CN110047064B - 一种马铃薯疮痂检测方法 - Google Patents
一种马铃薯疮痂检测方法 Download PDFInfo
- Publication number
- CN110047064B CN110047064B CN201910236574.1A CN201910236574A CN110047064B CN 110047064 B CN110047064 B CN 110047064B CN 201910236574 A CN201910236574 A CN 201910236574A CN 110047064 B CN110047064 B CN 110047064B
- Authority
- CN
- China
- Prior art keywords
- area
- scab
- potato
- image
- regression
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Abstract
一种马铃薯疮痂检测方法,包括如下步骤:利用训练数据集,建立马铃薯疮痂的霍夫圆面积、标记疮痂面积和真实疮痂面积的回归关系模型,并得到标记疮痂面积和真实疮痂面积的筛选阈值;获取并读入待测马铃薯图像,利用边界提取、边界联通和掩膜分割得到感兴趣区域;提取所述感兴趣区域的霍夫圆,并求得霍夫圆面积,利用高斯拉普拉斯算子提取所述感兴趣区域的特征矩阵;对所述特征矩阵进行K‑means聚类提取所述特征矩阵的特征,并得到所述待测马铃薯的标记疮痂面积;根据所述回归关系模型,判断所述待测马铃薯的标记疮痂面积是否为疮痂类,并计算所述待测马铃薯的回归参考面积,对比所述回归参考面积与所述筛选阈值,判断所述待测马铃薯是否为疮痂病薯。
Description
技术领域
本发明涉及一种农副产品外部品质检测技术,特别是一种基于回归分析进行马铃薯外部疮痂图像识别的马铃薯疮痂检测方法。
背景技术
马铃薯作为全球第四大经济作物,被广泛种植,2014年的种植面积为1909万公顷。中国是马铃薯生产大国,2014年种植面积为564万公顷,占全球种植面积的29%、产量的1/4。相比单位面积的小麦、水稻、玉米等主粮,马铃薯产出的干物质和蛋白质质量多,欧美等国已成把马铃薯作为主要粮食作物之一。我国于2014年提出马铃薯主粮化战略,随着战略的实施,马铃薯品质检测方法和设备的需求更为迫切。目前常用的农产品品质检测技术有光谱、高光谱、核磁等,机器视觉技术发展成熟、硬件普及度高、成本低,适宜于开发商业化马铃薯品质检测设备。
影响马铃薯品质的主要因素有质量、形状、损伤、病变等。疮痂病是马铃薯块茎及表面出现的木栓化网纹或裂口状的淡褐色斑块。其最初为在块茎表面产生的浅褐色小点,逐步扩大为褐色大斑,降低了马铃薯商业价值。且病薯种植出的植株易发病,还可通过土媒感染健薯发病,造成整块土地减产5%-10%。因此,商品薯尤其种薯的疮痂病检测具有重要的意义。
目前,商业化马铃薯分级设备多关注大小、形状、质量等指标,马铃薯疮痂病主要以手工分选为主,但是手工分选成本高、一致性差,无法满足量产和主粮化的战略需求,因此急需开发马铃薯疮痂病自动检测技术与设备。
发明内容
本发明所要解决的技术问题是针对马铃薯分级过程中疮痂病识别的问题,提供一种马铃薯疮痂检测方法,用于马铃薯分级中识别疮痂病薯。
为了实现上述目的,本发明提供了一种马铃薯疮痂检测方法,其中,包括如下步骤:
S100、利用训练数据集,建立马铃薯疮痂的霍夫圆面积、标记疮痂面积和真实疮痂面积的回归关系模型,并得到标记疮痂面积和真实疮痂面积的筛选阈值;
S200、获取并读入待测马铃薯图像,对所述待测马铃薯图像做切割和滤波预处理,利用边界提取、边界联通和掩膜分割得到感兴趣区域;
S300、提取所述感兴趣区域的霍夫圆,并求得所述霍夫圆的面积,利用高斯拉普拉斯算子提取所述感兴趣区域的特征矩阵;
S400、对所述特征矩阵进行K-means聚类,利用K-means聚类方法对所述特征矩阵的特征进行提取,并得到所述待测马铃薯的标记疮痂面积;
S500、根据所述回归关系模型,判断所述待测马铃薯的标记疮痂面积是否为疮痂类,并计算所述待测马铃薯的回归参考面积,对比所述回归参考面积与所述筛选阈值,判断所述待测马铃薯是否为疮痂病薯。
上述马铃薯疮痂检测方法,其中,步骤S100进一步包括:
S101、获取并读入训练集的马铃薯图像,对所述马铃薯图像做切割和滤波预处理,利用边界提取、边界联通和掩膜分割得到感兴趣区域;
S102、提取所述感兴趣区域的霍夫圆,求得所述霍夫圆的面积,并计算所述马铃薯图像的原图疮痂面积;
S103、计算真实疮痂面积;
S104、利用高斯拉普拉斯算子提取所述感兴趣区域的特征矩阵;对所述特征矩阵进行K-means聚类提取所述特征矩阵的特征,得到所述马铃薯图像的标记疮痂面积;以及
S106、建立所述马铃薯图像的霍夫圆面积、标记疮痂面积和真实疮痂面积的回归关系模型,并得到标记疮痂面积和真实疮痂面积的筛选阈值。
上述马铃薯疮痂检测方法,其中,步骤S106进一步包括:
S1061、建立马铃薯疮痂图片的训练数据集,在所述训练数据集中,为每张马铃薯疮痂图片找到疮痂病斑位置,利用霍夫圆方法求出霍夫圆病斑面积X'1,并筛选出疮痂面积X1,并求出所述马铃薯疮痂图片的原图实际疮痂参考面积值Y;
S1062、利用所述训练数据集执行步骤S200-S400,得到马铃薯疮痂的聚类图片,计算聚类结果的像素面积,得到标记面积X'2,利用覆盖关系保留对应大小疮痂痕迹面积,得到数据X2;
S1063、利用二元线性回归方法,得到回归关系:
Y=aX1+bX2+c+ε;
S1064、将已知的X1,X2及Y代入步骤S403的公式中,求得a、b和c的值,其中,ε=0,ε为扰动项,X1为疮痂面积,X'1为霍夫圆病斑面积,X2为疮痂区域聚类标记面积,X'2为全部聚类标记面积,Y为马铃薯疮痂图片的原图实际疮痂参考面积值,a、b和c分别为回归待定系数。
上述马铃薯疮痂检测方法,其中,步骤S106还包括:
S1065、利用部分训练数据集对回归参数进行自校正学习,设定霍夫圆面积与真值面积绝对误差为E1=|Y-X1|,标记面积与真值面积绝对误差为E2=|Y-X2|,学习速率为η,则校正后的参数a'、b'分别为:
得到修正的回归关系模型为:Y'=a'X1+b'X2+c;以及
上述马铃薯疮痂检测方法,其中,步骤S200进一步包括:
S201、提取所述马铃薯图像边界,计算所述马铃薯图像边界的联通区域面积,并保留所述联通区域面积最大的外形轮廓,忽略其余内部边界;
S202、所述外形轮廓外的像素点全部设置为黑,所述外形轮廓及所述外形轮廓内的像素点全部设置为白;以及
S203、对处理后的图像和原图进行处理,得到掩膜后的图像作为所述感兴趣区域。
上述马铃薯疮痂检测方法,其中,步骤S300进一步包括:
S301、将所述感兴趣区域的图像转为灰度图像;
S302、逼近所述感兴趣区域的高斯拉普拉斯算子选用方形内核,利用高斯低通滤波对所述灰度图像降噪,得到逼近模板;以及
S303、采用高斯拉普拉斯算子进行二阶求导边缘检测,得到待聚类的特征矩阵。
上述马铃薯疮痂检测方法,其中,所述特征矩阵的计算公式为:
其中,x,y为图像横纵坐标,δ为正态分布方差,e为自然对数底数。
上述马铃薯疮痂检测方法,其中,所述选用方形内核的标准正态分布方差为1,所述高斯拉普拉斯算子取五阶对称平滑。
上述马铃薯疮痂检测方法,其中,步骤S500判断所述待测马铃薯是否为疮痂病薯时,进一步包括:
S501、利用所述标记疮痂面积进行第一次筛选,得到属于疮痂类型的区域;
S503、利用所述回归关系模型,预测得到回归参考面积;
S505、对所述回归参考面积进行二次筛选,剔除马铃薯部分损伤和泥土影响,判断所述回归参考面积是否在所述参考疮痂面积范围内,在所述参考疮痂面积范围内,则判断为疮痂病薯;否则,判断为非疮痂病薯。
上述马铃薯疮痂检测方法,其中,步骤S501之后还包括:
S502、判断所述标记疮痂面积是否属于疮痂类面积范围,如果所述标记疮痂面积小于等于一疮痂阈值,则执行步骤S503。
本发明的技术效果在于:
本发明融合了前景背景分离、高斯拉普拉斯特征提取、K-means聚类、回归分析等技术进行马铃薯疮痂图像特征识别,用于马铃薯分级装置中识别疮痂病薯,克服了现有技术中手工分选成本高、一致性差,无法满足量产和主粮化战略需求的缺陷,有效提高了识别效率和保证了识别的稳定性和一致性,满足了量产的需求。
以下结合附图和具体实施例对本发明进行详细描述,但不作为对本发明的限定。
附图说明
图1为本发明一实施例的马铃薯疮痂病图像识别流程图;
图2为本发明一实施例的回归模型训练流程图;
图3为本发明一实施例的特征提取效果图;
图4为本发明一实施例的聚类效果图;
图5为本发明一实施例的阈值判别结果图;
图6为本发明一实施例的马铃薯疮痂病图像识别结果图。
具体实施方式
下面结合附图对本发明的结构原理和工作原理作具体的描述:
参见图1,图1为本发明一实施例的马铃薯疮痂病图像识别流程图。本发明的马铃薯疮痂检测方法,包括如下步骤:
步骤S100、利用训练数据集,建立马铃薯疮痂的霍夫圆面积、标记疮痂面积和真实疮痂面积的回归关系模型,并得到标记疮痂面积和真实疮痂面积的筛选阈值;
步骤S200、获取并读入马铃薯图像,对所述马铃薯图像做切割和滤波预处理,利用边界提取、边界联通和掩膜分割得到感兴趣区域;
步骤S300、提取所述感兴趣区域的霍夫圆,并求得所述霍夫圆的面积,利用高斯拉普拉斯算子提取所述感兴趣区域的特征矩阵;
步骤S400、对所述特征矩阵进行K-means聚类,利用K-means聚类方法对所述特征矩阵的特征进行提取,并分类标记不同的密度特征点得到所述待测马铃薯的标记疮痂面积;
疮痂形状不规则,当提取特征非类圆且连续性差时,会影响特征点标记及判断结果,需进行膨胀提高连续性。由于本例特征连续性差,聚类前使用3*3的矩形模板对图像进行一次膨胀。将特征矩阵进行K-means聚类,利用不同中心点的二阶矩计算归属类别,聚类K值选为3,聚类中心为随机中心。聚类后依据特征点密度分类标记所有特征。为获得较高的图像处理收敛度,实现在任意初始点完成收敛算法,本实施例选用无监督学习的K-means聚类算法。将霍夫圆特征矩阵进行K-means聚类,利用不同中心点的二阶矩计算归属类别,聚类K值选为3,聚类中心为随机中心。聚类后依据特征点密度分类标记所有特征(参见图4,图4为本发明一实施例的聚类效果图)。
步骤S500、根据所述回归关系模型,判断所述待测马铃薯的标记疮痂面积是否为疮痂类,并计算所述待测马铃薯的回归参考面积,对比所述回归参考面积与所述筛选阈值,判断所述待测马铃薯是否为疮痂病薯。
参见图2,图2为本发明一实施例的回归模型训练流程图。本发明的回归模型建立中,对步骤S400标记的聚类特征点即所述密度特征点进行轮廓重绘;计算所述密度特征点的标记特征面积,并根据所述标记特征像素面积得到整体所述标记疮痂面积范围,本例采用的训练集数据中,疮痂面积范围为800-3000像素点。具体包括:
步骤S101、获取并读入训练集的马铃薯图像,对所述马铃薯图像做切割和滤波预处理,利用边界提取、边界联通和掩膜分割得到感兴趣区域;
步骤S102、提取所述感兴趣区域的霍夫圆,求得所述霍夫圆的面积,并计算所述马铃薯图像的原图疮痂面积;
步骤S103、计算真实疮痂面积;
步骤S104、利用高斯拉普拉斯算子提取所述感兴趣区域的特征矩阵;对所述特征矩阵进行K-means聚类提取所述特征矩阵的特征,得到所述马铃薯图像的标记疮痂面积;以及
步骤S106、建立所述马铃薯图像的霍夫圆面积、标记疮痂面积和真实疮痂面积的回归关系模型,并得到标记疮痂面积和真实疮痂面积的筛选阈值。
步骤S106进一步包括:
步骤S1061、建立马铃薯疮痂图片的训练数据集,在所述训练数据集中,为每张马铃薯疮痂图片找到疮痂病斑位置,利用霍夫圆方法求出原图中类疮痂位置,求出马铃薯表面类圆区域霍夫圆面积X'1,并人工筛选出疮痂区域霍夫圆面积X1,并求出所述马铃薯疮痂图片的原图实际疮痂参考面积值Y;
步骤S1062、利用所述训练数据集执行步骤S10621-S10623(对应与步骤S200-S400相同),得到马铃薯疮痂的聚类图片,计算聚类结果的像素面积,得到马铃薯表面类圆区域聚类标记面积X'2,X'2中会含有许多值,在聚类处理之后,疮痂得到的面积像素会相对较大,剔除最大的马铃薯边界,利用覆盖关系保留对应大小疮痂痕迹面积,得到疮痂病斑聚类标记面积X2;
步骤S1063、利用二元线性回归方法,得到回归关系:
Y=aX1+bX2+c+ε;
步骤S1064、将已知的X1,X2及Y代入步骤S403的公式中,求得a、b和c的值,其中,ε=0,ε为扰动项,X1为疮痂面积,X'1为霍夫圆病斑面积,X2为标记面积,X'2为全聚类标记面积,Y为马铃薯疮痂图片的原图实际疮痂参考面积值,a、b和c分别为回归待定系数。其中覆盖关系利用霍夫圆结果图与标记位置结果图做与运算,结果存在1且大于一定数量即为对应位置面积关系。
考虑到实际疮痂面积与疮痂区域霍夫圆面积X1结果更为贴近,步骤S106还包括:
步骤S1065、利用部分训练数据集对回归参数进行自校正学习。
设定霍夫圆面积与真值面积绝对误差为E1=|Y-X1|,标记面积与真值面积绝对误差为E2=|Y-X2|,学习速率为η,此例中取η=0.15,则校正后的参数a'、b'分别为:
得到修正的回归关系模型为:Y'=a'X1+b'X2+c;以及
参见图3,图3为本发明一实施例的特征提取效果图。其中,步骤S200做前景与背景分离,在读入图像后,对图像做切割、滤波预处理。为剔除图像本身如阴影、背景颜色等干扰因素,提高特征提取有效性,开展如下前景与背景分离处理。进一步包括:
步骤S201、提取所述马铃薯图像边界,计算所述马铃薯图像边界的联通区域面积,并保留所述联通区域面积最大的外形轮廓,忽略其余内部边界;
步骤S202、所述外形轮廓外的像素点全部设置为黑(0,0,0),所述外形轮廓及所述外形轮廓内的像素点全部设置为白(255,255,255);以及
步骤S203、对处理后的图像和原图进行处理,例如将处理后的图像与原图做逻辑“与”操作,得到掩膜后的图像作为所述感兴趣区域(region of interest,ROI)。
本实施例的步骤S300中,求取霍夫圆特征矩阵提取,对掩模后图像做霍夫圆提取,并求得霍夫圆面积。为提高对噪声和散点的稳定性,所述霍夫圆特征矩阵为利用高斯拉普拉斯方法获得,即利用高斯拉普拉斯方法对分离出的ROI进行特征提取。高斯拉普拉斯方法为:先利用高斯低通滤波对图像降噪,再采用拉普拉斯算子进行二阶求导边缘检测。其中,高斯卷积函数公式及二阶边缘求导公式,是此方法的基本理论。有上述两种公式,在图像区间做卷积可结合简化为特征矩阵计算公式LOG。算子模板是由LOG函数离散后,取离散化后得到的。具体包括:
步骤S301、将所述感兴趣区域的ROI图像转为灰度图像;
步骤S302、逼近所述感兴趣区域的高斯拉普拉斯算子选用方形内核,利用高斯低通滤波对所述灰度图像降噪,其中,所述选用方形内核的标准正态分布方差设置为1,所述拉普拉斯算子为五阶对称平滑,可得逼近模板:
步骤S303、采用拉普拉斯算子进行二阶求导边缘检测,得到待聚类的特征矩阵。
高斯卷积函数为:
二阶求导边缘检测为:
为简化计算,可对高斯卷积函数二阶求导后,再与图像做卷积,即所述特征矩阵的计算公式为:
其中,x,y为图像横纵坐标,δ为正态分布方差,e为自然对数底数。为减少马铃薯内部非疮痂点干扰,可对霍夫圆特征矩阵二次滤波。
参见图5及图6,图5为本发明一实施例的阈值判别结果图,图6为本发明一实施例的马铃薯疮痂病图像识别结果图。本实施例的步骤S500回归分析,判断结果。预测未知图像时,执行步骤S100-S300,得到待预测图像的标记特征点,即得到聚类后的特征图像和霍夫圆面积。利用图像逻辑与方法判断霍夫圆与标记特征对应关系。在判断所述待测马铃薯是否为疮痂病薯时,进一步包括:
步骤S501、利用所述标记疮痂面积进行第一次筛选,判断标记位置面积是否属于疮痂类面积范围,得到大致属于疮痂类型的区域;
步骤S502、判断所述标记疮痂面积是否属于疮痂类面积范围,如果所述标记疮痂面积小于等于一疮痂阈值,则执行步骤S503。
步骤S503、如果在一阈值内,则利用所述回归关系模型,预测得到回归参考面积即参考特征像素面积值;
步骤S505、为避免泥土、损伤等类似疮痂特征引起马铃薯疮痂病斑的判断错误,基于疮痂特征的类圆特性,利用参考疮痂面积范围对对所述参考特征像素面积值进行二次筛选,得到筛选结果。即利用回归分析方法再次对疮痂特征进行筛选,以剔除马铃薯部分损伤和泥土影响,判断所述参考特征像素面积值是否在所述参考疮痂面积范围内,在所述参考疮痂面积范围内,则判断为疮痂病薯;否则,判断为非疮痂病薯。
二次筛选的方法缩小了筛选范围,将特征中圆度低,面积畸形度高的非疮痂斑迹剔除,提高了筛选准确度与精度。
本发明的马铃薯疮痂病图像识别方法,为消除背景干扰,利用边界提取、边界联通、掩膜分割出感兴趣区域。为减少泥土、损伤等斑点的影响,利用高斯拉普拉斯方法提取分离出的感兴趣区域的特征。为获得较高的收敛和分类准确度,利用K-means聚类方法对特征进行提取,并分类标记不同密度特征点。建立霍夫圆面积、标记疮痂像素面积和参考像素面积的回归关系。根据参考疮痂像素值范围与回归关系,得到标记特征筛选阈值。预测时,依据标记位置特征像素点和回归关系,筛选阈值判断是否为疮痂病薯。为马铃薯疮痂病无损检测提供了有效手段。
当然,本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (8)
1.一种马铃薯疮痂检测方法,其特征在于,包括如下步骤:
S100、利用训练数据集,建立马铃薯疮痂的霍夫圆面积、标记疮痂面积和真实疮痂面积的回归关系模型,并得到标记疮痂面积和真实疮痂面积的筛选阈值;
S200、获取并读入待测马铃薯图像,对所述待测马铃薯图像做切割和滤波预处理,利用边界提取、边界联通和掩膜分割得到感兴趣区域;
S300、提取所述感兴趣区域的霍夫圆,并求得所述霍夫圆的面积,利用高斯拉普拉斯算子提取所述感兴趣区域的特征矩阵;
S400、对所述特征矩阵进行K-means聚类,利用K-means聚类方法对所述特征矩阵的特征进行提取,并得到所述待测马铃薯的标记疮痂面积;
S500、根据所述回归关系模型,判断所述待测马铃薯的标记疮痂面积是否为疮痂类,并计算所述待测马铃薯的回归参考面积,对比所述回归参考面积与所述筛选阈值,判断所述待测马铃薯是否为疮痂病薯;
其中,步骤S100进一步包括:
S101、获取并读入训练集的马铃薯图像,对所述马铃薯图像做切割和滤波预处理,利用边界提取、边界联通和掩膜分割得到感兴趣区域;
S102、提取所述感兴趣区域的霍夫圆,求得所述霍夫圆的面积,并计算所述马铃薯图像的原图疮痂面积;
S103、计算真实疮痂面积;
S104、利用高斯拉普拉斯算子提取所述感兴趣区域的特征矩阵;对所述特征矩阵进行K-means聚类提取所述特征矩阵的特征,得到所述马铃薯图像的标记疮痂面积;以及
S106、建立所述马铃薯图像的霍夫圆面积、标记疮痂面积和真实疮痂面积的回归关系模型,并得到标记疮痂面积和真实疮痂面积的筛选阈值;
步骤S500判断所述待测马铃薯是否为疮痂病薯时,进一步包括:
S501、利用所述标记疮痂面积进行第一次筛选,得到属于疮痂类型的区域;
S503、利用所述回归关系模型,预测得到回归参考面积;
S505、对所述回归参考面积进行二次筛选,剔除马铃薯部分损伤和泥土影响,判断所述回归参考面积是否在参考疮痂面积范围内,在所述参考疮痂面积范围内,则判断为疮痂病薯;否则,判断为非疮痂病薯。
2.如权利要求1所述马铃薯疮痂检测方法,其特征在于,步骤S106进一步包括:
S1061、建立马铃薯疮痂图片的训练数据集,在所述训练数据集中,为每张马铃薯疮痂图片找到疮痂病斑位置,利用霍夫圆方法求出马铃薯表面类圆区域霍夫圆面积X′1,并筛选出疮痂区域霍夫圆面积X1,并求出所述马铃薯疮痂图片的实际疮痂参考面积Y;
S1062、利用所述训练数据集执行如下步骤S10621-S10623,得到马铃薯疮痂的聚类图片,计算聚类结果的像素面积,得到马铃薯表面类圆区域聚类标记面积X'2,利用覆盖关系保留对应大小疮痂痕迹面积,得到疮痂区域聚类标记面积X2;
S10621、获取并读入待测马铃薯图像,对所述待测马铃薯图像做切割和滤波预处理,利用边界提取、边界联通和掩膜分割得到感兴趣区域;
S10622、提取所述感兴趣区域的霍夫圆,并求得所述霍夫圆的面积,利用高斯拉普拉斯算子提取所述感兴趣区域的特征矩阵;
S10623、对所述特征矩阵进行K-means聚类,利用K-means聚类方法对所述特征矩阵的特征进行提取,并得到待测马铃薯的所述疮痂区域聚类标记面积X2;
S1063、利用二元线性回归方法,得到回归关系:
Y=aX1+bX2+c+ε;
S1064、将已知的X1,X2及Y代入步骤S1063的公式中,求得a、b和c的值,其中,ε=0,ε为扰动项,a、b和c分别为回归待定系数。
4.如权利要求1、2或3所述马铃薯疮痂检测方法,其特征在于,步骤S200进一步包括:
S201、提取所述马铃薯图像边界,计算所述马铃薯图像边界的联通区域面积,并保留所述联通区域面积最大的外形轮廓,忽略其余内部边界;
S202、所述外形轮廓外的像素点全部设置为黑,所述外形轮廓及所述外形轮廓内的像素点全部设置为白;以及
S203、对处理后的图像和原图进行处理,得到掩膜后的图像作为所述感兴趣区域。
5.如权利要求1、2或3所述马铃薯疮痂检测方法,其特征在于,步骤S300进一步包括:
S301、将所述感兴趣区域的图像转为灰度图像;
S302、逼近所述感兴趣区域的高斯拉普拉斯算子选用方形内核,利用高斯低通滤波对所述灰度图像降噪,得到逼近模板;以及
S303、采用高斯拉普拉斯算子进行二阶求导边缘检测,得到待聚类的特征矩阵。
7.如权利要求6所述马铃薯疮痂检测方法,其特征在于,所述选用方形内核的标准正态分布方差为1,所述高斯拉普拉斯算子取五阶对称平滑。
8.如权利要求1所述马铃薯疮痂检测方法,其特征在于,步骤S501之后还包括:
S502、判断所述标记疮痂面积是否属于疮痂类面积范围,如果所述标记疮痂面积小于等于一疮痂阈值,则执行步骤S503。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910236574.1A CN110047064B (zh) | 2019-03-27 | 2019-03-27 | 一种马铃薯疮痂检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910236574.1A CN110047064B (zh) | 2019-03-27 | 2019-03-27 | 一种马铃薯疮痂检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110047064A CN110047064A (zh) | 2019-07-23 |
CN110047064B true CN110047064B (zh) | 2021-03-19 |
Family
ID=67275277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910236574.1A Active CN110047064B (zh) | 2019-03-27 | 2019-03-27 | 一种马铃薯疮痂检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110047064B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414480A (zh) * | 2019-08-09 | 2019-11-05 | 威盛电子股份有限公司 | 训练图像产生方法与电子装置 |
CN111340805A (zh) * | 2020-04-16 | 2020-06-26 | 张东 | B超图像处理装置、脂肪肝b超图像处理装置及b超系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105300895A (zh) * | 2015-11-05 | 2016-02-03 | 浙江大学 | 一种利用特征点切线夹角预警马铃薯发芽缺陷的方法 |
CN109444169A (zh) * | 2019-01-17 | 2019-03-08 | 南昌航空大学 | 一种轴承缺陷检测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8284248B2 (en) * | 2009-08-25 | 2012-10-09 | Frito-Lay North America, Inc. | Method for real time detection of defects in a food product |
-
2019
- 2019-03-27 CN CN201910236574.1A patent/CN110047064B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105300895A (zh) * | 2015-11-05 | 2016-02-03 | 浙江大学 | 一种利用特征点切线夹角预警马铃薯发芽缺陷的方法 |
CN109444169A (zh) * | 2019-01-17 | 2019-03-08 | 南昌航空大学 | 一种轴承缺陷检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
Image recognition on raw and processed potato detection: a review;QI Yan-nan等;《Proceedings of SPIE》;20180220;第10697卷;第106972D-1至106972D-18页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110047064A (zh) | 2019-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN107256558B (zh) | 一种无监督式的宫颈细胞图像自动分割方法及系统 | |
Yu et al. | Automatic grading of apples based on multi-features and weighted K-means clustering algorithm | |
Lu et al. | Histogram-based automatic thresholding for bruise detection of apples by structured-illumination reflectance imaging | |
CN109154978A (zh) | 用于检测植物疾病的系统和方法 | |
CN109255757B (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
CN108563979B (zh) | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 | |
CN107330875B (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN111259925B (zh) | 基于k均值聚类和宽度突变算法的田间麦穗计数方法 | |
CN107633503A (zh) | 一种自动检测谷粒中残留秸秆的图像处理方法 | |
CN109145848B (zh) | 一种麦穗计数方法 | |
CN105740945A (zh) | 一种基于视频分析的人群计数方法 | |
CN103295013A (zh) | 一种基于成对区域的单幅图像阴影检测方法 | |
CN110047064B (zh) | 一种马铃薯疮痂检测方法 | |
CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN115409742B (zh) | 一种基于园林绿化的植被覆盖密度评估方法 | |
CN109409227A (zh) | 一种基于多通道cnn的手指静脉图质量评估方法及其装置 | |
CN109975196B (zh) | 一种网织红细胞检测方法及其系统 | |
CN111882573B (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
CN112258536B (zh) | 一种胼胝体及小脑蚓部的一体化定位及分割方法 | |
CN112288760B (zh) | 一种粘连细胞图像筛除方法、系统及细胞图像分析方法 | |
Ye et al. | Cucumber appearance quality detection under complex background based on image processing |
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 |