[论文解读] Neural Network Classifiers for Natural Food Products

Jaderick P. Pabico, Alona V. De Grano+1 more|arXiv (Cornell University)|Jul 9, 2015

Spectroscopy and Chemometric Analyses参考文献 15被引用 4

一句话总结

本文提出了一种基于人工神经网络（ANN）的低成本机器视觉系统（MVS），用于自动化番茄成熟度分类和鸡蛋可接受性分级。通过在去背景的光谱图案彩色图像上训练ANN，系统在番茄分类中达到97%的准确率，在鸡蛋分级中达到86%的准确率，分别较人类分级员高出4.35%和13%。

ABSTRACT

Two cheap, off-the-shelf machine vision systems (MVS), each using an artificial neural network (ANN) as classifier, were developed, improved and evaluated to automate the classification of tomato ripeness and acceptability of eggs, respectively. Six thousand color images of human-graded tomatoes and 750 images of human-graded eggs were used to train, test, and validate several multi-layered ANNs. The ANNs output the corresponding grade of the produce by accepting as inputs the spectral patterns of the background-less image. In both MVS, the ANN with the highest validation rate was automatically chosen by a heuristic and its performance compared to that of the human graders'. Using the validation set, the MVS correctly graded 97.00\% and 86.00\% of the tomato and egg data, respectively. The human grader's, however, were measured to perform at a daily average of 92.65\% and 72.67\% for tomato and egg grading, respectively. This results show that an ANN-based MVS is a potential alternative to manual grading.

研究动机与目标

• 开发适用于本地农业场景的低成本、现成的机器视觉系统（MVS），用于自动化农产品分级。
• 解决自动化主观性、依赖经验的人工分级过程的挑战，适用于番茄和鸡蛋等天然食品产品。
• 通过在彩色图像视觉特征上训练的ANN，实现分级准确率超越人类表现。
• 评估使用低成本硬件和开源软件实现可扩展、卫生且一致的食品产品分类的可行性。
• 探索ANN的优化技术，包括集成机器（committee machines）和特征降维，以提升系统效率与准确率。

提出的方法

• 在真实光照和观察条件下（20°–90°视角，30–90 cm距离）采集了6,000张人工分级的番茄图像和750张鸡蛋图像。
• 应用边缘检测算法去除背景，并从剩余目标区域提取RGB光谱图案。
• 对RGB值进行归一化处理，并将其作为输入送入多层人工神经网络（ANN）进行分类。
• 使用AChem优化程序自动选择每项任务中验证准确率最高的ANN。
• 通过独立的训练集、验证集和测试集评估系统性能，并与人类分级员的日均表现进行比较。
• 探索未来改进方案，如使用灰度图像将输入节点减少66%，并测试集成机器技术（如装袋法、提升法）以进一步提升准确率。

实验结果

研究问题

• RQ1 基于ANN分类器的低成本、现成的机器视觉系统能否在番茄成熟度分类中达到或超过人类分级员的准确率？
• RQ2 基于ANN的MVS能否在鸡蛋可接受性分级中实现高于人类分级员的准确率，特别是在检测小孔和变色等缺陷方面？
• RQ3 在番茄和鸡蛋分类中，优化后的ANN在精确率、灵敏度和特异性方面与人类分级员相比表现如何？
• RQ4 在不牺牲准确率的前提下，通过减少输入特征（如使用灰度图像而非RGB图像）能在多大程度上提升系统效率？
• RQ5 集成机器技术（如平均法、装袋法、提升法）能否进一步提升MVS的分级准确率，超越单一优化ANN的性能？

主要发现

• 基于ANN的MVS在番茄成熟度阶段分类中达到97.00%的准确率，较人类分级员平均准确率92.65%高出4.35个百分点。
• 在验证集上，MVS在鸡蛋分级中达到86.00%的准确率，较人类分级员平均准确率72.67%高出13.33个百分点。
• 鸡蛋分级的ANN展现出92%的精确率（阳性预测值）和81%的阴性预测值，表明在缺陷检测方面具有较强的可靠性。
• 系统准确率的提升意味着在10,000枚鸡蛋的农场中，每天可多正确分级约1,300枚鸡蛋，按每枚鸡蛋4菲律宾比索计算，每日可增加5,200比索收入。
• 本研究证实，基于去背景图像中归一化RGB光谱图案训练的ANN，可在受控的真实世界条件下有效模拟并超越人类分级能力。
• 未来工作计划评估传送带式分级速度、更高分辨率网络摄像头、灰度输入降维（输入节点减少33%）以及集成机器技术，以进一步提升性能。