CN105654468B - 一种基于深度学习和图像边缘信息的茶叶嫩芽检测方法 - Google Patents
一种基于深度学习和图像边缘信息的茶叶嫩芽检测方法 Download PDFInfo
- Publication number
- CN105654468B CN105654468B CN201510973161.3A CN201510973161A CN105654468B CN 105654468 B CN105654468 B CN 105654468B CN 201510973161 A CN201510973161 A CN 201510973161A CN 105654468 B CN105654468 B CN 105654468B
- Authority
- CN
- China
- Prior art keywords
- image
- denoted
- pixels
- tender shoots
- picture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种茶叶嫩芽方法,尤其是一种基于深度学习和图像边缘信息的茶叶嫩芽检测方法。本发明首先将原始边缘检测算法检测图像边缘,对于进行边缘检测后的图片,用如下两种方法提取出候选窗口:(1)根据图片中属于图像边缘的像素个数占图像总像素个数的百分比,(2)根据图片中不属于图像边缘的像素个数占总像素个数的百分比。接下来将提取到的候选窗口输入训练好的深度学习网络,判定哪些属于茶叶嫩芽。使用本发明能够大大改善现有茶叶嫩芽检测任务的效果,并且本发明提出的方法也可以应用到其他目标检测任务中。
Description
技术领域
本发明涉及一种茶叶嫩芽方法,尤其是一种基于深度学习和图像边缘信息的茶叶嫩芽检测方法。
背景技术
茶,是中华民族的举国之饮。发于神农,闻于鲁周公,兴于唐朝,盛于宋代。茶叶乃茶之精髓,其采摘工艺是茶文化的重要组成部分。不同采摘工艺产出截然不同的茶叶。现阶段主要依靠人工和传统机械来采茶。其中人工采茶存在人力成本高、劳动强度大、效率低、茶叶品质参差不齐等缺点,而传统机械采茶简单粗放,同样有茶叶品质低、对茶树损伤大等缺陷。
针对以上两种采茶工艺自身的缺陷,且考虑到茶叶嫩芽独一无二的经济价值,并且随着计算机技术的发展和计算机视觉原理的广泛应用,利用计算机图像处理技术对目标进行检测的研究也越来越热门,我们提出一种新的基于计算机视觉的茶叶嫩芽自动检测的方法。
发明内容
为了解决上述问题,本发明所要解决的技术就是提供了一种基于深度学习和图像边缘信息的茶叶嫩芽检测方法。
其采用的技术方案如下:
一种基于深度学习和图像边缘信息的茶叶嫩芽检测方法,包括如下步骤:
步骤一:用高像素相机获取原始图像;
步骤二:将原始图像利用边缘检测算法检测边缘,得到结果图片;
步骤三:用滑动窗口将结果图片切分成多个相同大小的子图像;
步骤四:计算统计像素个数与结果图片总像素个数的百分比;
方法1:计算整幅结果图片中属于图像边缘的像素个数占图像总像素个数的百分比,记作Pall1;计算步骤三中各个子图像中属于图像边缘的像素个数占结果图片总像素个数的百分比,记作Pd1;
方法2:计算整幅结果图片中不属于图像边缘的像素个数占图像总像素个数的百分比,记作Pall2;计算步骤三中各个子图像中不属于图像边缘的像素个数占结果图片总像素个数的百分比,记作pd2;
步骤五:将步骤四中子图像的个数记作num;
对于方法一:设定一个步长,记作stepsize1;设定一个临界值,记作threshold1,初始化为a(范围0至1);设定一个数,记作n1;
①threshold1=threshold1+stepsize1;
②判断每个pd1是否大于threshold1,记录大于threshold1的pd1的个数,记作Tnum1;
③计算Tnum1/num;
如果Tnum1/num大于1/n1,则重复①、②、③、;如果Tnum1/num小于1/n1,则提取出大于threshold1的pd1所对应的子图像,所对应的原图像的区域,作为候选窗口。
对于方法2:设定一个步长,记作stepsize2;设定一个临界值,记作threshold2,初始化为Pall2;设定一个数,记作n2;
①threshold2=threshold2-stepsize2;
②判断每个pd2是否小于threshold2,记录小于threshold2的pd2的个数,记作Tnum2;
③计算Tnum2/num;
如果Tnum2/num大于1/n2,则重复①、②、③、;如果Tnum2/num小于1/n2,则提取出小于threshold2的pd2所对应的子图像所对应的原图像的区域,作为候选窗口;
步骤六:在相机拍摄的原始图中,使用软件将茶叶嫩芽和背景图片切割出来,分别作为正样本和负样本,再将切割后的图像还原成特定大小,然后用还原成特定大小的图片训练深度卷积网络;
步骤七:将步骤五中提取到的候选窗口输入训练好的深度卷积网络,判定哪些候选窗口属于茶叶嫩芽,那些属于背景。
所述的滑动窗口的长宽范围是0至原始图像最短边大小,各个子图像可以存在重叠区域。
所述的步骤五中初始化为a的范围是0至1。
所述的深度卷积网络是一个多层神经网络,其中最后一层为softmax层。
有益效果:一种基于深度学习和图像边缘信息的茶叶嫩芽检测方法,克服传统机械采茶简单粗放,降低茶叶品质、对茶树损伤大等缺陷,利用计算机图像处理技术对目标进行检测,效率高,检测的样品均匀,正确度高,大大改善现有茶叶嫩芽检测工艺,有效降低了劳动强度,并且本发明提出的方法也可以应用到其他目标检测任务中。
具体实施方式
下面通过具体实施例对本发明对本发明经行详细说明。
实施例1
本实施例采用记录图像边缘内像素个数的方法,具体包括如下步骤:
步骤一:用高像素相机获取原始图像;
步骤二:将原始图像利用边缘检测算法检测边缘,得到结果图片;
步骤三:用滑动窗口将结果图片切分成多个相同大小的子图像;
步骤四:计算统计像素个数与结果图片总像素个数的百分比;
计算整幅结果图片中属于图像边缘的像素个数占图像总像素个数的百分比,记作Pall1;计算步骤三中各个子图像中属于图像边缘的像素个数占结果图片总像素个数的百分比,记作Pd1;
步骤五:将步骤四中子图像的个数记作num;
设定一个步长,记作stepsize1;设定一个临界值,记作threshold1,初始化为a(范围0至1);设定一个数,记作n1;
①threshold1=threshold1+stepsize1;
②判断每个pd1是否大于threshold1,记录大于threshold1的pd1的个数,记作Tnum1;
③计算Tnum1/num;
如果Tnum1/num大于1/n1,则重复①、②、③、;如果Tnum1/num小于1/n1,则提取出大于threshold1的pd1所对应的子图像,所对应的原图像的区域,作为候选窗口。
步骤六:在相机拍摄的原始图中,使用软件将茶叶嫩芽和背景图片切割出来,分别作为正样本和负样本,再将切割后的图像还原成特定大小,然后用还原成特定大小的图片训练深度卷积网络;
步骤七:将步骤五中提取到的候选窗口输入训练好的深度卷积网络,判定哪些候选窗口属于茶叶嫩芽,那些属于背景。
优选的滑动窗口的长宽范围是0至原始图像最短边大小,各个子图像可以存在重叠区域。
优选的步骤五中初始化为a的范围是0至1。
优选的深度卷积网络是一个多层神经网络,其中最后一层为softmax层。
实施例2
本实施例采用记录图像边缘外像素个数的方法,具体包括如下步骤:
步骤一:用高像素相机获取原始图像;
步骤二:将原始图像利用边缘检测算法检测边缘,得到结果图片;
步骤三:用滑动窗口将结果图片切分成多个相同大小的子图像;
步骤四:计算统计像素个数与结果图片总像素个数的百分比;
计算整幅结果图片中不属于图像边缘的像素个数占图像总像素个数的百分比,记作Pall2;计算步骤三中各个子图像中不属于图像边缘的像素个数占结果图片总像素个数的百分比,记作pd2;
步骤五:将步骤四中子图像的个数记作num;
设定一个步长,记作stepsize2;设定一个临界值,记作threshold2,初始化为Pall2;设定一个数,记作n2;
①threshold2=threshold2-stepsize2;
②判断每个pd2是否小于threshold2,记录小于threshold2的pd2的个数,记作Tnum2;
③计算Tnum2/num;
如果Tnum2/num大于1/n2,则重复①、②、③、;如果Tnum2/num小于1/n2,则提取出小于threshold2的pd2所对应的子图像所对应的原图像的区域,作为候选窗口;
步骤六:在相机拍摄的原始图中,使用软件将茶叶嫩芽和背景图片切割出来,分别作为正样本和负样本,再将切割后的图像还原成特定大小,然后用还原成特定大小的图片训练深度卷积网络;
步骤七:将步骤五中提取到的候选窗口输入训练好的深度卷积网络,判定哪些候选窗口属于茶叶嫩芽,那些属于背景。
优选的滑动窗口的长宽范围是0至原始图像最短边大小,各个子图像可以存在重叠区域。
优选的深度卷积网络是一个多层神经网络,其中最后一层为softmax层。
Claims (4)
1.一种基于深度学习和图像边缘信息的茶叶嫩芽检测方法,其特征在于:包括如下步骤:
步骤一:用高像素相机获取原始图像;
步骤二:将原始图像利用边缘检测算法检测边缘,得到结果图片;
步骤三:用滑动窗口将结果图片切分成多个相同大小的子图像;
步骤四:统计像素个数与结果图片总像素个数的百分比;
方法1:计算整幅结果图片中属于图像边缘的像素个数占图像总像素个数的百分比,记作Pall1;计算步骤三中各个子图像中属于图像边缘的像素个数占结果图片总像素个数的百分比,记作pd1;
方法2:计算整幅结果图片中不属于图像边缘的像素个数占图像总像素个数的百分比,记作Pall2;计算步骤三中各个子图像中不属于图像边缘的像素个数占结果图片总像素个数的百分比,记作pd2;
步骤五:将步骤四中子图像的个数记作num;
对于方法1:设定一个步长,记作stepsize1;设定一个临界值,记作threshold1,初始化为a,a的取值范围是0至1;设定一个数,记作n1;
①threshold1=threshold1+stepsize1;
②判断每个pd1是否大于threshold1,记录大于threshold1的pd1的个数,记作Tnum1;
③计算Tnum1/num;
如果Tnum1/num大于1/n1,则重复①、②、③;如果Tnum1/num小于1/n1,则提取出大于threshold1的pd1所对应的子图像所对应的原图像的区域,作为候选窗口;
对于方法2:设定一个步长,记作stepsize2;设定一个临界值,记作threshold2,初始化为Pall2;设定一个数,记作n2;
①threshold2=threshold2-stepsize2;
②判断每个pd2是否小于threshold2,记录小于threshold2的pd2的个数,记作Tnum2;
③计算Tnum2/num;
如果Tnum2/num大于1/n2,则重复①、②、③;如果Tnum2/num小于1/n2,则提取出小于threshold2的pd2所对应的子图像所对应的原图像的区域,作为候选窗口;
步骤六:在相机拍摄的原始图中,使用软件将茶叶嫩芽和背景图片切割出来,分别作为正样本和负样本,再将切割后的图像还原成特定大小,然后用还原成特定大小的图片训练深度卷积网络;
步骤七:将步骤五中提取到的候选窗口输入训练好的深度卷积网络,判定哪些候选窗口属于茶叶嫩芽,哪些属于背景。
2.根据权利要求1所述的一种基于深度学习和图像边缘信息的茶叶嫩芽检测方法,其特征在于:滑动窗口的长宽范围是0至原始图像最短边大小,各个子图像存在重叠区域。
3.根据权利要求1所述的一种基于深度学习和图像边缘信息的茶叶嫩芽检测方法,其特征在于:步骤五中初始化为a的范围是0至1。
4.根据权利要求1所述的一种基于深度学习和图像边缘信息的茶叶嫩芽检测方法,其特征在于:深度卷积网络是一个多层神经网络,其中最后一层为softmax层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510973161.3A CN105654468B (zh) | 2015-12-21 | 2015-12-21 | 一种基于深度学习和图像边缘信息的茶叶嫩芽检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510973161.3A CN105654468B (zh) | 2015-12-21 | 2015-12-21 | 一种基于深度学习和图像边缘信息的茶叶嫩芽检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105654468A CN105654468A (zh) | 2016-06-08 |
CN105654468B true CN105654468B (zh) | 2019-03-22 |
Family
ID=56477687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510973161.3A Expired - Fee Related CN105654468B (zh) | 2015-12-21 | 2015-12-21 | 一种基于深度学习和图像边缘信息的茶叶嫩芽检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105654468B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106910187B (zh) * | 2017-01-13 | 2020-01-07 | 陕西师范大学 | 一种用于桥梁裂缝检测定位的图像数据集人工扩增方法 |
CN110555487B (zh) * | 2019-09-14 | 2023-03-24 | 贵州省茶叶研究所 | 一种基于卷积神经网络的鲜茶叶识别分类方法和系统 |
CN111165176A (zh) * | 2020-03-20 | 2020-05-19 | 青岛农业大学 | 一种茶叶人工智能采摘机器人 |
CN112131982A (zh) * | 2020-09-10 | 2020-12-25 | 安徽农业大学 | 一种基于卷积神经网络的茶树嫩芽识别方法 |
CN115170967A (zh) * | 2022-07-22 | 2022-10-11 | 中科三清科技有限公司 | 一种茶叶采摘方法、装置、电子设备和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636757A (zh) * | 2015-02-06 | 2015-05-20 | 中国石油大学(华东) | 一种基于深度学习的食物图像识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4720700B2 (ja) * | 2006-09-21 | 2011-07-13 | セイコーエプソン株式会社 | 画像検出装置、画像検出方法及び画像検出プログラム |
-
2015
- 2015-12-21 CN CN201510973161.3A patent/CN105654468B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636757A (zh) * | 2015-02-06 | 2015-05-20 | 中国石油大学(华东) | 一种基于深度学习的食物图像识别方法 |
Non-Patent Citations (1)
Title |
---|
对象引导的单幅散焦图像深度提取方法;袁红星等;《电子学报》;20141031;第42卷(第10期);2009-2015 |
Also Published As
Publication number | Publication date |
---|---|
CN105654468A (zh) | 2016-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105654468B (zh) | 一种基于深度学习和图像边缘信息的茶叶嫩芽检测方法 | |
CN106845408B (zh) | 一种复杂环境下的街道垃圾识别方法 | |
CN103310218B (zh) | 一种重叠遮挡果实精确识别方法 | |
CN103336946B (zh) | 一种基于双目立体视觉的成簇状番茄识别方法 | |
CN107909138A (zh) | 一种基于安卓平台的类圆颗粒物计数方法 | |
CN107895376A (zh) | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 | |
CN105701829B (zh) | 一种套袋绿色果实图像分割方法 | |
CN102253050A (zh) | 基于机器视觉的磁瓦表面缺陷自动检测方法与装置 | |
CN103808265B (zh) | 油菜叶片及菌核病斑形态同步测量的方法、装置及系统 | |
CN107527343B (zh) | 一种基于图像处理的双孢蘑菇分级方法 | |
CN103295018A (zh) | 一种枝叶遮挡果实精确识别方法 | |
CN104166983A (zh) | 基于结合图割(Graph Cut)的Vibe改进算法的运动目标实时提取方法 | |
GB201214349D0 (en) | Image capture for later refocusing or focus-manipulation | |
CN103093208A (zh) | 一种果蔬识别的方法及系统 | |
CN106157323A (zh) | 一种动态分块阈值和块搜索结合的绝缘子分割提取方法 | |
CN110148122A (zh) | 基于深度学习的苹果外观质量分级方法 | |
CN103942812B (zh) | 基于混合高斯与边缘检测的运动目标检测方法 | |
CN112990103B (zh) | 一种基于机器视觉的串采二次定位方法 | |
CN106503695A (zh) | 一种基于航拍图像的烟草植株识别与计数方法 | |
CN104182970A (zh) | 一种基于摄影构图规则的留念照人像站位推荐方法 | |
CN114399480A (zh) | 蔬菜叶片病害严重程度检测方法及装置 | |
CN103149214A (zh) | 水果表面缺陷检测方法 | |
Feng et al. | A separating method of adjacent apples based on machine vision and chain code information | |
CN104268888B (zh) | 一种图像模糊检测方法 | |
CN106504261B (zh) | 一种图像分割方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190322 Termination date: 20191221 |
|
CF01 | Termination of patent right due to non-payment of annual fee |