CN108665450A - 一种玉米果穗机械损伤区域识别方法 - Google Patents
一种玉米果穗机械损伤区域识别方法 Download PDFInfo
- Publication number
- CN108665450A CN108665450A CN201810403342.6A CN201810403342A CN108665450A CN 108665450 A CN108665450 A CN 108665450A CN 201810403342 A CN201810403342 A CN 201810403342A CN 108665450 A CN108665450 A CN 108665450A
- Authority
- CN
- China
- Prior art keywords
- image
- corn ear
- mechanical damage
- fritter
- region
- 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.)
- Pending
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种玉米果穗机械损伤区域识别方法,包括:S1、将玉米果穗图像分成图像小块,获取玉米果穗图像小块数据集;S2、根据图像小块数据集中各图像小块的归一化特征,利用支持向量机确定候选区域小块;S3、利用卷积神经网络模型确定候选区域小块中的机械损伤区域。本发明提供的一种玉米果穗机械损伤区域识别方法,通过支持向量机在玉米果穗图像中选出候选区域,并通过卷积神经网络模型进行进一步识别,能快速、准确地识别玉米果穗机械损伤区域,提高了玉米果穗机械损伤区域识别的速度和准确度,满足玉米考种需求。
Description
技术领域
本发明涉及模式识别技术领域,更具体地,涉及一种玉米果穗机械损伤区域识别方法。
背景技术
目前,玉米果穗机械损伤区域识别是玉米果穗缺陷检测中的基础项目。玉米果穗在机械采收运输过程中不可避免的会产生机械损伤,人工评判玉米果穗机械损伤状况工作量大,难以量化,一般只能给出机械损伤状况分级。
利用计算机视觉对玉米果穗机械损伤区域进行识别可以很好地代替人工劳动力,有效提高识别效率。基于机器学习进行玉米果穗图像机械损伤区域的自动识别主要问题在于容易受到光照影响,将高光区域错分为机械损伤区域,导致较低的分类精度。
发明内容
为了克服现有玉米果穗机械损伤区域识别技术存在的识别准确度不高的不足,本发明提供一种玉米果穗机械损伤区域识别方法。
本发明提供一种玉米果穗机械损伤区域识别方法,包括:S1、将玉米果穗图像分成图像小块,获取玉米果穗图像小块数据集;S2、根据所述图像小块数据集中各图像小块的归一化特征,利用支持向量机确定候选区域小块;S3、利用卷积神经网络模型确定所述候选区域中的机械损伤区域。
优选地,所述步骤S2进一步包括:S21、提取所述图像小块数据集的训练集中各图像小块的所述归一化特征,对所述支持向量机进行训练;S22、利用训练完成的所述支持向量机确定所述测试集中的候选区域。
优选地,所述步骤S3进一步包括:S31、根据所述训练集调整所述卷积神经网络模型的权值,训练所述卷积神经网络模型;S32、根据训练完成的所述卷积神经网络确定所述候选区域小块中的机械损伤区域。
优选地,所述归一化特征根据颜色特征和纹理特征生成。
优选地,所述步骤S21具体包括:获取所述训练集中各图像小块的所述归一化特征的值,将所述训练集中的各图像小块映射为特征空间中的点;所述特征空间由所述归一化特征构成;根据所述训练集确定所述候选区域的划分平面;在所述特征空间中,位于所述划分平面第一侧的点对应包含正常区域的图像小块,位于所述划分平面第二侧的点包含对应机械损伤区域的图像小块。
优选地,所述步骤S22具体包括:获取所述训练集中各图像小块的所述归一化特征的值,将所述测试集中的各图像小块映射为特征空间中的点;将所述特征空间中,位于所述划分平面第二侧的点对应的图像小块确定为所述候选区域。
优选地,所述步骤S32具体包括:将所述候选区域小块输入所述训练完成的所述卷积神经网络模型,获取所述候选区域小块的分类概率值;将所述分类概率值大于概率阈值的所述候选区域小块确定为机械损伤区域。
优选地,所述步骤S1之前还包括:S0、对玉米果穗图像进行预处理。
优选地,所述步骤S0进一步包括:S01、扩充玉米果穗图像数据集包含的玉米果穗角度和亮度范围;S02、对扩充后的玉米果穗图像数据集进行图像增强。
优选地,所述步骤S02具体包括:采用至少一种基于Retinex理论的算法,对扩充后的玉米果穗图像数据集进行图像增强。
本发明提供的一种玉米果穗机械损伤区域识别方法,通过支持向量机在玉米果穗图像中选出候选区域,并通过卷积神经网络模型对候选区域进行进一步识别,确定玉米果穗机械损伤区域,能快速、准确地识别玉米果穗机械损伤区域,提高了玉米果穗机械损伤区域识别的速度和准确度,满足玉米考种需求。
附图说明
图1为本发明实施例一种玉米果穗机械损伤区域识别方法的流程图。
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,但不用来限制本发明的范围。
图1为本发明实施例一种玉米果穗机械损伤区域识别方法的流程图。如图1所示,一种玉米果穗机械损伤区域识别方法,包括:步骤S1、将玉米果穗图像分成图像小块,获取玉米果穗图像小块数据集;步骤S2、根据图像小块数据集中各图像小块的归一化特征,利用支持向量机确定候选区域小块;步骤S3、利用卷积神经网络模型确定候选区域中的机械损伤区域。
进行玉米果穗机械损伤区域识别前,对玉米果穗图像进行采集。
在采集玉米果穗图像过程中,先构建图像采集系统。图像采集系统包括工业相机、补光光源和支持装置等。
构建图像采集系统后,确定图像采集系统中各装置的位置和布局,包括确定工业相机的高度,补光光源的高度、角度和补光强度等。图像采集系统中各装置的位置和布局,可以根据一次或多次实验的效果确定,也可以根据之前进行玉米果穗图像采集的经验值确定。
确定图像采集系统中各装置的位置和布局后,确定工业相机的拍摄参数。工业相机的拍摄参数包括光圈、焦距、曝光时间、白平衡等。工业相机的拍摄参数,可以根据一次或多次实验的效果确定,也可以根据之前进行玉米果穗图像采集的经验值确定。
确定工业相机的拍摄参数后,可以将玉米果穗放置到图像采集系统中,由工业相机采集玉米果穗图像。
步骤S1,采集到玉米果穗图像后,将玉米果穗图像分成图像小块,获取玉米果穗图像小块数据集。图像小块的大小,可以根据图像中玉米粒的大小和/或玉米果穗机械损伤区域识别模型确定。
一般情况下,玉米粒的大小为30~50像素。因此,可以将玉米果穗图像分成与玉米粒的大小相近的图像小块,以便于进行玉米果穗机械损伤区域识别。
将玉米果穗图像分成图像小块,获取玉米果穗图像小块数据集后,可以将图像小块数据集中仅包含背景、不包含玉米粒的图像小块删除,以便之后不对仅包含背景、不包含玉米粒的图像小块进行识别,节约软硬件资源,提高玉米果穗机械损伤区域识别的速度和准确度。
步骤S2,利用支持向量机(Support Vector Machine,SVM)对玉米果穗图像小块数据集进行学习和识别,确定玉米果穗图像小块数据集中的候选区域。
机械收割玉米果穗采用的是物理碰撞原理,新鲜玉米果穗由于含水量较大,碰撞过程中容易造成果穗表皮损伤,从而露出白色胚乳。玉米果穗图像中包含了这种白色胚乳的区域就是机械损伤区域。因此,存在机械损伤的玉米粒和正常玉米粒存在差异。可以将图像小块的上述差异作为归一化特征,支持向量机根据图像小块的归一化特征对玉米果穗图像小块数据集进行学习和识别,进而将玉米果穗图像小块数据集中包含机械损伤区域的玉米果穗图像小块确定为候选区域。
步骤S3,深度学习中,常用卷积神经网络(Convolutional Neural Network,CNN)基于仿生原理,模拟人眼识别机制,提出局部感受野、权值共享和时空亚采样的思想,通过深层卷积神经网络自动从样本中学习特征,对于高度线性不可分问题具有很强的分类能力。实践表明卷积神经网络能提取图像的高层次信息,对于光照、噪声等干扰具有较强的鲁棒性,是图像的识别分类任务目前的最佳选择。因此,可以利用卷积神经网络模型对图像小块数据集进行学习,确定候选区域中的机械损伤区域。
本发明实施例可选用一个在CIFAR-10数据上成功应用的卷积网络模型,对其进行权值调整使其适应玉米果穗图像识别问题。该模型是一个输入32×32的RGB彩色图像输出图像分类标签的卷积神经网络模型。该模型包含三个标准卷积层、一个全连接层和一个softmax层。该模型最大的特点在于适用于普适物体识别,而且可应用于多分类。因此,可以利用该模型实现玉米果穗机械损伤区域识别。
本发明提供的方法通过区分正常区域和机械损伤区域识别玉米果穗机械损伤区域,将该模型的分类个数设置为2。将包含正常区域的图像小块设置为第0类,包含机械损伤区域的图像小块设置为第1类。
当选择该模型进行玉米果穗机械损伤区域识别时,相应地,在步骤S1中要将玉米果穗图像分成像素为32×32的图像小块。
本发明实施例也可以选用其他卷积神经网络模型。
本发明实施例通过支持向量机对玉米果穗图像小块数据集进行初筛,确定候选区域,并通过卷积神经网络模型对候选区域进行进一步识别,确定玉米果穗机械损伤区域,能快速、准确地识别玉米果穗机械损伤区域,提高了玉米果穗机械损伤区域识别的速度和准确度,满足玉米考种需求。
基于上述实施例,具体地,步骤S2进一步包括:步骤S21、提取图像小块数据集的训练集中各图像小块的归一化特征,对支持向量机进行训练;步骤S22、利用训练完成的支持向量机确定测试集中的候选区域小块。
步骤S2利用支持向量机确定玉米果穗图像小块数据集中的候选区域可以分为学习和识别两步。
为了之后便于进行玉米果穗机械损伤区域识别,将玉米果穗图像小块数据集划分为训练集和测试集。训练集和测试集中均包括机械损伤区域和正常区域。
根据进行玉米果穗机械损伤区域识别的模型和算法,选择合适的比例将玉米果穗图像小块数据集划分为训练集和测试集。根据模式识别和机器学习的一般情况,优选地,训练集和测试集的比例为5:1。
在划分为训练集和测试集时,为使玉米果穗机械损伤区域识别方法具有一般性,将图像小块随机划分到训练集或测试集中。
步骤S21,通过支持向量机对训练集中含机械损伤区域的图像小块和正常图像小块的归一化特征的学习,对支持向量机进行训练。
具体地,提取出训练集中各图像小块的归一化特征;根据训练集中各图像小块的归一化特征,对支持向量机进行训练。
步骤S22,支持向量机基于学习训练集完成训练,对测试集进行识别,将测试集中包含机械损伤区域的玉米果穗图像小块确定为候选区域小块。
具体地,提取测试集中各图像小块的归一化特征;将测试集中各图像小块的归一化特征输入到训练完成的支持向量机中进行判别,从而确定候选的机械损伤区域,即候选图像区域小块。
本发明实施例通过支持向量机对玉米果穗图像小块数据集进行初筛,确定候选区域,能快速将可能的玉米果穗机械损伤区域确定为候选区域,便于之后利用卷积神经网络模型对候选区域进行进一步识别,确定玉米果穗机械损伤区域,提高了玉米果穗机械损伤区域识别的速度,满足玉米考种需求。
基于上述实施例,具体地,步骤S3进一步包括:步骤S31、根据训练集调整卷积神经网络模型的权值,训练卷积神经网络模型;步骤S32、根据训练完成的卷积神经网络模型确定候选区域小块中的机械损伤区域。
步骤S3利用卷积神经网络模型确定候选区域中的机械损伤区域可以分为学习和识别两步。
步骤S31,根据训练集调整卷积神经网络模型的权值,训练卷积神经网络模型。
先将训练集的各图像小块中包含正常区域的图像小块标记为第0类,包含机械损伤区域的图像小块标记为第1类。利用在CIFAR-10数据集上成功应用的一个卷积神经网络模型,将训练集的各图像小块输入该卷积神经网络模型,进行网络前向运算,得到输出结果;将输出结果与输入的图像小块对应的分类值,即0或1进行比较,应用BP算法进行优化。经过多次重复上述调整该模型的卷积核权值的过程,直至优化目标函数的LOSS值小于给定阈值或者迭代一定次数后,将此时的卷积核权值确定为该模型的最终卷积核权值,训练结束。
步骤S32,通过学习确定卷积神经网络模型的权值后,将支持向量机识别得到的候选区域输入到卷积神经网络模型中,利用训练好完成的卷积神经网络模型,对通过支持向量机初筛获取的候选区域小块进一步识别,确定候选区域中的机械损伤区域。
将候选区域输入训练完成的卷积神经网络模型,通过该卷积神经网络模型模型的进行运算,得到输出结果。根据输出结果,确定候选区域中的机械损伤区域。
本发明实施例通过卷积神经网络对候选区域进行进一步识别,确定玉米果穗机械损伤区域,能准确地识别玉米果穗机械损伤区域,提高了玉米果穗机械损伤区域识别的准确度,满足玉米考种需求。
基于上述实施例,具体地,归一化特征根据颜色特征和纹理特征生成。
机械收割玉米果穗采用的是物理碰撞原理,新鲜玉米果穗由于含水量较大,碰撞过程中容易造成果穗表皮损伤,从而露出白色胚乳。玉米果穗图像中包含了这种白色胚乳的区域就是机械损伤区域。因此,存在机械损伤的玉米粒和正常玉米粒在颜色、纹理等方面存在差异,可以将颜色、纹理作为特征,用于识别机械损伤区域。可以将图像小块的颜色特征和纹理特征归一化,生成图像小块的归一化特征。
优选地,颜色特征为:R分量均值、G分量均值和B分量均值。
RGB色彩模式是工业界的一种颜色标准,通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各种各样的颜色。RGB色彩模式几乎包括了人类视力所能感知的所有颜色,是目前运用最广的颜色系统之一。因此,可以采用R分量均值、G分量均值和B分量均值作为各图像小块的颜色特征。根据玉米果穗机械损伤区域识别的需要,除了采用R分量均值、G分量均值和B分量均值等3个颜色特征以外,还可以增加其他颜色特征,例如色调均值,饱和度均值和上述特征的线性组合,但不限于此。
存在机械损伤的玉米粒和正常玉米粒的形态不同,反映为玉米果穗图像中机械损伤区域和正常区域的纹理不同。因此,可以将纹理作为机械损伤区域和正常区域的区别特征。
首先将各图像小块灰度化,转化为灰度图像,并将灰度图像进行灰度压缩,减少灰度图像的灰度级。优选地,将灰度级减少到16。
可以根据实际情况选择灰度级,使得计算灰度共生矩阵的计算量适度,在保证较高玉米果穗机械损伤区域识别率的前提下,具有较快的识别速度。
将图像小块的灰度图像的灰度级减少到16后,计算四个方向的灰度共生矩阵的特征量。通常计算灰度共生矩阵的方向取0度、45度、90度和135度。因此,本发明实施例中灰度共生矩阵的四个方向包括:0度、45度、90度和135度。
对于每一灰度共生矩阵,表征其特征的量包括:灰度共生矩阵的能量、对比度、熵、自相关度和逆差矩。因此,可以选取能量、对比度、熵、自相关度和逆差矩中的多个作为每一灰度共生矩阵的特征量。
优选地,选取每一灰度共生矩阵的能量、对比度、熵和自相关度作为其特征量。通过提取四个方向的灰度共生矩阵各自的能量、对比度、熵和自相关度,可以得到各图像小块的16个纹理特征。
优选地,将3个颜色特征R分量均值、G分量均值和B分量均值和16个纹理特征四个方向的灰度共生矩阵的能量、对比度、熵、自相关度,共19个特征归一化,得到归一化特征。
可以根据实际情况选择颜色特征和纹理特征的数量,在保证较高玉米果穗机械损伤区域识别率的前提下,具有较快的识别速度。
本发明实施例基于各图像小块的颜色特征和纹理特征生成归一化特征,便于基于归一化特征确定候选区域,避免了基于单一的颜色特征或纹理特征确定候选区域时干扰因素的识别结果的影响,提高了玉米果穗机械损伤区域识别的准确度。
基于上述实施例,具体地,步骤S21具体包括:获取训练集中各图像小块的所述归一化特征的值,将训练集中的各图像小块映射为特征空间中的点;特征空间由归一化特征构成;根据训练集确定候选区域的划分平面;在特征空间中,位于划分平面第一侧的点对应包含正常区域的图像小块,位于划分平面第二侧的点对应包含机械损伤区域的图像小块。
提取训练集中各图像小块的归一化特征,由归一化特征构成特征空间。
获取训练集中各图像小块的所述归一化特征的值,根据各图像小块的所述归一化特征的值,将训练集中的各图像小块映射为特征空间中的点。特征空间中的点与训练集中的图像小块一一对应。
包含正常区域的图像小块对应的点和包含机械损伤区域的图像小块对应的点,分别在归一化特征上具有相似性。因此,特征空间中,包含正常区域的图像小块对应的点的分布具有一定聚集性,包含机械损伤区域的图像小块对应的点的分布也具有一定聚集性,二者一般分布于特征空间中的不同区域。
支持向量机根据训练集进行学习,学习包含正常区域的图像小块对应的点和包含机械损伤区域的图像小块对应的点在特征空间中的分布特性,确定用于划分包含正常区域的图像小块对应的点和包含机械损伤区域的图像小块对应的点的划分平面。确定合适的划分平面,使得包含正常区域的图像小块对应的点位于划分平面的第一侧,包含机械损伤区域的图像小块对应的点位于划分平面的第一侧。
本发明实施例通过支持向量机对玉米果穗图像小块数据集进行初筛,确定候选区域,能快速将可能的玉米果穗机械损伤区域确定为候选区域,便于之后利用卷积神经网络模型对候选区域进行进一步识别,确定玉米果穗机械损伤区域,提高了玉米果穗机械损伤区域识别的速度,满足玉米考种需求。
基于上述实施例,具体地,步骤S22具体包括:获取训练集中各图像小块的归一化特征的值,将测试集中的各图像小块映射为特征空间中的点;将特征空间中,位于划分平面第二侧的点对应的图像小块确定为候选区域小块。
提取测试集中各图像小块的归一化特征,由归一化特征构成特征空间。
获取玉米果穗图像中各图像小块的所述归一化特征的值,根据各图像小块的所述归一化特征的值,将玉米果穗图像中的各图像小块映射为特征空间中的点。特征空间中的点与玉米果穗图像中的图像小块一一对应。
利用支持向量机通过对训练集的学习获取的划分平面,对特征空间中测试集中的各图像小块对应的点进行划分。将特征空间中,位于划分平面第二侧的点对应的图像小块确定为候选区域;位于划分平面第一侧的点对应的图像小块为包含正常区域的图像小块。
本发明实施例通过支持向量机对玉米果穗图像进行初筛,确定候选区域,能快速将可能的玉米果穗机械损伤区域确定为候选区域,便于之后利用卷积神经网络模型对候选区域进行进一步识别,确定玉米果穗机械损伤区域,提高了玉米果穗机械损伤区域识别的速度,满足玉米考种需求。
基于上述实施例,具体地,步骤S32具体包括:将候选区域小块输入训练完成的卷积神经网络模型,获取候选区域小块的分类概率值;将分类概率值大于概率阈值的候选区域小块确定为机械损伤区域。
具体地,将候选区域小块输入训练好的卷积神经网络模型,进行网络前向操作,得到输出结果。输出结果为输入的候选区域为机械损伤区域的分类概率,根据分类概率值确定候选区域小块的最终分类。
当分类概率大于概率阈值时,该候选区域为机械损伤区域;当分类概率小于概率阈值时,该候选区域为正常区域。
可以设置合适的概率阈值。例如:可以根据需要将概率阈值设置为0.5、0.6或0.9,但不限于此。
本发明实施例通过卷积神经网络对候选区域进行进一步识别,根据卷积神经网络获取候选区域为机械损伤区域的概率,并根据概率和概率阈值,确定玉米果穗机械损伤区域,能准确地识别玉米果穗机械损伤区域,提高了玉米果穗机械损伤区域识别的准确度,满足玉米考种需求。
基于上述实施例,具体地,步骤S1之前还包括:步骤S0、对玉米果穗图像进行预处理。
在将玉米果穗图像分成图像小块前,需要对玉米果穗图像进行预处理。主要目的是去除消除玉米果穗图像中无关的信息,恢复有用的真实信息,增强有关信息的可检测性和最大限度地简化数据,从而提高玉米果穗机械损伤区域识别的可靠性。
本发明实施例通过在将玉米果穗图像分成图像小块前对玉米果穗图像进行预处理,
基于上述实施例,具体地,步骤S0进一步包括:步骤S01、扩充玉米果穗图像数据集包含的玉米果穗角度和亮度范围;步骤S02、对扩充后的玉米果穗图像数据集进行图像增强。
对玉米果穗图像进行预处理,主要包括对玉米果穗图像数据集的扩充和对玉米果穗图像的增强。
对于步骤S01,在采集玉米果穗图像的过程中,由于玉米果穗自身的形状特点,使得图像各区域的光照不完全相同,并且图像各区域的玉米粒在图像中的角度不同。因此,为了使进行机械损伤区域识别时,图像各区域的光照、角度等条件基本相同,便于进行机械损伤区域识别,提高玉米果穗机械损伤区域识别的准确度,需要对工业相机采集的玉米果穗图像数据集进行扩充。
首先对工业相机采集的玉米果穗图像数据进行包含的玉米果穗角度的扩充。通过合适的算法,可以将玉米果穗图像从一个角度扩充为多个角度。
优选地,对玉米果穗图像数据施加二维旋转变换,扩充玉米果穗图像数据集包含的玉米果穗角度。
在进行包含的玉米果穗角度的扩充后,对扩充后的玉米果穗图像数据集模拟不同的亮度,扩充玉米果穗图像数据集包含的亮度。
对于步骤S02,在扩充玉米果穗图像数据集包含的玉米果穗角度和亮度范围后,对扩充后的玉米果穗图像数据集进行图像增强。
玉米果穗图像中包含了白色胚乳的区域是机械损伤区域,与高亮度的正常区域有一定的相似性。在玉米果穗机械损伤区域识别时,容易将高亮度的正常区域误识别为机械损伤区域。因此,需要尽量使玉米果穗图像中各区域的亮度接近,避免将高亮度的正常区域误识别为机械损伤区域。
对扩充后的玉米果穗图像数据集进行图像增强,主要是为了对玉米果穗图像采集中可能的光照不均匀进行处理。
在进行图像增强前,还可以先对玉米果穗图像进行滤波处理,消除玉米果穗图像数据中出现的噪声。实际采集的玉米果穗图像数据中出现的噪声主要是椒盐噪声。优选地,采用中值滤波处理玉米果穗图像以消除玉米果穗图像数据中出现的椒盐噪声。
本发明实施例通过扩充玉米果穗图像数据集包含的玉米果穗角度和亮度范围,能避免玉米果穗角度和亮度造成的误识别;通过图像增强能进一步避免光照不均匀造成的误识别;从而提高了玉米果穗机械损伤区域识别的准确度,满足玉米考种需求。进一步地,消除玉米果穗图像数据中出现的噪声,消除了玉米果穗图像数据中的无关信息造成的干扰,提高了玉米果穗机械损伤区域识别的准确度。
基于上述实施例,具体地,步骤S02具体包括:采用至少一种基于Retinex理论的算法,对扩充后的玉米果穗图像数据集进行图像增强。
对扩充后的玉米果穗图像数据集进行图像增强时,可以采用至少一种基于Retinex理论的算法。
Retinex理论主要包含了两个方面的内容:物体的颜色是由物体对长波、中波和短波光线的反射能力决定的,而不是由反射光强度的绝对值决定的;物体的色彩不受光照非均性的影响,具有一致性。因此,基于Retinex理论的算法能有效消除光照不均匀对颜色和纹理的影响。
基于Retinex理论的算法单尺度Retinex算法、多尺度加权平均的Retinex算法和带彩色恢复的多尺度Retinex算法,但不限于此。
在对扩充后的玉米果穗图像数据集进行图像增强时,可以根据需要选取一种基于Retinex理论的算法或多种基于Retinex理论的算法的组合,提高消除光照不均匀的效果。
本发明实施例通过用至少一种基于Retinex理论的算法,对扩充后的玉米果穗图像数据集进行图像增强,有效消除光照不均匀对颜色和纹理的影响,避免将高亮度的正常区域误识别为机械损伤区域,能准确地识别玉米果穗机械损伤区域,提高了玉米果穗机械损伤区域识别的准确度,满足玉米考种需求。
最后,本发明实施例仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种玉米果穗机械损伤区域识别方法,其特征在于,包括:
S1、将玉米果穗图像分成图像小块,获取玉米果穗图像小块数据集;
S2、根据所述图像小块数据集中各图像小块的归一化特征,利用支持向量机确定候选区域小块;
S3、利用卷积神经网络模型确定所述候选区域小块中的机械损伤区域。
2.根据权利要求1所述的玉米果穗机械损伤区域识别方法,其特征在于,所述步骤S2进一步包括:
S21、提取所述图像小块数据集的训练集中各图像小块的所述归一化特征,对所述支持向量机进行训练;
S22、利用训练完成的所述支持向量机确定所述测试集中的所述候选区域小块。
3.根据权利要求2所述的玉米果穗机械损伤区域识别方法,其特征在于,所述步骤S3进一步包括:
S31、根据所述训练集调整所述卷积神经网络模型的权值,训练所述卷积神经网络模型;
S32、根据训练完成的所述卷积神经网络模型确定所述候选区域小块中的机械损伤区域。
4.根据权利要求1所述的玉米果穗机械损伤区域识别方法,其特征在于,所述归一化特征根据颜色特征和纹理特征生成。
5.根据权利要求4所述的玉米果穗机械损伤区域识别方法,其特征在于,所述步骤S21具体包括:
获取所述训练集中各图像小块的所述归一化特征的值,将所述训练集中的各图像小块映射为特征空间中的点;所述特征空间由所述归一化特征构成;
根据所述训练集确定所述候选区域的划分平面;
在所述特征空间中,位于所述划分平面第一侧的点对应包含正常区域的图像小块,位于所述划分平面第二侧的点包含对应机械损伤区域的图像小块。
6.根据权利要求5所述的玉米果穗机械损伤区域识别方法,其特征在于,所述步骤S22具体包括:
获取所述训练集中各图像小块的所述归一化特征的值,将所述测试集中的各图像小块映射为特征空间中的点;
将所述特征空间中,位于所述划分平面第二侧的点对应的图像小块确定为所述候选区域小块。
7.根据权利要求3所述的玉米果穗机械损伤区域识别方法,其特征在于,所述步骤S32具体包括:
将所述候选区域小块输入所述训练完成的所述卷积神经网络模型,获取所述候选区域小块的分类概率值;
将所述分类概率值大于概率阈值的所述候选区域小块确定为机械损伤区域。
8.根据权利要求1-7任一所述的玉米果穗机械损伤区域识别方法,其特征在于,所述步骤S1之前还包括:
S0、对玉米果穗图像进行预处理。
9.根据权利要求8所述的玉米果穗机械损伤区域识别方法,其特征在于,所述步骤S0进一步包括:
S01、扩充玉米果穗图像数据集包含的玉米果穗角度和亮度范围;
S02、对扩充后的玉米果穗图像数据集进行图像增强。
10.根据权利要求9所述的玉米果穗机械损伤区域识别方法,其特征在于,所述步骤S02具体包括:
采用至少一种基于Retinex理论的算法,对扩充后的玉米果穗图像数据集进行图像增强。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810403342.6A CN108665450A (zh) | 2018-04-28 | 2018-04-28 | 一种玉米果穗机械损伤区域识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810403342.6A CN108665450A (zh) | 2018-04-28 | 2018-04-28 | 一种玉米果穗机械损伤区域识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108665450A true CN108665450A (zh) | 2018-10-16 |
Family
ID=63781516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810403342.6A Pending CN108665450A (zh) | 2018-04-28 | 2018-04-28 | 一种玉米果穗机械损伤区域识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108665450A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110044905A (zh) * | 2019-03-27 | 2019-07-23 | 北京好运达智创科技有限公司 | 一种双块式轨枕的裂纹检测方法 |
CN111612797A (zh) * | 2020-03-03 | 2020-09-01 | 江苏大学 | 一种水稻图像信息处理系统 |
CN113052177A (zh) * | 2019-12-26 | 2021-06-29 | 合肥美亚光电技术股份有限公司 | 大蒜的疤识别方法、装置及分选设备 |
CN113128249A (zh) * | 2019-12-26 | 2021-07-16 | 合肥美亚光电技术股份有限公司 | 大蒜的疤识别方法、系统及分选设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106238342A (zh) * | 2016-09-14 | 2016-12-21 | 郑州轻工业学院 | 全景视觉马铃薯分选和缺陷检测装置及其分选检测方法 |
CN107590498A (zh) * | 2017-09-27 | 2018-01-16 | 哈尔滨工业大学 | 一种基于字符分割级联二分类器的自适应汽车仪表检测方法 |
CN107944442A (zh) * | 2017-11-09 | 2018-04-20 | 北京智芯原动科技有限公司 | 基于改进卷积神经网络的对象检测装置及方法 |
-
2018
- 2018-04-28 CN CN201810403342.6A patent/CN108665450A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106238342A (zh) * | 2016-09-14 | 2016-12-21 | 郑州轻工业学院 | 全景视觉马铃薯分选和缺陷检测装置及其分选检测方法 |
CN107590498A (zh) * | 2017-09-27 | 2018-01-16 | 哈尔滨工业大学 | 一种基于字符分割级联二分类器的自适应汽车仪表检测方法 |
CN107944442A (zh) * | 2017-11-09 | 2018-04-20 | 北京智芯原动科技有限公司 | 基于改进卷积神经网络的对象检测装置及方法 |
Non-Patent Citations (1)
Title |
---|
张帆 等: "基于机器视觉的玉米异常果穗筛分方法", 《农业机械学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110044905A (zh) * | 2019-03-27 | 2019-07-23 | 北京好运达智创科技有限公司 | 一种双块式轨枕的裂纹检测方法 |
CN113052177A (zh) * | 2019-12-26 | 2021-06-29 | 合肥美亚光电技术股份有限公司 | 大蒜的疤识别方法、装置及分选设备 |
CN113128249A (zh) * | 2019-12-26 | 2021-07-16 | 合肥美亚光电技术股份有限公司 | 大蒜的疤识别方法、系统及分选设备 |
CN113052177B (zh) * | 2019-12-26 | 2022-08-23 | 合肥美亚光电技术股份有限公司 | 大蒜的疤识别方法、装置及分选设备 |
CN113128249B (zh) * | 2019-12-26 | 2022-08-23 | 合肥美亚光电技术股份有限公司 | 大蒜的疤识别方法、系统及分选设备 |
CN111612797A (zh) * | 2020-03-03 | 2020-09-01 | 江苏大学 | 一种水稻图像信息处理系统 |
CN111612797B (zh) * | 2020-03-03 | 2021-05-25 | 江苏大学 | 一种水稻图像信息处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108665450A (zh) | 一种玉米果穗机械损伤区域识别方法 | |
CN108319966B (zh) | 一种变电站复杂背景红外图像中设备的识别分类方法 | |
CN109636772A (zh) | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 | |
CN103996018B (zh) | 基于4dlbp的人脸识别方法 | |
CN108898610A (zh) | 一种基于mask-RCNN的物体轮廓提取方法 | |
CN108154519A (zh) | 眼底图像中血管的分割方法、装置及存储介质 | |
CN108121985A (zh) | 一种基于机器视觉的双指针仪表读数方法 | |
CN109859181A (zh) | 一种pcb焊点缺陷检测方法 | |
CN108830199A (zh) | 识别交通灯信号的方法、装置、可读介质及电子设备 | |
CN105389581B (zh) | 一种胚芽米胚芽完整度智能识别系统及其识别方法 | |
CN109446889A (zh) | 基于孪生匹配网络的物体追踪方法及装置 | |
CN101551853A (zh) | 复杂静态彩色背景下的人耳检测方法 | |
CN108734138A (zh) | 一种基于集成学习的黑色素瘤皮肤病图像分类方法 | |
CN108549910A (zh) | 一种基于卷积神经网络的玉米制种果穗图像初级分类方法 | |
CN112926652B (zh) | 一种基于深度学习的鱼类细粒度图像识别方法 | |
CN112102224A (zh) | 一种基于深度卷积神经网络的布匹疵点识别方法 | |
CN106872473A (zh) | 一种基于机器视觉的马铃薯缺陷检测识别系统设计 | |
CN105718947B (zh) | 基于lbp和小波矩融合特征的肺癌图像精细分类方法 | |
Li et al. | Research on a product quality monitoring method based on multi scale PP-YOLO | |
Jenifa et al. | Classification of cotton leaf disease using multi-support vector machine | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
CN111832508B (zh) | 基于die_ga的低照度目标检测方法 | |
CN117593540A (zh) | 一种基于智能化图像识别技术的压力性损伤分期识别方法 | |
CN201041547Y (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的装置 | |
CN108257148A (zh) | 特定对象的目标建议窗口生成方法及其在目标跟踪的应用 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181016 |