目標: 透過紅黃橘綠顏色比率去分類番茄熟度，如下

## 資料蒐集
使用從[本文](https://hackmd.io/hZYWXtyUTT-ebSYV16KNIQ)獲得的圖片

## 特徵擷取
利用**色度分割**來擷取我們要的特徵
1. 輸入色彩影像為RGB影像
2. 根據HSV模型，設定色彩範圍
3. 將RGB影像轉換成以HSV模型表示
4. 若HSV值落在範圍內，則保留輸出的值，否則輸出0

<font color="red">HSV色彩模型與人類描述色彩的方式接近，因此是理想的色彩影像處理工具。</font>
### HSV色彩空間
* Hue（色相）
* Saturation（飽和度）
* Value（明度）

使用python來操作，利用opencv中的mask來進行分割，而番茄的的HSV顏色區間
使用[本論文](https://ieeexplore.ieee.org/document/9260129?denied=)提供的下圖，作為分割的上下界依據


提取各顏色與原圖像素比，並取小數後四位，再手動label訓練集的熟度種類

結果輸出: CSV檔

## 機械學習
使用matlab classification learner進行機械學習

讀取我們完成的CSV檔，並將資料最後欄位的目標分類的屬性改成categorical

使用5-fold cv

選擇all 使用所有算法進行訓練

以SVM為例的混淆矩陣

## 結論
* SVM跟Navie Bayes適合用來訓練此番茄辨識模型。
* 從混淆矩陣中可以看出與我們人類思考的方式相同的關係,Imature跟Break都是偏綠的，而Pre-harvest跟Harvest都是偏紅的所以可以重其中觀察出兩者搞混的情況是最多的，而Break跟Pre-harvest之間也是較為相近的，但比前兩種的差異較明顯能判別，因此搞混情況是次多的。

## 未來期望
* 當初訓練模型時沒有想到會拿來做這個，能使用polygon的影像辨識模型來獲得去背狀態的番茄，或是尋找其他方法去背，那相信效果會來的更好。
* 數據集的尋找，網路上對於單純番茄的資料集十分的少，且品質參差不齊，若有閒可拍攝更多更好的照片，來增加數據集的品質和數量。