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 PDFInfo
- 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
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 110
- 238000006243 chemical reaction Methods 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 25
- 238000011156 evaluation Methods 0.000 claims description 20
- 230000014509 gene expression Effects 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000002788 crimping Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 2
- 230000017525 heat dissipation Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000013178 mathematical model Methods 0.000 abstract description 9
- 230000000903 blocking effect Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 10
- 241000238557 Decapoda Species 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000012800 visualization Methods 0.000 description 5
- 244000105624 Arachis hypogaea Species 0.000 description 4
- 210000001015 abdomen Anatomy 0.000 description 4
- 235000020232 peanut Nutrition 0.000 description 4
- 235000017060 Arachis glabrata Nutrition 0.000 description 3
- 235000010777 Arachis hypogaea Nutrition 0.000 description 3
- 235000018262 Arachis monticola Nutrition 0.000 description 3
- 241000238553 Litopenaeus vannamei Species 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 235000013305 food Nutrition 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 208000003643 Callosities Diseases 0.000 description 1
- 241000252185 Cobitidae Species 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 206010020649 Hyperkeratosis Diseases 0.000 description 1
- 244000302512 Momordica charantia Species 0.000 description 1
- 235000009811 Momordica charantia Nutrition 0.000 description 1
- 235000009812 Momordica cochinchinensis Nutrition 0.000 description 1
- 235000018365 Momordica dioica Nutrition 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 235000012015 potatoes Nutrition 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
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;
(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:
第二约束函数为:
第三约束函数为:
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:
或
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:
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:
第二约束函数为:
第三约束函数为:
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:
或
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:
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。
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。
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:
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:
对上述各个公式进行叠加,得到第二约束函数为:
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:
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。
或
其中,为纯态的低阶分割线变量,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,表示连接不同
低阶分割单元的函数,表示所使用的低阶分割单元个数,表示连接不同高
阶分割单元的函数,表示所使用的高阶分割单元个数。
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:
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:
第二约束函数为:
第三约束函数为:
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:
或
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:
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;
第一约束函数为:
第二约束函数为:
第三约束函数为:
(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:
其中,/>为纯态的低阶分割线变量,/>为纯态的高阶分割线变量,/>表示连接不同低阶分割单元的函数,/>表示所使用的低阶分割单元个数,/>表示连接不同高阶分割单元的函数,/>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:
(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;
第一约束函数为:
第二约束函数为:
第三约束函数为:
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:
其中,/>为纯态的低阶分割线变量,/>为纯态的高阶分割线变量,/>表示连接不同低阶分割单元的函数,/>表示所使用的低阶分割单元个数,/>表示连接不同高阶分割单元的函数,/>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:
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。
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)
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)
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 |
-
2020
- 2020-03-31 CN CN202010245759.1A patent/CN111292332B/zh active Active
Patent Citations (2)
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)
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 |