２０１０年１１月 中国粮油学报 Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｃｅｒｅａｌｓ ａｎｄ Ｏｉｌｓ Ａｓｓｏｃｉａｔｉｏｎ Ｖｏ１．２５，Ｎｏ．１１ ＮＯＶ．２０１０ 第２５卷第１１期 花生外观品质品种图像分析与系统仿真 韩仲志 赵友刚 （青岛农业大学理学与信息科学学院，青岛２６６１０９） 摘要针对目前花生外观品质检测的局限性，提出采用图像处理的方法进行的花生外观品质的检测， 并基于Ｍａｔｌａｂ的图形用户界面（ＧＵＩ）环境建立仿真平台，平台集成了ＡＮＮ、ＳＶＭ等模式识别新方法和相应的 经典图像处理算法，并给出了在该平台上的仿真实例，针对１０个品种、１４种品质的单籽粒图片共４ ８００副，检 测了形态、颜色和纹理３大类共３３个特征，采用了基于ＡＮＮ和ＳＶＭ识别模型对花生的商业规格、品种和品质 进行了检测，总体检测正确率达到了９７％以上，该平台具有良好的交互性、扩展性、可视性和实用性，对花生外 观品质评价结果客观量化、快速无损。该平台在花生的生产、流通、贸易领域具有一定的实用性。 关键词花生品质检测分析 图像处理文献标识码：Ａ 人工神经网络仿真平台 中图分类号：Ｓ１２６ 文章编号：１００３—０１７４（２０１０）１１—０１ｌ４—０５ 花生品质的好坏直接影响着生产、加工、消费、 觉的花生品质检测方法还存在着如下不足：（１）算法 泛化能力差、鲁棒性不高、没有比较不同算法的优 势；（２）系统集成程度差，可扩展性不强，系统交互性 差；（３）没有建立花生品质与市场贸易的基本联系， 商用性能不高。 本研究拟通过图像处理和计算机视觉的方法， 针对以上不足构建一个基于Ｍａｔｌａｂ的花生品质集成 检测平台，主要目标有：（１）构建一定规模的模式识 外贸各个方面。我国花生年产量占世界的４０％，世 界第一，但出口量只占世界贸易的５％，同时贸易价 格比国际平均价格低２成。究其原因是我国花生的 品质不高和花生品质检测手段的落后，这两个方面 已是制约我国花生产业发展的瓶颈。此外花生的大 小规格和花生的品种在一定程度上影响着花生外贸 的价格，花生的品种还影响花生种子贸易的发展。 目前我国对花生仁韵外观感官品质品种的检 测，多在手工层面及生化鉴定方面进行，手工检测工 作量大、易疲劳、要求工作人员应具有较丰富的检测 别样本库，采集多个品种、多种品质情况下单个和群 体花生籽粒图像；（２）对外观形态特征、颜色特征和 纹理特征等进行智能检测与分析，可对多个特征进 行特征优化以提高检测效率和算法的泛化能力；（３） 建立花生品质检测算法集成平台；利用神经网络和 支持向量机等分类算法进行品种识别，提高平台的 可扩展性；（４）建立系统检测结果和商业形状之间的 经验；生化鉴定方法需要价格昂贵的检测设备、精致 复杂的实验技术、测定人工成本较高。随着深加工 和花生外贸的要求，如何快速准确的对花生感官品 质进行鉴定，已成为一个亟待解决的问题。 基于种子图像处理的机器视觉检测方法是一种 无损、速度快、鉴别力强、重复性高、可大批量检测、 低成本无疲劳的检测新方法。该方法用于种子品种 品质鉴定，在玉米 Ｊ、水稻 Ｊ、小麦 和扁豆 上 都获得了良好的效果。但花生检测方面的报道较 少，作者曾尝将该方法用于花生品种和品质的统计 客观联系，增强软件的商业通用性。最后拟在建立 的平台上进行仿真试验。 １ 检测仿真平台设计 总体设计往往是系统设计的核心。系统设计的 检验，在两项省基金的支持下进行了一系列的研究 初衷、目的和总体构架等应得到通盘考虑。这将有 利于设计出高效实用的仿真平台。 １．１系统设计分析 工作，取得了较好的效果 。但是基于计算机视 基金项目：山东省自然科学基金（２００９ＺＲＡ０２１２３），山东省科技 攻关项目（２００９ＧＧ１０００９０５７），青岛市科技发展计划 （０８—２—１—１５一ｎｓｈ） 收稿日期：２００９—１１—１８ 目前在Ｍａｔｌａｂ中具有图像处理、神经网络、模式 识别以及统计工具箱，它提供了分析和设计品质检 测系统的部分函数。然而在实际应用中存在如下不 足：（１）Ｍａｔｌａｂ工具箱仅仅提供了基本函数，并未针 作者简介：韩仲志，男，１９８１年出生，讲师，农业图像处理 通讯作者：赵友刚，男，１９７０年出生，博士，工程师，农业信息化 第２５卷第１ １期 韩仲志等花生外观品质品种图像分析与系统仿真 １ １５ 对一类问题给出一整套设计方案，也未给出仿真结 果分析；（２）一般Ｍａｔｌａｂ程序以命令形式调用上述 工具箱的函数，这种形式往往不像人机交互界面那 理模块、特征分析模块、缺陷分析模块、品种识别模 块、显示结果模块和帮助模块。 样直观，也不易数据处理，而且给程序代码的维护带 来了不少困难。 厂文件—一于 ｌ 正因为这些困难与不足，有必要设计基于Ｍａｔｌａｂ ＧＵＩ的花生品质检测平台，同时它还能够：（１）提供 良好的人机交互仿真环境，便于用户在各种参数条 件下的仿真实验。（２）提供一定的可扩展性。通过 基 卜＿－图像预处理——显示预处理过程 卜特征分析一薪 簇 品质检测——显示ｌｏ个品质检测项目数据 给定接口，实现新算法（Ｍ文件或ｃ文件）的动态 加载。 基于图像处理的花生品质检测仿真平台之所以 基于Ｍａｔｌａｂ ＧＵＩ进行设计，是为了依托Ｍａｔｌａｂ环境 提供的基本科学计算，减少开发周期。通常而言， Ｖｉｓｕａｌ Ｂａｓｉｃ／Ｃ＋＋，Ｊａｖａ等面向对象的程序语言是 设计平台很好的工具，这里之所以选择Ｍａｔｌａｂ是因 为其提供了丰富的科学计算函数，比如图像的类型 转换、边缘检测、区域特征提取等，以及用于识别的 ＰＣＡ算法、ＡＮＮ神经网络的训练与识别和统计函数， 另外并提供了大量的数学函数，这些函数零散的分 布在图像处理、神经网络、模式识别以及统计等多个 工具箱内，用到时直接调用，采用模块化程序设计方 法，只要知道输入输出参数接口，即使不详细了解函 数的内部程序结构也可以开发出成功的仿真系统。 这些均是其他语言所无法媲美的。更为重要的是， Ｍａｔｌａｂ ＧＵＩ开发环境提供了创建用户界面的捷径。 在这一环境中，可以方便地创建各种图形句柄对象， 实现仿真平台的用户界面。因此，在本仿真平台的 设计中，将通过模块化思想有机地把Ｍａｔｌａｂ提供的 函数嵌入到自己编写的算法中，形成整体的算法框 架，进而由主控模块进行参数传递和整体控制。不 得不说明，基于Ｍａｔｌａｂ开发出来的平台运算速度较 慢，特别对于一些较大的图像进行循环操作的时候， 但Ｍａｔｌａｂ同时给出了一些和其他语言Ｃ＋＋等的接 口，将一些循环可以导到其他开发环境中运算，再将 运算结果返回Ｍａｔｌａｂ显示，同时Ｍａｔｌａｂ提供的编译 器可以直接将Ｍａｔａｌｂ代码转换到Ｃ等其他语言的代 码，这样在一定程度上改善了代码的执行效率，提高 了编程效率。 １．２系统框架设计 从软件设计的角度出发，系统构架始终在逻辑 设计中处于核心地位。这里使用传统的模块化设计 思想来划分模块。主要模块为：文件模块、图像预处 华＿善 －１ 识刖一 品种及所属品种的个 质 Ｉ 井柙 放品处 Ｊ芰 Ｌ帮助— 篡 ｌｌ６ 中国粮油学报 ２．２特征采集与分析 ２０１０年第１１期 后输入：ＧＵＩｐｅａｎｕｔｓ回车，可以看到欢迎界面。点击 “进入”启动“基于图像处理的花生品质检测分析系 采集１０个品种（每个品种２００个花生籽粒）和 ｌ４种不同品质（每种品质２００个籽粒）的４ ８００个籽 粒特征。每个籽粒３３个特征，这３３个特征分别为： 形态类８个：面积、长轴与短轴长度、等面圆直 统”。图２是对群体花生进行特征检测的平台界面， 界面上列出了所检测的群体花生的颜色、形态和纹 理共３３个特征，为进一步品质分析和品种识别打好 基础。篇幅所限其他界面不能一一列出。 图２花生品质评价仿真界面举例 ２ 仿真实例 ２．１模式识别样本库建立 选取２００８年山东莒南农户种植收获后未经人 工挑选的原始花生一宗，其中包含ｌＯ个品种的训练 组和对照组，每个品种各１００粒，共２００粒，１０个品 种共２ ０００粒；１４种不同品质籽粒，每种品质包含训 练组和对照组，每个品种各１００粒，共２００粒，１４种 品质共２ ８００粒。 此样本库共获得单个籽粒图片４ ８００幅，考虑到 了北方常规种植的ｌ０个品种和１４种常规外观品质， 模式识别样本库具有一定的规模。 品质共１４类包括：霉变（轻度、中度、重度）、破 算（轻度、中度、重度）、籽粒规格（５个规格）、杂质 （土块、石块、带壳小果）。 按固定次序与方向将种子摆放于扫描仪（佳能 ＣａｎｏＳｃａｎ ８８００Ｆ平板式ＣＣＤ扫描仪）面板上，为了使 扫描背景为黑色，扫描仪盖板完全打开进行扫描，将 图片存在Ｍａｔｌａｂ当前目录下，计算机主要性能指标 为：联想四核Ｉｎｔｅｌ（Ｒ）ＣＰＵ Ｑ１４ＯＯ＠２．６６ ＧＨｚ １．７３ ＧＨｚ，２ Ｇ内存，Ｗｉｎｏｗｓ Ｖｉｓｔａ操作系统。 计 显 算 示 机 器 图３ 图像采集系统示意图 径、最小外接凸多边形、矩形度（面 外接矩形面 积）、椭圆度（焦点问距／长轴长）、凹凸比（面 最小 外接凸多边形面积）；颜色类ｌ２个：ＲＧＢ色彩空间的 红色Ｒ均值、绿色Ｇ均值、蓝色Ｂ均值、红色Ｒ方 差、绿色Ｇ方差、蓝色Ｂ方差６个分量；以及ＨＳＩ色 彩空间的色调Ｈ的均值、饱和度Ｓ均值、亮度Ｉ的均 值和色调Ｈ的方差、饱和度Ｓ方差、亮度Ｉ的方差６ 个分量；纹理类ｌ３个：均值、方差、平滑度、三阶矩、 一致性、熵以及７个统计不变矩。 此特征库记录条数为４ ８００×３３＝１５８ ４００条；特 征库数据比较全面，具有一定的代表性。 基于这３３个特征可以进行一系列的分析，如可 测量其变异系数和回归分析系数，变异系数反映单 位均值上的离散程度，越小说明统计的品种间差别 越小，也就是说变异系数越大说明此特征是一个好 的特征；Ｒ 又称为方程的相关指数或确定性系数 （ｔｏｅ ｃｉｅｎｔ ｏｆ ｄｅｔｅｒｍｉｎａｔｉｏｎ），表示方程中变量 对ｙ 的解释程度。Ｒ。取值在０到１之间，越接近１，表明 方程中 对ｙ的解释能力越强，Ｒ２取值在０到１之 问，越接近１，表明方程中 对ｙ的解释能力越强，说 明此特征是一个品种识别较好的特征，可以发现花 生的面积和伸展度是较好的特征。为节省篇幅，表１ 中只列出３３个特征中的１４个统计特征。 表１ 部分特征的变异系数和确定性系数 ２．３花生大小规格的检测 国标 “ 中对花生大小衡量是可用颗／每盎司表 第２５卷第ｌｌ期 韩仲志等花生外观品质品种图像分析与系统仿真 ２．４花生品种的识别 １ １７ 示，见表２。由于每盎司是２８．３５ ｇ，很容易通过国标 数据计算出不同规格的花生仁的平均质量。 表２外贸花生大小规格要求 通过特征分析不难发现反映大小类的特征中像 素的面积为衡量大小规格的最直观的特征，将彩色 图像读人，进行必要的预处理。然后进行二值化求 得目标区域的像素和，即可在很大程度上反映花生 的质量。用天平称出试验花生实际质量。 统计了１００粒花生的面积和质量，运用ＳＡＳ软 件统计求得花生象素面积 和花生大小质量Ｙ之间 的数学关系为： Ｙ＝０．００３ ２ｘ一０．３０４ ６ 该模型的相关系数为Ｒ ＝０．９２３ ５，线性相关度 为Ｒ＝０．９６１。图３为除掉野点后１００颗花生仁图像 像素面积与花生仁质量的回归模型，先行相关度达 到了９６％以上。可见通过统计花生仁的像素数目能 在很好不同规格的花生进行筛选。由花生的上述回 归方程，只要通过像素数便可以快速的计算出花生 的质量。经过计算两者的平均误差率为１．１ １８％，误 差在可接受的范围之内。 图４质量面积回归曲线 同一个品种正常花生种人工检测为４个不同规 格的花生各１００个，共４００个籽粒，统计每个籽粒的 ３３个特征，构建三层反向传播ＢＰ（Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ） 神经网络，其中输入层３３个节点，隐含层ｌ０个节点， 输出层４个节点，训练网络，将训练好的网络保存， 分别那训练过的这４００个花生籽粒进行识别识别率 为１００％，拿没有训练的同样４个不同大小规格１００ 个花生进行识别，识别率达到了１００％。 将１０品种中的正常花生各１００个，共１ ０００个 籽粒图像，统计每个籽粒的３３个特征，构建三层ＢＰ 神经网络（输入层３３个节点，隐含层ｌ０个节点，输 出层１Ｏ个节点）训练网络，将训练好的网络保存，分 别拿训练过的这１ ０００个花生籽粒进行识别识别率 为９８％，拿没有训练的同样ｌ０个品种每个品种１００ 个花生进行识别，识别率也达到了９７．５％，证明平台 的识别效果较好。 ２．５花生品质的检测 分别拿同一个品种的ｌ４种不同品质的花生各 １００个，共１ ４００个花生图像统计每个籽粒的３３个特 征，构建三层ＢＰ神经网络（输入层３３个节点，隐含 层１Ｏ个节点，输出层１４个节点）训练网络，将训练 好的网络保存，分别对训练过的这１ ４００个花生籽粒 进行识别识别率为９９．５％，拿没有训练的同样１４个 品质每个品种１００个花生进行识别，识别率达到了 ９８．９％。 ２．６识别算法的扩充 将ＳＶＭ识别模型通过后台管理加入检测平台， 同样针对上述检测情况，对获取的３３个特征组成的 特征库进行检测，检测效果与神经网络对比见表３， 可见在特征集合比较大的情况下，ＳＶＭ的总体识别 性能比ＡＮＮ效果好。 表３两种算法花生规格、品质和品种的检测性能 ＡＮＮ ＳＶＭ 规格／％品种／％品质／％ 规格／％品种／％品质／％ 训练集检验 １００ ９８ ９９．５ １００ １００ １００ 测试集检验 １００ ９７．５ ９８．９ １００ ９９．７ ９９．９ ３ 结论 针对花生品质检测与分析的要求，基于计算机 视觉和图像处理的方法，建立了检测与分析平台，界 面友好，操作简单，图形文字相结合进行信息显示， 比较更加直观，算法研究更加容易。总体来说，平台 的建立提高了算法研究的效率，达到了建立该平台 的目的。平台具有良好的实用性，交互性和可扩展 性。 为检测平台的有效性进行了相关的仿真试验， 建立了包含４ ８００颗籽粒花生图像的图像数据库，通 过Ｍａｔｌａｂ内置函数获取每个籽粒的３３个特征，特征 数据共１５８ ４００条，建立了三层神经网络进行相关的 品质和品种识别，总体识别率达到了９７％以上。检 测效果良好，根据花生品质的规格、破损霉变及颜色 ｌ１８ 中国粮油学报 ２０１０年第１１期 均匀度和形状端正度给出了市场的参考价格。试验 ｖａｒｉｅｔｉｅｓ［Ｊ］．Ｊ Ｆｏｏｄ Ｅｎｇ，１９９６，２７（３）：３９７—４０７ 证明整个平台有效实用。 ［５］Ｄｕｂｅｙ Ｂ Ｐ，Ｂｈａｇｗａｔ Ｓ Ｇ，Ｓｈｏｕｃｈｅ Ｓ Ｐ，ｅｔ １ａ．Ｐｏｔｅｎｔｉａｌ ｏｆ ａｒｔｉｉｆ— 本研究基于数字图像处理技术获得的花生外观 ｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｉｎ ｖａｒｉｅｔａｌ ｉｄｅｎｔｉｉｆｃａｔｉｏｎ ｕｓｉｎｇ ｍｏ￣ｈｏｍｅ— 特征数据与认识，为花生品质的计算机视觉检测的 ｔｒｙ ｏｆ ｗｈｅａｔ ｇｒａｉｎｓ［Ｊ］．Ｂｉｏｓｙｓｔ Ｅｎｇ，２００６，９５（１）：６１—６７ 进一步深入研究与应用奠定了基础，图像处理的测 ［６］Ｖｅｎｏｒａ Ｇ，Ｇｒｉｌｌｏ Ｏ，Ｓｈａｈｉｎ Ｍ Ａ，ｅｔ ａ１．Ｉｄｅｎｔｉｉｆｃａｔｉｏｎ ｏｆ ｓｉｃｉｌｉ． ａｎ ｌａｎｄｒａｃｅｓ ａｎｄ ｃａｎａｄｉａｎ ｃｕｌｔｉｖａｒｓ ｏｆ ｌｅｎｔｉｌ ｕｓｉｎｇ ａｎ ｉｍａｇｅ 定方法具有准确、快速、适合大批量的优势，将在作 ａｎａｌｙｓｉｓ ｓｙｓｔｅｍ［Ｊ］．Ｆｏｏｄ Ｒｅｓ Ｉｎｔｌ，２００７，４０：１６１—１６６ 物科学的理论与实践领域发挥日益重要的作用。 ［７］韩仲志，匡桂娟，刘元永，等．基于形态和颜色特征的花生 参考文献 品质检测方法［Ｊ］．花生学报，２００７，３６（４）：１８—２１ ［８］韩仲志，刘竟，杨锦忠．花生籽仁感官品质鉴定中的计算 ［１］赵春明，韩仲志，杨锦忠，等．玉米果穗ＤＵＳ性状测试的图 机色选机制研究［Ｊ］．花生学报，２００９，３８（２）：１５～１９ 像处理应用研究［Ｊ］．中国农业科学，２００９，４２（１１）：４１００ ［９］韩仲志，赵友刚．基于外观特征识别的花生品质与品种检 ４１０５ 测方法［Ｊ］．中国粮油学报，２００９，２４（５）：１２３～１２６ ［２］郝建平，杨锦忠，杜天庆，等．基于图像处理的玉米品种的 ［１Ｏ］Ｚｈｏｎｇｚｈｉ Ｈａｎ，Ｙｏｕｇａｎｇ Ｚｈａｏ．Ａ ｍｅｔｈｏｄ ｏｆ ｄｅｔｅｃｔｉｎｇ ｐｅａｎｕｔ 种子形态分布及其分类研究［Ｊ］．中国农业科学，２００８，４１ ｃｕｈｉｖａｒｓ ａｎｄ ｑｕａｌｉｔｙ ｂａｓｅｄ ｏｎ ｔｈｅ ａｐｐｅａｒａｎｃｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃ （４）：９９４—１００２ ｒｅｃｏｇｎｉｔｉｏｎ．［Ｇ］／／Ｑｉｙｏｎｇ Ｇｏｎｇ，Ｙｏｎｇ Ｊｉａｎｇ，Ｃｈｒｉｓｔｏｓ Ｇｒｅ— ［３］杨锦忠，郝建平，杜天庆，等．基于种子图像处理的大数目 ｃｏｓ．Ｔｈｅ ｓｅｃｏｎｄ ｉｎｔｅｒｎａｔｉｏｎａｌ ｃｏｎｆｅｒｅｎｃｅ ｏｎ ｉｆｎｏｒｍａｔｉｏｎ ａｎｄ 玉米品种形态识别［Ｊ］，作物学报，２００８，３４（６）：１０６９—１０７３ ｃｏｍｐｕｔｉｎｇ ｓｃｉｅｎｃｅ．Ｍａｎｃｈｅｓｔｅｒ：ＣＰＳ．２００９，２：２１—２４ ［４］Ｓａｋａｉ Ｎ，Ｙｏｎｅｋａｗａ Ｓ，Ｍａｔｓｕｚａｋｉ Ａ．Ｔｗｏ—ｄｉｍｅｎｓｉｏｎａｌ ｉｍａｇｅ ［１１］ＧＢ／Ｔ １５３２－－２００８，中华人民共和国国家标准——花生 ａｎａｌｙｓｉｓ ｏｆ ｔｈｅ ｓｈａｐｅ ｏｆ ｒｉｃｅ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ｔｏ ｓｅｐａｒａｔｉｎｇ ［Ｓ］． Ｉｍａｇｅ Ａｎａｌｙｓｉｓ ａｎｄ Ｓｙｓｔｅｍ Ｓｉｍｕｌａｔｉｏｎ ｏｎ Ｑｕａｌｉｔｙ ａｎｄ Ｖａｒｉｅｔｙ ｏｆ Ｐｅａｎｕｔ Ｈａｎ Ｚｈｏｎｇｚｈｉ Ｚｈａｏ Ｙｏｕｇａｎｇ （Ｃｏｌｌｅｇｅ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ＆Ｅｎｇｉｎｅｅｒｉｎｇ，Ｑｉｎｇｄａｏ Ａｇｒｉｃｕｌｔｕｒａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ｑｉｎｇｄａｏ ２６６１０９） Ａｂｓｔｒａｃｔ Ａｉｍｉｎｇ ａｔ ｔｈｅ ｌｉｍｉｔａｔｉｏｎ ｉｎ ｑｕａｌｉｔｙ ｄｅｔｅｃｔｉｏｎ ｏｆ ｐｅａｎｕｔ，ａ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ ｗａｓ ｄｅ— ｖｅｌｏｐｅｄ；ｍｏｒｅｏｖｅｒ，ａ ｓｉｍｕｌａｔｉｏｎ ｐｌａｔｆｏｒｍ ｗａｓ ｃｏｎｓｔｒｕｃｔｅｄ ｂａｓｅｄ ｏｎ ＭＡＴＬＡＢ ＧＵＩ．Ｔｈｉｓ ｐｌａｔｆｏｒｍ ｈａｓ ｉｎｔｅｇｒａｔｅｄ ｓｏｍｅ ｎｅｗ ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ ｍｅｔｈｏｄｓ ｓｕｃｈ ａｓ ＡＮＮ＆ＳＶＭ ａｎｄ ｓｏｍｅ ｃｌａｓｓｉｃａｌ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ ａｒｉｔｈｍｅｔｉｃｓ．Ｆｉｎａｌｌｙ，ａ ｓｉｍ— ｕｌａｔｉｏｎ ｅｘａｍｐｌｅ ｗａｓ ｐｒｏｐｏｓｅｄ．Ｂａｓｅｄ ｏｎ ４ ８００ ｐｉｃｔｕｒｅｓ ｆｏｒ ｓｉｎｇｌｅ ｇｒａｉｎ ｏｆ １ ０ ｖａｒｉｅｔｉｅｓ ａｎｄ １ ４ ｋｉｎｄｓ ｏｆ ｑｕａｌｉｔｙ，３３ ｃｈａｒａｃｔｅｒｓ ｗｅｒｅ ｄｅｔｅｃｔｅｄ．Ｔｈｅｓｅ ｃｈａｒａｃｔｅｒｓ ｃｏｕｌｄ ｂｅ ｄｉｖｉｄｅｄ ｉｎｔｏ ｔｈｒｅｅ ｃａｔｅｇｏｒｉｅｓ：ｓｈａｐｅ，ｃｏｌｏｒ ａｎｄ ｔｅｘｔｕｒｅ．Ｕｓｉｎｇ ｔｈｅ ＡＮＮ＆ＳＶＭ ｍｏｄｅｌ，ｔｈｅ ｐｅａｎｕｔ ｃｏｍｍｅｒｃｉａｌ ｓｔａｎｄａｒｄ，ｖａｒｉｅｔｉｅｓ ａｎｄ ｑｕａｌｉｔｙ ｗｅｒｅ ｔｅｓｔｅｄ．Ｒｅｓｕｌｔｓ：Ｔｈｅ ｔｏｔａｌ ｃｏｒｒｅｃｔ ｒａｔｅ ｏｆ ｔｈｅ ｔｅｓｔｓ ｂｙ ｕｓｉｎｇ ｔｈｅ ＡＮＮ＆ＳＶＭ ｍｏｄｅｌ ｉｓ ９７％．Ｉｔ ｉｓ ｐｒｏｖｅｄ ｔｈａｔ ｔｈｉｓ ｐｌａｔｆｏｒｍ ｈａｓ ｇｏｏｄ ｉｎｔｅｒａｅｔｉｖｉｔｙ，ｅｘｐａｎｓｉ— ｂｉｌｉｔｙ，ｖｉｓｉｂｉｌｉｔｙ ａｎｄ ｐｒａｃｔｉｃａｂｉｌｉｔｙ．Ｔｈｅ ｐｅａｎｕｔ ｑｕａｌｉｔｙ ｅｖａｌｕａｔｉｏｎ ｉｓ ｏｂｊｅｃｔｉｖｅ，ｑｕａｎｔｉｔａｔｉｖｅ，ｒａｐｉｄ ａｎｄ ｎｏｎｄｅｓｔｕｒｃｔｉｖｅ． Ｉｔ ｐｏｓｓｅｓｓｅｓ ｐｒａｃｔｉｃａｂｉｌｉｔｙ ｆｏｒ ｐｅａｎｕｔ ｔｒａｄｅ，ｐｒｏｄｕｃｔｉｏｎ ａｎｄ ｃｉｒｃｕｌａｔｉｏｎ． Ｋｅｙ ｗｏｒｄｓ ｐｅａｎｕｔ，ｑｕａｌｉｔｙ ｄｅｔｅｃｔｉｏｎ ａｎｄ ａｎａｌｙｓｉｓ，ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ，ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ，ｓｉｍｕｌａｔｉｏｎ ｐｌａｔｆｏｒｍ
