Научная статья на тему 'Wavelet synthesis of symptoms for classification of agricultural products'

Wavelet synthesis of symptoms for classification of agricultural products Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
97
18
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
SYMPTOMS / WAVELETS / PATTERN RECOGNITION / DISCRETE WAVELET TRANSFORM(DWT) / K-NEAREST NEIGHBORS (KNN)) CLASSIFIER

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Shopov Nikolay, Iliev Tony

In the current paper is proposed an approach for classification of agricultural products from Bulgarian producers. The initial information is received using ultrasound and the data is processed through the methods for pattern recognition. There are presented the results from a research regarding the ability for wavelet synthesis of symptoms for classification.

i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

Текст научной работы на тему «Wavelet synthesis of symptoms for classification of agricultural products»

Научни трудове на Съюза на учените в България - Пловдив. Серия В. Техника и технологии. Том XVII, ISSN 1311 -9419 (Print); ISSN 2534-9384 (Online), 2019. Scientific Works of the Union of Scientists in Bulgaria - Plovdiv. Series C. Technics and Technologies. Vol. XVII., ISSN 1311 -9419(Print); ISSN 2534-9384 (Online), 2019

УЕЙВЛИТЕН СИНТЕЗ НА ПРИЗНАЦИ ЗА ОКАЧЕСТВЯВАНЕ ПРИ АГРАРНИ ПРОДУКТИ Николай Шопов, Тони Илиев Университет по хранителни технологии, Пловдив, България

WAVELET SYNTHESISOF SYMPTOMSFOR CLASSIFICATION OF AGRICULTURAL PRODUCTS Nikolay Shopov,Tony Iliev UniversityofFood Tochnolo gies, Plovdiv, Bulgaria

Abstract: In the current paper is proposed an approach for classification of agricultural products from Bulgarian producers. The initial information is received using ultrasound and the data is processed through the methods for pattern recognition. There are presented the results from a research regarding the ability for wavelet synthesis of symptoms for classification.

Key words: Symptoms, Wavelets, Pattern recognition, Discrete Wavelet Transform (DWT), k-nearest neighbors (kNN)) classifier

Въведение:

Еднозначното установяване на качеството и безопасността на храните и аграрните продукти е приоритет в съвременния свят. Многообразието от гледни точки - на потребителите, на производителите, на контролните органи и др., налагат търсенето на експресни, обективни и безконтактни методи за идентификация на храни и аграрни продукти. Те могат да бъдат разделени на две части - усъвършенстване на съществуващите и разработване на нови методи и технически средства за получаване на първична информация и създаване на нови и подобряване на съществуващите методи и алгоритми за извличане, трансформиране и използване на получената информация за качеството на продуктите. Съвременните компютърни технологии разширяват възможностите в тези насоки.

Качеството на хранителните продукти се определя на базата на различни показатели. За анализа им се използват много методи, като едни от перспективните са оптичните и ултразвуковите методи. Оптичните методи във видимата и инфрачервената област, представляват интерес, тъй като в тези области могат бързо да се определят едни от най-важните показатели на качеството - цвят, форма, наличие на дефекти и други.

В Университета по хранителни технологии съществува опит и активно се работи в областта на обективното определяне на качеството на храни и аграрни продукти (орехи, домати, картофи, сурово мляко, кисело мляко, сирена, хлебни изделия, месо и др.). Създадени са експериментални постановки за получаване на първична информация за състоянието на качеството чрез използване на характеристики на отражение и пропускане в различни области на спектъра - близка инфрачервена област (NIR), видима област (VIS), ултразвук и др. Разработени са нови или са адаптирани алгоритми и програми за обработка на първичната информация и идентификация на избрани показатели на качеството с цел класификация, базирани на вероятностни и спектрални методи за разпознаване на образи,

уейвлети и други. Особено подходящи са уевлитните трансформации с приложение на бързи преобразувания.

Материали и методи

Общата спектрална теория на сигналите може да обективизира синтезът на признаковото пространство на класификаторите, като за признаци се използват коефициентите от разлагане на получените изображенията на обектите в предварително дефинирана система базисни функции. По този начин се премахва влиянието на човешкия фактор, неизбежно при използване на евристични подходи, т.е. процесът се обективизира, като същевременно се постига се независимост на елементите на признаковото пространство - "признаците".

Общоприето е, че най-добър е базисът, който води до декорелация, т.е коефициентите от разложението в този базис са некорелирани или слабо корелирани. При практически задачи се е наложило използването на базисите на Фурие, на Уолш, на Хаар и др. за които са разработени бързи алгоритми за разложение, позволяващи бързо изчисление на спектралните коефициенти. Уейвлитните трансформации (wavelets) са междинни между спектралните (хармонични, секвентни) и времевите (напр. импулси на Кронекер). За уейвлитите с ортогонални базисни функции е разработена бърза дискретна уейвлитна трансформация, известна като алгоритъм на Mallat (Smolencev N. N., 2005).

Уейвлитите представляват функции с най-различна форма, които са локализирани по остта на независимата променлива (t), с възможност за преместване по нея и мащабиране (свиване/разтягане), имат вид на кратки вълнови пакети с нулева средна стойност на уейвлетната функция y/(t) - фиг 1.

V

Г

А V

г

О 0.5

а) Хаар (Добеши 1)

б) Коифлет 1

Фиг. 1 Уейвлитна (у) и мащабираща (ф) базисни функции

Основата на уейвлитното преобразуване са две непрекъснати и интегрируеми функции по оста на независима променлива: у© - уейвлитна функция отразяваща детайлите на сигнала и формираща детайлизиращите коефициенти и ф(^) - мащабираща функция, определяща апроксимацията на сигнала и формираща апроксимиращите коефициенти. Вторите са присъщи само на ортогоналните уейвлити - на Хаар, Добеши, коифлети и др. ^токпсеу N. 2005).

В общ вид изходният сигнал на ниво т се представя с израза:

и (?) = £ а^ф + Ё £ (1)

к=-ад j=1 к=-ад

На практика за ортогонални уейвлити се прилага бързо преобразуване ^то1епсеу N. N., 2005), известно още като алгоритъм на Малат. То се реализира на базата на итерационен алгоритъм съгласно схемата, показана на фиг.2. Входният сигнал ЦЧ) се подава към филтър на високи честоти G и филтър на ниски честоти Н. Установено е, че всяка втора дискретна стойност може да се премахне без загуба на информация (двоична децимация). Получават се две дискретни поредици - коефициентите на апроксимация на ниво т=1 а1к от филтъра G и детайлизиращите коефициенти ё1к от филтъра Н. При разлагане на по-високо ниво коефициентите на апроксимация от ниво т=1 (а1к) се подлагат на аналогични операции съгласно схемата от фиг.2.

t О!

U[t]

/T\ a®,"

Фиг. 2 Схема на kNN класификатор с уейвлитно формиране на признакового

пространство

Детайлизиращите коефициенти d1k отразяват главно високочестотния шум, докато апроксимиращите коефициенти a1k отразяват характерните особености на оригиналния сигнал. Получените, като резултат уейвлитни коефициенти са приложени и изследвани в качеството на признаци за разпознаване. Използван е един от най-често прилаганите параметрични класификатори - kNN.(Marques de Sa J.P., 2001).

Автоматичните класификатори на аграрни продукти са синтезирани с входна информация от няколко вида сензори - оптикоелектронни, акустични и ултразвукови. В работата са използвани данни (Shopov N., V. Nachev, Ch. Damyanov, T. Titova, 2009) на стойностите на коефициента на светлинната пропускливост /тл2, получени като отношение на сигналите от фото-електронните сензори U(n)=U^1/U^2, при две различни дължини на вълната ^ =710 nm и Х2 = 850 nm и надлъжно сканиране на 3194 броя небелени картофени клубени от сорт "Агрия". Данните са получени с оптико-електронната камера на последната българска сортираща машина ASM 5.01. Всяка отделна реализация от стойностите на коефициента на светлинната пропускливост е съставена от L = 25 стойности, регистрирани при сканирането по цялата дължина на клубените (фиг. 3).

ад i'(n)

25 п

5 10 15 20 25 п " 5 ю 15 20

а) Качество първо (К1) б) Качество трето (КЗ)

Фиг.3. Типови реализации на картофени клубени. При синтеза на класификатор на ореховите плодове по качество е работено с акустична входна информация в звуковия диапазон (фиг. 4). Окачествени са 120 бр. цели и здрави орехи от първо качество и орехи с дефекти по черупката от трето качество от три

Фиг. 4 Получени акустични сигнали за класифицираните орехи от две

Фиг. 5 Ултразвуков ехо-сигнал за българко бяло саламурено сирене

качества

български селектирани сорта-Извор 10, Перущински и Прославски.

Схемата на лабораторния стенд за мултисензорно изследване на черупкови плодове и камерата за оптично получаване на информация са подробно описани в (Shopov А. Kansazov, N. Katrandzhiev, V. Kansazova, 2017).

Входната информация за останалите хранителни продукти е получена посредством ултразвуковия ехолокационен метод (Yordanov S., R. Пarюnov, I. Simeonov, Н. Kilifarev,

N.Shopov, Н. Ibrishimov, 2010). Той се основава на изпращане от предавател на високочестотен пакет от импулси, който се разпространява в средата до материала за идентификация, отразява се от него и се връща като ехо към втория сензор - приемник. Спектърът на отразения сигнал (фиг. 5) зависи от плътността и хомогенността на материала. Вследствие на това ултразвуковият сигнал се модифицира и носи информация за характеристиките на средата между излъчвателя и приемника.

Това дава възможност за идентификация на състава на веществата в качествен аспект. Резултати

Получените резултати при изследванията са представени в табл.1.

Таблица 1

Получени резултати при класификация на аграрни продукти с уейвлитен синтез на признаци._

Аграрен продукт/ суровина Брой класа/ качества Уейвлит Ниво на разлагане Признаци Класификатор Обща грешка при класификация, Е

бр. m бр. %

Картофени клубени 3 Хаар 1 9 kNN 13,12

Картофени клубени 3 Добеши 3 1 11 kNN 13,82

Картофени клубени 3 Коифлет1 1 8 kNN 13,28

Кисело мляко по масленост 9 Хаар 8 7 kNN 4,53

Кисело мляко по масленост 10 Добеши 3 8 16 kNN 6,11

Кисело мляко по масленост 11 Коифлет1 8 18 kNN 6,11

Спирт 4 Хаар 8 5 kNN 4,88

Сурово мляко 14 Хаар 9 10 kNN 8,1

Бяло саламурено сирене 3 Хаар 9 9 kNN 9,94

Бяло саламурено сирене 3 Хаар 9 9 kNN 8,07

Орехи 2 Хаар 6 3 kNN 15

Предвид характера на аграрните продукти - сложни биологични обекти с променливи параметри и различната входна информация е получена обща грешка от класификацията в границата от 4,88 до 15 %. Резултатите са добри, като изследванията са насочени към подобряване на точността с прилагане на съвременни класификатори (невронни мрежи, метод на опорните вектори и др.)

Благодарности

Този доклад е подкрепен финансово от договор проект 16/18-Н „Усъвършенстване методите за окачествяване структурата на разрезната повърхност на бели саламурени сирена с използване на компютърно зрение", финансиран от фонд "Наука" на УХТ- Пловдив

References

Smolencev N. N., Wavelet theory basis. Wavelets in MATLAB, DMK Press,Moscow, 2005. (in Russian)

Marques de Sa J.P. Pattern recognition.. concepts, methods, and applications., Springer, 2001 Shopov N., A. Kansazov, N. Katrandzhiev, V. Kansazova, Computer system for classification of walnuts according to their external shell defects with acoustic receivingof information, INTERNATIONAL SCIENTIFIC CONFERENCE "UNITEX'17", 17-18 november 2017, Gabrovo, ISSN 1313-230X, Journal of the Technical University of Gabrovo vol. 56 (2018) 85-89

Shopov N., V. Nachev, Ch. Damyanov, T. Titova, Wavelet Classifiers for Bulgarian Sorting Machines ASM 501, International Conference on Computer Systems and Technologies - CompSysTech'09, 2009, Ruse Yordanov, S., R. Ilarionov, I. Simeonov, H. Kilifarev, N. Shopov, H. Ibrishimov. System for Non-Contact Ultrasonic Study of Mediums and Materials Intended for Embedding into Automated Manufacturing Systems. Proceedings of the International Conference on Computer Systems and Technologies, CompSysTech' 10, Sofia, Bulgaria, 17-18 June, 2010, pp. 353-358. (ISBN 978-1-4503-0243-2)

i Надоели баннеры? Вы всегда можете отключить рекламу.