技术领域
本发明涉及一种基于人的生理认知特点对苹果精细化分拣的分类方法，这种生理认知在此被认为是人脑进行识别判断的脑部活动特征，此方法适用于苹果经销商针对不同品质的苹果分级销售时使用人工分拣成本较高的情况。
背景技术
为了保证果园的收益最大化和消费者的不同需求，果农在采摘苹果时候需要将不同颜色、大小和形状的苹果进行分拣。果农面对大量待分拣的苹果需要投入大量的人力、物力和时间成本，而且通过人工筛选方式分拣往往存在一定的主观因素，不同分拣人员可能会对苹果进行不同的分拣方式，最后造成苹果分拣混乱，大小不一。除此之外，现有的流水线分拣方法，主要是针对苹果的大小作为主要的分类特征，导致大小均匀的苹果中含有形状、颜色差异明显的现象，这些现象在外销过程中都有一定的负面影响。
当某图像出现在人的视觉范围内，图像中所包含目标的种类(颜色、形状、位置的远近)将作为视觉刺激，大脑皮层的不同区域接收到刺激产生不同等程度的兴奋，并且根据这种强烈的兴奋信号做出判断。即是说，若刺激信息到达大脑皮层，对应区域的神经元被调动产生兴奋，不相关的神经元不产生或者产生微弱的兴奋，神经的相似性与刺激的某个维度(形状、颜色、气味等)相关联。这些兴奋表现在核磁共振成像图像上，关联性越强的区域fMRI图像中的红色区域就越明显，关联性越弱则蓝色越明显。当神经激活模式以体素的形式呈现效果与认知维度相同时，尽管我们不清楚刺激所归属的类型，仍能根据兴奋神经元所在的区域，推测出刺激的类型，从而帮助我们分类决策。
通过核磁共振成像技术可以追踪到识别苹果的大小、形状、颜色的实验者的脑成像，在此过程中实验者同时做出针对看到的苹果的特征(大小、形状、颜色)做出判断。通过对脑成像得到的图片进行语义分析、数据处理和特征提取得到数据，作为支持向量机的训练集数据，通过对损失函数的修改帮助支持向量机调整决策边界，对新的图片中的信息进行识别。因此通过获取到的脑成像进行训练学习，把人识别判断的这种生理认知特点应用到苹果分拣当中去。
现有的苹果分拣方法有人工分拣和基础工业流水线分拣方式，人工分拣方式效率低、成本高，工业流水线分拣方式又不够精细化，导致最后的分拣出来的苹果形状、颜色差异化明显。
发明内容
本发明要克服现有方法的上述缺点，介绍一种基于人的生理认知特点对苹果精细化分拣的分类方法。
本发明能够使尽量减少人力物力成本的前提下又能保证苹果分类等级的精细化，提出了人脑进行识别判断的脑部活动特征运用到现有支持向量机算法的训练过程中的方法，把人对此类识别分类情境提供了一种新的应用思路。
本发明解决其技术问题所采用的技术方案是：
一种基于人脑进行识别判断的脑部活动特征帮助支持向量机算法对苹果进行等级精细化分拣的分类方法，含有以下步骤：
步骤1：获取人脑观看识别苹果时的脑成像数据：通过核磁共振技术读取实验者对苹果进行分类判断时的大脑活动，同时记录大脑活动和对应的视觉刺激(正在识别的苹果的特征)之间的关联性。对大脑活动图像进行分析和处理，得到大脑皮层进行识别判断时的图像数据；
步骤2：对脑成像数据进行处理，获得判断颜色红、个头大且形状规则的苹果的积极活动因子α：对步骤1获得的图像数据预处理，提取脑部在识别刺激类型时的活动特征，作为积极活动因子α；
步骤3：直接运用带有颜色红、个头大且形状规则和颜色青、个头小且形状不规则的图片对支持向量机算法进行训练，利用惩罚函数HL调整决策边界；
步骤4：把步骤2中人脑识别中的积极活动因子的影响带入到步骤3的调整决策边界的过程中，当判断有误时加大惩罚的力度，进一步优化调整决策边界；
步骤5：用训练好的分类器对样本进行分类。
本发明提出了利用人脑进行识别判断的脑部活动特征帮助支持向量机算法在小样本的训练情况下提高分类精度，对此类的机器学习算法面对的分类方法提供了一种新思路。
支持向量机算法能对图片中的特征进行提取，对新的图片中的信息进行识别，因此就可以对大量的已知标签的图片进行训练后，对未知标签的图片进行分类；从观看图像的对象进行的人脑活动进行fMRI测量数据注入到支持向量机识别学习算法的训练过程中，当判断出错时加入积极活动因子对应的惩罚力度。
与现有技术相比，本发明技术方案的优点有：
(1)只需要少量的训练样本就可以得到较高的分类
(2)把人脑的识别模式和机器学习结合起来，可以让算法更接近人
附图说明
图1是本发明的流程图
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合实施例对本发明作进一步的详细描述。
一种基于人脑进行识别判断的脑部活动特征帮助支持向量机算法对苹果进行精细化分拣的方法，含有以下步骤：
步骤1：取人脑观看识别苹果时的脑成像数据：通过核磁共振技术读取实验者对苹果进行分类判断时的大脑活动，同时记录大脑活动和对应的视觉刺激(正在识别的苹果的特征)之间的关联性。对大脑活动图像进行分析和处理，得到大脑皮层进行识别判断时的图像数据；
步骤2：对脑成像数据进行处理，获得判断颜色红、个头大且形状规则的苹果的积极活动因子α：对步骤1获得的图像数据预处理，提取脑部在识别刺激类型时的活动特征，作为积极活动因子α；
步骤3：直接运用带有颜色红、个头大且形状规则和颜色青、个头小且形状不规则的图片对支持向量机算法进行训练，利用惩罚函数HL调整决策边界；
步骤4：把步骤2中人脑识别中的积极活动因子带入到步骤3的调整决策边界的过程中，当判断有误时，惩罚是(1-z)α，加大惩罚的力度，进一步优化调整决策边界；
步骤5：用训练好的支持向量机分类器对待分拣的苹果进行分类。
本发文所称的支持向量机算法、损失函数，参见Danmei Chen,Sheng Li,ZoeKourtzi,and Si Wu等人于2010年发表的《Behavior-Constrained Support VectorMachines for fMRI Data Analysis》一文。
本发文所称的积极活动因子，参见Ruth C.Fong1,3,Walter J.Scheirer2,3&David D.Cox3等人于2018年发表的《Using human brain activity to guide machinelearning》一文。
本发明涉及一种基于人的生理认知特点对苹果精细化分拣的分类方法，这种生理认知在此被认为是人脑进行识别判断的脑部活动特征，此方法适用于果农针对不同品质的苹果分级销售时使用人工分拣成本较高的情况。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
机译： CLASS认知负载自适应软件系统。一种复杂的软件系统和方法，用于管理基于认知负荷理论的循证策略而不断改进的人类学习。
机译： 与病理生理涉及肿瘤坏死因子的疾病相关的鼠类或人，单克隆或多克隆抗肿瘤坏死因子的放射性核素标记过程;基于鼠或人抗体，与放射性核素有关的单克隆或多克隆抗肿瘤坏死因子的“体内”和/或“体外”诊断试剂;使用如此获得的试剂的生理失常涉及肿瘤坏死因子的疾病的“体外”和/或“体内”诊断方法以及基于所述试剂的病理生理涉及肿瘤坏死因子的疾病的诊断试剂盒
机译： 鼠或人单克隆或多克隆抗肿瘤坏死因子相关抗体对病理生理学涉及肿瘤坏死因子的疾病的放射性核素标记过程;基于鼠或人，单克隆或多克隆抗肿瘤坏死因子相关抗体的“体内”和/或“体外”诊断试剂;使用如此获得的试剂对病理生理涉及肿瘤坏死因子的疾病的“体外”和/或“体内”诊断方法，以及基于所述试剂的病理生理涉及肿瘤坏死因子的疾病的试剂盒
