CN109190571A - 一种放牧绵羊采食典型植物种类的检测识别方法及其装置 - Google Patents
一种放牧绵羊采食典型植物种类的检测识别方法及其装置 Download PDFInfo
- Publication number
- CN109190571A CN109190571A CN201811059231.4A CN201811059231A CN109190571A CN 109190571 A CN109190571 A CN 109190571A CN 201811059231 A CN201811059231 A CN 201811059231A CN 109190571 A CN109190571 A CN 109190571A
- Authority
- CN
- China
- Prior art keywords
- image
- frame
- framing
- pixel
- point
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种放牧绵羊采食典型植物种类的检测识别方法及其装置。所述检测识别方法包括:视频信号预处理;被采食植物特征提取;被采食植物模式识别。在视频信号预处理中,先对所述视频信号动态视频图像配准后分帧,再图像去模糊化,图像滤波去噪,自适应帧间差分法实现图像ROI提取。在动态视频图像配准后分帧中:先检索放牧绵羊采食点时间前后2s内的时间段内的视频信号,再视频分帧。在图像去模糊化中:动态视频图像配准分帧后,利用单应性矩阵,关联每帧运动块;对各运动块模糊化处理使其与模糊帧对齐;从变换后的帧中选择最优匹配快,将清晰图像模块与模糊图像匹配,并将相应的清晰像素插值并替换模糊像素。
Description
技术领域
本发明涉及一种检测识别方法,尤其涉及一种放牧绵羊采食典型植物种类的检测识别方法及应用所述方法的放牧绵羊采食典型植物种类的检测识别装置。
背景技术
基于机器视觉技术的采食行为具有便捷、精准的优点,但因为动态视频采集的复杂度、视频信号处理的高难度、建立不同植物种类数据库任务的艰巨度,让人危而退步。放牧绵羊采食典型植物种类检测识别研究难点主要表现在:第一、模糊视频清晰化、将采食过程中运动羊只因头部震动产生的视频信号扰动降到最低,以方便后续研究。第二、视频信号预处理环节中采用合适的、先进的算法达到准确分帧、准确图像配准。
发明内容
本发明的目的在于提供一种放牧绵羊采食典型植物种类的检测识别方法及应用所述方法的放牧绵羊采食典型植物种类的检测识别装置,其降低动态视频采集的复杂度和视频信号处理的高难度。
本发明采用以下技术方案实现:一种放牧绵羊采食典型植物种类的检测识别方法,其用于对安装于放牧绵羊的羊龙头上的摄像装置所获取的视频信号进行数据处理;所述检测识别方法包括以下步骤:
步骤一、视频信号预处理;
步骤二、被采食植物特征提取;
步骤三、被采食植物模式识别;
在步骤一中,先对所述视频信号动态视频图像配准后分帧,再做图像去模糊化,然后图像滤波去噪,最后自适应帧间差分法实现图像ROI提取;
其中,动态视频图像配准后分帧包括以下步骤:先检索放牧绵羊采食点时间前后2s内的时间段内的视频信号,再进行视频分帧;
图像去模糊化包括以下步骤:(1)动态视频图像配准分帧后,利用单应性矩阵,关联每帧运动块;(2)对各运动块模糊化处理使其与模糊帧对齐,模糊函数由多个单应性变换估计得到;(3)从变换后的帧中选择最优匹配快,将清晰图像模块与模糊图像匹配,并将相应的清晰像素插值并替换模糊像素;
图像滤波去噪根据需求保留感兴趣的图像细节,而滤除掉不感兴趣的像素点;
自适应帧间差分法实现图像ROI提取包括以下步骤:首先通过摄像装置采集到放牧绵羊每次吃草前后的连续视频信号,由动态视频图像配准后分帧获取采食牧草点前后视频分帧为P张图像,循环对相近两帧图像逐帧进行帧间差分法计算,循环计算次数为组合数据次,选取次结论中像素差小于单口采食植物像素最大值时,则被认为是采食时的两帧有效图像,该两帧图像的差分图像即为最后被采食植物图像;接着对采食植物图像进行自适应阈值分割。
作为上述方案的进一步改进,动态视频图像配准后分帧具体为:提取出放牧绵羊采食行为及采食行为的时间点,之后与视频信号进行配准,一一提取视频点前后各1s的视频信号,进行分帧处理,分帧频率设定为4~6Hz。
作为上述方案的进一步改进,图像滤波去噪采用平均中值滤波法,包括以下步骤:
设置滑动窗口内含有奇数个样本点,计算该奇数个样本点的中心点数据,将此数据作为该滑动窗口内的中心点;通过滑动窗口,得到不同的中心点值;
设有n个一维样本序列d1,d2,…,dn,取窗口长度为L,L为奇数,从n个一维样本序列中取出m个数,di-v,…,di-1,di,di+1,…di+v,其中di为窗口的中心点值,再将这m个中心点值按大小顺序排列,取正中的数为滤波后输出值。
作为上述方案的进一步改进,自适应阈值分割包括以下步骤:
(1)选择初始阈值,计算该图像中像素的最小灰度值Zmin和最大灰度值Zmax,取平均值为初始阈值
(2)将初始阈值T0作为分割被采食植物图像的分界点,被采食植物图像分割后的两部分区域R1和R2,其中:
R1={f(i,j)=0|f(i,j)>T0}
R2={f(i,j)=1|0≤f(i,j)≤T0}
式中:f(i,j)为图像中(i,j)点的灰度值;
(3)重新分别计算R1和R2这两部分区域的灰度均值Z1和Z2,计算公式如下:
式中:N(i,j)为(i,j)点的权重系数,本发明选择权重系数为1.0;
(4)计算Z1和Z2的平均值作为新的阈值Tk+1,
(5)当Tk≠Tk+1时,转向第二步继续进行迭代运算;当Tk=Tk+1时,则循环计算结束,此时的阈值为最佳分割点,对应的图像为最终能被后续识别处理的图像即ROI。
优选地,被采食植物特征提取包括:颜色特征提取、形状特征提取、纹理特征提取、特征参数主成分分析降维。
再优选地,形状特征提取包括以下步骤:
首先,描述形状特征的基本量为:各叶片的面积、周长、长度、宽度;面积A:叶片区域内像素点数;Ri为像素区域;Ai为区域内像素点数:周长C:叶片边界像素点数的和,两个倾斜方向相邻像素fi,j和fm,n之间的距离,P8(fi,j,fm,n)=mas{|i-m|,|j-n|}=1;长度L:叶片最小外接矩形的长度等于轮廓上最远的两像素点之间的距离;宽度W:叶片最小外接矩形的宽,与长轴垂直的直线与轮廓交点的最大距离;
其次,对各叶片的面积A、周长C、长度L、宽度W进行统计,其中面积应用像素点进行计算、周长应用叶片边界像素点数的和统计,长度和宽度应用外接矩形计算;
对所述描述形状特征的基本量进行相互组合,得到形态特征量。
作为上述方案的进一步改进,被采食植物模式识别包括:BP神经网络结构和BP神经网络学习流程。
本发明还提供一种应用上述任意放牧绵羊采食典型植物种类的检测识别方法的放牧绵羊采食典型植物种类的检测识别装置,所述检测识别装置包括:视频信号预处理模块,被采食植物特征提取模块,被采食植物模式识别模块;
所述视频信号预处理模块包括先对所述视频信号动态视频图像配准后分帧的动态视频图像配准后分帧单元,再做图像去模糊化的图像去模糊化单元,然后图像滤波去噪的图像滤波去噪单元,最后自适应帧间差分法实现图像ROI提取的提取单元;
其中,动态视频图像配准后分帧单元先检索放牧绵羊采食点时间前后2s内的时间段内的视频信号,再进行视频分帧;
图像去模糊化单元用于:(1)动态视频图像配准分帧后,利用单应性矩阵,关联每帧运动块;(2)对各运动块模糊化处理使其与模糊帧对齐,模糊函数由多个单应性变换估计得到;(3)从变换后的帧中选择最优匹配快,将清晰图像模块与模糊图像匹配,并将相应的清晰像素插值并替换模糊像素;
图像滤波去噪单元用于根据需求保留感兴趣的图像细节,而滤除掉不感兴趣的像素点;
提取单元用于:首先通过摄像装置采集到放牧绵羊每次吃草前后的连续视频信号,由动态视频图像配准后分帧获取采食牧草点前后视频分帧为P张图像,循环对相近两帧图像逐帧进行帧间差分法计算,循环计算次数为组合数据次,选取次结论中像素差小于单口采食植物像素最大值时,则被认为是采食时的两帧有效图像,该两帧图像的差分图像即为最后被采食植物图像;接着对采食植物图像进行自适应阈值分割。
本发明还提供一种计算机终端,其包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序;所述处理器执行所述程序时实现如上述任意放牧绵羊采食典型植物种类的检测识别方法的步骤。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时,实现上述任意放牧绵羊采食典型植物种类的检测识别方法的步骤。
视频信号预处理中最棘手的问题是视频信号分割后的帧间差分法,因为它是能否检测出被放牧绵羊采食叶片的关键,本发明在视频信号预处理中,先对所述视频信号动态视频图像配准后分帧,再做图像去模糊化,然后图像滤波去噪,最后自适应帧间差分法实现图像ROI提取,从而为后续被采食植物模式识中,其分类识别的精确性和可靠性提供良好的保障。
附图说明
图1为本发明放牧绵羊采食典型植物种类的检测识别装置的结构框图。
图2为放牧绵羊采食牧草试验结果图。
图3为放牧绵羊采食牧草的试验牧草图。
图4为图3中放牧绵羊采食牧草的试验样本图。
图5为图4中三种牧草H分量值曲线图。
图6为图4中三种牧草S分量值曲线图。
图7为图4中三种牧草V分量值曲线图。
图8为图4中三种牧草L分量值曲线图。
图9为图4中三种牧草a*分量值曲线图。
图10为图4中三种牧草b*分量值曲线图。
图11为图4中放牧绵羊采食牧草的图像预处理示意图。
图12为图4中区域(a)的牧草特征提取示意图。
图13为图4中三种牧草宽长比值曲线示意图。
图14为图4中三种牧草复杂度值曲线示意图。
图15为图4中三种牧草离散度值曲线示意图。
图16为图4中三种牧草圆度值曲线示意图。
图17为图4中三种牧伸长度值曲线示意图。
图18为图4中三种牧草矩形度值曲线示意图。
图19为图4中三种牧草的能量示意图。
图20为图4中三种牧草的相关性示意图。
图21为图4中三种牧草的灰度熵示意图。
图22为图4中三种牧草的梯度熵示意图。
图23为图4中三种牧草的混合熵示意图。
图24为图4中三种牧草的惯性示意图。
图25为图4中三种牧草的逆差矩示意图。
图26为应用在本发明放牧绵羊采食典型植物种类的检测识别方法中BP神经网络结构图。
图27为与本发明放牧绵羊采食典型植物种类的检测识别方法相结合的BP神经网络结构图。
图28位图27中隐含层节点数与准确率关系示意图。
图29为采用本发明放牧绵羊采食典型植物种类的检测识别方法的识别结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
放牧绵羊采食典型植物种类检测识别研究难点主要表现在:第一、模糊视频清晰化、将采食过程中运动羊只因头部震动产生的视频信号扰动降到最低,以方便后续研究。第二、视频信号预处理环节中采用合适的、先进的算法达到准确分帧、准确图像配准。第三、建立该试验基地放牧绵羊常采食植物数据库,数据库包括该植物不同季节、不同地理位置、不同植物生长期、不同光照强度下的颜色、形状、纹理特征库,并通过模式识别方法进行大数据模型库设计开发,完成草原植被数字化。第四、使用模式识别系统完成不同植物的准确快速分类,并精准计算采食植物量等研究。
草原放牧绵羊采食典型植物种类检测识别方法研究包括视频信号采集、视频信号预处理、动态视频分帧、提取图像ROI(region of interest),采食植物叶片特征提取、特征参数降维、模式识别等环节。实现过程如图1所示,本发明的放牧绵羊采食典型植物种类的检测识别装置包括视频信号预处理模块,被采食植物特征提取模块,被采食植物模式识模块。本发明的放牧绵羊采食典型植物种类的检测识别装置,其对应的本发明的放牧绵羊采食典型植物种类的检测识别方法用于对安装于放牧绵羊的羊龙头上的摄像装置所获取的视频信号进行数据处理。所述检测识别方法包括以下步骤:步骤一、视频信号预处理;步骤二、被采食植物特征提取;步骤三、被采食植物模式识。为了说明该方法的实现过程,降低论述的篇幅,本发明选用三种典型牧草为代表说明问题。
本发明研究内容是实现放牧绵羊采食植物种类识别方法研究的重要内容,实现过程中需要对信号进行预处理、建立牧草特征库和实现检测识别。图像预处理模块中最棘手的问题是视频信号分割后的帧间差分法,它是能否检测出被放牧绵羊采食叶片的关键,经过试验验证该方法合适可行,只是能被正确分割出的被采食植物数量较少,这也是本课题组日后完成国家基金继续深入研究的关键点。草原牧草特征库的建立工作也特别庞大,本发明已经建立了7种放牧绵羊常采食的牧草,且为牧草识别提供了可靠的特征提取方法与数据。但仍然数量偏少,因为试验基地放牧绵羊常采食的牧草多达20多种,牧草模式识别模块选用BP神经网络,尽管BP神经网络不是人工智能模式识别的新方法,但此方法具有相当好的鲁棒性,完全可以满足识别精度。随着深度学习在图像处理方面的广泛应用,下一步通过应用深度学习模型完成牧草识别应该会取得更加理想的效果。
1视频信号预处理
所述视频信号预处理模块包括先对所述视频信号动态视频图像配准后分帧的动态视频图像配准后分帧单元,再做图像去模糊化的图像去模糊化单元,然后图像滤波去噪的图像滤波去噪单元,最后自适应帧间差分法实现图像ROI提取的提取单元。
首先应用安装于羊龙头右侧上重量仅为23g的U盘式HNSAT微型摄像机进行放牧绵羊采食行为检测,将视频信号存储U盘并上传计算机后完成典型采食牧草种类识别研究。
在本实施例中,视频信号预处理也即视频图像预处理,包括动态视频图像配准后分帧、图像去模糊化、图像滤波去噪、自适应帧间差分法实现图像ROI(Region ofinterest)提取等环节,预处理的效果直接影响分类识别的精度与可靠性。因为采集到的视频信号受羊运动的抖动影响,导致视频文件的模糊化,将视频信号分帧处理后,多数牧草图像较模糊,只有部分可以作为后续图像处理的样本。
1.1动态视频图像配准分帧
动态视频图像配准后分帧单元先检索放牧绵羊采食点时间前后2s内的时间段内的视频信号,再进行视频分帧。
在本实施例中,视频信号分帧处理是后期图像处理、特征提取与牧草识别的关键。为了减少计算机的工作量,需要检索放牧绵羊采食点时间前后2s内的时间段,再进行视频分帧。具体方法为:利用第三章基于K-means聚类算法与GPS数据匹配法的结论,提取出绵羊采食行为及采食行为的时间点,之后与视频信号进行配准,一一提取视频点前后各1s的视频信号,利用MATLAB软件进行分帧处理,试验验证分帧频率设定为4~6Hz。如果分帧频率太高,后续图像去模糊化、图像滤波,尤其自适应帧间差分法的运算量将大大增加,影响了图像预处理的时效性与快速性;如果分帧频率太低,计算速度会加快,但极有可能失去有效信息,如羊低头采食某种植物前与采食植物后这两帧关键的图像信息。如2017年6月13日上午进行了2小时的试验,融合行为识别结果匹配出的采食点有458次,但由于放牧绵羊采食过程中抖动非常大,且因其它原因导致采食点分帧后较清晰的图像组只有241次,分帧成功率大约为52.6%,其它约47.4%的图像模糊度特别大,没有清晰的成像,后续试验过程将舍去。
1.2图像去模糊化
图像去模糊化单元用于:(1)动态视频图像配准分帧后,利用单应性矩阵,关联每帧运动块;(2)对各运动块模糊化处理使其与模糊帧对齐,模糊函数由多个单应性变换估计得到;(3)从变换后的帧中选择最优匹配快,将清晰图像模块与模糊图像匹配,并将相应的清晰像素插值并替换模糊像素。
在本实施例中,放牧绵羊采食过程中存在抖动的问题,采集到的采食视频经分帧后所得图像会伴随模糊的情况,需要采用去模糊化算法对图像进行处理[127]。具体办法为:(1)动态视频图像配准分帧后,利用单应性矩阵,关联每帧运动块;(2)对各运动块模糊化处理使其与模糊帧对齐,模糊函数由多个单应性变换估计得到;(3)从变换后的帧中选择最优匹配快,将清晰图像模块与模糊图像匹配,并将相应的清晰像素插值并替换模糊像素,这样就可以实现每一帧图像的去模糊化。
1.3图像滤波去噪
图像滤波去噪单元用于根据需求保留感兴趣的图像细节,而滤除掉不感兴趣的像素点。图像滤波去噪的方法很多,本发明选用一种平均中值滤波法,对视频分帧后的图像进行滤波去噪。
中值滤波算法的工作原理是设置滑动窗口内含有奇数个样本点,通过程序计算该奇数个点的中心点数据,将此数据作为该窗内的中心点,通过滑动窗口,得到不同的中心点值。设有n个一维序列d1,d2,…,dn,取窗口长度为l(l为奇数),从样本序列中取出m个数,di-v,…,di-1,di,di+1,…di+v,其中di为窗口的中心点值,再将这m个点按大小顺序排列,取正中的数为滤波后输出值。用数学公式表示为:
Yi=Med{di-v,…,di,…,di+v} (20)
滤波窗口先用三维、五维方矩阵进行试验,之后逐渐增大,直到其滤波效果最佳时停止。邻域平均中值滤波法计算较为方便,克服线性滤波器的缺点,如图像部分像素点模糊等,同时可以对脉冲干扰信号进行高效的滤除。
1.4图像帧间差分法自适应提取ROI
提取单元用于:首先通过摄像装置采集到放牧绵羊每次吃草前后的连续视频信号,由动态视频图像配准后分帧获取采食牧草点前后视频分帧为P张图像,循环对相近两帧图像逐帧进行帧间差分法计算,循环计算次数为组合数据次,选取次结论中像素差小于单口采食植物像素最大值时,则被认为是采食时的两帧有效图像,该两帧图像的差分图像即为最后被采食植物图像;接着对采食植物图像进行自适应阈值分割。
在本实施例中,首先通过固定在绵羊头上的微型摄像机采集到绵羊每次吃草前后的连续视频信号,由动态视频图像配准分帧法可知,采食牧草点前后视频分帧为10张图像,分为标记为P1,…,P10,由程序设定循环对相近两帧图片逐帧进行帧间差分法计算,循环计算次数为组合数据45次,选取45次结论中像素差小于单口采食植物像素最大值时,则被认为是采食时的两帧有效图像,该两帧图像的差分图像即为最后被采食植物图像。接着对采食植物图像进行自适应阈值分割,具体步骤为:
选择初始阈值由MATLAB程序自动计算该图像中像素的最小灰度值Zmin和最大灰度值Zmax,取平均值为初始阈值
将初始阈值T0作为分割被采食植物图像的分界点,其中:
R1={f(i,j)=0|f(i,j)>T0} (22)
R2={f(i,j)=1|0≤f(i,j)≤T0} (23)
式中:f(i,j)为图像中(i,j)点的灰度值。
重新分别计算R1和R2这两部分区域的灰度均值Z1和Z2,计算公式如下:
式中:N(i,j)为(i,j)点的权重系数,本发明选择权重系数为1.0。
计算Z1和Z2的平均值作为新的阈值Tk+1
当Tk≠Tk+1时,转向第二步继续进行迭代运算;当Tk=Tk+1时,则循环计算程序结束,此时的阈值为最佳分割点,对应的图像为最终可被后续识别处理的图像,即ROI。以被采食植物鹅绒萎菱菜为例来说明。如图2所示,左上角为被绵羊采食前的完整植被图,右上角为被绵羊采食后的缺叶植物图,两图进行帧间差分法后得到下方所示的单叶图像信息。
帧间差分方法具有计算简单、实用性好及适应能力强的优点,但在实际应用过程中,该方法精度不高,容易产生较大的空洞。图像帧间差分法自适应提取ROI是本课题视频预处理实现的难点之一,为了提高处理精度且具有广泛的适应性,需要本发明后续单独对其进行深入研究。
2被采食植物特征提取
被采食植物特征提取包括:颜色特征提取、形状特征提取、纹理特征提取、特征参数主成分分析降维。
特征提取是利用一些数学或其它方法将可以直接测量的原始特征数据转换为具有统计意义或明显物理意义数据的过程,在模式识别环节中具有非常重要的意义,是模式识别成败的重要决定因素,但特征提取的过程因对象不同而产生较大的差异。
由图1识别流程图可知,本发明进行植物特征研究的环节有两部分,第一部分为特征库建立模块,第二部分为应用识别模块,但特征提取方法一样,最终特征值经模式识别分类器分类得到植物种类信息。
内蒙古乌兰察布四子王旗草原可供放牧绵羊采食的植物种类有很多,根据文献记载大约有20种,但由于研究时间等的限制,本发明先选取7种(冷蒿、木地肤、无芒隐子草、羊草、糙苏、鹅绒萎菱菜、灰绿藜)绵羊常采食的植物进行研究。同一种植物在生长中的不同时间段(如幼苗期、开花期、成熟期)、不同光照强度下(如阳光明媚、正常日照、阴天)以及不同地理位置(如山的阳面,山的阴面)会呈现出不同的参数特征,因此为了研究的客观性与准确性,需要进行大量的试验,并做大量的统计工作,以获取某种植物的特征信息。本发明针对上述7种植物在生长的不同时期、不同光照度及不同地点,完成大量试验样本,并通过数理统计方法及MATLAB软件进行特征参数提取,总结其变化的本质与规律,得出同种植物的特征参数范围,建立植物参数规则模型库。
为了说明特征提取的方法,减少论述的篇幅,本章选择具有代表性的三种特征参数明显、较常被放牧绵羊采食的植物进行研究,它们分别是无芒隐子草(Cleistogenessongorica(Roshev.)Ohwi)、糙苏(Herb of Shady Jerusalemsage)和鹅绒萎陵菜(Potentilla anserina)。三种牧草如图3所示。
无芒隐子草,直立或稍倾斜生长,生长高度为15~50cm;叶鞘长于节间,上面粗糙,下面较平滑,呈现扁平或内卷形状,叶片线性,长度一般为2~6cm,宽度为1.5~2.5mm;无芒隐子草所含营养成份较高,是内蒙古乌兰察布草原主要的牧草资源。
糙苏也称山苏子,根粗厚,茎高约5~50厘米,叶片分枝较多,叶片形状多为近圆形、圆卵形或卵状长圆形,叶片长度为5.2~12厘米,宽度为2.5~12厘米;糙苏具有解毒消肿等功效。
鹅绒萎陵菜,茎细长,叶子长4~6厘米;茎生叶较小,小叶3~12对;叶片多为长圆状;其块根有清热解毒的功效。
应用图像帧间差分法提取被放牧绵羊采食的植物,在不同季节、牧草的不同生长期、不同光照强度下通过微型摄像机对采食牧草进行分析处理,将采集到的叶片按牧草名称分类存储,本试验选择200幅无芒隐子草叶片图像、180幅鹅绒萎菱菜叶片图像、164幅糙苏叶片图像作为样本,样本之一如图4所示。
这里需要特别强调说明的是,由于视频信号非常不稳定,抖动非常严重,动态视频图像配准分帧、图像去模糊化、滤波去噪、图像帧间差分法提取有效图像的过程很难顺利实现,能够从数小时中提取可以被处理的叶片信息较少,尽管提取了数百张可以被后期特征提取、识别的图像,但用了大量视频样本才得以实现,这也是后续课题继续深入的要点与难点。
在对牧草图像信息进行模式识别的前期,常用的可被利用的特征有:牧草颜色特征、牧草纹理特征、牧草形状特征、牧草空间关系特征。颜色特征是提取像素点的整体特征,很少关注图像中的局部特性,像素点的个数与每个点的数字描述决定着整体特性。尽管颜色特征数据库较大,但随着处理器云计算能力的提高,颜色特征提取方法越来越不会受到处理速度慢的瓶颈限制。图像形状特征包括图形的面积、周长、长度、宽度及长宽比、复杂度、圆形度、圆度、伸长度、矩形度等。常用于分析描述形状的方法有:边界特征法,如Hough变换法、傅里叶形状描述法、几何参数法、形状不变矩法、有限元法和小波描述法,但图像形状改变将直接影响到特征提取和目标识别的准确性。纹理特征同颜色特征,需要对区域内像素点进行统计分析,计算得到相关纹理特性数据。纹理特征不会因图像旋转而产生不同的结果,但当图像分辨率发生改变时,纹理特征会有较大的数据差异。常用分析纹理的方法有:灰度共生矩阵、Tamura纹理特征、自回归纹理模型、小波变换等。
通过上述分析,颜色、形状、纹理、空间关系等特征量各优点与缺点,利用其中一种或几种作为图像特征提取值,都比较片面,无法较完整地表达草原“变化多端”的牧草,因此本发明综合提取颜色、形状、纹理特征,相互间取长补短,较全面地体现牧草的特征,为后续的模式识别奠定基础。
2.1颜色特征提取
牧草叶片图像的颜色特征提取方式,直接影响到图像分割的效率和精度。对本发明研究的牧草图像,分别在RGB、HSV、L*a*b*三种颜色模型中进行颜色直方图和颜色矩的图像预处理后发现,基于HSV、L*a*b*颜色模型的颜色矩特征提取方法有较好的效果,因此本章选用HSV和L*a*b*两种颜色模型,分别对H、S、V、L*、a*、b*进行一阶矩、二阶矩分析,作为识别的重要依据。
首先对图像RGB(Red红、Green绿、Blue蓝)值进行宏观把控,同时对图像中的每一个单个像素点,都输出RGB值,从微观角度准确地得到图像的像素信息。具体方法:利用MATLAB图像工具Data Cursor,调用imshow命令,读取每一个x、y坐标下的R、G、B分量值,并记录于xls表。
HSV(Hue色调,Saturation饱和度,Value明度)空间与人眼的感知方式比较接近,适合基于图像处理的颜色描述。将RGB图像转换到HSV颜色空间下,转换公式如下:
式中arccos为反三角函数中的反余弦;θ为中间变量,无量纲;min(R,G,B)为R,G,B三分量中最小值。
L*a*b*是经修改后得到的一个简化颜色模型,可以弥补RGB依赖设备颜色特性的不足。L*a*b*颜色空间可以描述任意的色彩图像。
RGB到L*a*b*颜色模型的转换公式为:
RGB→CIE XYZ
CIE XYZ→L*a*b*
颜色矩方法是表达颜色特征较为简单的一种,其优点在于该方法特征向量维数低且特征明显。颜色的分布信息主要集中在描述平均颜色的一阶矩(Mean)、描述颜色方差二阶矩(Variance)和描述颜色的偏移性三阶矩(Skewness),颜色矩能够全面呈现图像的颜色分布特征[141]。计算一阶矩、二阶矩和三阶矩的公式分别为:
式中i为颜色模型分量,i=1为R分量,i=2为G分量,i=3为B分量;Pij为颜色分量i,当像素为j时的概率值;N为图像中像素点个数;Mi1、Mi2、Mi3分别为一、二、三阶矩计算值。
对无芒隐子草、鹅绒萎菱菜、糙苏三种牧草叶片,分别提取H、S、V与L*、a*、b*分量值的一阶矩、二阶矩,这样共得到12个特征向量。为了说明问题,选取具有代表性的3组数据,如表1所示。
表1三种牧草HSV与LAB模型颜色特征参数值
为了一目了然地看清三种牧草(无芒隐子草、鹅绒萎菱菜、糙苏)的H、S、V与L*、a*、b*分量值的一阶矩、二阶矩之间的关系与区别,将上述表6归类为如下图5至图10这6个图,从图中可以直观地得到各数据之间的差异或数据间的交叉情况。注:图5中一阶矩数据为实际数据的1/20。由图5~10可以看出,三种牧草的HSV与L*a*b*的一、二阶矩存在交叠现象,且在试验过程中发现其它颜色比较接近的牧草进行颜色特征提取时,数据差异并不大,因此还需要对形状特征进一步研究,以提高整体识别率。
2.2形状特征提取
形状特征提取包括以下步骤:
首先,描述形状特征的基本量为:各叶片的面积、周长、长度、宽度;面积A:叶片区域内像素点数;Ri为像素区域;Ai为区域内像素点数:周长C:叶片边界像素点数的和,两个倾斜方向相邻像素fi,j和fm,n之间的距离,P8(fi,j,fm,n)=mas{|i-m|,|j-n|}=1;长度L:叶片最小外接矩形的长度等于轮廓上最远的两像素点之间的距离;宽度W:叶片最小外接矩形的宽,与长轴垂直的直线与轮廓交点的最大距离;
其次,对各叶片的面积A、周长C、长度L、宽度W进行统计,其中面积应用像素点进行计算、周长应用叶片边界像素点数的和统计,长度和宽度应用外接矩形计算;
对所述描述形状特征的基本量进行相互组合,得到形态特征量。
在本实施例中,为了提取形状特征,需要对牧草叶片图像进行预处理。为了说明问题减少论述篇幅,本发明以鹅绒萎陵菜为例进行图像预处理。将上述图2的叶片进行如下处理:灰度化、二值化、形态学填充,如图11所示。
描述形状特征的基本量为:各叶片的面积、周长、长度、宽度[142],统计方法如下:
面积A:叶片区域内像素点数;Ri为像素区域;Ai为区域内像素点数:
周长C:叶片边界像素点数的和,两个倾斜方向相邻像素fi,j和fm,n之间的距离,可表达为:
P8(fi,j,fm,n)=mas{|i-m|,|j-n|}=1 (38)
长度L:叶片最小外接矩形的长度等于轮廓上最远的两像素点之间的距离。
宽度W:叶片最小外接矩形的宽,与长轴垂直的直线与轮廓交点的最大距离。
形状特征计算需要对各叶片的面积A、周长C、长度L、宽度W进行统计,其中面积应用像素点进行计算、周长应用叶片边界像素点数的和统计,长度和宽度应用外接矩形计算,以鹅绒萎菱菜的外接矩形及面积周长计算为例说明,图12所示。
利用上述基本形态参数相互组合,得出下表2中的形态特征量,其中长宽比、复杂度、圆形度、圆度、伸长度、矩形度均为无量纲特征,它对于叶片的平移、旋转、放大、缩小等均具有不变性。
表2叶片形状特征参数定义
利用上述方法,基本形态参数相互组合运算,应用MATLAB对预处理后的三种典型牧草叶片进行特征提取,得出下表3中的形状特征参数区间,其中宽长比T1=W/L、复杂度T2=4πA/C2、离散度T3=C2/A、圆度T4=4πA/L2、伸长度E=(L-W)/(L+W)、矩形度R=A/(L×W)均为无量纲特征,它对于叶片的平移、旋转、放大、缩小等均具有不变性。
表3形状参数的区间范围
同理,为了更清楚地说明三种牧草无芒隐子草、鹅绒萎菱菜、糙苏的形状特征之间的关系与区别,将表3归类为图13-18的6个图,可以直观地得到各数据之间的差异或数据间的交叉情况。
通过对三种典型牧草叶片6个形状参数的统计,发现宽长比和圆度两个特征参数在识别典型牧草时的特征参数重叠率大,所以,复杂度、离散度、伸长度和矩形度4个形状特征是统计重点。
2.3纹理特征提取
纹理特征提取算法广泛的应用于图像分割、图像模式识别中。该方法有计算简单、易分析的优点。而统计方法中,灰度共生矩阵(GLCM,Gray-Level Co-occurrenceMatrices)是最常用的一种。试验证明,该方法可以应用于牧草图像信息提取且具有较好的效果。
2.3.1灰度共生矩阵算法研究
1973年Haralick等人提出了用灰度共生矩阵(Grey Level Co-occurrenceMatrix,GLCM)来描述纹理特征,该方法反映图像灰度的分布情况和出现的频率。
灰度共生矩阵的数学表达式如39所示:
P(i,j,d,θ)={(x,y),(x+Dx,y+Dy)|f(x,y)=i,f(x+Dx,y+Dy)=j} (39)
其中,灰度共生矩阵的三个重要变量分别为:灰度级数G、移动点的距离d和角度θ。一般来讲,需要对G灰度级进行压缩以减少计算负担,将256级压缩至32级或16级提高运行的效率。经试验证明,计算容易且效果最好。θ取具有代表性且容易计算的4个方向,分别为0度、45度、90度和135度。
需要对灰度共生矩阵进行统计分析,获得更加有效的数据。常用的计算量包括能量、熵、惯性、相关性、差异、逆矩阵等20个特征值,这些特征值可以全面地呈现整幅图像的纹理特征。本发明选用其中具有代表性的4种特征进行对草原牧草的纹理特征提取,它们分别为能量、熵、惯性和相关性,分别介绍如下:
(1)能量(角二阶矩)
ASM=∑i∑j(pij)2 (40)
能量反映了牧草图像灰度分布均匀的程度和纹理的粗细程度。当共生矩阵中元素分布不均匀时,能量值较大。当共生矩阵的所有值相差不大且分布均匀时,能量值较小。
(2)熵
BNT=-∑i∑jpijlg(pij) (41)
熵反映了牧草图像中纹理的不均匀程度或复杂程度。熵值是图像所含信息量多少的度量,当灰度共生矩阵值分布均匀,熵较大。
(3)惯性(对比度)
CON=∑i∑j(i-j)2pij (42)
惯性反映着牧草图像的清晰度或纹理沟纹深浅的程度。当图像沟纹较深、图像清晰时,惯性值大;反之惯性值则小。
(4)相关性
COR=[∑i∑jij×pij-uxuy]/[σxσy] (43)
相关性反映了图像纹理的一致性,即灰度共生矩阵元素在水平或垂直方向上的相似程度。当图像纹理在相邻水平和垂直区域内方向相差比较小的情况下,相关值会较大;反之则相关性数值会比较小。通过5组试验数据说明牧草叶片纹理特征的关系,如表4所示。
表4三种牧草叶片纹理特征参数值区间
由表4可知,三种牧草叶片纹理特征的能量值数据比较接近,几乎不会对后续的图像识别产生影响;鹅绒萎陵菜叶片由于图像对比度大,所含信息丰富等因素,其纹理特征熵值较其它两种牧草熵值有明显的区别,而其它两种牧草的熵值又比较接近;同样由于鹅绒萎陵菜叶片的纹理沟纹较深、图像较清晰,因此其惯性值最大。无芒隐子草较糙苏,惯性值略大一点。由于糙苏叶片图像的纹理分布均匀,从而其相关性的值较大,无芒隐子草、鹅绒萎陵菜的相关性系数几乎相等。由试验结果可看出,能量、熵、惯性和相关性可以作为纹理特征的典型代表,用于识别出不同的牧草。只是由于灰度共生矩阵对图像旋转较为敏感,当发生旋转时,上述特征提取值会发生较大的差异,因此需要寻找一种更合适的办法以提高识别的效率。
2.3.2灰度-梯度共生矩阵算法研究
图像旋转会产生纹理特征值变化,可以通过几何矩、正交矩等方法解决这类问题,但会产生非常大的计算量,影响特征提取的效率[144]。另外一种较为理想的算法即为灰度-梯度共生矩阵(Gray-Gradient Co-occurrence Matrix,GGCM),它将梯度信息融入到灰度信息中,获得旋转不变的特征量。大量试验证明该方法计算量较小,且具有非常高的辨识度。
为了提高识别效率,灰度-梯度共生矩阵算法把图像分成大小相同的子区域,统计各区域的灰度-梯度平均值特征量,进而解决因图像旋转带来的误差。
灰度-梯度共生矩阵实现方法:由灰度矩阵F(m,n)和梯度矩阵G(m,n)联合统计F(m,n)=i且G(m,n)=j的像素出现的频率,并将其归一化处理,得到第(i,j)个元素的值。可被提取的二次特征有很多,本发明选取7种不变旋转量进行纹理特征提取,它们分别为能量、相关性、灰度熵、梯度熵、混合熵、惯性和逆差矩。设图像的灰度级为L,梯度级为Lg,7个主要参数如下所示:
(1)能量:
(2)相关性:
(3)灰度熵:
(4)梯度熵:
(5)混合熵:
(6)惯性:
(7)逆差矩:
算法具体过程是:(1)采用平方求和方法,计算图像少一维的梯度矩阵;(2)由灰度、梯度矩阵计算出整体矩阵,并将其进行归一化处理;(3)特征向量提取。在信号不失真的情况下,为了减少计算工作量,同样需要对256个灰度级的图像进行级数压缩,试验表明32个灰度级为理想级数。试验数据结果如图19~25所示。
由上述7个图分析可知,三种牧草叶片纹理特征的能量值数据比较接近,几乎不会对后续的图像识别产生影响;由于糙苏叶片图像的纹理分布均匀,从而其相关性的值较大,无芒隐子草和鹅绒萎陵菜的相关性系数几乎相等;三种熵的规律几乎一样,三种牧草中,糙苏的熵值最高,而无芒隐子草和鹅绒萎陵菜熵值比较接近;糙苏纹理沟纹较深、图像较清晰,因此其惯性值最大,无芒隐子草较糙苏,惯性值略大一点;无芒隐子草的逆差矩值相对较小,但其它二者的差距非常小。试验所得统计规律(上述7个图)与单一灰度试验所得规律表9几乎相同,只是结合梯度后的算法具有旋转不变的特性,能够有效、精确地提取纹理特征,该方法所得数据为牧草识别提供重要基础。
2.4特征参数主成分分析降维
由4.2.1~4.2.3分析得知,典型牧草叶片的颜色矩特征有H、S、V与L*、a*、b*分量值的一阶矩、二阶矩,维数共为12;可选择的形状特征有6种,维数为6;可选择的基于梯度-灰度共生矩阵特征有7种,维数为7。BP神经网络的输入层节点数即为特征矢量的维数,共25维,事实证明25维模式识别输入量会带来非常大的计算工作,严重地影响着识别效率。同时由特征提取章节分析可知,很多选择不同牧草维数的数据差异极小,导致特征参数的冗余,因此必须对特征参数进行降维处理[145]。本发明采用主成分分析(Principal ComponentAnalysis,PCA)法,舍去原来25个特征参数中表征牧草能力弱的特征分量,保留表征能力强的特征分量,以提高牧草的整体识别率。设p为识别样本个数,q为特征维数,Sp×q为原始图像数据,其中p>q,PCA处理方法如下:
原始图像样本协方差矩阵Xq×q为:
式中为i、j列的数学期望,xli、xlj为原始数据中的第l行对应列的元素,Xij为协方差矩阵中的元素。
本试验中,将25维的特征参数降为12维后进行被采食植物种类识别研究,验证结果表明牧草正确识别率下降了2.91%,误识别率提高了0.71%,但识别时间仅为不降维的20%,在保证识别要求的前提下,极大地提高了识别效率。
3被采食植物模式识别
人工神经网络是图像识别的主要方法之一,始于20世纪40年代初期,到现在历经了发展与改进,已在很多领域运用成熟。结合牧草特征提取的特点,本发明将采用BP神经网络实现整个识别流程。
3.1 BP神经网络结构
BP神经网络的输入层、隐含层和输出层分别由神经元相连。输入层节点的个数等于输入向量的维数,输出层节点的个数等于输出向量的维数,隐层节点个数可以通过多次试验得到。根据本课题的要求以及考虑识别速度与精度等因素,选择常规、成熟的BP神经网络对牧草进行识别,BP神经网络结构如图26所示。
BP神经网络的输入矢量定义为x∈Rn,其中x=(x0,x1,…,xn)T;隐含层有n1个神经元,它们的输出为x’=(x’1,x2’,…,x’n)T;输出层有m个神经元,输出为y∈Rm,y=(y1,y2,…,ym)T。输入层隐含层的权值为wij,阈值为θj;隐含层到输出层的权值为w’jk,阈值为θ'k。各层神经元的输出为:
3.2 BP神经网络学习流程
BP神经网络算法的核心理念为对网络权值和阈值进行学习训练,学习过程类似于自动控制原理的闭环控制,由前向信号传输与反向传输(反馈)构成。当得到的输出信号与期望值存在较大差异时,则进行信号反向传播,在信号反向传播过程中,反馈信号不断的对阈值进行调节,使网络进一步收敛,使输出值越来越逼近期待输出。在这个过程中,将下一时刻新的权值和阈值进行存储,达到预期目的。BP神经网络学习算法详细流程如下:
网络输入向量假定为其中k=1,2,…,m,期望输出为中间隐含层的净输入记作其输出向量输出层的输入实际输出向量为连接权值分别记作W={wij},(i=1,2,…,n,j=1,2,…,p),V={vjt},(j=1,2,…,p,t=1,2,…,q),阈值分别记作θ={θj},(j=1,2,…,p),γ={γt}(t=1,2,…,q)。
学习算法流程为:
程序初始化;
(2)随机选择一组样本,作为BP神经网络的输入量;
(3)计算输入层的输出量;
(4)计算隐含层内的净输入与输出向量:
(5)计算输出层神经元的净输入和输出向量:
(6)在输出结果中计算误差:
(7)在第(6)步基础之上,计算隐含层中的校正误差:
(8)修正各层连接权值和阈值,设训练速率为0<α<1:
(9)继续将随机选取的样本输入,程序再跳转到步骤(3),重复各步骤到训练结束。
(10)当网络误差E满足精度,即E<ε,则学习程序结束,否则继续。
(11)统计学习次数,当学习次数小于设定次数时,返回步骤(2)。
(12)学习结束。
3.3基于BP神经网络的放牧绵羊采食植物检测识别研究
应用Matlab2012a神经网络工具箱,构建BP神经网络,实现3种典型牧草的图像识别。BP神经网络的输入层节点数为降维后的特征参数,即输入节数点为12;BP神经网络的输出节点数为样本的识别结果种类,即输出个数为3,采用二进制00、01、10分别表示无芒隐子草、鹅绒萎菱菜、糙苏,BP神经网络如图27所示。
如何优化隐含层结点数,以获得最佳识别效果是能否取得良好识别结果的关键,隐含层结点数过少,则不具备足够的学习能力与信息处理能力,隐含层结点数过多时,网络复杂程度大,学习速度慢且容易发生学习中陷入局部极小点的问题。经典隐含层节点个数计算公式为:
式中n为隐含层节点数;ni为输入节点数;no为输出节点数;a为1到10之间的常数。由式(63)计算本试验的隐含层选择范围为5~13。分别对其进行试验,试验结果如图28所示,当隐层节点数取11时,测试的识别准确率达到最高值。
研究过程中,选取每种牧草的50张图像,共150张作为训练样本,每种牧草的30张图像,共90张作为测试样本,由BP神经网络学习、训练,确定参数并建立分类模型。隐含层与输出层的传输函数选择tan-sigmoid(),训练函数选用trainlm(),权值学习函数选用learngdm(),误差精度goal设为1.78×10-2,训练步长epochs设为1100,神经网络训练性能随迭代的次数变化,试验发现迭代次数为18时,系统具有最优识别率,识别率为82.5%。下图29为测试鹅绒萎菱菜的识别结果之一。
将已经建立数据库的7种牧草,应用上述方法进行图像识别。采集图像时本着一张照片中最多包含3种已知特征牧草,最理想为2种牧草的混合图。对其进行预处理、特征提取、模式识别几部分环节,得到识别结果,识别结果如下表5所示。
表5七种牧草正确识别率
可以得到,由于冷蒿与其它植物的特征区别较大,故准确识别率较高;而羊草与无芒隐子草,由于形状特征较为一致,区别较小或识别率较低,且两者之间的误识别概率较大。同理。糙苏、鹅绒萎菱菜和灰绿藜的相似性较高,相互之间的误识别率较高。但整体识别率基本为80%左右,可以满足试验要求,希望通过后期的继续努力提高识别精度。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种放牧绵羊采食典型植物种类的检测识别方法,其用于对安装于放牧绵羊的羊龙头上的摄像装置所获取的视频信号进行数据处理;所述检测识别方法包括以下步骤:
步骤一、视频信号预处理;
步骤二、被采食植物特征提取;
步骤三、被采食植物模式识别;
其特征在于,在步骤一中,先对所述视频信号动态视频图像配准后分帧,再做图像去模糊化,然后图像滤波去噪,最后自适应帧间差分法实现图像ROI提取;
其中,动态视频图像配准后分帧包括以下步骤:先检索放牧绵羊采食点时间前后2s内的时间段内的视频信号,再进行视频分帧;
图像去模糊化包括以下步骤:(1)动态视频图像配准分帧后,利用单应性矩阵,关联每帧运动块;(2)对各运动块模糊化处理使其与模糊帧对齐,模糊函数由多个单应性变换估计得到;(3)从变换后的帧中选择最优匹配快,将清晰图像模块与模糊图像匹配,并将相应的清晰像素插值并替换模糊像素;
图像滤波去噪根据需求保留感兴趣的图像细节,而滤除掉不感兴趣的像素点;
自适应帧间差分法实现图像ROI提取包括以下步骤:首先通过摄像装置采集到放牧绵羊每次吃草前后的连续视频信号,由动态视频图像配准后分帧获取采食牧草点前后视频分帧为P张图像,循环对相近两帧图像逐帧进行帧间差分法计算,循环计算次数为组合数据次,选取次结论中像素差小于单口采食植物像素最大值时,则被认为是采食时的两帧有效图像,该两帧图像的差分图像即为最后被采食植物图像;接着对采食植物图像进行自适应阈值分割。
2.如权利要求1所述的放牧绵羊采食典型植物种类的检测识别方法,其特征在于:动态视频图像配准后分帧具体为:提取出放牧绵羊采食行为及采食行为的时间点,之后与视频信号进行配准,一一提取视频点前后各1s的视频信号,进行分帧处理,分帧频率设定为4~6Hz。
3.如权利要求1所述的放牧绵羊采食典型植物种类的检测识别方法,其特征在于:图像滤波去噪采用平均中值滤波法,包括以下步骤:
设置滑动窗口内含有奇数个样本点,计算该奇数个样本点的中心点数据,将此数据作为该滑动窗口内的中心点;通过滑动窗口,得到不同的中心点值;
设有n个一维样本序列d1,d2,…,dn,取窗口长度为L,L为奇数,从n个一维样本序列中取出m个数,di-v,…,di-1,di,di+1,…di+v,其中di为窗口的中心点值,再将这m个中心点值按大小顺序排列,取正中的数为滤波后输出值。
4.如权利要求1所述的放牧绵羊采食典型植物种类的检测识别方法,其特征在于:自适应阈值分割包括以下步骤:
(1)选择初始阈值,计算该图像中像素的最小灰度值Zmin和最大灰度值Zmax,取平均值为初始阈值
(2)将初始阈值T0作为分割被采食植物图像的分界点,被采食植物图像分割后的两部分区域R1和R2,其中:
R1={f(i,j)=0|f(i,j)>T0}
R2={f(i,j)=1|0≤f(i,j)≤T0}
式中:f(i,j)为图像中(i,j)点的灰度值;
(3)重新分别计算R1和R2这两部分区域的灰度均值Z1和Z2,计算公式如下:
式中:N(i,j)为(i,j)点的权重系数,本发明选择权重系数为1.0;
(4)计算Z1和Z2的平均值作为新的阈值Tk+1,
(5)当Tk≠Tk+1时,转向第二步继续进行迭代运算;当Tk=Tk+1时,则循环计算结束,此时的阈值为最佳分割点,对应的图像为最终能被后续识别处理的图像即ROI。
5.如权利要求4所述的放牧绵羊采食典型植物种类的检测识别方法,其特征在于:被采食植物特征提取包括:颜色特征提取、形状特征提取、纹理特征提取、特征参数主成分分析降维。
6.如权利要求5所述的放牧绵羊采食典型植物种类的检测识别方法,其特征在于:形状特征提取包括以下步骤:
首先,描述形状特征的基本量为:各叶片的面积、周长、长度、宽度;面积A:叶片区域内像素点数;Ri为像素区域;Ai为区域内像素点数:(x,y)∈Ri;周长C:叶片边界像素点数的和,两个倾斜方向相邻像素fi,j和fm,n之间的距离,P8(fi,j,fm,n)=mas{|i-m|,|j-n|}=1;长度L:叶片最小外接矩形的长度等于轮廓上最远的两像素点之间的距离;宽度W:叶片最小外接矩形的宽,与长轴垂直的直线与轮廓交点的最大距离;
其次,对各叶片的面积A、周长C、长度L、宽度W进行统计,其中面积应用像素点进行计算、周长应用叶片边界像素点数的和统计,长度和宽度应用外接矩形计算;
对所述描述形状特征的基本量进行相互组合,得到形态特征量。
7.如权利要求1所述的放牧绵羊采食典型植物种类的检测识别方法,其特征在于:被采食植物模式识别包括:BP神经网络结构和BP神经网络学习流程。
8.一种应用如权利要求1至7中任意一项所述的放牧绵羊采食典型植物种类的检测识别方法的放牧绵羊采食典型植物种类的检测识别装置,所述检测识别装置包括:视频信号预处理模块,被采食植物特征提取模块,被采食植物模式识别模块;其特征在于:
所述视频信号预处理模块包括先对所述视频信号动态视频图像配准后分帧的动态视频图像配准后分帧单元,再做图像去模糊化的图像去模糊化单元,然后图像滤波去噪的图像滤波去噪单元,最后自适应帧间差分法实现图像ROI提取的提取单元;
其中,动态视频图像配准后分帧单元先检索放牧绵羊采食点时间前后2s内的时间段内的视频信号,再进行视频分帧;
图像去模糊化单元用于:(1)动态视频图像配准分帧后,利用单应性矩阵,关联每帧运动块;(2)对各运动块模糊化处理使其与模糊帧对齐,模糊函数由多个单应性变换估计得到;(3)从变换后的帧中选择最优匹配快,将清晰图像模块与模糊图像匹配,并将相应的清晰像素插值并替换模糊像素;
图像滤波去噪单元用于根据需求保留感兴趣的图像细节,而滤除掉不感兴趣的像素点;
提取单元用于:首先通过摄像装置采集到放牧绵羊每次吃草前后的连续视频信号,由动态视频图像配准后分帧获取采食牧草点前后视频分帧为P张图像,循环对相近两帧图像逐帧进行帧间差分法计算,循环计算次数为组合数据次,选取次结论中像素差小于单口采食植物像素最大值时,则被认为是采食时的两帧有效图像,该两帧图像的差分图像即为最后被采食植物图像;接着对采食植物图像进行自适应阈值分割。
9.一种计算机终端,其包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序;其特征在于:所述处理器执行所述程序时实现如权利要求1至7中任意一项所述的放牧绵羊采食典型植物种类的检测识别方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时,实现如权利要求1至7中任意一项所述的放牧绵羊采食典型植物种类的检测识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811059231.4A CN109190571B (zh) | 2018-09-12 | 2018-09-12 | 一种放牧绵羊采食典型植物种类的检测识别方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811059231.4A CN109190571B (zh) | 2018-09-12 | 2018-09-12 | 一种放牧绵羊采食典型植物种类的检测识别方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109190571A true CN109190571A (zh) | 2019-01-11 |
CN109190571B CN109190571B (zh) | 2020-11-13 |
Family
ID=64910120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811059231.4A Active CN109190571B (zh) | 2018-09-12 | 2018-09-12 | 一种放牧绵羊采食典型植物种类的检测识别方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190571B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415191A (zh) * | 2019-07-31 | 2019-11-05 | 西安第六镜网络科技有限公司 | 一种基于连续视频帧的图像去模糊算法 |
CN113408541A (zh) * | 2021-05-24 | 2021-09-17 | 芜湖启迪睿视信息技术有限公司 | 一种烟叶长度的测量方法 |
CN114897891A (zh) * | 2022-07-12 | 2022-08-12 | 南通恒立机械设备有限公司 | 用于螺条式混合机的混合均匀度检测方法及系统 |
CN114982580A (zh) * | 2022-06-07 | 2022-09-02 | 山东师范大学 | 一种基于图像识别的智能花卉辅助栽培方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101033961A (zh) * | 2007-02-06 | 2007-09-12 | 浙江大学 | 基于偏振信息检测野外水体障碍物的方法 |
CN102651127A (zh) * | 2012-04-01 | 2012-08-29 | 深圳市万兴软件有限公司 | 一种超分辨率重建的图像处理方法及系统 |
CN103310430A (zh) * | 2012-03-13 | 2013-09-18 | 三星电子株式会社 | 对非均匀运动模糊进行去模糊的方法和设备 |
CN105631828A (zh) * | 2015-12-29 | 2016-06-01 | 华为技术有限公司 | 一种处理图像的方法及装置 |
CN106056106A (zh) * | 2016-07-22 | 2016-10-26 | 内蒙古农业大学 | 一种草原放牧绵羊牧食行为检测系统及其检测方法 |
US20180122141A1 (en) * | 2016-10-27 | 2018-05-03 | Gopro, Inc. | Generating Virtual Reality and Augmented Reality Content for a Live Event |
CN108197582A (zh) * | 2018-01-10 | 2018-06-22 | 武汉理工大学 | 基于深度学习的海事雷达图像处理方法 |
-
2018
- 2018-09-12 CN CN201811059231.4A patent/CN109190571B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101033961A (zh) * | 2007-02-06 | 2007-09-12 | 浙江大学 | 基于偏振信息检测野外水体障碍物的方法 |
CN103310430A (zh) * | 2012-03-13 | 2013-09-18 | 三星电子株式会社 | 对非均匀运动模糊进行去模糊的方法和设备 |
CN102651127A (zh) * | 2012-04-01 | 2012-08-29 | 深圳市万兴软件有限公司 | 一种超分辨率重建的图像处理方法及系统 |
CN105631828A (zh) * | 2015-12-29 | 2016-06-01 | 华为技术有限公司 | 一种处理图像的方法及装置 |
CN106056106A (zh) * | 2016-07-22 | 2016-10-26 | 内蒙古农业大学 | 一种草原放牧绵羊牧食行为检测系统及其检测方法 |
US20180122141A1 (en) * | 2016-10-27 | 2018-05-03 | Gopro, Inc. | Generating Virtual Reality and Augmented Reality Content for a Live Event |
CN108197582A (zh) * | 2018-01-10 | 2018-06-22 | 武汉理工大学 | 基于深度学习的海事雷达图像处理方法 |
Non-Patent Citations (4)
Title |
---|
WENHUA MAO 等: "WEED DETECTION BASED ON THE OPTIMIZED SEGMENTATION LINE OF CROP AND WEED", 《INSTITUTE OF MECHATRONIS TECHNOLOGY AND APPLICATION》 * |
卫军 等: "混凝土结构裂缝特征提取研究", 《武汉理工大学学报》 * |
朱冰莲 等: "一种中值滤波的快速算法", 《信号处理》 * |
韩丁 等: "基于BP神经网络的典型牧草特征提取与识别研究", 《内蒙古大学学报(自然科学版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415191A (zh) * | 2019-07-31 | 2019-11-05 | 西安第六镜网络科技有限公司 | 一种基于连续视频帧的图像去模糊算法 |
CN113408541A (zh) * | 2021-05-24 | 2021-09-17 | 芜湖启迪睿视信息技术有限公司 | 一种烟叶长度的测量方法 |
CN114982580A (zh) * | 2022-06-07 | 2022-09-02 | 山东师范大学 | 一种基于图像识别的智能花卉辅助栽培方法及系统 |
CN114982580B (zh) * | 2022-06-07 | 2024-04-12 | 山东师范大学 | 一种基于图像识别的智能花卉辅助栽培方法及系统 |
CN114897891A (zh) * | 2022-07-12 | 2022-08-12 | 南通恒立机械设备有限公司 | 用于螺条式混合机的混合均匀度检测方法及系统 |
CN114897891B (zh) * | 2022-07-12 | 2022-09-09 | 南通恒立机械设备有限公司 | 用于螺条式混合机的混合均匀度检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109190571B (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107437092B (zh) | 基于三维卷积神经网络的视网膜oct图像的分类方法 | |
Kumar et al. | Resnet-based approach for detection and classification of plant leaf diseases | |
Shoieb et al. | Computer-aided model for skin diagnosis using deep learning | |
Guo et al. | Illumination invariant segmentation of vegetation for time series wheat images based on decision tree model | |
CN109190571A (zh) | 一种放牧绵羊采食典型植物种类的检测识别方法及其装置 | |
CN110046631A (zh) | 用于自动推断时空图像的变化的系统和方法 | |
CN107346434A (zh) | 一种基于多特征及支持向量机的植物病虫害检测方法 | |
Fang et al. | A visual attention model combining top-down and bottom-up mechanisms for salient object detection | |
CN109063572A (zh) | 一种基于多尺度和多卷积层特征融合的指纹活性检测方法 | |
CN109325431A (zh) | 草原放牧绵羊采食路径中植被覆盖度的检测方法及其装置 | |
CN107563996B (zh) | 一种新型视神经盘分割方法及系统 | |
Bhagat et al. | Eff-UNet++: A novel architecture for plant leaf segmentation and counting | |
CN109117877A (zh) | 一种基于深度卷积生成对抗网络的黄颡鱼及其套养种识别方法 | |
CN108257151A (zh) | 基于显著性分析的PCANet图像变化检测方法 | |
CN114758132B (zh) | 一种基于卷积神经网络的果树病虫害识别方法及系统 | |
Buenconsejo et al. | Detection and Identification of Abaca Diseases using a Convolutional Neural Network CNN | |
Hu et al. | Self-adversarial training and attention for multi-task wheat phenotyping | |
CN110363103A (zh) | 虫害识别方法、装置、计算机设备及存储介质 | |
Kazi et al. | Fruit Grading, Disease Detection, and an Image Processing Strategy | |
Maheshwari et al. | Performance analysis of mango leaf disease using machine learning technique | |
CN112597907A (zh) | 基于深度学习的柑橘红蜘蛛虫害的识别方法 | |
Miranda et al. | Pest identification using image processing techniques in detecting image pattern through neural network | |
Musyoka | Automatic delineation of small holder agricultural field boundaries using fully convolutional networks | |
Jiang et al. | MIoP-NMS: Perfecting crops target detection and counting in dense occlusion from high-resolution UAV imagery | |
CN115862003A (zh) | 一种基于轻量化YOLOv5的在体苹果目标检测和分级方法 |
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 |