花新鲜度分析结果。

基于以上的花球分割，采用PSO-Otsu算法二次分割出得到的花球区域，从而实现了不同品种的新鲜度分析。

图6是兰花花球新鲜度的统计结果，(a)-(c)分别代表了3种不同品种的新鲜状况。可见，在相同养分水平下，“台绿1号”在Level0-2新鲜度下的个体所占比例最高，说明该品种的成熟率更接近于“台绿2号”新鲜度呈现两端分布的情况(Level0占26.2%，其中4号菌株占30%，表明该品种的成熟率差异较大。另外，「台绿2号」与「浙青452」的黄化程度较「台绿1号」偏重，说明在同等营养物质条件下，两者的成熟期较早，变质情况严重，采后保存环境要求较高。

为验证本文所提出的PSO-Otsu算法对花球新鲜度的评价精度，并将二次分割的结果与人工标记的结果作了比较和进一步的分析。以300幅花球图片作为实验对象，SSIM平均相似度为0.847,Precision为0.864.Recall为0.857，F-measure平均值为0.879，表明采用本研究方法对花球新鲜度进行评定比较准确。

光强分析。

用PhotoshopCS6软件的图像亮度调节工具，研究了该方法对光照变化的鲁棒性和最优工作亮度。以原始图像亮度(3000lx)为中心调光，均匀地模拟了5个不同亮度条件(1000-5000lx)。用这一研究方法分别作用于不同亮度下的图像，可以模拟田间不同光照强度对整体识别精度的影响。

在L2-L4的亮度范围内，识别精度最高。这个间隔相当于实际拍摄时的中度光。这种亮度条件可避免过度曝光，同时确保花球与背景之间有足够的差异。所以，在实际操作中，应尽可能地将灯光背景亮度控制在L2-L4范围内，以确保实验结果的稳定。

其次，对真实场景中不同光照条件下的模型分割精度进行了研究，分别获得4种情形的测试图像，并将其分割的结果与人工标定的结果进行了比较：(1)晴天顺光；(3)阴天顺光；(4)阴天逆光。

本文所用的方法分别在晴天、阴天及顺光两种光线照射方式下的准确度均高于0.8，且误差范围在10%以内。这一方法不仅可用于在阴天和晴天强光条件下采集的图像，而且在顺光和逆光条件下的图像上均可获得良好的分割效果。