CN107992863B - 多分辨率粮虫种类视觉识别方法 - Google Patents
多分辨率粮虫种类视觉识别方法 Download PDFInfo
- Publication number
- CN107992863B CN107992863B CN201810022600.6A CN201810022600A CN107992863B CN 107992863 B CN107992863 B CN 107992863B CN 201810022600 A CN201810022600 A CN 201810022600A CN 107992863 B CN107992863 B CN 107992863B
- Authority
- CN
- China
- Prior art keywords
- resolution
- grain insect
- image
- grain
- insect
- 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.)
- Active
Links
- 241000238631 Hexapoda Species 0.000 title claims abstract description 242
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000000007 visual effect Effects 0.000 title claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000007637 random forest analysis Methods 0.000 claims abstract description 18
- 238000004891 communication Methods 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 14
- 238000001228 spectrum Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 9
- 230000003321 amplification Effects 0.000 abstract description 6
- 238000003199 nucleic acid amplification method Methods 0.000 abstract description 6
- 238000011161 development Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract description 2
- 235000013339 cereals Nutrition 0.000 description 192
- 238000005516 engineering process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 241000254173 Coleoptera Species 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003333 near-infrared imaging Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000001926 trapping method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种多分辨率粮虫种类视觉识别方法,对拍摄的低、中、高分辨率三幅粮虫图像分别运用OTSU算法对其进行二值化,利用Blob算法分别提取低、中、高三种分辨率的粮虫图像的连通区域,在低分辨率粮虫图像上对疑似粮虫目标区域定位;根据中、低分辨率图像放大率和低分辨率粮虫图像上疑似粮虫目标区域进行反定位,计算面积参数与周长参数,确定是否为粮虫区域;最后在Blob算法提取的高分辨率粮虫图像连通区域基础上,根据高、中分辨率图像放大率和已确定中分辨率粮虫区域进行反定位,采用局部二值模式粮虫纹理特征和随机森林分类器对粮虫实现识别。本发明利用开发工具和图像处理算法的优点实现对粮虫种类的高效准确的识别。
Description
技术领域
本发明涉及储粮粮情检测领域,尤其是涉及多分辨率粮虫种类视觉识别方法。
背景技术
维持一定数量、品种和品质粮食的储备,是保障国家粮食安全的重要措施。其中,储粮害虫的危害问题是该领域长期以来表现较为突出的问题之一。粮虫识别是进行粮虫综合防治的一种有效手段。主要方法有扦样法、诱集法、声音识别法、近红外法和视觉检测法等。自从美国学者Zayas采用视觉技术对散装小麦仓中的谷蠹成虫进行离线研究,为粮虫的快速检测和分类开辟了新途径。视觉识别法具有准确度高、劳动量小、粮虫图像可视化、不局限于粮库的分散性和地域限制,便于同粮库现有软件系统集成等优点。因此,如何高效、准确、便捷地实现粮虫识别,近年来一直是粮虫识别领域的研究热点。
发明内容
本发明目的在于提供一种多分辨率粮虫种类视觉识别方法,以解决现有粮虫视觉检测方法无法克服实际粮仓存储复合环境的影响。
为实现上述目的,本发明采取下述技术方案:
本发明所述多分辨率粮虫种类视觉识别方法,在多分辨率镜头基础上,对拍摄的低分辨率(小于)、中分辨率(介于和之间)、高分辨率(高于)三幅粮虫图像分别运用OTSU算法对其进行二值化,然后利用Blob算法分别提取低、中、高三种分辨率的粮虫图像的连通区域,并在所述低分辨率粮虫图像上对疑似粮虫目标区域定位;在所述Blob算法提取的所述中分辨率粮虫图像连通区域的基础上,根据中、低分辨率图像放大率和低分辨率粮虫图像上疑似粮虫目标区域进行反定位,并计算其面积参数与周长参数,据此确定是否为粮虫区域;最后在Blob算法提取的高分辨率粮虫图像连通区域基础上,根据高、中分辨率图像放大率和已确定中分辨率粮虫区域进行反定位,然后采用局部二值模式(英文:Local Binary Patterns,简称LBP)粮虫纹理特征和随机森林分类器(英文Random Forest, 简称RF)对粮虫实现识别。
为抑制复合干扰源下凸显粮虫目标来提高粮虫视觉检测效果,构造结构元素,同时使用水平方向和垂直方向的线性结构元素,对二值化的所述低、中、高三种分辨率粮虫图像进行膨胀运算,实现粮虫目标增强进而提高粮虫检测识别率。
根据中、低分辨率图像放大率和低分辨率粮虫图像上疑似粮虫目标区域进行反定位,并计算其面积参数与周长参数的方法为:
采用局部二值模式粮虫纹理特征和随机森林分类器对粮虫实现识别的方法为:
为便于表示和计算,将邻域的纹理基元映射为之间的值,用其值代替原邻域中间像素的像素值;粮虫纹理模式的值作为像素值即得到相应粮虫纹理谱图像;统计变换后图像各像素点的纹理值的频数,即得到粮虫图像的纹理谱直方图;
每次抽样生成自助样本集,全体样本中不在自助样本中的剩余样本称为OOB(Out-Of-Bag)数据,OOB数据用来预测分类正确率,每次预测结果进行汇总得到错误率的OOB估计,以测试样本进行评估组合分类器的分类效果;利用随机森林分类器通过在每个节点处随机选择局部二值模式粮虫纹理特征进行分支,最小化各分类树之问的相关性进而提高分类精确性;
采用投票方式决定粮虫类标签,即测试集遍历森林中的每棵树并记录其对每个粮虫目标的分类结果,得票高于预定阈值类标签即为目标粮虫种类标签。
拍摄的所述低、中、高三种分辨率的粮虫图像,是由多个不同焦距镜头基于同一场景采集得到;选用低、中、高分辨率粮虫图像并对其进行重建方法为:
首先以低分辨率粮虫图像中的疑似粮虫区域作为基准图像,并以低分辨率粮虫图像的倍建立中分辨率粮虫图像, 即: 若低分辨率粮虫图像的分辨率为,则重定位中分辨率粮虫图像的分辨率为,的取值由镜头焦距获取;将中分辨率粮虫图像的像素值依照倍采样直接填充到高分辨率粮虫图像上,并以中分辨率粮虫图像的倍建立高分辨率粮虫图像, 即: 若中分辨率粮虫图像的分辨率为,则重建高分辨率粮虫图像的分辨率为,的取值由镜头焦距获取。
其中:和分别是轴和轴上的比例系数,考虑到像素大小为标准方形,所以;由于不同分辨率粮虫图像的焦距已知,低分辨率粮虫图像与中分辨率粮虫图像之间缩放倍数为,即;中分辨率粮虫图像与高分辨率粮虫图像之间的缩放倍数为,即;
利用双线性插值法将低分辨率粮虫图像中每个Blob块像素映射到中、高分辨率粮虫图像中,然后计算中、高分辨率粮虫图像中每个像素点的灰度值, 实现粮虫目标区域重定位。
本发明在多分辨率镜头基础上,旨在利用开发工具和图像处理算法的优点来实现对粮虫种类的高效准确的识别。该方法首先对低、中、高三种分辨率图像分别运用OTSU算法对其进行二值化,进而利用Blob算法提取粮虫图像的连通区域并在低分辨率图像上对疑似粮虫目标区域定位;其次在Blob算法提取的中分辨率粮虫图像连通区域的基础上,根据中、低图像放大率和低分辨率粮虫图像疑似粮虫目标区域进行反定位,并计算其面积参数与周长参数来据此确定是否为粮虫区域;最后在高分辨率粮虫图像Blob算法提取的连通区域基础上,根据高、中图像放大率和已确定中分辨率粮虫区域进行反定位,进而利采用局部二值模式粮虫纹理特征提取和随机森林分类器对粮虫实现识别。实验结果分析表明该方法既能精确标记粮虫位置又能准确识别粮虫种类,对完善粮虫实时检测技术和实现粮食安全管理具有重要意义。
附图说明
图1是本发明的流程图。
图2是本发明所述多分辨率图像的示意图。
具体实施方式
下面结合附图对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述实施例。
如图1所示,本发明所述多分辨率粮虫种类视觉识别方法,由多分辨率粮虫图像二值化、Blob检测、多分辨率粮虫图像反定位、局部二值模式(英文:Local Binary Patterns,简称LBP)特征提取和随机森林分类器(英文Random Forest, 简称RF)分类步骤组成。通过对低()、中()、高()三种分辨率粮虫图像分别运用OTSU算法对其进行二值化处理,然后利用Blob算法分别提取低、中、高三种分辨率粮虫图像的连通区域并在低分辨率粮虫图像上对疑似粮虫目标区域定位;在Blob算法提取的中分辨率粮虫图像连通区域的基础上,根据中、低粮虫图像放大率和低分辨率粮虫图像疑似粮虫目标区域进行反定位,并计算其面积参数与周长参数,据此确定是否为粮虫区域;最后在高分辨率粮虫图像Blob算法提取的连通区域基础上,根据高、中粮虫图像放大率和已确定中分辨率粮虫图像粮虫区域进行反定位,进而采用粮虫局部二值模式纹理特征和随机森林分类器对粮虫实现识别。
1、二值化处理
本发明采用OTSU算法对粮虫图像快捷准确进行二值化;对于一幅粮虫图像通过图像的总平均灰度级、标的平均灰度级与背景的平均灰度级以及其分别所占图像面积的比例,依照类间方差实现目标和背景分割,最终完成图像二值化。
膨胀能使物体边界扩大,具体的膨胀结果与图像本身和结构元素的形状有关,膨胀常用于将图像中原本断裂开来的同一物体桥接起来;由于粮虫属于弱小目标,粮虫图像二值化后易使粮虫区域更弱化甚至本来完整的粮虫断裂为两部分,给后续的粮虫图像分析造成困扰,因此必须借助膨胀算法扩大或桥接断裂的粮虫图像区域缝隙。
这样可消除视觉传感器某些情况下会受残缺粮粒、粮食品质、光照条件和镜头成像状态等干扰源的影响。
2、Blob块检测
本发明对二值化后的粮虫图像进行Blob连通域分析从而达到粮虫检测目的,算法实现如下:
3、多分辨率重建
如图2所示,多分辨率图像是多个不同焦距镜头基于同一场景采集得到,这样有助于依据分辨率的不同特征分别处理,从而达到增强对比度和抑制噪声干扰的目的,非常适合于粮虫这类弱小目标检测。为了简化问题和着重关注算法对不同分辨率图像序列的重建性能, 假设拍摄对象为静态场景, 且拍摄相机与场景之间相对静止, 仅调节焦距或更换不同焦距镜头就能获得一系列不同缩放尺度的多分辨率图像。
对低、中、高不同分辨率粮虫图像进行重建,如图1、2所示,首先以低分辨率粮虫图像中的疑似粮虫区域作为基准图像, 并以分辨率图像的倍建立中分辨率图像, 即: 若的分辨率为, 则重定位中分辨率图像的分辨率为, 一般地, 取的值可由镜头焦距获取。将的像素值依照倍采样直接填充到高分辨率粮虫图像上,并以分辨率图像的倍建立高分辨率图像, 即: 若的分辨率为, 则重建高分辨率图像的分辨率为,一般地, 取的值可由镜头焦距获取。
4、反定位
对低一级分辨率粮虫图像的每个Blob块像素利用公式
反定位后的高一级分辨率粮虫图像相对应的像素坐标,由于计算出的坐标值可能为非整数坐标,导致反定位后的图像存在空洞的情况;为避免这一现象,采用图像插值技术求取该点的像素值,然后令;目前常用的插值方法有:最近邻法、双线性法和立方卷积法等;考虑到均方误差反映插值图像与原图像的逼近程度,而双线性法的均方误差较小,插值效果越好。本发明中采用双线性插值法:假定内插点像素浮点坐标为的四个顶点,围成的区域内的灰度变化是线性的,根据四个近邻像素的灰度值,利用线性内插方法计算出内插点的灰度值;具体计算如下式:
5、局部二值模式特征提取
本发明中局部二值模式纹理模式简单的通过粮虫邻域像素与中心像素灰度的比较得到,由于粮虫纹理谱的局域特性,粮虫纹理谱图像也具有粮虫原图的视觉特性。
6、分类识别
随机森林分类器按照生成分类树的规则生成多棵分类树,能很好地解决多类分类问题;其基本思想是将很多弱分类器集成为一个强分类器,其原理是通过重抽样术,生成多个树分类器,其中是独立同分布的随机向量,每棵树分类器进行投票并按得票结果而定;生成随机森林分类器的步骤是:
(2) 每个粮虫局部二值模式特征自助样本集生长为单棵分类树;对于树的每个节点,从个特征中随机挑选个特征(),通常假设;按照节点不纯度最小的原则挑选,从个特征中选出一个特征进行分支生长,为使每个节点的不纯度达到最小,不进行剪枝操作。
(3) 根据生成的多棵树分类器对新的数据进行预测,分类结果按每棵树分类器的投票数量而定。
OOB数据用来预测分类正确率,每次预测结果进行汇总得到错误率的OOB估计,以测试样本来评估组合分类器的分类效果;随机森林分类器通过在每个节点处随机选择特征进行分支,最小化各棵分类树之问的相关性,提高分类精确性。
由于该模型训练过程中存在一组随机向量,在训练中就是要最大可能的离散化随机森林分类器从而减少泛化误差;在分类阶段,类标签是由所有决策树的分类结果综合而成,也即由每个分类树投票和概率平均得到;对于测试样例,预测类标签可得到:
本发明中采用投票方式决定粮虫类标签,即测试集遍历森林中的每棵树并记录其对每个粮虫目标的分类结果,这样得票高于预定阈值类标签即为目标粮虫种类标签。
实验结果
目前粮虫图像多用常规设备拍摄的粮虫标本图像。为接近真实粮储环境下的活体粮虫,实验中选取自然环境中培育的活体粮虫,并通过机器视觉图像处理研究开发平台MV-KB200B的多分辨率镜头拍摄作为实验图像来源。限于篇幅,给出6组粮虫图像来评估本发明提出的方法,每幅图像中包含3种类别共5只粮虫。
表1给出了本发明对粮虫种类视觉识别的性能比较,从实验结果来看,本发明的粮虫种类视觉识别效果好,不仅能准确检测粮虫数目还能准确识别粮虫种类;不论从识别的成功率还是时间的消耗上,对完善粮虫实时检测技术和实现粮食安全管理具有重要意义。
从实验图中可看出检测到5只粮虫,分为3种类型;实验结果显示该发明能顺利将粮虫从待检测图片中识别出来,识别效果较为明显,进而能看出多分辨率粮虫种类识别方法为完善粮食安全问题提供了一种可靠的方法。
表1
实验具体步骤:
1、实验中选取自然环境中培育的活体粮虫并通过机器视觉图像处理研究开发平台MV-KB200B的多分辨率镜头拍摄作为实验图像来源。限于篇幅,给出6组粮虫图像来评估本发明提出的方法,每幅图像中包含3种类别共5只粮虫。
2、利用OTSU方法对低()、中()、高()不同分辨率粮虫图像作二值化处理,有助于提高粮虫检测准确度;二值化后易使粮虫图像区域弱化甚至本来完整的粮虫断裂为两部分,例如头与背部连接处;构造适当的结构元素通过膨胀算法对粮虫图像区域扩大或桥接可使粮虫边界扩大,这样可将原本断裂开来或细化的同一物体桥接起来有助于凸显粮虫目标,方便后续的粮虫图像进一步识别处理。
3、利用Blob 算法中的连通域分析快速准确提取出粮虫图像中存在的连通区域,进而得到各区域的链码表和线性表并据此计算连通域的面积参数与周长参数,最终实现粮虫目标区域定位与计数。
4、多分辨率图像是多个不同焦距镜头基于同一场景采集,这样有助于依据分辨率的不同特征分别处理,从而达到增强对比度和抑制噪声干扰的目的,非常适合于粮虫这类弱小目标检测;为简化问题和着重关注算法对不同分辨率图像序列的重建性能, 假设拍摄对象为静态场景, 且拍摄相机与场景之间相对静止, 仅调节焦距获得一系列不同缩放尺度的粮虫图像。
5、根据变焦缩放变换矩阵和双线性插值法,将低分辨率粮虫图像中Blob块像素点映射到中、高分辨率粮虫图像中, 实现粮虫目标区域重定位;这样既能勾勒出粮虫的大致轮廓,又能呈现粮虫的细节部分。
6、局部二值模式特征对粮虫图像具有良好的局域特性;局部二值模式纹理模式通过粮虫邻域像素与中心像素灰度的比较得到,由于粮虫纹理谱的局域特性,粮虫纹理谱图像也具有粮虫原图的视觉特性。
7、随机森林分类器按照生成分类树的规则生成多棵分类树,能很好地解决多类分类问题。具体采用投票方式决定粮虫类标签,即测试集遍历森林中的每棵树并记录其对每个粮虫目标的分类结果,这样得票高于预定阈值类标签即为目标粮虫种类标签。因为生成每棵树的速度很快,所以随机森林分类器的分类速度很快,并且易于实现并行处理。
Claims (4)
1.一种多分辨率粮虫种类视觉识别方法,其特征在于:在多分辨率镜头基础上,对拍摄的低分辨率、中分辨率、高分辨率三幅粮虫图像分别运用OTSU算法对其进行二值化,然后利用Blob算法分别提取低、中、高三种分辨率的粮虫图像的连通区域,并在所述低分辨率粮虫图像上对疑似粮虫目标区域定位;在所述Blob算法提取的所述中分辨率粮虫图像连通区域的基础上,根据中、低分辨率粮虫图像缩放倍数和低分辨率粮虫图像上疑似粮虫目标区域在中分辨率粮虫图像上进行重定位,并计算Blob算法提取疑似粮虫目标连通区域的面积参数与周长参数,据此确定是否为粮虫区域;最后在Blob算法提取的高分辨率粮虫图像连通区域基础上,根据高、中分辨率粮虫图像缩放倍数和已确定中分辨率粮虫图像的粮虫区域在高分辨率粮虫图像上进行重定位,然后在Blob算法提取粮虫目标连通区域内采用局部二值模式粮虫纹理特征和随机森林分类器在高分辨率粮虫图像上对粮虫实现识别;
拍摄的所述低、中、高三种分辨率的粮虫图像,是由多个不同焦距镜头基于同一场景采集得到;选用低、中、高分辨率粮虫图像并对其进行重建方法为:
首先以低分辨率粮虫图像中的疑似粮虫区域作为基准图像,并以低分辨率粮虫图像的倍建立中分辨率粮虫图像, 即: 若低分辨率粮虫图像的分辨率为,则重定位中分辨率粮虫图像的分辨率为,的取值由镜头焦距获取;将中分辨率粮虫图像的像素值依照倍采样直接填充到高分辨率粮虫图像上,并以中分辨率粮虫图像的倍建立高分辨率粮虫图像, 即: 若中分辨率粮虫图像的分辨率为, 则重建高分辨率粮虫图像的分辨率为,的取值由镜头焦距获取;
其中:和分别是轴和轴上的比例系数,考虑到像素大小为标准方形,所以;由于不同分辨率粮虫图像的焦距已知,低分辨率粮虫图像与中分辨率粮虫图像之间缩放倍数为,即;中分辨率粮虫图像与高分辨率粮虫图像之间的缩放倍数为,即;
利用双线性插值法将低分辨率粮虫图像中每个Blob块像素映射到中、高分辨率粮虫图像中,然后计算中、高分辨率粮虫图像中每个像素点的灰度值, 实现粮虫目标区域重定位。
4.根据权利要求1所述多分辨率粮虫种类视觉识别方法,其特征在于:采用局部二值模式粮虫纹理特征和随机森林分类器对粮虫实现识别的方法为:
为便于表示和计算,将邻域的纹理基元映射为之间的值,用其值代替原邻域中间像素的像素值;粮虫纹理模式的值作为像素值即得到相应粮虫纹理谱图像;统计变换后图像各像素点的纹理值的频数,即得到粮虫图像的纹理谱直方图;
每次抽样生成自助样本集,全体样本中不在自助样本中的剩余样本称为OOB(Out-Of-Bag)数据,OOB数据用来预测分类正确率,每次预测结果进行汇总得到错误率的OOB估计,以测试样本进行评估组合分类器的分类效果;利用随机森林分类器,通过在每个节点处随机选择局部二值模式粮虫纹理特征进行分支,最小化各分类树之问的相关性进而提高分类精确性;
采用投票方式决定粮虫类标签,即测试集遍历森林中的每棵树并记录其对每个粮虫目标的分类结果,得票高于预定阈值类标签即为目标粮虫种类标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810022600.6A CN107992863B (zh) | 2018-01-10 | 2018-01-10 | 多分辨率粮虫种类视觉识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810022600.6A CN107992863B (zh) | 2018-01-10 | 2018-01-10 | 多分辨率粮虫种类视觉识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107992863A CN107992863A (zh) | 2018-05-04 |
CN107992863B true CN107992863B (zh) | 2021-12-24 |
Family
ID=62041011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810022600.6A Active CN107992863B (zh) | 2018-01-10 | 2018-01-10 | 多分辨率粮虫种类视觉识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107992863B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348302A (zh) * | 2019-06-05 | 2019-10-18 | 广州瑞丰生物科技有限公司 | 一种图像识别系统及图像识别装置 |
CN110222688B (zh) * | 2019-06-10 | 2021-06-18 | 重庆邮电大学 | 一种基于多层次相关滤波的仪表定位方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2010206078A1 (en) * | 2010-03-10 | 2011-09-29 | Total Manufacturing Co. | System and method for detection of insect infestation |
CN103034982A (zh) * | 2012-12-19 | 2013-04-10 | 南京大学 | 一种基于变焦视频序列的图像超分辨率重建方法 |
CN106254722A (zh) * | 2016-07-15 | 2016-12-21 | 北京邮电大学 | 一种视频超分辨率重建方法和装置 |
CN106815819A (zh) * | 2017-01-24 | 2017-06-09 | 河南工业大学 | 多策略粮虫视觉检测方法 |
-
2018
- 2018-01-10 CN CN201810022600.6A patent/CN107992863B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2010206078A1 (en) * | 2010-03-10 | 2011-09-29 | Total Manufacturing Co. | System and method for detection of insect infestation |
CN103034982A (zh) * | 2012-12-19 | 2013-04-10 | 南京大学 | 一种基于变焦视频序列的图像超分辨率重建方法 |
CN106254722A (zh) * | 2016-07-15 | 2016-12-21 | 北京邮电大学 | 一种视频超分辨率重建方法和装置 |
CN106815819A (zh) * | 2017-01-24 | 2017-06-09 | 河南工业大学 | 多策略粮虫视觉检测方法 |
Non-Patent Citations (4)
Title |
---|
On The Intelligent Detection Of Insects In Stored Grain;Dai Ting et al;《2011 International Conference on Electronic&Mechanical Engineering and Information Technology》;20110814;第2427-2430页 * |
变焦序列图像超分辨率重建算法研究;罗鸣威等;《南京大学学报(自然科学)》;20170131;第53卷(第1期);第165-172页 * |
基于多分辨率分析的储粮害虫图像预处理研究;胡玉霞;《农机化研究》;20120813;第34卷(第8期);第160-163页 * |
粮虫视觉检测技术的现状与展望;王贵财;《中国粮油学报》;20140528;第29卷(第4期);第124-128页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107992863A (zh) | 2018-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Che et al. | Multi-scan segmentation of terrestrial laser scanning data based on normal variation analysis | |
CN107341795B (zh) | 一种知识驱动的高空间分辨率遥感影像自动变化检测方法 | |
US8983200B2 (en) | Object segmentation at a self-checkout | |
US7983486B2 (en) | Method and apparatus for automatic image categorization using image texture | |
CN113240626B (zh) | 一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法 | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
CN106373146B (zh) | 一种基于模糊学习的目标跟踪方法 | |
US20210214765A1 (en) | Methods and systems for automated counting and classifying microorganisms | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN115861409B (zh) | 大豆叶面积测算方法、系统、计算机设备及存储介质 | |
CN112164030A (zh) | 水稻穗粒快速检测方法、装置、计算机设备及存储介质 | |
Ouma et al. | Urban features recognition and extraction from very-high resolution multi-spectral satellite imagery: a micro–macro texture determination and integration framework | |
CN107992863B (zh) | 多分辨率粮虫种类视觉识别方法 | |
CN114612315B (zh) | 一种基于多任务学习的高分辨率影像缺失区域重建方法 | |
Liu et al. | An MRF model-based approach to the detection of rectangular shape objects in color images | |
Erener et al. | A methodology for land use change detection of high resolution pan images based on texture analysis | |
CN116129280B (zh) | 一种遥感影像雪检测的方法 | |
Omidalizarandi et al. | Segmentation and classification of point clouds from dense aerial image matching | |
CN112365508A (zh) | 基于视觉注意与残差网络的sar遥感图像水域分割方法 | |
CN115019065A (zh) | 一种基于改进训练网络的ct图像病变识别方法 | |
CN114140698A (zh) | 一种基于FasterR-CNN的水系信息提取算法 | |
Han et al. | TemPanSharpening: A multi-temporal Pansharpening solution based on deep learning and edge extraction | |
CN118334526B (zh) | 一种基于改进Yolov8模型的堤防损坏识别方法 | |
Sasmita et al. | The Digit Recognition Using Local Projection Dependent Clustering | |
Patil et al. | De-noising and Road Extraction from High-resolution Images using Fully Convolutional Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |