CN109712135A - 一种水果缺陷识别方法、装置及其存储介质 - Google Patents
一种水果缺陷识别方法、装置及其存储介质 Download PDFInfo
- Publication number
- CN109712135A CN109712135A CN201811629872.9A CN201811629872A CN109712135A CN 109712135 A CN109712135 A CN 109712135A CN 201811629872 A CN201811629872 A CN 201811629872A CN 109712135 A CN109712135 A CN 109712135A
- Authority
- CN
- China
- Prior art keywords
- matrix
- fruit
- specific characteristic
- covariance
- cross
- 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
Abstract
本发明提供了一种水果缺陷识别方法、装置及其存储介质,涉及图像处理技术领域。该水果缺陷识别方法包括:确定水果表面图像的疑似缺陷区域,在所述疑似缺陷区域提取多幅局部纹理特征图像;将所述多幅局部纹理特征图像张成合成特征矩阵,确定所述合成特征矩阵的互协方差矩阵;在所述互协方差矩阵中选取指定特征向量组成指定特征矩阵;基于所述指定特征矩阵,采用机器学习分类器确定水果表面是否存在缺陷。该方法基于在疑似缺陷区域的局部纹理特征图像中提取的互协方差矩阵进行需要识别处理的特征矩阵选取,提高了水果表面缺陷的识别精度和效率。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种水果缺陷识别方法、装置及其存储介质。
背景技术
随着农业生产的机械化和集中化,对瓜果蔬菜的质量挑选标准也越来越严格。尤其是对于水果来说,水果表面是否有缺陷对水果的售卖价格和售卖方式均有较大影响,但是传统的依靠人工进行水果表面缺陷判定的方式的效率低,无法满足现代农业生产的需求。因此出现了运用图像处理技术对水果表面缺陷进行自动识别的技术,但是现有的对水果表面缺陷进行图像识别的技术还存在从水果图片中提取的特征不能很好地区分缺陷、花梗/花萼、阴影,导致将花梗/花萼、阴影错误地识别为缺陷,使得水果缺陷识别精度和效率较低的问题。
发明内容
有鉴于此,本发明实施例的目的在于提供一种水果缺陷识别方法、装置及其存储介质,以解决现有技术中从水果图片中提取的特征不能很好地区分缺陷、花梗/花萼、阴影,导致将花梗/花萼、阴影错误地识别为缺陷,使得水果缺陷识别精度和效率较低的问题。
第一方面,本发明实施例提供了一种水果缺陷识别方法,所述水果缺陷识别方法包括:确定水果表面图像的疑似缺陷区域,在所述疑似缺陷区域提取多幅局部纹理特征图像;将所述多幅局部纹理特征图像张成合成特征矩阵,确定所述合成特征矩阵的互协方差矩阵;在所述互协方差矩阵中选取指定特征向量组成指定特征矩阵;基于所述指定特征矩阵,采用机器学习分类器确定水果表面是否存在缺陷。
上述实施例在提取图像中的疑似缺陷区域的局部纹理特征图像后,基于该局部纹理特征图像的互协方差矩阵选取需要选择用于判定水果缺陷的特征矩阵,不仅保留了图像中的自协方差特征,还增加了互协方差信息,提高了水果表面缺陷的识别精度和效率。
综合第一方面,所述确定水果表面图像的疑似缺陷区域,包括:将水果表面图像转换为灰度图,基于颜色特征确定所述灰度图中的疑似缺陷区域。
上述实施例基于水果表面图像的灰度图的颜色特征去除图像中的非缺陷区域,提高了水果表面缺陷识别的准确率。
综合第一方面,所述在所述疑似缺陷区域提取多幅局部纹理特征图像,包括:基于Log-Gabor纹理提取公式在所述疑似缺陷区域提取多个尺度和多个方向的多幅局部纹理特征图像,其中,v1=-usinθ+vcosθ,θ是滤波器的方向角,u0是滤波器的中心频率,参数σu用于调整尺度u1的带宽,参数σv用于调整方向v1的带宽。
上述实施例采用Log-Gabor纹理提取公式进行局部纹理特征图像的提取,且u1和v1为改进后的坐标变换公式,具有更好地曲线响应,能够在水果表面曲线区域包含大量非直线成分如边缘弯曲明显时,更好地描述缺陷与花梗等非缺陷部分的局部纹理的差异,进一步提高缺陷识别的准确率。
综合第一方面,所述将所述多幅局部纹理特征图像张成合成特征矩阵,包括:将所述多幅局部纹理特征图像规格化为相同的尺寸;以Sij表示规格化的多幅局部纹理特征图像中的第i个尺度和第j个方向的特征图像对应的像素灰度值矩阵;将所有像素灰度值矩阵张成合成特征矩阵其中i、j、k为大于1的正整数。
上述实施例通过将多幅局部纹理特征图像规格化并张成合成特征矩阵,提高了后续图像处理的效率和准确率。
综合第一方面,所述确定所述合成特征矩阵的互协方差矩阵,包括:设Ntr和分别表示训练集中特征矩阵的数目和Mk(1≤k≤Ntr)个矩阵的均值,基于元素计算公式确定的元素,其中,aij(k)为Mk中的元素,l、n分别是矩阵Mk的行数和列数;基于矩阵差公式计算矩阵和Mk的差;令基于互协方差矩阵计算公式获得所述合成特征矩阵的互协方差矩阵。
综合第一方面,所述在所述互协方差矩阵中选取指定特征向量组成指定特征矩阵,包括:分别基于左奇异矩阵公式和右奇异矩阵公式确定所述互协方差矩阵的左奇异矩阵和右奇异矩阵;在左奇异矩阵中选择特征值最大的前p(p≤l)个指定特征向量,在右奇异矩阵中选择特征值最大的前q(q≤n)个指定特征向量,并将所述左奇异矩阵和所述右奇异矩阵选出的指定特征向量组成指定特征矩阵。
上述实施例通过左奇异矩阵和右奇异矩阵选择特征值最大的指定特征向量,完成对特征向量的降维,降低了水果表面缺陷识别的图像处理运算量,从而提高了水果表面缺陷识别的效率。
综合第一方面,所述将所述左奇异矩阵和所述右奇异矩阵选出的指定特征向量组成指定特征矩阵,包括:基于特征选取公式X=VTMkU确定指定特征矩阵,其中,X为所述指定特征矩阵,U为维数为n×p的左奇异矩阵,V为维数为l×q的右奇异矩阵。
综合第一方面,所述采用机器学习分类器确定水果表面是否存在缺陷,包括:采用基于K最近邻分类算法的机器学习分类器确定水果表面是否存在缺陷。
上述实施例通过采用机器学习进行水果表面缺陷进行自动识别,避免采用人工进行水果表面缺陷识别,提高了水果表面缺陷识别的效率。
第二方面,本发明实施例提供了一种水果缺陷识别装置,所述水果缺陷识别装置包括:局部纹理特征提取模块,用于确定水果表面图像的疑似缺陷区域,在所述疑似缺陷区域提取多幅局部纹理特征图像;互协方差矩阵确定模块,用于将所述多幅局部纹理特征图像张成合成特征矩阵,确定所述合成特征矩阵的互协方差矩阵;特征选取模块,用于在所述互协方差矩阵中选取指定特征向量组成指定特征矩阵;判定模块,用于基于所述指定特征矩阵,采用机器学习分类器确定水果表面是否存在缺陷。
综合第二方面,所述局部纹理特征提取模块包括:疑似缺陷区域确定单元,用于将水果表面图像转换为灰度图,基于颜色特征确定所述灰度图中的疑似缺陷区域。
综合第二方面,所述局部纹理特征提取模块还包括:局部纹理特征图像提取单元,用于基于Log-Gabor纹理提取公式在所述疑似缺陷区域提取多个尺度和多个方向的多幅局部纹理特征图像,其中,v1=-usinθ+vcosθ,θ是滤波器的方向角,u0是滤波器的中心频率,参数σu用于调整尺度u1的带宽,参数σv用于调整方向v1的带宽。
综合第二方面,所述互协方差矩阵确定模块包括:合成特征矩阵确定单元,用于将所述多幅局部纹理特征图像规格化为相同的尺寸,以Sij表示规格化的多幅局部纹理特征图像中的第i个尺度和第j个方向的特征图像对应的像素灰度值矩阵,将所有像素灰度值矩阵张成合成特征矩阵其中i、j、k为大于1的正整数。
综合第二方面,所述互协方差矩阵确定模块还包括:互协方差矩阵确定单元,用于设Ntr和分别表示训练集中特征矩阵的数目和Mk(1≤k≤Ntr)个矩阵的均值,基于元素计算公式确定的元素,其中,aij(k)为Mk中的元素,l、n分别是矩阵M、Mk的行数和列数,基于矩阵差公式计算矩阵和Mk的差,令基于互协方差矩阵计算公式获得所述合成特征矩阵的互协方差矩阵。
综合第二方面,所述特征选取模块包括:左右奇异矩阵确定单元,用于分别基于左奇异矩阵公式和右奇异矩阵公式确定所述互协方差矩阵的左奇异矩阵和右奇异矩阵;指定特征矩阵确定单元,用于在所述左奇异矩阵中选择特征值最大的前p(p≤l)个指定特征向量,在所述右奇异矩阵中选择特征值最大的前q(q≤n)个指定特征向量,并将所述左奇异矩阵和所述右奇异矩阵选出的指定特征向量组成指定特征矩阵。
综合第二方面,所述指定特征矩阵确定单元具体用于基于特征选取公式X=VTMkU确定指定特征矩阵,其中,X为所述指定特征矩阵,U为维数为n×p的左奇异矩阵,V为维数为l×q的右奇异矩阵。
综合第二方面,所述判定模块具体用于采用基于K最近邻分类算法的机器学习分类器确定水果表面是否存在缺陷。
第三方面,本发明实施例还提供了一种计算机可读取存储介质,所述计算机可读取存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行上述任一方面所述方法中的步骤。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明第一实施例提供的一种水果缺陷识别方法的流程示意图;
图2为本发明第一实施例提供的一种合成特征矩阵获取步骤的流程示意图;
图3为本发明第二实施例提供的一种水果缺陷识别装置100的模块示意图;
图4为本发明第三实施例提供的一种可应用于本申请实施例中的电子设备200的结构框图。
图标:100-水果缺陷识别装置;110-局部纹理特征提取模块;120-互协方差矩阵确定模块;130-特征选取模块;140-判定模块;200-电子设备;201-存储器;202-存储控制器;203-处理器;204-外设接口;205-输入输出单元;206-音频单元;207-显示单元。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
第一实施例
经本申请人研究发现,人工进行水果表面缺陷识别存在效率低下的问题,而现有的基于图像识别的水果表面缺陷识别方法通常直接对水果表面图像进行特征选取,然后基于提取的特征进行水果表面缺陷识别,因此现有的该类型水果表面缺陷识别方法存在需要进行图像处理的数据较多,运算量大,识别效率低且识别精确度低的问题。
为了解决上述问题,本实施例提供了一种水果缺陷识别方法,该水果缺陷识别方法的执行主体可以是计算机、智能终端、云处理器或其他具备逻辑运算和图像处理功能的处理设备。
请参考图1,图1为本发明第一实施例提供的一种水果缺陷识别方法的流程示意图,该水果缺陷识别方法的具体步骤可以如下:
步骤S20:确定水果表面图像的疑似缺陷区域,在疑似缺陷区域提取多幅局部纹理特征图像。
本实施例中的疑似缺陷区域可以是病害疤痕、冻伤疤痕、碰撞疤痕或其他影响水果表面外形且可能影响水果观感和销售的区域。
由于疑似缺陷区域中可能包含了大量非缺陷区域,如花梗、花萼、阴影区域、梨表面自身的斑点等,因此还需要对疑似缺陷区域进行局部纹理特征图像的提取,提高识别准确率。其中,局部纹理特征是局部图像特征的一种,与线特征、纹理特征、结构特征等全局图像特征相比,局部图像特征具有在图像中蕴含数量丰富,特征间相关度小,遮挡情况下不会因为部分特征的消失而影响其他特征的检测和匹配等特点,因此本实施例基于局部纹理特征进行缺陷识别。
步骤S40:将多幅局部纹理特征图像张成合成特征矩阵,确定合成特征矩阵的互协方差矩阵。
本实施例中的合成特征矩阵可以是多幅局部纹理特征图像的矩阵经过常用的数学矩阵转换合成。
其中,互协方差函数(cross-covariance functions),是反映两个随机向量X与Y相似关系的重要数量特征,也称为“互相关”,通常用于通过与已知信号做比较从来寻找未知信号的特点,基于互协方差函数生成的互协方差矩阵用于从标量随机变量到高维度随机向量的自然推广。本实施例采用互协方差矩阵能够更准确地进行缺陷判定。
步骤S60:在互协方差矩阵中选取指定特征向量组成指定特征矩阵。
本实施例中选取指定特征向量的方式可以是主城分析法(PCA)、线性判别分析法(LDA)、高斯判别分析法(GDA)或其他能够进行特征向量降维选取的方法。
步骤S80:基于指定特征矩阵,采用机器学习分类器确定水果表面是否存在缺陷。
本实施例中的机器学习分类器可以是基于C4.5决策树算法、逻辑回归算法、朴素贝叶斯算法、K最近邻算法等。
本发明实施例提供的水果缺陷识别方法通过在提取图像中的疑似缺陷区域的局部纹理特征图像后,基于该局部纹理特征图像的互协方差矩阵选取需要选择用于判定水果缺陷的特征矩阵,不仅保留了图像中的自协方差特征,还增加了互协方差信息,提高了水果表面缺陷的识别精度和效率。
针对步骤S20,作为一种可选的实施方式,本实施例中确定水果表面图像的疑似缺陷区域的方式可以是包括:将水果表面图像转换为灰度图,基于颜色特征确定所述灰度图中的疑似缺陷区域。
由于水果表面的缺陷区域与完好区域的灰度值有明显差别,因此本实施例采用上述灰度图中的颜色差别进行疑似缺陷区域的确定。进一步地,由于疑似缺陷区域中可能包含了大量非缺陷区域,如花梗、花萼、阴影区域、梨表面自身的斑点等,本实施例还通过孔洞填充、去除小区域等方法分割疑似缺陷区域,以去除非缺陷区域,避免其对缺陷识别的准确率造成不利影响。
本实施例中步骤S20,纹理特征图像的提取可以基于如下Log-Gabor纹理提取公式进行:
其中,v1=-usinθ+vcosθ,θ是滤波器的方向角,u0是滤波器的中心频率,参数σu用于调整尺度u1的带宽,参数σv用于调整方向v1的带宽。具体地,公式中引入非线性因子从而使u1和v1具备刚好的曲线响应,因为满足狄利克雷约束条件的傅里叶展开式能够用傅里叶级数展开,因此,疑似缺陷区域的局部纹理能够被有效地检测。
本实施例中的纹理特征图像可以是基于疑似缺陷区域的多个尺度和多个方向进行提取,其尺度和方向的数量可以是但不限于是5个尺度和8个方向。
应当注意的是,u1和v1为改进后的坐标变换公式,具有更好地曲线响应,能够在水果表面曲线区域包含大量非直线成分如边缘弯曲明显时,更好地描述缺陷与花梗等非缺陷部分的局部纹理的差异,进一步提高缺陷识别的准确率。
针对步骤S40,请参考图2,图2为本发明第一实施例提供的一种合成特征矩阵获取步骤的流程示意图,则“将所述多幅局部纹理特征图像张成合成特征矩阵”即该合成特征矩阵获取步骤具体可以如下:
步骤S41:将多幅局部纹理特征图像规格化为相同的尺寸。
以步骤S20中获得的5个尺度、8个方向共40幅局部纹理特征图像为例,则本步骤需要将40幅局部纹理特征图像的尺寸规范化。
步骤S42:以Sij表示规格化的多幅局部纹理特征图像中的第i个尺度和第j个方向的特征图像对应的像素灰度值矩阵。
对应的,本步骤中的i取值为1至5,j取值为1至8。
步骤S43:将所有像素灰度值矩阵张成合成特征矩阵。
本实施例通过将多幅局部纹理特征图像规格化并张成合成特征矩阵其中i、j、k为大于1的正整数,提高了后续图像处理的效率和准确率。
作为一种可选的实施方式,该互协方差矩阵确定步骤具体可以如下:
步骤S44:设Ntr和分别表示训练集中特征矩阵的数目和Mk(1≤k≤Ntr)个矩阵的均值,基于元素计算公式确定的元素,其中,aij(k)为Mk中的元素,l、n分别是矩阵Mk的行数和列数。
步骤S45:基于矩阵差公式计算矩阵和Mk的差。
步骤S46:令基于互协方差矩阵计算公式获得合成特征矩阵的互协方差矩阵。
在步骤S46之前,本实施例还需要基于协方差矩阵计算公式获得协方差矩阵,以基于该协方差矩阵在步骤S46中确定互协方差矩阵。
作为一种可选的实施方式,该指定特征矩阵选取步骤具体可以如下:
步骤S61:分别基于左奇异矩阵公式和右奇异矩阵公式确定互协方差矩阵的左奇异矩阵和右奇异矩阵。
其中,左奇异矩阵公式的具体计算过程为:
同理可以计算获得Mcc的右奇异矩阵公式
步骤S62:在左奇异矩阵中选择特征值最大的前p(p≤l)个指定特征向量,在右奇异矩阵中选择特征值最大的前q(q≤n)个指定特征向量,并将左奇异矩阵和右奇异矩阵选出的指定特征向量组成指定特征矩阵。
其中,“将左奇异矩阵和右奇异矩阵选出的指定特征向量组成指定特征矩阵”包括:基于特征选取公式X=VTMkU确定指定特征矩阵,其中,X为所述指定特征矩阵,U为维数为n×p的左奇异矩阵,V为维数为l×q的右奇异矩阵。应当理解的是,上述基于互协方差降维处理的算法可以是基于PCA算法进行。
本实施例通过左奇异矩阵和右奇异矩阵选择特征值最大的指定特征向量,完成对特征向量的降维,降低了水果表面缺陷识别的图像处理运算量,从而提高了水果表面缺陷识别的效率。
针对步骤S80,本实施例中的机器学习分类器可以是采用K最近邻算法训练获得的分类器。
第二实施例
为了配合本发明第一实施例提供的水果缺陷识别方法,本发明第二实施例还提供了一种水果缺陷识别装置100。
请参考图3,图3为本发明第二实施例提供的一种水果缺陷识别装置100的模块示意图。
水果缺陷识别装置100包括局部纹理特征提取模块110、互协方差矩阵确定模块120、特征选取模块130和判定模块140。
局部纹理特征提取模块110,用于确定水果表面图像的疑似缺陷区域,在疑似缺陷区域提取多幅局部纹理特征图像。
互协方差矩阵确定模块120,用于将多幅局部纹理特征图像张成合成特征矩阵,确定合成特征矩阵的互协方差矩阵。
特征选取模块130,用于在互协方差矩阵中选取指定特征向量组成指定特征矩阵。
判定模块140,用于基于指定特征矩阵,采用机器学习分类器确定水果表面是否存在缺陷。
其中,局部纹理特征提取模块110包括疑似缺陷区域确定单元,该疑似缺陷区域确定单元用于将水果表面图像转换为灰度图,基于颜色特征确定灰度图中的疑似缺陷区域。
局部纹理特征提取模块110还包括局部纹理特征图像提取单元,该局部纹理特征图像提取单元用于基于Log-Gabor纹理提取公式在疑似缺陷区域提取多个尺度和多个方向的多幅局部纹理特征图像,其中,v1=-usinθ+vcosθ,θ是滤波器的方向角,u0是滤波器的中心频率,参数σu用于调整尺度u1的带宽,参数σv用于调整方向v1的带宽。
互协方差矩阵确定模块120包括合成特征矩阵确定单元,该合成特征矩阵确定单元用于将多幅局部纹理特征图像规格化为相同的尺寸,以Sij表示规格化的多幅局部纹理特征图像中的第i个尺度和第j个方向的特征图像对应的像素灰度值矩阵,将所有像素灰度值矩阵张成合成特征矩阵其中i、j、k为大于1的正整数。
互协方差矩阵确定模块120还包括互协方差矩阵确定单元,该互协方差矩阵确定单元用于设Ntr和分别表示训练集中特征矩阵的数目和Mk(1≤k≤Ntr)个矩阵的均值,基于元素计算公式确定的元素,其中,aij(k)为Mk中的元素,l、n分别是矩阵Mk的行数和列数,基于矩阵差公式计算矩阵和Mk的差,令基于互协方差矩阵计算公式获得合成特征矩阵的互协方差矩阵。
特征选取模块130包括左右奇异矩阵确定单元和指定特征矩阵确定单元,该左右奇异矩阵确定单元用于分别基于左奇异矩阵公式和右奇异矩阵公式确定互协方差矩阵的左奇异矩阵和右奇异矩阵,该指定特征矩阵确定单元用于在左奇异矩阵中选择特征值最大的前p(p≤l)个指定特征向量,在右奇异矩阵中选择特征值最大的前q(q≤n)个指定特征向量,并将左奇异矩阵和所奇异矩阵选出的指定特征向量组成指定特征矩阵。
作为一种可选的实施方式,上述指定特征矩阵确定单元还可以具体用于基于特征选取公式X=VTMkU确定指定特征矩阵,其中,X为所述指定特征矩阵,U为维数为n×p的左奇异矩阵,V为维数为l×q的右奇异矩阵。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
第三实施例
请参照图4,图4为本发明第三实施例提供的一种可应用于本申请实施例中的电子设备200的结构框图。本实施例提供的电子设备200可以包括水果缺陷识别装置100、存储器201、存储控制器202、处理器203、外设接口204、输入输出单元205、音频单元206、显示单元207。
所述存储器201、存储控制器202、处理器203、外设接口204、输入输出单元205、音频单元206、显示单元207各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述水果缺陷识别装置100包括至少一个可以软件或固件(firmware)的形式存储于所述存储器201中或固化在水果缺陷识别装置100的操作系统(operating system,OS)中的软件功能模块。所述处理器203用于执行存储器201中存储的可执行模块,例如水果缺陷识别装置100包括的软件功能模块或计算机程序。
其中,存储器201可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器201用于存储程序,所述处理器203在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的服务器所执行的方法可以应用于处理器203中,或者由处理器203实现。
处理器203可以是一种集成电路芯片,具有信号的处理能力。上述的处理器203可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器203也可以是任何常规的处理器等。
所述外设接口204将各种输入/输出装置耦合至处理器203以及存储器201。在一些实施例中,外设接口204,处理器203以及存储控制器202可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
输入输出单元205用于提供给用户输入数据实现用户与所述服务器(或本地终端)的交互。所述输入输出单元205可以是,但不限于,鼠标和键盘等设备。
音频单元206向用户提供音频接口,其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。
显示单元207在所述电子设备200与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中,所述显示单元207可以是液晶显示器或触控显示器。若为触控显示器,其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作,并将该感应到的触控操作交由处理器203进行计算和处理。
可以理解,图4所示的结构仅为示意,所述电子设备200还可包括比图4中所示更多或者更少的组件,或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
综上所述,本发明实施例提供了一种水果缺陷识别方法、装置及其存储介质,该方法在提取图像中的疑似缺陷区域的局部纹理特征图像后,基于该局部纹理特征图像的互协方差矩阵选取需要选择用于判定水果缺陷的特征矩阵,不仅保留了图像中的自协方差特征,还增加了互协方差信息,提高了水果表面缺陷的识别精度和效率。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种水果缺陷识别方法,其特征在于,所述方法包括:
确定水果表面图像的疑似缺陷区域,在所述疑似缺陷区域提取多幅局部纹理特征图像;
将所述多幅局部纹理特征图像张成合成特征矩阵,确定所述合成特征矩阵的互协方差矩阵;
在所述互协方差矩阵中选取指定特征向量组成指定特征矩阵;
基于所述指定特征矩阵,采用机器学习分类器确定水果表面是否存在缺陷。
2.根据权利要求1所述的水果缺陷识别方法,其特征在于,所述确定水果表面图像的疑似缺陷区域,包括:
将水果表面图像转换为灰度图,基于颜色特征确定所述灰度图中的疑似缺陷区域。
3.根据权利要求1所述的水果缺陷识别方法,其特征在于,所述在所述疑似缺陷区域提取多幅局部纹理特征图像,包括:
基于Log-Gabor纹理提取公式在所述疑似缺陷区域提取多个尺度和多个方向的多幅局部纹理特征图像,其中,v1=-usinθ+vcosθ,θ是滤波器的方向角,u0是滤波器的中心频率,参数σu用于调整尺度u1的带宽,参数σv用于调整方向v1的带宽。
4.根据权利要求1所述的水果缺陷识别方法,其特征在于,所述将所述多幅局部纹理特征图像张成合成特征矩阵,包括:
将所述多幅局部纹理特征图像规格化为相同的尺寸;
以Sij表示规格化的多幅局部纹理特征图像中的第i个尺度和第j个方向的特征图像对应的像素灰度值矩阵;
将所有像素灰度值矩阵张成合成特征矩阵其中i、j、k为大于1的正整数。
5.根据权利要求4所述的水果缺陷识别方法,其特征在于,所述确定所述合成特征矩阵的互协方差矩阵,包括:
设Ntr和分别表示训练集中特征矩阵的数目和Mk(1≤k≤Ntr)个矩阵的均值,基于元素计算公式确定的元素,其中,aij(k)为Mk中的元素,l、n分别是矩阵Mk的行数和列数;
基于矩阵差公式计算矩阵和Mk的差;
令基于互协方差矩阵计算公式获得所述合成特征矩阵的互协方差矩阵。
6.根据权利要求5所述的水果缺陷识别方法,其特征在于,所述在所述互协方差矩阵中选取指定特征向量组成指定特征矩阵,包括:
分别基于左奇异矩阵公式和右奇异矩阵公式确定所述互协方差矩阵的左奇异矩阵和右奇异矩阵;
在所述左奇异矩阵中选择特征值最大的前p(p≤l)个指定特征向量,在所述右奇异矩阵中选择特征值最大的前q(q≤n)个指定特征向量,并将所述左奇异矩阵和所述右奇异矩阵选出的指定特征向量组成指定特征矩阵。
7.根据权利要求6所述的水果缺陷识别方法,其特征在于,所述将所述左奇异矩阵和所述右奇异矩阵选出的指定特征向量组成指定特征矩阵,包括:
基于特征选取公式X=VTMkU确定指定特征矩阵,其中,X为所述指定特征矩阵,U为维数为n×p的左奇异矩阵,V为维数为l×q的右奇异矩阵。
8.根据权利要求1所述的水果缺陷识别方法,其特征在于,所述采用机器学习分类器确定水果表面是否存在缺陷,包括:
采用基于K最近邻分类算法的机器学习分类器确定水果表面是否存在缺陷。
9.一种水果缺陷识别装置,其特征在于,所述装置包括:
局部纹理特征提取模块,用于确定水果表面图像的疑似缺陷区域,在所述疑似缺陷区域提取多幅局部纹理特征图像;
互协方差矩阵确定模块,用于将所述多幅局部纹理特征图像张成合成特征矩阵,确定所述合成特征矩阵的互协方差矩阵;
特征选取模块,用于在所述互协方差矩阵中选取指定特征向量组成指定特征矩阵;
判定模块,用于基于所述指定特征矩阵,采用机器学习分类器确定水果表面是否存在缺陷。
10.一种计算机可读取存储介质,其特征在于,所述计算机可读取存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行权利要求1-8任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811629872.9A CN109712135A (zh) | 2018-12-28 | 2018-12-28 | 一种水果缺陷识别方法、装置及其存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811629872.9A CN109712135A (zh) | 2018-12-28 | 2018-12-28 | 一种水果缺陷识别方法、装置及其存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109712135A true CN109712135A (zh) | 2019-05-03 |
Family
ID=66259210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811629872.9A Pending CN109712135A (zh) | 2018-12-28 | 2018-12-28 | 一种水果缺陷识别方法、装置及其存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109712135A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110290203A (zh) * | 2019-06-25 | 2019-09-27 | 东莞德福得精密五金制品有限公司 | 人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通 |
WO2021135300A1 (zh) * | 2019-12-30 | 2021-07-08 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110116762A (ko) * | 2010-04-20 | 2011-10-26 | 금오공과대학교 산학협력단 | 잡음 특성 분석을 통한 컬러 레이저 프린터 판별 방법 |
CN106991441A (zh) * | 2017-03-30 | 2017-07-28 | 浙江科技学院 | 融合多尺度方向纹理特征的植物标本分类方法及系统 |
-
2018
- 2018-12-28 CN CN201811629872.9A patent/CN109712135A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110116762A (ko) * | 2010-04-20 | 2011-10-26 | 금오공과대학교 산학협력단 | 잡음 특성 분석을 통한 컬러 레이저 프린터 판별 방법 |
CN106991441A (zh) * | 2017-03-30 | 2017-07-28 | 浙江科技学院 | 融合多尺度方向纹理特征的植物标本分类方法及系统 |
Non-Patent Citations (1)
Title |
---|
李红娟等: "基于混沌多宇宙算法的苹果表面缺陷检测研究", 《江苏农业科学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110290203A (zh) * | 2019-06-25 | 2019-09-27 | 东莞德福得精密五金制品有限公司 | 人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通 |
WO2021135300A1 (zh) * | 2019-12-30 | 2021-07-08 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
US11741593B2 (en) | 2019-12-30 | 2023-08-29 | Goertek Inc. | Product defect detection method, device and system |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723860B (zh) | 一种目标检测方法及装置 | |
CN108038476B (zh) | 一种基于边缘检测与sift的人脸表情识别特征提取方法 | |
CN108920580A (zh) | 图像匹配方法、装置、存储介质及终端 | |
Liu et al. | Class-specific sparse multiple kernel learning for spectral–spatial hyperspectral image classification | |
CN102799854B (zh) | 图像识别装置以及图像识别方法 | |
CN109154978A (zh) | 用于检测植物疾病的系统和方法 | |
CN109753914A (zh) | 一种基于深度学习的车牌字符识别方法 | |
CN109711345A (zh) | 一种火焰图像识别方法、装置及其存储介质 | |
CN108549870A (zh) | 一种对物品陈列进行鉴别的方法及装置 | |
CN109165645A (zh) | 一种图像处理方法、装置以及相关设备 | |
CN109583483A (zh) | 一种基于卷积神经网络的目标检测方法和系统 | |
CN110414559A (zh) | 智能零售柜商品目标检测统一框架的构建方法及商品识别方法 | |
CN103136504A (zh) | 人脸识别方法及装置 | |
CN109145766A (zh) | 模型训练方法、装置、识别方法、电子设备及存储介质 | |
Fiel et al. | Automated identification of tree species from images of the bark, leaves or needles | |
CN109740572A (zh) | 一种基于局部彩色纹理特征的人脸活体检测方法 | |
Sandid et al. | Robust color texture descriptor for material recognition | |
CN109543547A (zh) | 人脸图像识别方法、装置、设备及存储介质 | |
CN113392856B (zh) | 图像伪造检测装置和方法 | |
CN106295498A (zh) | 光学遥感图像目标区域检测装置与方法 | |
CN109712135A (zh) | 一种水果缺陷识别方法、装置及其存储介质 | |
CN103839066A (zh) | 一种源于生物视觉的特征提取方法 | |
CN109241962A (zh) | 一种字符识别方法及装置 | |
CN111428730B (zh) | 弱监督细粒度物体分类方法 | |
CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 |
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 |