CN111292332B - 一种针对高阶卷曲目标的粘连分割方法及装置 - Google Patents

一种针对高阶卷曲目标的粘连分割方法及装置 Download PDF

Info

Publication number
CN111292332B
CN111292332B CN202010245759.1A CN202010245759A CN111292332B CN 111292332 B CN111292332 B CN 111292332B CN 202010245759 A CN202010245759 A CN 202010245759A CN 111292332 B CN111292332 B CN 111292332B
Authority
CN
China
Prior art keywords
order
segmentation
parting line
adhesion
low
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
Application number
CN202010245759.1A
Other languages
English (en)
Other versions
CN111292332A (zh
Inventor
刘子豪
贾小军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Jinyu Biotechnology Co ltd
Original Assignee
Jiaxing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiaxing University filed Critical Jiaxing University
Priority to CN202010245759.1A priority Critical patent/CN111292332B/zh
Publication of CN111292332A publication Critical patent/CN111292332A/zh
Application granted granted Critical
Publication of CN111292332B publication Critical patent/CN111292332B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种针对高阶卷曲目标的粘连分割方法及装置，涉及图像处理技术领域。本发明提供的针对高阶卷曲目标的粘连分割方法及装置，通过捕捉粘连图像中各个高阶卷曲目标图像的粘连状态，构造低阶分割线与高阶分割线的统一数学模型，并使用该数学模型对粘连图像中处于粘连状态的各个高阶卷曲目标图像进行分割，从而可实现对同时存在低阶分割线及高阶分割线复杂状况的粘连图像进行精确分割，本发明尤其适用于对大批量粘连农产品动态品质的检测方案。

Description

一种针对高阶卷曲目标的粘连分割方法及装置
技术领域
本发明涉及图像处理技术领域，特别涉及一种针对高阶卷曲目标的粘连分割方法及装置。
背景技术
开发农产品自动化品质的在线无损检测装备，有助于在源头上对农产品的品质进行改善和监控，可以保障流向市场的农产品质量安全性，可拓展智能化、自动化技术在农业智能装备中的应用范围，对农业智能行业的发展具有重大促进和推动作用。传统检测手段费时、耗力，研究开发农产品品质在线自动检测系统可减轻劳动强度，解决劳动力短缺问题，而且加工产出的农产品的次品率较低，提高检测效率，是智能农业装备发展的必然趋势。
相互粘连是农产品动态品质检测系统中常见的状态，线性和非线性分割曲线是大规模粘连农产品中常见的分割线类型，一般针对非卷曲农产品的相互粘连的图像分割算法，例如土豆、玉米、大豆等，直接在图像中采用线性分割线就可以予以分割，该种算法在参考文献[1]、[2]中已被提出；而针对低阶卷曲的农产品，即外观只有一个凹陷区域的农产品，例如南美白对虾，属于无脊椎生物，其头胸部处于自然的非刚性竖直状态，腹部则是天然的卷曲状态，当一只虾体的腹部与另一只虾体的腹部粘连时会形成低阶的非线性分割线，而当一只虾体的头胸部与另一只虾体头胸部或者腹部粘连时会形成线性分割线。针对南美白对虾在不同状态下的粘连分割算法在申请人前期研究所提出的参考文献[3]、[4]中涉及，作为前期工作的拓展，申请人发现前期所提算法虽然可以很好地适用于大规模粘连南美白对虾的粘连图像分割，但是针对高阶卷曲的目标对象，即，非刚性具有柔软可卷曲外形的农产品或生物，例如花生、苦瓜、蛇类、泥鳅、昆虫等，则上述算法在某些特殊情况下就会失效，因为上述算法是依据训练过程中的分割线长短阈值进行自动筛选：粘连面积较长的曲线属于非线性分割线，粘连面积较短的曲线属于线性分割线，这种方法虽然从工程实践角度可以完成线性与非线性的统一，但是在理论上无法将这两种不同类型的分割线用同一种理论模型予以构造。
发明内容
为了解决现有技术存在的上述问题，本发明提供一种针对高阶卷曲目标的粘连分割方法及装置，基于低阶分割线构建形成的高阶非线性分割线，对大规模卷曲目标的品质检测系统提供强有力的质量保障，为食品安全管理贡献一定力量，并对大规模卷曲目标粘连的线性和非线性分割线进行理论统一，从而构建大批量农产品中出现的多种粘连情况解决方案打下基础。
根据本发明实施例的第一个方面，提供一种针对高阶卷曲目标的粘连分割方法，其特征在于，所述方法包括：
（1）获取包括至少二个高阶卷曲目标的粘连图像，对所述粘连图像进行二值化处理，得到二值化图像；
（2）根据三角函数和图理论，基于低阶分割线的计算方法构建所述二值化图像中 高阶分割线的高阶推广模型，所述高阶推广模型的分段函数表达式
Figure SMS_1
如下：
Figure SMS_2
其中，
Figure SMS_3
为位于高阶分割线上每一点的横坐标，
Figure SMS_4
为非线性单元个数，
Figure SMS_5
用于控 制正弦函数的分段情况，
Figure SMS_6
为高阶分割线的局部线性长度，
Figure SMS_7
为高阶分割线的振幅，对分段 函数的绝对值用于表示正弦曲线位于横坐标同一侧；
（3）根据所述高阶推广模型的分段函数表达式
Figure SMS_8
以及各个约束函数，获得所述 粘连图像对应的各高阶分割线信息与低阶分割线信息的集合；
（4）根据所述粘连图像所对应的各个高阶分割线信息与低阶分割线信息的集合，构建高阶分割线与低阶分割线之间纯态转换方程式；
（5）根据所述纯态转换方程式，计算得到高阶分割线与低阶分割线之间的叠加态转换方程式，将所述纯态转换方程式与所述叠加态转换方程式共同确定为粘连分割理论方程式；
（6）以包括不同粘连图像的校正集作为输入对象，对应的验证集作为评价对象，对所述粘连分割理论方程式进行训练验证，根据训练结果调整并完善所述粘连分割理论方程式，当所述粘连分割理论方程式的训练结果满足预设模型评价指标后，采用所述粘连分割理论方程式对后续输入的粘连图像进行图像分割。
在一个优选的实施例中，所述各个约束函数包括：
第一约束函数为：
Figure SMS_9
其中，
Figure SMS_10
表示检测出凹点之间线性分割线长度，
Figure SMS_11
的倒数表示高阶分割线的局部 线性长度，
Figure SMS_12
表示非线性单元的序号，
Figure SMS_13
为非线性单元个数；
第二约束函数为：
Figure SMS_14
其中，其中
Figure SMS_15
的倒数表示高阶分割线振幅，
Figure SMS_16
表示高阶卷曲目标的平均宽度，
Figure SMS_17
为 非线性单元个数；
第三约束函数为：
Figure SMS_18
其中，
Figure SMS_19
表示高阶卷曲目标的平均长度一半，
Figure SMS_20
的倒数表示局部线性长度，
Figure SMS_21
为非线 性单元个数。
在一个优选的实施例中，所述高阶分割线与低阶分割线之间纯态转换方程式为：
Figure SMS_22
或
Figure SMS_23
其中，
Figure SMS_24
为纯态的低阶分割线变量，
Figure SMS_25
为纯态的高阶分割线变量，
Figure SMS_26
表示连接不同低阶分割单元的函数，
Figure SMS_27
表示所使用的低阶分割单元个数，
Figure SMS_28
表示连接不同高阶分割单元的函数，
Figure SMS_29
表示所使用的高阶分割单元个数。
在一个优选的实施例中，所述高阶分割线与低阶分割线之间的叠加态转换方程式为：
Figure SMS_30
其中，
Figure SMS_31
分别表示不同低阶分割单元个数，
Figure SMS_32
分别表示不同高 阶分割单元个数，函数
Figure SMS_33
表示低阶分割线与高阶分割线叠加的拼接函数，用于对低阶分割 线与高阶分割线进行叠加处理。
在一个优选的实施例中，所述粘连分割理论方程式的评价指标包括粘连目标分割的完整度、分割线类型正确度、凹点查找错误、正弦分段函数与真实分割线的匹配度。
在一个优选的实施例中，所述方法还包括：
在获取得到所述粘连图像所对应的各高阶分割线信息与低阶分割线信息的集合之后，根据各高阶分割线信息与低阶分割线信息对所述粘连图像的各个分割线进行可视化表征。
根据本发明实施例的第二个方面，提供一种针对高阶卷曲目标的粘连分割装置，其特征在于，所述装置包括：
图像处理模块，用于获取包括至少二个高阶卷曲目标的粘连图像，对所述粘连图像进行二值化处理，得到二值化图像；
第一构建模块，用于根据三角函数和图理论，基于低阶分割线的计算方法构建所 述二值化图像中高阶分割线的高阶推广模型，所述高阶推广模型的分段函数表达式
Figure SMS_34
如 下：
Figure SMS_35
其中，
Figure SMS_36
为位于高阶分割线上每一点的横坐标，
Figure SMS_37
为非线性单元个数，
Figure SMS_38
用于控 制正弦函数的分段情况，
Figure SMS_39
为高阶分割线的局部线性长度，
Figure SMS_40
为高阶分割线的振幅，对分段 函数的绝对值用于表示正弦曲线位于横坐标同一侧；
集合获取模块，用于根据所述高阶推广模型的分段函数表达式
Figure SMS_41
以及各个约束 函数，获得所述粘连图像对应的各高阶分割线信息与低阶分割线信息的集合；
第二构建模块，用于根据所述粘连图像所对应的各个高阶分割线信息与低阶分割线信息的集合，构建高阶分割线与低阶分割线之间纯态转换方程式；
第三构建模块，用于根据所述纯态转换方程式，计算得到高阶分割线与低阶分割线之间的叠加态转换方程式，将所述纯态转换方程式与所述叠加态转换方程式共同确定为粘连分割理论方程式；
训练验证模块，以包括不同粘连图像的校正集作为输入对象，对应的验证集作为评价对象，对所述粘连分割理论方程式进行训练验证，根据训练结果调整并完善所述粘连分割理论方程式，当所述粘连分割理论方程式的训练结果满足预设模型评价指标后，采用所述粘连分割理论方程式对后续输入的粘连图像进行图像分割。
优选的，所述各个约束函数包括：
第一约束函数为：
Figure SMS_42
其中，
Figure SMS_43
表示检测出凹点之间线性分割线长度，
Figure SMS_44
的倒数表示高阶分割线的局部 线性长度，
Figure SMS_45
表示非线性单元的序号，
Figure SMS_46
为非线性单元个数；
第二约束函数为：
Figure SMS_47
其中，其中
Figure SMS_48
的倒数表示高阶分割线振幅，
Figure SMS_49
表示高阶卷曲目标的平均宽度，
Figure SMS_50
为 非线性单元个数；
第三约束函数为：
Figure SMS_51
其中，
Figure SMS_52
表示高阶卷曲目标的平均长度一半，
Figure SMS_53
的倒数表示局部线性长度，
Figure SMS_54
为非线 性单元个数。
优选的，所述高阶分割线与低阶分割线之间纯态转换方程式为：
Figure SMS_55
或
Figure SMS_56
其中，
Figure SMS_57
为纯态的低阶分割线变量，
Figure SMS_58
为纯态的高阶分割线变量，
Figure SMS_59
表示连接不同低阶分割单元的函数，
Figure SMS_60
表示所使用的低阶分割单元个数，
Figure SMS_61
表示连接不同高阶分割单元的函数，
Figure SMS_62
表示所使用的高阶分割单元个数；
所述高阶分割线与低阶分割线之间的叠加态转换方程式为：
Figure SMS_63
其中，
Figure SMS_64
分别表示不同低阶分割单元个数，
Figure SMS_65
分别表示不同高 阶分割单元个数，函数
Figure SMS_66
表示低阶分割线与高阶分割线叠加的拼接函数，用于对低阶分割 线与高阶分割线进行叠加处理。
优选的，所述粘连分割理论方程式的评价指标包括粘连目标分割的完整度、分割线类型正确度、凹点查找错误、正弦分段函数与真实分割线的匹配度；
所述装置还包括：
可视化表征模块，用于在获取得到所述粘连图像所对应的各高阶分割线信息与低阶分割线信息的集合之后，根据各高阶分割线信息与低阶分割线信息对所述粘连图像的各个分割线进行可视化表征。
与现有技术相比，本发明提供的一种针对高阶卷曲目标的粘连分割方法及装置具有以下优点：
本发明提供的一种针对高阶卷曲目标的粘连分割方法及装置，通过捕捉粘连图像中各个高阶卷曲目标图像的粘连状态，构造低阶分割线与高阶分割线的统一数学模型，并使用该数学模型对粘连图像中处于粘连状态的各个高阶卷曲目标图像进行分割，从而可实现对同时存在低阶分割线及高阶分割线复杂状况的粘连图像进行精确分割，本发明尤其适用于对大批量粘连农产品动态品质的检测方案。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。
图1是本发明一个实施例提供的一种针对高阶卷曲目标的粘连分割方法的流程示意图。
图2是本发明一个实施例提供的一种分割线特征从低阶到高阶的特性演变示意图。
图3是本发明一个实施例提供的一种高阶分割线振幅和局部线性长度的约束条件示意图。
图4是本发明一个实施例提供的一种分割线的高阶与低阶相互转换关系及其可视化示意图。
图5是本发明一个实施例提供的另一种分割线的高阶与低阶相互转换关系及其可视化示意图。
图6是本发明一个实施例提供的再一种分割线的高阶与低阶相互转换关系及其可视化示意图。
图7是本发明一个实施例提供的又一种分割线的高阶与低阶相互转换关系及其可视化示意图。
图8是本发明一个实施例提供的一种针对花生粘连图像的分割图解示意图。
图9是本发明一个实施例提供的一种粘连分割理论方程式的构建示意图。
图10是本发明一个实施例提供的一种针对高阶卷曲目标的粘连分割装置的结构框图。
具体实施方式
为了使本发明的目的、 技术方案和优点更加清楚，以下结合具体实施例（但不限于所举实施例)与附图详细描述本发明，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
为了便于对本发明实施例进行说明，预先对本发明实施例涉及的基本概念进行如下介绍 ：
1、低阶分割线：非卷曲目标相互粘连形成的线性分割线，以及外观只有1个凹陷区域的卷曲目标相互粘连所形成的非线性分割线。
2、高阶分割线：外观具有至少2个凹陷区域的卷曲目标相互粘连所形成的非线性分割线。
3、纯态转换方程式：用于将高阶分割函数通过单种类型的分割函数表达的方程式。
4、叠加态转换方程式：用于将高阶分割函数通过至少二种类型的分割函数表达的方程式。
请参考图1，其示出了本发明一个实施例提供的一种针对高阶卷曲目标的粘连分割方法的流程示意图，所述方法包括：
步骤（1）：获取包括至少二个高阶卷曲目标的粘连图像，对所述粘连图像进行二值化处理，得到二值化图像。
步骤（2）：根据三角函数和图理论，基于低阶分割线的计算方法构建所述二值化图像中高阶分割线的高阶推广模型。
所述高阶推广模型的分段函数表达式
Figure SMS_67
如下：
Figure SMS_68
其中，
Figure SMS_69
为位于高阶分割线上每一点的横坐标，
Figure SMS_70
为非线性单元个数，
Figure SMS_71
用于控 制正弦函数的分段情况，
Figure SMS_72
为高阶分割线的局部线性长度，
Figure SMS_73
为高阶分割线的振幅，对分段 函数的绝对值用于表示正弦曲线位于横坐标同一侧。
本发明实施例以参考文献[1]、[2]提出的大规模粘连对虾分割方法所得结论作为指导：大规模粘连目标的分割线存在两种状态：线性分割线和非线性分割线，其中，线性分割线表示分割粘连目标之间的线段，线性分割线的阶数定义为一阶；非线性分割线表示分割粘连目标之间的曲线，类似正余弦函数的图形，定义此时分割线的阶数为高阶。在分割线的高阶表示中，拐点是其主要特征之一，在进行高阶推广时，拐点求解是关键，关于不同分割线类型、阶数变化、拐点个数以及拐点解空间等分割线特征从低阶到高阶的特性演变示意图可以如图2所示，其中，各个圆点在低阶中表示通过采用凹点查找算法检测到的凹点；一阶分割线称为一个线性分割单元，二阶分割线称为一个非线性分割单元，这两者是构建高阶分割推广模型的基础，在高阶表达中，圆点不仅包含凹点还表示由正余弦函数计算出的拐点目标。
本发明采用凹点查找算法获取二值化图像中的凹点与拐点，并在检测出凹点与拐点处于同一直线上时，通过图理论对高阶分割线进行线性表出，类似三角函数中的正余弦函数，因此可基于正弦函数构建高阶分割线的高阶推广模型。由于这里的正弦函数只取函数曲线的一部分，每个部分的曲线参数都是不一样的，这些参数包括有高阶分割线振幅和局部线性长度，因为可以把该模型表示为分段函数，其公式表述如上述公式（1）所示。
令
Figure SMS_74
的二阶导数为零，即
Figure SMS_75
，可求解关于高阶分割线中的各个拐点信息。
步骤（3）：根据所述高阶推广模型的分段函数表达式
Figure SMS_76
以及各个约束函数，获得 所述粘连图像对应的各高阶分割线信息与低阶分割线信息的集合。
根据参考文献[1]、[2]可知，所检测出的各个凹点之间的线性分割线的长度是其主要特征之一，把公式（1）示出的正弦函数匹配到笛卡尔二维坐标系中可以发现，凹点之间的长度数值恰好等于横坐标中每段分割弧长对应的边长之和，因此得到第一约束函数为：
Figure SMS_77
其中，
Figure SMS_78
表示检测出凹点之间线性分割线长度，
Figure SMS_79
的倒数表示高阶分割线的局部 线性长度，
Figure SMS_80
表示非线性单元的序号，
Figure SMS_81
为非线性单元个数。
根据参考文献[1]、[2]，以及申请人在参考文献[3]、[4]所作的前期研究可知，位于正弦函数的局部线性长度在测量尺度上不会超过高阶卷曲目标平均厚度的一半，因此结合公式(1)可得：
Figure SMS_82
其中，
Figure SMS_83
的倒数表示高阶分割线振幅，
Figure SMS_84
表示高阶卷曲目标平均宽度，为了更好地 说明公式（2）中各元素，示出如图3所示高阶分割线振幅和局部线性长度的约束条件示意 图。
对上述各个公式进行叠加，得到第二约束函数为：
Figure SMS_85
其中，其中
Figure SMS_86
的倒数表示高阶分割线振幅，
Figure SMS_87
表示高阶卷曲目标的平均宽度，
Figure SMS_88
为 非线性单元个数。
同样的，根据参考文献[1]、[2]，以及申请人在参考文献[3]、[4]所作的前期研究可知，位于正弦函数的振幅在测量尺度上不会超过高阶卷曲目标平均长度的一半，因此得到第三约束函数为：
Figure SMS_89
其中，
Figure SMS_90
表示高阶卷曲目标的平均长度一半，
Figure SMS_91
的倒数表示局部线性长度，
Figure SMS_92
为非线 性单元个数。
对高阶推广模型的分段函数表达式f(x)以及各个约束函数进行联立，即可计算得到关于f(x)的两个参数的线性解空间的分布特性，从而求出具体的拐点取值，获得粘连图像所对应的各高阶分割线信息与低阶分割线信息的集合。
步骤（4）：根据所述粘连图像所对应的各个高阶分割线信息与低阶分割线信息的集合，构建高阶分割线与低阶分割线之间纯态转换方程式。
为了建立关于大规模粘连对虾分割线的线性与非线性的统一理论，需要构造一个关于高阶与低阶分割线的相互转换关系式，明确当粘连图像所对应的各高阶分割线信息与低阶分割线信息的集合处于不同阶数下不同构造方法的统一。
为了更好地说明本发明实施例提出的高阶与低阶分割线的相互转换关系式的构建可能性，本发明通过图4、图5、图6、图7分别展示了分割线的高阶与低阶相互转换关系及其可视化示意图，其中，圆点在低阶中表示通过采用凹点查找算法检测到的凹点，正方形表示正余弦函数计算出振幅的最大值所对应的端点，通过以二阶与三阶为代表的非线性分割线和以一阶线性为代表的线性分割线的可视化，从而将任意高阶非线性分割线通过一阶以及一阶与其他高阶分割线叠加形式进行构造，即线性与非线性的相互转换。
本发明实施例引入线性与非线性的相互转换类型包括：纯态转换和叠加态转换。 其中，所述高阶分割线与低阶分割线之间纯态转换方程式为
Figure SMS_93
：
Figure SMS_94
或
Figure SMS_95
其中，
Figure SMS_96
为纯态的低阶分割线变量，
Figure SMS_97
为纯态的高阶分割线变量，公式 （5）由线性分割单元的表示，公式（6）由非线性分割单元的表示，
Figure SMS_98
表示连接不同 低阶分割单元的函数，
Figure SMS_99
表示所使用的低阶分割单元个数，
Figure SMS_100
表示连接不同高 阶分割单元的函数，
Figure SMS_101
表示所使用的高阶分割单元个数。
基于参考文献[1]、[2]以及申请人在参考文献[3]、[4]所作的前期研究以及粘连 图像所对应的各个高阶分割线信息与低阶分割线信息的集合，即可求出纯态转换方程式
Figure SMS_102
的具体表达函数。
步骤（5）：根据所述纯态转换方程式，计算得到高阶分割线与低阶分割线之间的叠加态转换方程式，将所述纯态转换方程式与所述叠加态转换方程式共同确定为粘连分割理论方程式。
关于高阶分割线的叠加态转换的方式有很多，仅一个三阶的非线性分割线就有四种叠加态的表示方法，基于以上纯态转换中的函数求解可以得出高阶分割线与低阶分割线之间的叠加态转换方程式为：
Figure SMS_103
公式（7）
其中，
Figure SMS_104
分别表示不同低阶分割单元个数，
Figure SMS_105
分别表示不同高 阶分割单元个数，函数
Figure SMS_106
表示低阶分割线与高阶分割线叠加的拼接函数，用于对低阶分割 线与高阶分割线进行叠加处理。
在计算出叠加态转换方程式的具体表达函数后，将所述纯态转换方程式与所述叠 加态转换方程式共同确定为粘连分割理论方程式
Figure SMS_107
。
步骤（6）：以包括不同粘连图像的校正集作为输入对象，对应的验证集作为评价对象，对所述粘连分割理论方程式进行训练验证，根据训练结果调整并完善所述粘连分割理论方程式，当所述粘连分割理论方程式的训练结果满足预设模型评价指标后，采用所述粘连分割理论方程式对后续输入的粘连图像进行图像分割。
为了获取拼接函数的理论构建方案，本发明实施例通过采用训练-验证-测试的方 式获取关于该拼接函数
Figure SMS_108
的先验知识，构建启发式学习方法中的函数自主学习策略，习得 关于该拼接函数的部分关系，可依靠此关系在测试样本中构建相应的理论统一方程。
在训练过程中，本发明实施例将已经构建好的粘连分割理论方程式分别应用在不同来源数据分布的卷曲目标上，在卷曲目标品质检测实验平台上，让大规模粘连卷曲目标行进在水平输送带上，使用本发明实施例提出的粘连分割理论方程式对粘连目标进行分割训练。
针对分割训练可预先设置模型评价指标，在一种可能的实施方式中，粘连分割理论方程式的评价指标包括粘连目标分割的完整度、分割线类型正确度、凹点查找错误、正弦分段函数与真实分割线的匹配度。本发明还通过设计旋转正交试验对这些指标进行评价指标优选，选出对该理论模型的影响最大变量组合，根据该组合对模型不断进行偏差纠正，修正粘连分割理论方程式的部分表达，粘连分割理论方程式又不断的指导试验开展，经过几轮的反复正反向试验，最终确定并完善粘连分割理论方程式的具体表达函数。
在一个优选的实施例中，所述方法还包括：
在获取得到所述粘连图像所对应的各高阶分割线信息与低阶分割线信息的集合之后，根据各高阶分割线信息与低阶分割线信息对所述粘连图像的各个分割线进行可视化表征。
在一个可能的实施例中，粘连目标为农产品花生，在获取了大规模花生相互粘连的粘连图像后，采用本发明实施例提供的粘连分割理论方程式对粘连图像进行图像，得到粘连图像的分割图解示意图如图8所示，在图8中，A代表线性分割线，B代表粘连分割理论方程式的一阶表示，C代表粘连分割理论方程式的二阶表示。
综上所述，本发明提供的一种针对高阶卷曲目标图像的粘连分割方法，通过捕捉粘连图像中各个高阶卷曲目标图像的粘连状态，构造低阶分割线与高阶分割线的统一数学模型，并使用该低阶分割线与高阶分割线统一数学模型对粘连图像中处于粘连状态的各个高阶卷曲目标图像进行分割，从而实现了对同时存在低阶分割线及高阶分割线复杂状况粘连图像的有效粘连分割，本发明尤其适用于对大批量粘连农产品动态品质的检测方案。
为了更好地说明本发明实施例提供的针对高阶卷曲目标图像的粘连分割方法，示出粘连分割理论方程式的构建示意图如图9所示。
本发明通过捕捉不同来源农产品或生物的粘连状态，构造两种类型分割线统一的数学模型，形成线性与非线性共存的统一解决算法，对特定几何形态农产品的大规模粘连问题的解决与实现具有重要意义，同时对大规模卷曲农产品的品质检测系统提供强有力的质量保障，为食品安全管理贡献一定力量。
请参考图10其示出了本发明一个实施例提供的一种针对高阶卷曲目标的粘连分割装置的结构框图，该装置包括：
图像处理模块100，用于获取包括至少二个高阶卷曲目标的粘连图像，对所述粘连图像进行二值化处理，得到二值化图像。
第一构建模块200，用于根据三角函数和图理论，基于低阶分割线的计算方法构建 所述二值化图像中高阶分割线的高阶推广模型，所述高阶推广模型的分段函数表达式
Figure SMS_109
如下：
Figure SMS_110
其中，
Figure SMS_111
为位于高阶分割线上每一点的横坐标，
Figure SMS_112
为非线性单元个数，
Figure SMS_113
用于控 制正弦函数的分段情况，
Figure SMS_114
为高阶分割线的局部线性长度，
Figure SMS_115
为高阶分割线的振幅，对分段 函数的绝对值用于表示正弦曲线位于横坐标同一侧。
集合获取模块300，用于根据所述高阶推广模型的分段函数表达式
Figure SMS_116
以及各个 约束函数，获得所述粘连图像对应的各高阶分割线信息与低阶分割线信息的集合。
第二构建模块400，用于根据所述粘连图像所对应的各个高阶分割线信息与低阶分割线信息的集合，构建高阶分割线与低阶分割线之间纯态转换方程式。
第三构建模块500，用于根据所述纯态转换方程式，计算得到高阶分割线与低阶分割线之间的叠加态转换方程式，将所述纯态转换方程式与所述叠加态转换方程式共同确定为粘连分割理论方程式。
训练验证模块600，以包括不同粘连图像的校正集作为输入对象，对应的验证集作为评价对象，对所述粘连分割理论方程式进行训练验证，根据训练结果调整并完善所述粘连分割理论方程式，当所述粘连分割理论方程式的训练结果满足预设模型评价指标后，采用所述粘连分割理论方程式对后续输入的粘连图像进行图像分割。
优选的，所述各个约束函数包括：
第一约束函数为：
Figure SMS_117
其中，
Figure SMS_118
表示检测出凹点之间线性分割线长度，
Figure SMS_119
的倒数表示高阶分割线的局部 线性长度，
Figure SMS_120
表示非线性单元的序号，
Figure SMS_121
为非线性单元个数；
第二约束函数为：
Figure SMS_122
其中，其中
Figure SMS_123
的倒数表示高阶分割线振幅，
Figure SMS_124
表示高阶卷曲目标的平均宽度，
Figure SMS_125
为 非线性单元个数；
第三约束函数为：
Figure SMS_126
其中，
Figure SMS_127
表示高阶卷曲目标的平均长度一半，
Figure SMS_128
的倒数表示局部线性长度，
Figure SMS_129
为非线 性单元个数。
优选的，所述高阶分割线与低阶分割线之间纯态转换方程式为：
Figure SMS_130
或
Figure SMS_131
其中，
Figure SMS_132
为纯态的低阶分割线变量，
Figure SMS_133
为纯态的高阶分割线变量，
Figure SMS_134
表示连接不同低阶分割单元的函数，
Figure SMS_135
表示所使用的低阶分割单元个数，
Figure SMS_136
表示连接不同高阶分割单元的函数，
Figure SMS_137
表示所使用的高阶分割单元个数；
所述高阶分割线与低阶分割线之间的叠加态转换方程式为：
Figure SMS_138
其中，
Figure SMS_139
分别表示不同低阶分割单元个数，
Figure SMS_140
分别表示不同高 阶分割单元个数，函数
Figure SMS_141
表示低阶分割线与高阶分割线叠加的拼接函数，用于对低阶分割 线与高阶分割线进行叠加处理。
优选的，所述粘连分割理论方程式的评价指标包括粘连目标分割的完整度、分割线类型正确度、凹点查找错误、正弦分段函数与真实分割线的匹配度；
所述装置还包括：
可视化表征模块700，用于在获取得到所述粘连图像所对应的各高阶分割线信息与低阶分割线信息的集合之后，根据各高阶分割线信息与低阶分割线信息对所述粘连图像的各个分割线进行可视化表征。
综上所述，本发明提供的一种针对高阶卷曲目标图像的粘连分割装置，通过捕捉粘连图像中各个高阶卷曲目标图像的粘连状态，构造低阶分割线与高阶分割线的统一数学模型，并使用该数学模型对粘连图像中处于粘连状态的各个高阶卷曲目标图像进行分割，从而可实现对同时存在低阶分割线及高阶分割线复杂状况的粘连图像进行有效分割，本发明尤其适用于对大批量粘连农产品动态品质的检测方案。
需要说明的是，上述涉及的参考文献如下：
[1] Zhong, Q. F.Zhou, P. Yao, Q. X. Mao, K.j. A novelsegmentationalgorithm for clustered slender-particles. Computers andElectronics in Agriculture. 2009, 69(2): 118-127.
[2] Roy, P.P., Pal, U., Llados, J., Delalandre, M. Multi-orientedtouchingtext character segmentation in graphical documents using dynamicprogramming[J]. Pattern Recognition. 2012, 45 (5): 1972–1983.
[3] Zihao Liu, Cheng Fang, Wei Zhang. Recognition-based imagesegmentationof touching pairs of cooked shrimp (Penaeus Orientalis) usingimproved pruning algorithm for quality measurement[J]. Journal of FoodEngineering. 2017, 195: 166-181.
[4] Zihao Liu, Cheng Fang, Wei Zhang. A novel segmentation algorithmforclustered flexional agricultural products based on image analysis[J].Computersand Electronics in Agriculture. 2016, 126:44-54.
虽然，前文已经用一般性说明、具体实施方式及试验，对本发明做了详尽的描述，但在本发明基础上，可以对之进行修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
本领域技术人员在考虑说明书及实践这里的发明的后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。

Claims (5)

1.一种针对高阶卷曲目标的粘连分割方法，其特征在于，所述方法包括：
（1）获取包括至少二个高阶卷曲目标的粘连图像，对所述粘连图像进行二值化处理，得到二值化图像；
（2）根据三角函数和图理论，基于低阶分割线的计算方法构建所述二值化图像中高阶 分割线的高阶推广模型，所述高阶推广模型的分段函数表达式
Figure QLYQS_1
如下：
Figure QLYQS_2
其中，
Figure QLYQS_3
为位于高阶分割线上每点的横坐标，
Figure QLYQS_4
为非线性 单元个数，
Figure QLYQS_5
用于控制正弦函数的分段情况，
Figure QLYQS_6
为高阶分割线的局部线性长度，
Figure QLYQS_7
为 高阶分割线的振幅，对分段函数的绝对值用于表示正弦曲线位于横坐标同一侧；
（3）根据所述高阶推广模型的分段函数表达式
Figure QLYQS_8
以及各个约束函数，获得所述粘连 图像对应的各高阶分割线信息与低阶分割线信息的集合；所述各个约束函数包括：
第一约束函数为：
Figure QLYQS_9
其中，
Figure QLYQS_10
表示检测出凹点之间线性分割线长度，
Figure QLYQS_11
表示高阶分割线的 局部线性长度，
Figure QLYQS_12
表示非线性单元的序号，
Figure QLYQS_13
为非线性单元个数；
第二约束函数为：
Figure QLYQS_14
其中，其中
Figure QLYQS_15
表示高阶分割线振幅，
Figure QLYQS_16
表示高阶卷曲目标的平均 宽度，
Figure QLYQS_17
为非线性单元个数；
第三约束函数为：
Figure QLYQS_18
其中，
Figure QLYQS_19
表示高阶卷曲目标的平均长度一半，
Figure QLYQS_20
表示高阶分割线的 局部线性长度，
Figure QLYQS_21
为非线性单元个数；
（4）根据所述粘连图像所对应的各个高阶分割线信息与低阶分割线信息的集合，构建高阶分割线与低阶分割线之间纯态转换方程式；所述高阶分割线与低阶分割线之间纯态转换方程式为：
Figure QLYQS_22
或
Figure QLYQS_23
其中，/>
Figure QLYQS_24
为纯态的低阶分割线变量，/>
Figure QLYQS_25
为纯态的高阶分割线变量，/>
Figure QLYQS_26
表示连接不同低阶分割单元的函数，/>
Figure QLYQS_27
表示所使用的低阶分割单元个数，/>
Figure QLYQS_28
表示连接不同高阶分割单元的函数，/>
Figure QLYQS_29
表示所使用的高阶分割单元个数；
（5）根据所述纯态转换方程式，计算得到高阶分割线与低阶分割线之间的叠加态转换方程式，将所述纯态转换方程式与所述叠加态转换方程式共同确定为粘连分割理论方程式；所述高阶分割线与低阶分割线之间的叠加态转换方程式为：
Figure QLYQS_30
其中，
Figure QLYQS_31
分别表示不同低阶分割单元个数，/>
Figure QLYQS_32
分别表示不同高阶分割单元个数，函数/>
Figure QLYQS_33
表示低阶分割线与高阶分割线叠加的拼接函数，用于对低阶分割线与高阶分割线进行叠加处理；
（6）以包括不同粘连图像的校正集作为输入对象，对应的验证集作为评价对象，对所述粘连分割理论方程式进行训练验证，根据训练结果调整并完善所述粘连分割理论方程式，当所述粘连分割理论方程式的训练结果满足预设模型评价指标后，采用所述粘连分割理论方程式对后续输入的粘连图像进行图像分割。
2.根据权利要求1所述的方法，其特征在于，所述粘连分割理论方程式的评价指标包括粘连目标分割的完整度、分割线类型正确度、凹点查找错误、正弦分段函数与真实分割线的匹配度。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在获取得到所述粘连图像所对应的各高阶分割线信息与低阶分割线信息的集合之后，根据各高阶分割线信息与低阶分割线信息对所述粘连图像的各个分割线进行可视化表征。
4.一种针对高阶卷曲目标的粘连分割装置，其特征在于，所述装置包括：
图像处理模块，用于获取包括至少二个高阶卷曲目标的粘连图像，对所述粘连图像进行二值化处理，得到二值化图像；
第一构建模块，用于根据三角函数和图理论，基于低阶分割线的计算方法构建所述二 值化图像中高阶分割线的高阶推广模型，所述高阶推广模型的分段函数表达式
Figure QLYQS_34
如下：
Figure QLYQS_35
其中，
Figure QLYQS_36
为位于高阶分割线上每一点的横坐标，
Figure QLYQS_37
为非线 性单元个数，
Figure QLYQS_38
用于控制正弦函数的分段情况，
Figure QLYQS_39
为高阶分割线的局部线性长度，
Figure QLYQS_40
为高阶分割线的振幅，对分段函数的绝对值用于表示正弦曲线位于横坐标同一侧；
集合获取模块，用于根据所述高阶推广模型的分段函数表达式
Figure QLYQS_41
以及各个约束函 数，获得所述粘连图像对应的各高阶分割线信息与低阶分割线信息的集合；所述各个约束 函数包括：
第一约束函数为：
Figure QLYQS_42
其中，
Figure QLYQS_43
表示检测出凹点之间线性分割线长度，
Figure QLYQS_44
表示高阶分割线的局 部线性长度，
Figure QLYQS_45
表示非线性单元的序号，
Figure QLYQS_46
为非线性单元个数；
第二约束函数为：
Figure QLYQS_47
其中
Figure QLYQS_48
表示高阶分割线振幅，
Figure QLYQS_49
表示高阶卷曲目标的平均宽度，
Figure QLYQS_50
为非线性单元个数；
第三约束函数为：
Figure QLYQS_51
其中，
Figure QLYQS_52
表示高阶卷曲目标的平均长度一半，
Figure QLYQS_53
表示高阶分割线的 局部线性长度，
Figure QLYQS_54
为非线性单元个数；
第二构建模块，用于根据所述粘连图像所对应的各个高阶分割线信息与低阶分割线信息的集合，构建高阶分割线与低阶分割线之间纯态转换方程式；所述高阶分割线与低阶分割线之间纯态转换方程式为：
Figure QLYQS_55
或
Figure QLYQS_56
其中，/>
Figure QLYQS_57
为纯态的低阶分割线变量，/>
Figure QLYQS_58
为纯态的高阶分割线变量，/>
Figure QLYQS_59
表示连接不同低阶分割单元的函数，/>
Figure QLYQS_60
表示所使用的低阶分割单元个数，/>
Figure QLYQS_61
表示连接不同高阶分割单元的函数，/>
Figure QLYQS_62
表示所使用的高阶分割单元个数；
第三构建模块，用于根据所述纯态转换方程式，计算得到高阶分割线与低阶分割线之间的叠加态转换方程式，将所述纯态转换方程式与所述叠加态转换方程式共同确定为粘连分割理论方程式；所述高阶分割线与低阶分割线之间的叠加态转换方程式为：
Figure QLYQS_63
其中，
Figure QLYQS_64
分别表示不同低阶分割单元个数，/>
Figure QLYQS_65
分别表示不同高阶分割单元个数，函数/>
Figure QLYQS_66
表示低阶分割线与高阶分割线叠加的拼接函数，用于对低阶分割线与高阶分割线进行叠加处理；
训练验证模块，以包括不同粘连图像的校正集作为输入对象，对应的验证集作为评价对象，对所述粘连分割理论方程式进行训练验证，根据训练结果调整并完善所述粘连分割理论方程式，当所述粘连分割理论方程式的训练结果满足预设模型评价指标后，采用所述粘连分割理论方程式对后续输入的粘连图像进行图像分割。
5.根据权利要求4所述的装置，其特征在于，所述粘连分割理论方程式的评价指标包括粘连目标分割的完整度、分割线类型正确度、凹点查找错误、正弦分段函数与真实分割线的匹配度；
所述装置还包括：
可视化表征模块，用于在获取得到所述粘连图像所对应的各高阶分割线信息与低阶分割线信息的集合之后，根据各高阶分割线信息与低阶分割线信息对所述粘连图像的各个分割线进行可视化表征。
CN202010245759.1A 2020-03-31 2020-03-31 一种针对高阶卷曲目标的粘连分割方法及装置 Active CN111292332B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010245759.1A CN111292332B (zh) 2020-03-31 2020-03-31 一种针对高阶卷曲目标的粘连分割方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010245759.1A CN111292332B (zh) 2020-03-31 2020-03-31 一种针对高阶卷曲目标的粘连分割方法及装置

Publications (2)

Publication Number Publication Date
CN111292332A CN111292332A (zh) 2020-06-16
CN111292332B true CN111292332B (zh) 2023-06-23

Family

ID=71021689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010245759.1A Active CN111292332B (zh) 2020-03-31 2020-03-31 一种针对高阶卷曲目标的粘连分割方法及装置

Country Status (1)

Country Link
CN (1) CN111292332B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110802A (zh) * 2019-05-14 2019-08-09 南京林业大学 基于高阶条件随机场的机载激光点云分类方法
CN110738672A (zh) * 2019-10-18 2020-01-31 西安交通大学深圳研究院 一种基于分层高阶条件随机场的图像分割方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101348904B1 (ko) * 2012-01-20 2014-01-09 한국과학기술원 고차 상관 클러스터링을 이용한 이미지 분할 방법, 이를 처리하는 시스템 및 기록매체

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110802A (zh) * 2019-05-14 2019-08-09 南京林业大学 基于高阶条件随机场的机载激光点云分类方法
CN110738672A (zh) * 2019-10-18 2020-01-31 西安交通大学深圳研究院 一种基于分层高阶条件随机场的图像分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
毛凌 ; 解梅 ; .基于高阶CRF模型的图像语义分割.计算机应用研究.2013,(11),全文. *
黄文柯 ; 张肖宁.利用形态学多尺度算法分割粗集料粘连图像.哈尔滨工业大学学报.2016,(003),全文. *

Also Published As

Publication number Publication date
CN111292332A (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
JP7138753B2 (ja) 画像欠陥検出方法、装置、電子機器、記憶媒体および製品
CN107564002A (zh) 塑料管表面缺陷检测方法、系统及计算机可读存储介质
CN114926511A (zh) 一种基于自监督学习的高分辨率遥感影像变化检测方法
CN110378227B (zh) 修正样本标注数据的方法、装置、设备及存储介质
CN104463129A (zh) 一种指纹注册方法及装置
CN110909738A (zh) 一种基于关键点检测的指针仪表自动读数方法
CN113588672A (zh) 一种塑料制品的质量检测方法
CN111310737A (zh) 一种车道线检测方法及装置
Shi et al. Circular grid pattern based surface strain measurement system for sheet metal forming
CN115184380A (zh) 基于机器视觉的印刷电路板焊点异常检测方法
CN108564569B (zh) 一种基于多核分类学习的混凝土裂缝检测方法及装置
CN107388991A (zh) 一种端面多圆角轴类零件圆角半径测量方法
CN111292332B (zh) 一种针对高阶卷曲目标的粘连分割方法及装置
CN113947597B (zh) 一种基于屏蔽重建的工业缺陷检测方法、装置及介质
CN115880266A (zh) 一种基于深度学习的肠道息肉检测系统和方法
Chopin et al. A hybrid approach for improving image segmentation: application to phenotyping of wheat leaves
CN105224941A (zh) 对象辨识与定位方法
CN115830156B (zh) 精准电阻抗层析成像方法、装置、系统、介质及设备
CN115312193A (zh) 医学潜在相关指标风险监控系统、方法、终端及存储介质
CN114399669A (zh) 目标检测方法和装置
Konovalenko et al. Using fuzzy sets to estimate the geometric parameters of surface damage
Mu et al. The application of RBF neural network in the wood defect detection
Khan et al. Robust band profile extraction using constrained nonparametric machine-learning technique
Hutasoit et al. Classification of mango plants based on leaf shape using GLCM and K-nearest neighbor methods
Gharehchopogh et al. A novel approach for edge detection in images based on cellular learning automata

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230804

Address after: 314306 Yucai Road (original water machine station), Tongyuan Town, Haiyan County, Jiaxing City, Zhejiang Province

Patentee after: Zhejiang Jinyu Biotechnology Co.,Ltd.

Address before: 314000 2 building, Photovoltaic Science Park, 1288 Kang He road, Xiuzhou District, Jiaxing, Zhejiang.

Patentee before: JIAXING University