CN110472598A - 基于区域特征的svm机采棉花含杂图像分割方法及系统 - Google Patents
基于区域特征的svm机采棉花含杂图像分割方法及系统 Download PDFInfo
- Publication number
- CN110472598A CN110472598A CN201910769787.0A CN201910769787A CN110472598A CN 110472598 A CN110472598 A CN 110472598A CN 201910769787 A CN201910769787 A CN 201910769787A CN 110472598 A CN110472598 A CN 110472598A
- Authority
- CN
- China
- Prior art keywords
- image
- cotton
- initial
- color
- merging
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 241000241602 Gossypianthus Species 0.000 title abstract 2
- 238000005192 partition Methods 0.000 title abstract 2
- 229920000742 Cotton Polymers 0.000 claims abstract description 104
- 239000012535 impurity Substances 0.000 claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims abstract description 39
- 239000010813 municipal solid waste Substances 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 6
- 239000000428 dust Substances 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 8
- 238000004040 coloring Methods 0.000 abstract 1
- 241000219146 Gossypium Species 0.000 description 80
- 230000006870 function Effects 0.000 description 8
- 238000004140 cleaning Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
Classifications
-
- 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
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开公开了基于区域特征的SVM机采棉花含杂图像分割方法及系统。在可见光条件下拍照获取彩色图像，然后对图像进行均值滤波、彩色梯度运算、扩展极小变换运算、形态学强制最小运算以及分水岭算法，获得初始标记分水岭分割图像。对初始分割图像进行相邻区域块初次合并，区域合并过程中综合考虑空间邻接性和颜色信息(饱和度S和亮度I)两个因素。提取初次合并后区域的颜色特征、形状特征、纹理特征以及面积信息作为特征值，标记籽棉、僵瓣、铃壳、棉枝、叶片、尘杂等的区域属性，训练SVM分类器。利用SVM分类器，合并相似特征区域，完成被测图像区域的最终合并，从而获得机采籽棉图像的最终分割，为机采籽棉图像杂质精确识别提供支持。
Description
技术领域
本公开涉及机器采摘的原棉含杂图像特征分析技术领域，特别是涉及基于区域特征的SVM机采棉花含杂图像分割方法及系统。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。
我国是世界上最大的棉花生产国和消费国，也是最大的纺织品生产国和出口国，但至今仍有相当大的一部分地区依靠人力手工采摘。由于人工成本的提高，以及棉花的规模化种植，传统的人工采摘已经不适应，机械采摘棉花已成为主流趋势。相对于人工采摘，机采棉的含杂率非常高，杂质主要包括棉叶、棉杆、棉壳、僵瓣、尘杂等杂质，因此清理棉花中的杂质尤其重要。在棉花杂质清理中，不同的设备清理杂质的类型不同，有的清理机主要清理叶屑等轻杂，有些清理机主要清理铃壳、僵瓣等重杂。对机采棉的杂质进行分类识别能够为棉花加工设备的运行参数调整提供参考依据，提高除杂效率，同时也能够为采棉机设备的进一步改进提供指导参考。
在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：
目前对棉花的智能检测一般通过图像采集，从而对图像进行后处理得到棉花杂质种类及数量。棉花在生长过程中如果遭受虫害、干旱或是冰冻等自然因素的影响，其颜色会变成暗色或黄色，使得棉花图像背景复杂。机采棉含杂量高，完善机采棉自动化加工工艺，图像处理中分割是机采棉图像处理的前提和基础，分割的好坏直接影响图像的后续处理，图像分割不准确会导致棉花杂质识别难度大，甚至造成错误判别。因此，机采棉智能加工工艺急需一种能够快速、有效、准确的机采棉分割技术方法，为后期进行精确检测的做好基础。
发明内容
为了解决现有技术的不足，本公开提供了基于区域特征的SVM机采棉花含杂图像分割方法及系统。
第一方面，本公开提供了基于区域特征的SVM机采棉花含杂图像分割方法；
基于区域特征的SVM机采棉花含杂图像分割方法，包括：
获取待分割的机采棉花含杂图像；
对待分割的机采棉花含杂图像，进行均值滤波处理，得到第一图像；
对第一图像，求取彩色图像的梯度向量，得到彩色梯度图像；
对彩色梯度图像，通过扩展极小变换运算，得到标记图像；
对标记图像，通过形态学强制最小运算，得到梯度修正图像；
对梯度修正图像，通过标记分水岭算法处理，得到机采棉的初始分割图像；
对机采棉的初始分割图像，进行区域块初始合并，得到初始合并图像；
将初始合并图像输入到预训练的SVM分类器中，输出分类结果；
根据分类结果对初始合并图像进行最终合并，得到机采棉花含杂图像最终分割结果。
第二方面，本公开还提供了基于区域特征的SVM机采棉花含杂图像分割系统；
基于区域特征的SVM机采棉花含杂图像分割系统，包括：
获取模块，其被配置为获取待分割的机采棉花含杂图像；
预处理模块，其被配置为对待分割的机采棉花含杂图像，进行均值滤波处理，得到第一图像；
对第一图像，求取彩色图像的梯度向量，得到彩色梯度图像；
对彩色梯度图像，通过扩展极小变换运算，得到标记图像；
对标记图像，通过形态学强制最小运算，得到梯度修正图像；
对梯度修正图像，通过标记分水岭算法处理，得到机采棉的初始分割图像；
初始合并模块，其被配置为对机采棉的初始分割图像，进行区域块初始合并，得到初始合并图像；
分类模块，其被配置为将初始合并图像输入到预训练的SVM分类器中，输出分类结果；
最终合并模块，其被配置为根据分类结果对初始合并图像进行最终合并，得到机采棉花含杂图像最终分割结果。
第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。
第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。
与现有技术相比，本公开的有益效果是：
综合利用图像区域块颜色特征、形状特征、纹理特征以及面积信息的SVM棉花杂质分割方法。本方法首先拍照获取机采籽棉彩色图像，然后对图像进行均值滤波、彩色梯度运算、扩展极小变换运算、形态学强制最小运算以及分水岭算法，获得初始标记分水岭分割图像。对初始分割图像进行相邻区域块初次合并，区域合并过程中综合考虑空间邻接性和颜色信息两个因素，颜色信息主要采用饱和度S和亮度I特征量。初次合并完成后，还有一些比较难以分辨的区域，单纯的采用线性分割方法已不能满足。提取初次合并后区域的颜色特征、形状特征、纹理特征以及面积信息作为特征值，标记籽棉、僵瓣、铃壳、棉枝、叶片、尘杂等的区域属性，训练SVM分类器。利用SVM分类器，合并相似特征区域，完成被测图像区域的最终合并，从而获得机采籽棉图像的最终分割，为机采籽棉图像杂质精确识别提供支持。
机采籽棉含杂图像中，杂质基本处于原始独立的状态，没有被各种清理机器破坏分离。因此采用基于区域块的综合特征信息，对籽棉含杂图像的自动分割方法而言具有独特优势。区域块综合邻接像素间的分散信息，包括颜色特征、形状特征、纹理特征以及面积信息，此籽棉图像分割方法具有技术先进性。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为第一个实施例的图像分割区域示意图；
图2为第一个实施例的方法流程示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一，本实施例提供了基于区域特征的SVM机采棉花含杂图像分割方法；
如图2所示，基于区域特征的SVM机采棉花含杂图像分割方法，包括：
S1：获取待分割的机采棉花含杂图像；
S2：对待分割的机采棉花含杂图像，进行均值滤波处理，得到第一图像；
对第一图像，求取彩色图像的梯度向量，得到彩色梯度图像；
对彩色梯度图像，通过扩展极小变换运算，得到标记图像；
对标记图像，通过形态学强制最小运算，得到梯度修正图像；
对梯度修正图像，通过标记分水岭算法处理，得到机采棉的初始分割图像；
S3：对机采棉的初始分割图像，进行区域块初始合并，得到初始合并图像；
S4：将初始合并图像输入到预训练的SVM分类器中，输出分类结果；
S5：根据分类结果对初始合并图像进行最终合并，得到机采棉花含杂图像最终分割结果。
作为一个或多个实施例，获取待分割的机采棉花含杂图像，具体是指：利用工业相机在可见光下采集机采棉原始图像。
作为一个或多个实施例，对待分割的机采棉花含杂图像，进行均值滤波处理，得到第一图像；具体步骤包括：
对机采棉彩色图像进行均值滤波，应用3×3矩阵。
作为一个或多个实施例，对第一图像，求取彩色图像的梯度向量，得到彩色梯度图像具体步骤包括：
令r、g、b是RGB彩色空间沿R、G和B轴的单位向量，定义向量：
设gxx，gyy和gxy是u、v的点积，得：
由此可以得到向量梯度，用角度表示为：
得到θ方向上变化率的值为：
其中，表示彩色梯度图像；表示滤波图像；grad(·)代表梯度运算。
作为一个或多个实施例，对彩色梯度图像，通过扩展极小变换运算，得到标记图像；具体步骤包括：
其中，表示彩色梯度图像；表示标记图像；Hmin(·)代表形态学的H-minima变换；h为设定的深度阈值。
作为一个或多个实施例，对标记图像，通过形态学强制最小运算，得到梯度修正图像；具体步骤包括：
其中，IMmin(·)表示形态极小值标定操作。
作为一个或多个实施例，对梯度修正图像，通过标记分水岭算法处理，得到机采棉的初始分割图像；具体步骤包括：
其中，WST(·)表示分水岭分割操作算子。
作为一个或多个实施例，区域块初始合并采用区域块的饱和度S和亮度I特征以及区域邻接特性对初始分割图像进行初次合并。之所以使用区域块的饱和度S和亮度I特征，是因为在机采籽棉图像中浅色杂质与籽棉颜色相近，色调H规律不明显，不能清晰地分割杂质。
作为一个或多个实施例，对机采棉的初始分割图像，进行区域块初始合并，得到初始合并图像；具体步骤包括：
S31：建立空间邻接关系表：将图像初始分割后的图像进行区域标记，使用邻接关系表的形式表示各区域间的相邻关系；关系表中的“1”表示两个区域邻接，“0”表示不邻接；
图1和表1分别是分割区域示意图和区域邻接关系表。如表1所示，关系表中的“1”表示两个区域邻接，“0”表示不邻接。
表1邻接关系表
S32：设定亮度I阈值，合并相邻区域：通过空间邻接关系表先判断两区域是否相邻，如果相邻，则设定亮度I阈值，将亮度高于阈值I的棉花区域进行合并；将亮度低于阈值I的枝条区域进行合并；
其中，表示亮度I阈值合并图像；Bh(·)代表合并运算；hi为设定的亮度I阈值；
S33：设定饱和度S阈值，合并相邻区域：通过空间邻接关系表先判断两区域是否相邻，如果相邻，则设定饱和度S阈值，将饱和度高于阈值S的铃壳区域进行合并；
其中，表示饱和度S阈值合并图像；Bh(·)代表合并运算；hs为设定的饱和度S阈值。
作为一个或多个实施例，将初始合并图像输入到预训练的SVM分类器中，输出分类结果；具体步骤包括：
从初始合并图像中，提取颜色特征、形状特征、纹理特征和面积特征；
将颜色特征、形状特征、纹理特征和面积特征，进行特征融合后，输入到预训练的SVM分类器中，输出分类结果，所述分类结果包括：籽棉、僵瓣、铃壳、棉枝、叶片和尘杂。
应理解的，所述颜色特征，包括：饱和度特征S和亮度特征I。
应理解的，所述形状特征，包括：矩形度、宽长比、圆形度和不变矩。
应理解的，所述纹理特征，包括：计算初次合并图像区域块的区域共生矩阵纹理特征，包括能量、熵、对比度和局部均匀性。
应理解的，所述面积特征，包括：初次合并图像区域块的各个区域块的面积。
进一步地，SVM分类器的训练步骤包括：
构建SVM分类器；
构建训练集，所述训练集包括：已知分类标签的机采棉花含杂图像的初始合并图像；
将训练集输入到SVM分类器中，当迭代达到设定次数时，停止训练，输出训练好的SVM分类器。
SVM方法用适当的内积函数K实现非线性变换后的线性分类，解决训练样本间的内积运算，解决如下对偶问题
式中：c表示惩罚参数，可以控制对错分样本的惩罚程度；线性可分样本集为(xi,yi)，i＝1,…,n；y表示类别标号；a表示样本数据的Lagrange乘子；
假设最优解为a*，则最优分类函数为
式中sgn(·)为符号函数；b*是分类阈值。
本发明采用RBF核函数，解决SVM算法的维数灾难问题，RBF核函数为
K(x,xi)＝exp(-g||x-xi||2)
式中||x-xi||是二范数距离；g为核函数参数。
本发明专利使用遗传算法迭代优化惩罚参数c和核函数参数g，解决SVM方法在使用RBF核函数时的参数选择问题。
作为一个或多个实施例，根据分类结果对初始合并图像进行最终合并，得到机采棉花含杂图像最终分割结果；具体步骤包括：
利用SVM分类器，合并相邻的相似特征区域，完成被测图像区域的最终合并，获得机采棉花含杂图像的最终分割。
实施例二，本实施例还提供了基于区域特征的SVM机采棉花含杂图像分割系统；
基于区域特征的SVM机采棉花含杂图像分割系统，包括：
获取模块，其被配置为获取待分割的机采棉花含杂图像；
预处理模块，其被配置为对待分割的机采棉花含杂图像，进行均值滤波处理，得到第一图像；
对第一图像，求取彩色图像的梯度向量，得到彩色梯度图像；
对彩色梯度图像，通过扩展极小变换运算，得到标记图像；
对标记图像，通过形态学强制最小运算，得到梯度修正图像；
对梯度修正图像，通过标记分水岭算法处理，得到机采棉的初始分割图像；
初始合并模块，其被配置为对机采棉的初始分割图像，进行区域块初始合并，得到初始合并图像；
分类模块，其被配置为将初始合并图像输入到预训练的SVM分类器中，输出分类结果；
最终合并模块，其被配置为根据分类结果对初始合并图像进行最终合并，得到机采棉花含杂图像最终分割结果。
实施例三，本实施例还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一所述方法的步骤。
实施例四，本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述方法的步骤。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.基于区域特征的SVM机采棉花含杂图像分割方法，其特征是，包括：
获取待分割的机采棉花含杂图像；
对待分割的机采棉花含杂图像，进行均值滤波处理，得到第一图像；
对第一图像，求取彩色图像的梯度向量，得到彩色梯度图像；
对彩色梯度图像，通过扩展极小变换运算，得到标记图像；
对标记图像，通过形态学强制最小运算，得到梯度修正图像；
对梯度修正图像，通过标记分水岭算法处理，得到机采棉的初始分割图像；
对机采棉的初始分割图像，进行区域块初始合并，得到初始合并图像；
将初始合并图像输入到预训练的SVM分类器中，输出分类结果；
根据分类结果对初始合并图像进行最终合并，得到机采棉花含杂图像最终分割结果。
2.如权利要求1所述的方法，其特征是，获取待分割的机采棉花含杂图像，具体是指：利用工业相机在可见光下采集机采棉原始图像。
3.如权利要求1所述的方法，其特征是，对待分割的机采棉花含杂图像，进行均值滤波处理，得到第一图像；具体步骤包括：
对机采棉彩色图像进行均值滤波，应用3×3矩阵。
4.如权利要求1所述的方法，其特征是，区域块初始合并采用区域块的饱和度S和亮度I特征以及区域邻接特性对初始分割图像进行初次合并。
5.如权利要求1所述的方法，其特征是，对机采棉的初始分割图像，进行区域块初始合并，得到初始合并图像；具体步骤包括：
S31：建立空间邻接关系表：将图像初始分割后的图像进行区域标记，使用邻接关系表的形式表示各区域间的相邻关系；关系表中的“1”表示两个区域邻接，“0”表示不邻接；
S32：设定亮度I阈值，合并相邻区域：通过空间邻接关系表先判断两区域是否相邻，如果相邻，则设定亮度I阈值，将亮度高于阈值I的棉花区域进行合并；将亮度低于阈值I的枝条区域进行合并；
S33：设定饱和度S阈值，合并相邻区域：通过空间邻接关系表先判断两区域是否相邻，如果相邻，则设定饱和度S阈值，将饱和度高于阈值S的铃壳区域进行合并。
6.如权利要求1所述的方法，其特征是，将初始合并图像输入到预训练的SVM分类器中，输出分类结果；具体步骤包括：
从初始合并图像中，提取颜色特征、形状特征、纹理特征和面积特征；
将颜色特征、形状特征、纹理特征和面积特征，进行特征融合后，输入到预训练的SVM分类器中，输出分类结果，所述分类结果包括：籽棉、僵瓣、铃壳、棉枝、叶片和尘杂。
7.如权利要求6所述的方法，其特征是，
所述颜色特征，包括：饱和度特征S和亮度特征I；
所述形状特征，包括：矩形度、宽长比、圆形度和不变矩；
所述纹理特征，包括：计算初次合并图像区域块的区域共生矩阵纹理特征，包括能量、熵、对比度和局部均匀性；
所述面积特征，包括：初次合并图像区域块的各个区域块的面积。
8.基于区域特征的SVM机采棉花含杂图像分割系统，其特征是，包括：
获取模块，其被配置为获取待分割的机采棉花含杂图像；
预处理模块，其被配置为对待分割的机采棉花含杂图像，进行均值滤波处理，得到第一图像；
对第一图像，求取彩色图像的梯度向量，得到彩色梯度图像；
对彩色梯度图像，通过扩展极小变换运算，得到标记图像；
对标记图像，通过形态学强制最小运算，得到梯度修正图像；
对梯度修正图像，通过标记分水岭算法处理，得到机采棉的初始分割图像；
初始合并模块，其被配置为对机采棉的初始分割图像，进行区域块初始合并，得到初始合并图像；
分类模块，其被配置为将初始合并图像输入到预训练的SVM分类器中，输出分类结果；
最终合并模块，其被配置为根据分类结果对初始合并图像进行最终合并，得到机采棉花含杂图像最终分割结果。
9.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项方法所述的步骤。
10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项方法所述的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910769787.0A CN110472598A (zh) | 2019-08-20 | 2019-08-20 | 基于区域特征的svm机采棉花含杂图像分割方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910769787.0A CN110472598A (zh) | 2019-08-20 | 2019-08-20 | 基于区域特征的svm机采棉花含杂图像分割方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110472598A true CN110472598A (zh) | 2019-11-19 |
Family
ID=68512645
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910769787.0A Pending CN110472598A (zh) | 2019-08-20 | 2019-08-20 | 基于区域特征的svm机采棉花含杂图像分割方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110472598A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111882549A (zh) * | 2020-07-31 | 2020-11-03 | 陕西长岭软件开发有限公司 | 一种灰绿色细小异纤自动检测识别方法及检测识别系统 |
| CN112461848A (zh) * | 2020-12-16 | 2021-03-09 | 石河子大学 | 一种激光增强的籽棉残膜在线检测系统 |
| CN112767367A (zh) * | 2021-01-25 | 2021-05-07 | 济南大学 | 一种机采籽棉的棉花杂质检测方法及系统 |
| CN112883852A (zh) * | 2021-02-04 | 2021-06-01 | 浙江大学山东工业技术研究院 | 一种高光谱图像分类系统和方法 |
| CN113019993A (zh) * | 2021-04-19 | 2021-06-25 | 济南大学 | 一种籽棉的杂质分类识别方法及系统 |
| CN113298768A (zh) * | 2021-05-20 | 2021-08-24 | 山东大学 | 棉花检测分割计数方法及系统 |
| CN113330915A (zh) * | 2021-05-26 | 2021-09-03 | 华南农业大学 | 双目视觉识别的自适应棉花收获方法及智能机械收获装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105718945A (zh) * | 2016-01-20 | 2016-06-29 | 江苏大学 | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 |
| CN108288275A (zh) * | 2018-03-07 | 2018-07-17 | 安徽财经大学 | 一种基于移动智能终端的机采籽棉杂质检测方法 |
| CN109738436A (zh) * | 2018-12-28 | 2019-05-10 | 安徽财经大学 | 一种籽棉杂质定量快速检测系统及方法 |
-
2019
- 2019-08-20 CN CN201910769787.0A patent/CN110472598A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105718945A (zh) * | 2016-01-20 | 2016-06-29 | 江苏大学 | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 |
| CN108288275A (zh) * | 2018-03-07 | 2018-07-17 | 安徽财经大学 | 一种基于移动智能终端的机采籽棉杂质检测方法 |
| CN109738436A (zh) * | 2018-12-28 | 2019-05-10 | 安徽财经大学 | 一种籽棉杂质定量快速检测系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| 司马海峰 等: "《遥感图像分类中的智能计算方法》", 31 January 2018 * |
| 张成梁 等: "应用区域颜色分割的机采棉杂质检测方法", 《纺织学报》 * |
| 王志慧 等: "《植被生物量与生产力遥感估算技术与应用》", 31 December 2016 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111882549A (zh) * | 2020-07-31 | 2020-11-03 | 陕西长岭软件开发有限公司 | 一种灰绿色细小异纤自动检测识别方法及检测识别系统 |
| CN111882549B (zh) * | 2020-07-31 | 2024-04-09 | 陕西长岭软件开发有限公司 | 一种灰绿色细小异纤自动检测识别方法及检测识别系统 |
| CN112461848A (zh) * | 2020-12-16 | 2021-03-09 | 石河子大学 | 一种激光增强的籽棉残膜在线检测系统 |
| CN112767367A (zh) * | 2021-01-25 | 2021-05-07 | 济南大学 | 一种机采籽棉的棉花杂质检测方法及系统 |
| CN112767367B (zh) * | 2021-01-25 | 2022-11-25 | 济南大学 | 一种机采籽棉的棉花杂质检测方法及系统 |
| CN112883852A (zh) * | 2021-02-04 | 2021-06-01 | 浙江大学山东工业技术研究院 | 一种高光谱图像分类系统和方法 |
| CN112883852B (zh) * | 2021-02-04 | 2022-10-28 | 浙江大学山东工业技术研究院 | 一种高光谱图像分类系统和方法 |
| CN113019993A (zh) * | 2021-04-19 | 2021-06-25 | 济南大学 | 一种籽棉的杂质分类识别方法及系统 |
| CN113019993B (zh) * | 2021-04-19 | 2022-09-09 | 济南大学 | 一种籽棉的杂质分类识别方法及系统 |
| CN113298768A (zh) * | 2021-05-20 | 2021-08-24 | 山东大学 | 棉花检测分割计数方法及系统 |
| CN113330915A (zh) * | 2021-05-26 | 2021-09-03 | 华南农业大学 | 双目视觉识别的自适应棉花收获方法及智能机械收获装置 |
| CN113330915B (zh) * | 2021-05-26 | 2022-08-30 | 华南农业大学 | 双目视觉识别的自适应棉花收获方法及智能机械收获装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110472598A (zh) | 基于区域特征的svm机采棉花含杂图像分割方法及系统 | |
| Scharr et al. | Leaf segmentation in plant phenotyping: a collation study | |
| Revathi et al. | Advance computing enrichment evaluation of cotton leaf spot disease detection using Image Edge detection | |
| CN108562589A (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| Yan et al. | Purity identification of maize seed based on color characteristics | |
| CN113191334B (zh) | 一种基于改进CenterNet的植物冠层密集叶片计数方法 | |
| CN102208099A (zh) | 一种抗光照变化的作物彩色图像分割方法 | |
| CN111798470B (zh) | 一种应用于智能农业的农作物图像实体分割方法及系统 | |
| Revathi et al. | Homogenous segmentation based edge detection techniques for proficient identification of the cotton leaf spot diseases | |
| CN103177445A (zh) | 基于分段阈值图像分割及光斑识别的室外番茄识别方法 | |
| CN111784764A (zh) | 一种茶叶嫩芽识别与定位算法 | |
| Pereira et al. | Pixel-based leaf segmentation from natural vineyard images using color model and threshold techniques | |
| CN116310548A (zh) | 一种进口种子产品中的入侵植物种子检测方法 | |
| CN110648312A (zh) | 一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法 | |
| Suthakaran et al. | Detection of the affected area and classification of pests using convolutional neural networks from the leaf images | |
| CN112329506A (zh) | 枸杞采摘机器人的果实识别方法及系统、定位方法及系统 | |
| CN115861686A (zh) | 基于边缘深度学习的荔枝关键生长期识别检测方法及系统 | |
| Tang et al. | Leaf extraction from complicated background | |
| WO2022104867A1 (zh) | 目标物的特征检测方法和装置 | |
| Rani et al. | Computer vision based segregation of carrot and curry leaf plants with weed identification in carrot field | |
| CN116310549A (zh) | 一种进口大豆中的入侵植物种子检测方法 | |
| CN111768456A (zh) | 一种基于木材颜色空间的特征提取方法 | |
| CN117036926A (zh) | 一种融合深度学习与图像处理的杂草识别方法 | |
| CN110633720A (zh) | 一种玉米病害识别方法 | |
| Shuai et al. | Image segmentation of field rape based on template matching and K-means clustering |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 250353 University Road, Changqing District, Ji'nan, Shandong Province, No. 3501 Applicant after: Qilu University of Technology (Shandong Academy of Sciences) Address before: 250353 University Road, Changqing District, Ji'nan, Shandong Province, No. 3501 Applicant before: Qilu University of Technology Country or region before: China |