ข้อบกพร่อง
รอยช้ำ ( รูปที่ 7) และหนังนก ( รูปที่ 6 )
ข้อบกพร่องทั่วไปในผลไม้วันที่ นกตวัดปรากฏสว่างในภาพ
ดังนั้นพวกเขาจะพิจารณาจากสี ความเข้ม การประเมิน
ความสว่างเฉลี่ยและการเปลี่ยนแปลงความเข้มของนก
สะบัด พื้นที่ที่ได้รับ ความสว่างเฉลี่ยอย่างละเอียด
ตรวจสอบและนกสะบัดขนาดพื้นที่ถูกติดตาม
และประมาณการ .พิกเซลเป็นของนกสะบัดพื้นที่ถ้า
ความสว่างของ pixel อยู่ในช่วง IB KR2
b ; ที่ IB
ความสว่างเฉลี่ยของพิกเซลและ R2
B
นกสะบัดความแปรปรวนในพื้นที่และ K เป็นการทดลอง
คงที่ รอยช้ำโดยประมาณจากรูปร่างเป็นพวกเขาโดยทั่วไป
บิดรูปร่างโดยทำลายผลไม้ ใน
การสังเกตของเรา