CN102521600A - 基于机器视觉的南美白对虾病害识别方法及系统 - Google Patents

Abstract

本发明为一种基于机器视觉的南美白对虾病害识别方法及系统，该方法包括步骤：S1、判断是否是要进行病害识别的目标的图像；若是，则转入步骤S2；若否，则结束程序；S2、对图像进行颜色特征参数提取；S3、进行图像二值化分割处理；S4、对二值化分割处理后的图像进行面积特征获取，计算目标区域的像素点的个数；S5、对二值化分割处理后的图像进行边缘检测处理，获得目标区域的边缘图像，然后对边缘图像的周长特征进行提取，获得目标边缘区域像素的个数；S6、利用目标区域周长和面积的比值，得到圆形度特征参数；S7、通过将颜色特征参数和圆形度特征参数作为神经网络分类算法的训练参数和分类数据源，进行训练后再进行分类，获得病害识别的结果。

Description

基于机器视觉的南美白对虾病害识别方法及系统

技术领域

本发明涉及图像采集及识别技术领域，具体涉及一种基于机器视觉的南美白对虾病害识别方法及系统。

背景技术

随着社会经济的高度发展，人们对南美白对虾的需求量也持续加大，南美白对虾每年创造了大量的经济价值。根据有关部门统计，以江浙地区为例，2010年上半年当地南美白对虾产量就为2.76万吨。然而随着社会的发展，南美白对虾病害也随之扩大，并导致大量的白对虾死亡，造成巨大的经济损失，同时也影响了人们对虾类产品大量需求。

现在的病害识别方法多以经验识别为主，专家根据经验进行识别。利用机器视觉进行病害识别利用颜色、纹理特征结合模板分类方法来识别植物病害的识别，也有利用面积、周长、占空比、等效圆半径、球形性、不变矩等特征来识别储粮害虫。

首先，目前的技术缺少比较好的图像采集技术和装置来采集曝光均匀的高质量图像，图像质量的高低会对图像识别率带来不小的影响，而目前几乎没有多少技术在图像采集方面有所发明，来弥补相机曝光不足和不均匀带来的图像采集问题，这是目前图像识别技术的一大缺陷。

再者，由于所获得的图像是通过照相机获得的，难免会使得图像发生旋转，一旦角度发生改变，很多特征就会发生巨大变化，例如矩形度、不变矩、面积、周长等，这些变化都会降低识别率。例如外接矩形度特征就会有很大变化，为了解决图像角度变化这个问题就需要提取很多不同角度下的外接矩形度特征参数，从0度到360度的范围，如果要做得精确，必须大量减少间隔角度的大小进行参数的获取，这给对象的识别参数提取带来不小的操作难度。

发明内容

(一)要解决的技术问题

本发明的目的在于提供一种基于机器视觉的南美白对虾病害识别方法及系统，使得图像在旋转任意角度之后，不需要对外接矩形进行特征提取，解决图像的旋转带来的多个外接矩形参数提取的问题。本发明系统还要解决图像采集装置曝光不足和曝光不均匀的问题。

(二)技术方案

为了解决上述技术问题，本发明提供一种基于机器视觉的南美白对虾病害识别方法，包括以下步骤：

S1、判断是否是要进行病害识别的目标的图像；若是，则转入步骤S2；若否，则结束程序；

S2、对图像进行颜色特征参数提取；

S3、根据颜色特征参数进行图像二值化分割处理；

S4、对二值化分割处理后的图像进行面积特征获取，计算目标区域的像素点的个数；

S5、对二值化分割处理后的图像进行边缘检测处理，获得目标区域的边缘图像，然后对边缘图像的周长特征进行提取，获得目标边缘区域像素的个数；

S6、利用目标区域周长和面积的比值，得到圆形度特征参数；

S7、通过所述颜色特征参数和圆形度特征参数作为神经网络分类算法的训练参数和分类数据源，进行训练后再进行分类，获得病害识别的结果。

优选地，所述步骤S1之前还包括步骤：S0、对将要进行识别的图像进行去噪预处理。

优选地，所述步骤S1中判断是否是要进行病害识别的目标的图像的方法包括步骤：

S11、对图像进行灰度化；

S12、获取图像自适应阈值；

S13、根据所述阈值对灰度图像进行二值化图像分割，获得目标图像；

S14、对二值化分割处理后的目标区域进行面积计算，获得目标像素的面积特征参数；

S15、对二值化分割处理后的目标区域进行边缘检测，对边缘像素的个数进行计数处理，得到周长像素的个数，作为周长特征参数；

S16、利用目标区域周长特征参数和面积特征参数构造圆形度特征参数，进行神经网络的训练后用神经网络分类算法进行分类，得到是否为病害识别的目标的图像的判断结果。

优选地，所述步骤S12中获取图像自适应阈值的方法为Otsu阈值确定方法的改进，用公式σ(t)＝W₁(t)W₂(t)|U₁(t)-U₂(t)|替换Otsu方法中计算两类之间的类间方差公式σ(t)²＝W1(t)W2(t)[U₁(t)-U₂(t)]²。

本发明还提供一种基于机器视觉的南美白对虾病害识别系统，包括图像采集设备和图像处理设备；

所述图像处理设备包括目标识别单元和病害识别单元；先由目标识别单元判断是否是要进行病害识别的目标的图像，若是，则由所述病害识别单元进行病害识别，若否，则结束程序；

所述病害识别单元对图像进行颜色特征提取；根据颜色特征进行图像二值化分割处理；对二值化分割处理后的图像进行面积特征获取，计算目标区域的像素点的个数；对二值化分割处理后的图像进行边缘检测处理，获得目标区域的边缘图像，然后对边缘图像的周长特征进行提取，获得目标边缘区域像素的个数；利用目标区域周长和面积的比值，得到圆形度特征参数；通过所述颜色特征参数和圆形度特征参数作为神经网络分类算法的训练参数和分类数据源，进行训练后再进行分类，获得病害识别的结果。

优选地，所述图像处理设备还包括预处理单元，用于对将要进行识别的图像进行去噪预处理。

优选地，所述目标识别单元对图像进行灰度化；获取图像自适应阈值；根据所述阈值对灰度图像进行二值化图像分割，获得目标图像；对二值化分割处理后的目标区域进行面积计算，获得目标像素的面积特征参数；对二值化分割处理后的目标区域进行边缘检测，对边缘像素的个数进行计数处理，得到周长像素的个数，作为周长特征参数；利用目标区域周长特征参数和面积特征参数构造圆形度特征参数，进行神经网络的训练后用神经网络分类算法进行分类，得到是否为病害识别的目标的图像的判断结果。

优选地，所述目标识别单元获取图像自适应阈值的方法为Otsu阈值确定方法的改进，用公式σ(t)＝W₁(t)W₂(t)|U₁(t)-U₂(t)|替换Otsu方法中计算两类之间的类间方差公式σ(t)²＝W1(t)W2(t)[U₁(t)-U₂(t)]²。

优选地，所述图像采集设备包括：摄像头图像采集部件、辅助光照部件、辅助照明柱部件、辅助成像背景部件以及外包装盒部件。

优选地，所述辅助成像背景部件设备包括背景板，背景板采用蓝色作为底板颜色。

(三)有益效果

1、本发明首先判断识别对象是不是所要的目标，通关对获取二值化处理之后的面积特征参数和进行边缘检测处理之后的边缘特征参数的提取，进而构造了是所要的圆形度形状特征参数，并通过颜色和圆形度特征参数作为神经网络分类算法的训练参数和分类数据源。本发明还采用和改进了基于Otsu的自适应阈值确定算法。通过实验，发现经过本发明处理之后，以南美白对虾的病害识别为例，南美白对虾的识别率和识别时间明显较现有技术有所提高。南美白对虾病害图像识别的识别率达到90.233333％，能够识别南美白对虾白斑病、黑斑病、红体病等常见病害，识别耗时在30到40秒范围内。

2、本发明系统中图像采集设备能够获得较高质量的图像，为二值化分割图像做了很好的准备和前期处理工作，对后期图像识别参数提取做出很大贡献。

附图说明

图1是本发明方法的流程图，包括病害识别、目标识别和预处理；

图2A和图2B分别是本发明一实施例中用Otsu法处理和用本发明改进算法处理的对比图；

图3是本发明一实施例中神经网络分类示例图；

图4是本发明系统的结构框图；

图5是本发明系统中图像采集设备及辅助设备一实施例的示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不是限制本发明的范围。

如图1所示，本发明所述基于机器视觉的南美白对虾病害识别方法，包括以下步骤：S1、判断是否是要进行病害识别的目标的图像；若是，则转入步骤S2；若否，则结束程序；S2、对图像进行颜色特征参数提取；S3、根据颜色特征参数进行图像二值化分割处理；S4、对二值化分割处理后的图像进行面积特征获取，计算目标区域的像素点的个数；S5、对二值化分割处理后的图像进行边缘检测处理，获得目标区域的边缘图像，然后对边缘图像的周长特征进行提取，获得目标边缘区域像素的个数；S6、利用目标区域周长特征参数和面积特征参数构造圆形度特征参数，进行神经网络的训练后用神经网络分类算法进行分类，得到是否为病害识别的目标的图像的判断结果。

所述步骤S1中判断是否是要进行病害识别的目标的图像的方法包括步骤：S11、对图像进行灰度化；S12、获取图像自适应阈值；S13、根据所述阈值对灰度图像进行二值化图像分割，获得目标图像；S14、对二值化分割处理后的目标区域进行面积计算，获得目标像素的面积特征参数；S15、对二值化分割处理后的目标区域进行边缘检测，对边缘像素的个数进行计数处理，得到周长像素的个数，得到周长特征参数；S16、利用目标区域周长特征参数和面积特征参数的比值，得到目标的圆形度特征参数；S17、基于所述圆形度特征参数，用神经网络分类算法进行分类，得到是否为病害识别的目标的图像的判断结果。

所述步骤S1之前还包括步骤：S0、对将要进行识别的图像进行去噪预处理。

下面以南美白对虾为例，介绍本发明病害识别方法。当然，本发明也可以用于其它动植物的病害识别。

1、病害数字图像去噪处理

影响对虾图像的主要噪声是高斯噪声，本实施例采取的方法是采

$g\left(x\right)=e^{\frac{x^2+y^2}{2{\mathrm{\σ}}^2}}$

用二维高斯函数去噪，计算式为：

高斯噪声是图像的高频部分组成的，所以用低通滤波器对图像进行卷积处理，就可以有效的滤除噪声，这里用可以作为低通滤波器的高斯函数来进行滤波，高斯函数的特点是特点傅里叶变换仍然是高斯函数，所以应用快速傅里叶变换可以把空间域内的卷积运算变换为频域内的乘积运算，这样对于半径很大的高斯核来说，大大降低了运算时间，提高了运行速度。这里应用空间域的卷积来处理。在编程实现时，将二维的高斯函数分解为一维高斯函数，分别对图像进行行和列的卷积运算，大大的提高了运行速度。

然后，先对南美白对虾进行识别，如果确定目标是南美白对虾就进行后续判断，即颜色特征提取。

2、颜色特征提取

关键参数的选择包括南美白对虾病斑区域白色、红色和黑色所成像的像素的RGB值的阈值范围的确定。颜色特征提取的方法是利用随机统计法选择南美白对虾病害区域的像素的RGB值，并根据所选择的RGB值选择关键RGB参数，建立关键参数阈值红色、绿色、蓝色的变化范围，用这个范围作为判断标准。

以南美白对虾黑病斑为例，颜色特征提取过程如下：

统计的黑斑病像素的RGB颜色值信息数据，数据如下：

第一区域为：

(43，29，18)，(41，28，20)，(52，38，27)，(41，28，20)，(42，28，19)，(58，44，35)，(42，28，19)，(41，28，22)，(55，41，32)，(46，33，25)，(44，31，23)，(46，31，26)，(40，26，23)，(50，36，33)，(46，32，29)，(50，36，33)，(46，28，24)，(46，28，24)，(43，26，24)，(43，26，18，)，(41，28，20)，(54，37，29)，(47，33，30)，(48，34，31)，(47，33，30)，(47，33，30)，(47，33，30)，(47，33，30)，(49，35，32)，(43，30，24)，(43，30，24)，(44，31，25)，(44，30，27)，(49，35，32)，(44，30，27)，(42，28，25)。

第二区域为：

(49，26，18)，(49，26，18)，(57，34，26)，(57，34，26)，(57，34，26)，(60，37，31)，(49，26，18)，(58，35，27)，(52，29，21)，(52，29，21)，(52，29，21)，(49，26，18)，(63，39，29)，(56，33，25)，(56，33，25)，(49，26，18)，(52，29，21)。

第三区域为：

(47，30，22)，(47，30，22)，(47，30，22)，(46，29，21)，(46，29，21)，(57，40，32)，(50，33，25)，(45，32，26)，(45，31，22)，(47，33，24)，(45，32，26)，(45，32，26)，(49，36，30)，(56，41，34)，(45，31，22)，(48，29，23)，(50，31，25)，(46，33，24)，(42，29，20)，(42，32，20)，(55，45，33)，(55，45，33)，(51，37，34)，(45，31，28)，(56，45，39)，(54，43，37)，(54，43，37)，(68，57，51)，(52，39，33)，(56，45，39)，(56，45，39)，(56，45，39)，(54，43，37)，(56，45，39)。

第四区域为南美白对虾眼睛的RGB颜色值数据如下：

(51，34，27)，(47，32，27)，(63，44，38)，(59，44，41)，(54，37，30)，(48，30，18)，(56，34，23)，(44，29，24)，(49，30，23)，(44，25，18)，(43，23，14)，(56，36，27)，(56，34，23)，(43，25，15)，(47，29，19)，(48，30，18)，(58，44，33)，(54，37，29)，(51，32，25)，(55，38，31)，(52，37，32)，(54，37，30)，(54，37，30)，(48，31，24)，(57，39，29)，(51，34，27)，(44，25，18)，(51，32，25)，(57，39，29)，(51，34，27)，(55，38，31)，(48，31，24)，(54，，37，30)，(52，37，32)。

对于四个黑色区域共收集了121个点，对这些点的具体的颜色信息的分量，即每个像素的R值、G值和B值，都应该统计，数据如下：

黑斑病三基色中的R分量值统计数据如下：

(43，41，52，41，42，58，42，41，55，46，44，46，40，，37，37，35，40，50，46，50，46，46，，43，41，54，47，48，48，47，47，47，47，49，43，43，44，44，49，44，42，49，49，57，60，49，58，52，52，49，63，56，56，49，52，47，47，47，46，，46，57，50，45，45，47，45，45，49，56，45，48，50，46，42，42，42，55，55，51，45，56，54，54，68，52，56，56，56，54，56)。

黑斑病病斑色块中的G颜色分量值统计数据如下：

(29，28，38，28，28，44，28，28，41，33，31，31，26，23，23，21，26，36，32，36，28，28，26，28，37，33，34，34，33，33，33，33，35，30，30，31，30，35，30，28，26，26，34，34，37，26，35，29，29，26，39，33，33，26，29，30，30，30，29，29，40，33，32，31，33，32，32，36，41，31，29，31，33，29，29，32，45，45，37，31，45，43，43，57，39，45，45，45，43，45)。

黑斑病病斑色块中的B颜色分量统计数据如下：

(18，20，27，20，19，35，19，22，32，25，23，26，23，20，20，18，23，33，29，33，24，24，18，20，29，30，31，31，30，30，30，30，32，24，24，25，27，32，27，25，18，18，26，26，31，18，27，21，21，18，29，25，25，18，21，22，22，22，21，21，32，25，26，22，24，26，26，30，34，22，23，25，24，20，20，20，33，33，34，28，39，37，37，51，33，39，39，39，37，39)。

之所以选择四个区域的颜色值，因为它含有三个部分的病斑区和

$\begin{array}{cc}\left\{\begin{array}{c}37<V\left(R\right)<60\\ 26<V\left(G\right)<45\\ 20<V\left(B\right)<39\end{array}\right.& \mathrm{and}\left\{\begin{array}{c}V\left(G\right)+10<V\left(R\right)\\ V\left(B\right)+5<V\left(G\right)\end{array}\right.\end{array}$

眼睛区，如图3所示。得到的黑斑病的颜色特征数据的规律用如下的表达式表示为：

3、图像缩放处理和灰度化

图像缩放处理的目的是目前的相机所拍摄图像分辨率大小至少是800万像素以上，一张数字图像的大小至少有3M以上，这个数据量使得图像处理的难度加大很多，给程序的执行带来很大难度并且带来很大时间消耗。实验结果显示在图像缩小之后，程序的执行速度明显提高，消耗的时间明显缩短，识别率依然保持得很好，所以采用缩放方法处理图像，按实际像素与400*400像素长宽比例的比值将图像像缩放到400*400(单位为像素)范围内的尺寸。

图像灰度化的目的是为了进行图像二值化时分割阈值的选择做准备的，灰度化的方法选择内存法，内存法的优点是处理速度比像素法快，同时又比指针法安全，所以采用内存法进行图像灰度化处理。

4、图像二值化分割

对灰度图像进行二值化图像分割，获得目标图像，再对二值化分割处理后的图像进行面积计算，记录目标像素的面积特征参数的个数。图像分割的好坏不仅影响到分割之后南美白对虾的面积几何特征的提取，目的是要把目标从图像中凸现出来，使得图像变得更加简单，经过这部处理之后的图像，应该只剩下背景和目标两个对比绝对明显的两个部分组成。

合适的阈值成为了难点和重点，采用和改进了基于Otsu的自适应阈值确定算法，以获得更好的轮廓提取效果。

Otsu法是一种类间方差最大的阈值确定算法，所以也称为最大类间方差法。该方法具有简单、处理速度快等特点，是一种常用的阈值选取方法。其基本思想是：把图像中的像素按灰度值T分成两类C1和C2，C1由[0，T]之间的像素组成，C2由灰度值在[T+1，L-1]之间的像素组成，按照以下计算式计算两类之间的类间方差：

σ(t)²＝W1(t)W2(t)[U₁(t)-U₂(t)]²

这种法虽然比较好，但是有时候效果不如意，在分析计算公式的基础上，找到了速度更快的改进计算式，如下

σ(t)＝W₁(t)W₂(t)|U₁(t)-U₂(t)|

即用绝对值的方法来替换平方的计算。结果对比图如图2A-2B所示，其中Otsu法运行时间为10.36毫秒，本发明方法运行时间为5.80毫秒。

5、图像进行边缘检测

对经边缘检测处理后的图像，对边缘像素的个数进行计数处理，得到周长像素的个数，得到周长特征参数。采用的边缘检测方法为改进的LOG模板算子法，用原来的LOG模板算子结合Sobel模板算子进行改进得到改进点算法。这里用LOG算法为基础，在他的基础上进行改进，用改进后的算法进行边缘检测，得到需要的图像边缘信息。

原来的LOG算子如下图：

$\left[\begin{array}{ccccc}-2& -4& -4& -4& -2\\ -4& 0& 8& 0& -4\\ -4& 8& 24& 8& -4\\ -4& 0& 8& 0& -4\\ -2& -4& -4& -4& -2\end{array}\right]$

结合横向 $\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]$ Sobel算子和 $\left[\begin{array}{ccc}1& 0& -1\\ 2& 0& -2\\ 1& 0& -1\end{array}\right]$ 纵向Sobel算子来得到新的LOG算子进行图像边缘检测。

改进后的LOG算法的优点是比原来的LOG算法检测边缘的精确度更高，与其他模板算子法等边缘检测算法相比，运行时间和效果基本相同。

6、南美白对虾BP神经网络分类

在南美白对虾进行识别的过程中，基于圆形度特征，用BP神经网络分类算法进行分类。首先是BP神经网络的训练，在获得了周长和面积特征之后，就可以获得所需要的特征参数，首先用提取的周长和面积几何参数进行训练，训练的数量达到一定值，神经网络就进入了稳定状态，并有这个状态所需要的输入层到隐藏层和隐藏层到输出层的权值和偏置系数，然后记录这些参数为进一步识别南美白对虾做准备，这个阶段的算法是BP神经网络训练算法。

接着就是识别检验。对已经训练好的神经网络的输入层到隐藏层和隐藏层到输出层的权值和偏置系数参数加入到BP神经网络，利用这些权值和偏执系数，和提取的南美白对虾的周长和面积参数构成的形态特征圆形度来识别目标，这个阶段的算法是BP神经网络检验分类算法。

这里的BP神经网络的结构是三个层次，即输入层，隐藏层，输出层，输入层是两个神经元节点，隐藏层是三个神经元节点，输出层是两个神经元节点。

对实际输出做如下规定：如果输出结果在0到0.5之间，认为他就是0，输出结果是0.5到1之间，就认为是1，再用组合的形式表示，如果两个输出分别在0到0.5之间和0.5到1之间，即组合结果为01，规定这种情况下，表示图像中的目标是南美白对虾，如果两个输出分别在0.5到1之间和0到0.5之间，即组合结果为10，规定在这种情况下，表示图像中的目标不是南美白对虾，其他两种组合00和11这里不使用。

7、基于圆形度参数的BP神经网络南美白对虾病害诊断

通过颜色和圆形度特征作为神经网络分类算法的训练参数和分类数据源，与判断是否是南美白对虾相比所不同的是判断病害的时候，BP神经这里的00和11也被使用来分别表示南美白对虾的一种病害。识别的神经网络分类图示例如图3所示。

整个流程是先对南美白对虾进行识别，如果确定目标是南美白对虾就进行后续判断，即颜色特征提取，并根据颜色特征进行图像二值化分割处理，对二值化处理后的目标区域进行面积特征获取，计算目标区域的像素点的个数，即面积特征获取。然后对二值化处理后的图像进行边缘检测处理，获得目标区域的边缘图像，然后对图像的边缘特征进行提取，获得边缘区域目标像素的个数。在获得面积特征、周长特征这两个几何特征之后，就可以利用周长和面积的比值，得到新的形状特征参数，即圆形度特征参数。最后利用神经网络分类算法，进行训练后再进行分类，获得分类之后的结果。

如图4所示，本发明所述基于机器视觉的病害识别系统，包括图像采集设备10和图像处理设备20；

所述图像处理设备20包括目标识别单元22和病害识别单元23；先由目标识别单元22判断是否是要进行病害识别的目标的图像，若是，则由所述病害识别单元23进行病害识别，若否，则结束程序；

所述病害识别单元23对图像进行颜色特征提取；根据颜色特征进行图像二值化分割处理；对二值化分割处理后的图像进行面积特征获取，计算目标区域的像素点的个数；对二值化分割处理后的图像进行边缘检测处理，获得目标区域的边缘图像，然后对边缘图像的周长特征进行提取，获得目标边缘区域像素的个数；利用目标区域周长和面积的比值，得到圆形度特征参数；通过所述颜色特征参数和圆形度特征参数作为神经网络分类算法的训练参数和分类数据源，进行训练后再进行分类，获得病害识别的结果。

所述目标识别单元22对图像进行灰度化；获取图像自适应阈值；根据所述阈值对灰度图像进行二值化图像分割，获得目标图像；对二值化分割处理后的目标区域进行面积计算，获得目标像素的面积特征参数；对二值化分割处理后的目标区域进行边缘检测，对边缘像素的个数进行计数处理，得到周长像素的个数，得到周长特征参数；利用目标区域周长特征参数和面积特征参数构造圆形度特征参数，进行神经网络的训练后用神经网络分类算法进行分类，得到是否为病害识别的目标的图像的判断结果。

本发明系统中所述图像处理设备20还可以包括预处理单元21，用于对将要进行识别的图像进行去噪预处理。

为了获得高质量的南美白对虾病害图像，本发明图像采集装置包括辅助光照部件设备、辅助照明柱部件设备、辅助成像背景部件设备、摄像头图像采集设备、外包装盒部件设备，辅助成像背景部件设备中的背景板采用蓝色作为底板颜色，因为蓝色底板的RGB(red、green、blue)颜色分量值相比红色、黄色、蓝色等更好区别于黑色和灰色。该装置的目的是解决相机曝光不足和曝光不均匀的问题，提高图像识别率，采集到高质量的图像。该装置的设计主要从背景和灯光角度考虑，具体参见图5。标号1，2，3，4是辅助光照部件装置，标号5，6，7，8是辅助照明柱部件装置，标号9是辅助成像背景部件装置，标号10是摄像头图像采集装置。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

Claims (10)

1.一种基于机器视觉的南美白对虾病害识别方法，其特征在于，包括以下步骤：

S1、判断是否是要进行病害识别的目标的图像；若是，则转入步骤S2；若否，则结束程序；

S2、对图像进行颜色特征参数提取；

S3、根据颜色特征参数进行图像二值化分割处理；

S4、对二值化分割处理后的图像进行面积特征获取，计算目标区域的像素点的个数；

S5、对二值化分割处理后的图像进行边缘检测处理，获得目标区域的边缘图像，然后对边缘图像的周长特征进行提取，获得目标边缘区域像素的个数；

S6、利用目标区域周长和面积的比值，得到圆形度特征参数；

S7、通过将所述颜色特征参数和圆形度特征参数作为神经网络分类算法的训练参数和分类数据源，进行训练后再进行分类，获得病害识别的结果。

2.如权利要求1所述的方法，其特征在于，所述步骤S1之前还包括步骤：S0、对将要进行识别的图像进行去噪预处理。

3.如权利要求1所述的方法，其特征在于，所述步骤S1中判断是否是要进行病害识别的目标的图像的方法包括步骤：

S11、对图像进行灰度化；

S12、获取图像自适应阈值；

S13、根据所述阈值对灰度图像进行二值化图像分割，获得目标图像；

S14、对二值化分割处理后的目标区域进行面积计算，获得目标像素的面积特征参数；

S15、对二值化分割处理后的目标区域进行边缘检测，对边缘像素的个数进行计数处理，得到周长像素的个数，作为周长特征参数；

S16、利用目标区域周长特征参数和面积特征参数构造圆形度特征，进行神经网络的训练后用神经网络分类算法进行分类，得到是否为病害识别的目标的图像的判断结果。

4.如权利要求3所述的方法，其特征在于，所述步骤S12中获取图像自适应阈值的方法为Otsu阈值确定方法的改进，用公式σ(t)＝W₁(t)W₂(t)|U₁(t)-U₂(t)|替换Otsu方法中计算两类之间的类间方差公式σ(t)²＝W1(t)W2(t)[U₁(t)-U₂(t)]²。

5.一种基于机器视觉的南美白对虾病害识别系统，其特征在于，包括图像采集设备和图像处理设备；

所述图像处理设备包括目标识别单元和病害识别单元；先由目标识别单元判断是否是要进行病害识别的目标的图像，若是，则由所述病害识别单元进行病害识别，若否，则结束程序；

所述病害识别单元对图像进行颜色特征参数提取；根据颜色特征参数进行图像二值化分割处理；对二值化分割处理后的图像进行面积特征获取，计算目标区域的像素点的个数；对二值化分割处理后的图像进行边缘检测处理，获得目标区域的边缘图像，然后对边缘图像的周长特征进行提取，获得目标边缘区域像素的个数；利用目标区域周长和面积的比值，得到圆形度特征参数；通过将所述颜色特征参数和圆形度特征参数作为神经网络分类算法的训练参数和分类数据源，进行训练后再进行分类，获得病害识别的结果。

6.如权利要求5所述的系统，其特征在于，所述图像处理设备还包括预处理单元，用于对将要进行识别的图像进行去噪预处理。

7.如权利要求5所述的系统，其特征在于，所述目标识别单元对图像进行灰度化；获取图像自适应阈值；根据所述阈值对灰度图像进行二值化图像分割，获得目标图像；对二值化分割处理后的目标区域进行面积计算，获得目标像素的面积特征参数；对二值化分割处理后的目标区域进行边缘检测，对边缘像素的个数进行计数处理，得到周长像素的个数，作为周长特征参数；利用目标区域周长特征参数和面积特征参数构造圆形度特征参数，进行神经网络的训练后用神经网络分类算法进行分类，得到是否为病害识别的目标的图像的判断结果。

8.如权利要求7所述的系统，其特征在于，所述目标识别单元获取图像自适应阈值的方法为Otsu阈值确定方法的改进，用公式σ(t)＝W₁(t)W₂(t)|U₁(t)-U₂(t)|替换Otsu方法中计算两类之间的类间方差公式σ(t)²＝W1(t)W2(t)[U₁(t)-U₂(t)]²。

9.如权利要求5所述的系统，其特征在于，所述图像采集设备包括：摄像头图像采集部件、辅助光照部件、辅助照明柱部件、辅助成像背景部件以及外包装盒部件。

10.如权利要求9所述的系统，其特征在于，所述辅助成像背景部件设备包括背景板，背景板采用蓝色作为底板颜色。

Images