CN111368907B - 羽毛片分类识别方法、装置及计算机可读存储介质 - Google Patents

羽毛片分类识别方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN111368907B
CN111368907B CN202010138020.0A CN202010138020A CN111368907B CN 111368907 B CN111368907 B CN 111368907B CN 202010138020 A CN202010138020 A CN 202010138020A CN 111368907 B CN111368907 B CN 111368907B
Authority
CN
China
Prior art keywords
feather
image
matrix
mean
classification
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
CN202010138020.0A
Other languages
English (en)
Other versions
CN111368907A (zh
Inventor
岳洪伟
王洪涛
许弢
邓辅秦
李俊华
金迎迎
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.)
Wuyi University
Original Assignee
Wuyi 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 Wuyi University filed Critical Wuyi University
Priority to CN202010138020.0A priority Critical patent/CN111368907B/zh
Publication of CN111368907A publication Critical patent/CN111368907A/zh
Application granted granted Critical
Publication of CN111368907B publication Critical patent/CN111368907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种羽毛片分类识别方法、装置及计算机可读存储介质，包括获取羽毛片图像，并对所述羽毛片图像进行预处理；分割所述羽毛片图像中的损坏区域，根据损坏区域图像及正常羽毛片图像，分别计算均值协方差矩阵；根据所述均值协方差矩阵，构造训练样本；将所述训练样本输入Fisher线性判别中进行训练，得到分类模型；将测试样本输入至所述分类模型中，实现羽毛片的分类识别。本发明的技术方案，能够将带有一种或多种不同损坏种类的羽毛片从正常羽毛片中识别分类出来，减少人力物力检测成本，提高羽毛片检测准确度，有效提升生产效率。

Description

羽毛片分类识别方法、装置及计算机可读存储介质
技术领域
本发明涉及图像处理技术领域，特别涉及一种羽毛片分类识别方法、装置及计算机可读存储介质。
背景技术
由于鸭、鹅在自然生长过程中羽毛会受到伤害,且在后期对羽毛的生产加工过程中也可能会造成羽毛损坏,所以加工后的羽毛片通常会存在着多种损坏现象。羽毛片的损坏种类有很多,例如虫蛀、缺失、缺陷等。羽毛片是羽毛球生产的主要原料，羽毛片分拣质量直接决定了羽毛球成品的质量,最终影响着生产商的生产效率和经济效益,因此在生产羽毛球时需要准确地将带有虫蛀或缺失或缺陷等损坏种类的羽毛片分拣出来。
目前，羽毛球的工艺要求只能植入没有缺陷的羽毛片。而现有技术中，针对羽毛片的分类检测方法主要是通过人工视觉方法。即通过人工观察，对羽毛片进行手工分类，从而将没有缺陷的羽毛片分拣出来，但这种检测方法需要大量的人力物力来完成，生产效率低下，且劳动强度高。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种羽毛片分类识别方法、装置及计算机可读存储介质，能够实现羽毛片的识别与分类，减少人力物力检测成本，提高羽毛片检测准确度。
本发明实施例的第一方面，提供了一种羽毛片分类识别方法，包括以下步骤：获取羽毛片图像，并对所述羽毛片图像进行预处理；分割所述羽毛片图像中的损坏区域，根据损坏区域图像及正常羽毛片图像，分别计算均值协方差矩阵；根据所述均值协方差矩阵，构造训练样本；将所述训练样本输入Fisher线性判别中进行训练，得到分类模型；将测试样本输入至所述分类模型中，实现羽毛片的分类识别。
本发明实施例中提供的一个或多个技术方案，至少具有如下有益效果：本发明实施例，通过对获取的羽毛片图像进行预处理，便于增强图像的可检测性和最大限度地简化数据，从而提高特征抽取、图像分割、匹配和识别的可靠性；之后，分割羽毛片图像中的损坏区域，将损坏区域图像与正常羽毛片图像分离区别出来，再根据损坏区域图像及正常羽毛片图像，分别计算均值协方差矩阵；根据均值协方差矩阵，构造训练样本，训练样本内既包括损坏区域图像样本，也包括正常羽毛片图像样本；之后，将所有训练样本输入Fisher线性判别中进行训练，得到分类模型，该分类模型具有分类识别的效果，最后将需要测试样本输入至分类模型中，从而实现羽毛片的分类识别。相对于现有技术，本发明实施例的技术方案，通过羽毛片分类识别方法，能够将带有一种或多种不同损坏种类的羽毛片从正常羽毛片中识别分类出来，减少人力物力检测成本，提高羽毛片检测准确度，有效提升生产效率。
根据本发明的一些实施例，所述分割所述羽毛片图像中的损坏区域，根据损坏区域图像及正常羽毛片图像，分别计算均值协方差矩阵，包括以下步骤：分别从损坏区域图像和正常羽毛片图像中提取图像特征；根据所述图像特征，构建协方差特征矩阵；根据所述协方差特征矩阵，计算均值协方差矩阵。
根据本发明的一些实施例，所述协方差特征矩阵的计算公式如下：
Figure BDA0002398004550000031
其中，n表示像素点的个数，/>
Figure BDA0002398004550000032
表示d维向量，d表示训练样本维数；μ表示所有像素点对应的/>
Figure BDA0002398004550000033
的均值。
根据本发明的一些实施例，所述均值协方差矩阵的计算公式如下：
Figure BDA0002398004550000034
其中，Cn＝RRT,R是通过对协方差特征矩阵Cn进行乔尔斯基分解得到的上三角矩阵。
根据本发明的一些实施例，所述所述将所述训练样本输入Fisher线性判别中进行训练，得到分类模型，包括以下步骤：根据黎曼度量及黎曼均值，确定类内均值及训练样本总均值；根据所述类内均值及所述训练样本总均值，计算类间离散度矩阵和类内离散度矩阵；通过所述类间离散度矩阵和所述类内离散度矩阵，构建所述分类模型。
根据本发明的一些实施例，所述类间离散度矩阵的计算公式如下：
Figure BDA0002398004550000041
所述类内离散度矩阵的计算公式如下：
Figure BDA0002398004550000042
其中，mi表示所述类内均值；m表示所述训练样本总均值；cj表示训练样本集中的元素，l表示集合数。
根据本发明的一些实施例，所述损坏区域包括虫蛀区域和/或缺失区域和/或缺陷区域。
本发明实施例的第二方面，提供了一种运行控制装置，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上述第一方面所述的羽毛片分类识别方法。
本发明实施例的第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述第一方面所述的羽毛片分类识别方法。
本发明的附加方面和/或优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一个实施例所提供的羽毛片分类识别方法的流程示意图；
图2是本发明一个实施例所提供的计算均值协方差矩阵的流程示意图；
图3是本发明一个实施例所提供的构建分类模型的流程示意图；
图4是本发明一个实施例所提供的运行控制装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
需要说明的是，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于系统中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
参照图1，本发明实施例的第一方面，提供了一种羽毛片分类识别方法，包括以下步骤：
步骤S100，获取羽毛片图像，并对羽毛片图像进行预处理；
步骤S200，分割羽毛片图像中的损坏区域，根据损坏区域图像及正常羽毛片图像，分别计算均值协方差矩阵；
步骤S300，根据均值协方差矩阵，构造训练样本；
步骤S400，将训练样本输入Fi sher线性判别中进行训练，得到分类模型；
步骤S500，将测试样本输入至分类模型中，实现羽毛片的分类识别。
具体地，对获取的羽毛片图像进行预处理，即可以通过对羽毛片图像进行灰度化、图像增强、滤波、二值化等处理，以便于提高图像的可检测性和最大限度地简化数据，从而提高特征抽取、图像分割、匹配和识别的可靠性。在本实施例中，可以通过对羽毛片图像作灰度化处理，以克服图像干扰。之后，将羽毛片图像中的损坏区域进行分割，损坏区域可为虫蛀区域、缺失区域或缺陷区域等种类。将损坏区域图像与正常羽毛片图像分离区别出来后，再根据损坏区域图像及正常羽毛片图像，分别计算均值协方差矩阵。例如，根据虫蛀区域图像计算出第一均值协方差矩阵、缺失区域图像计算出第二均值协方差矩阵、缺陷区域图像计算出第三均值协方差矩阵，正常羽毛片图像计算出第四均值协方差矩阵；根据第一、第二、第三和第四均值协方差矩阵，构造训练样本。该训练样本既包括虫蛀区域图像样本、缺失区域图像样本、缺陷区域图像样本，也包括正常羽毛片图像样本。之后，将所有训练样本输入Fisher线性判别中进行训练，得到分类模型，该分类模型便具有分类识别的效果。最后将需要测试样本输入至分类模型中，以完成对带有虫蛀区域的羽毛片和/或带有缺失区域的羽毛片和/或带有缺陷区域的羽毛片和/或正常羽毛片的分类识别。在其他实施例中，分割后的损坏区域可以只为缺失区域，则最后得到的分类模型将实现输出两种分类结果，从而将测试样本输入至分类模型时，可以实现对带有缺失区域的羽毛片和正常羽毛片的分类识别。根据分割后的损坏区域内所包含的损坏种类，可以得到不同分类效果的分类模型，在此不再赘述。
相对于现有技术，本发明实施例的技术方案，能够将测试样本中带有损坏区域的羽毛片分类识别出来，且能够根据羽毛片损坏种类输出不同的分类结果，从而将带有一种或多种不同损坏种类的羽毛片从正常羽毛片中识别分类出来，减少人力物力检测成本，提高羽毛片检测准确度，有效提升生产效率。
参照图2，根据本发明的一些实施例，步骤200，包括以下步骤：
步骤S210，分别从损坏区域图像和正常羽毛片图像中提取图像特征；
步骤S220，根据图像特征，构建协方差特征矩阵；
步骤S230，根据协方差特征矩阵，计算均值协方差矩阵。
具体地，通过分别从损坏区域图像和正常羽毛片图像中提取图像特征，例如从损坏区域图像中提取的为第一图像特征，从正常羽毛片图像中提取的为第二图像特征，根据第一图像特征，计算第一协方差特征矩阵，根据第二图像特征，计算第二协方差特征矩阵；再通过第一协方差特征矩阵，构建第一均值协方差矩阵；通过第二协方差特征矩阵，构建第二均值协方差矩阵。本实施例将羽毛片上的特征通过均值协方差矩阵来表达，使得不同的特征对应着一个均值协方差矩阵，便于进一步通过将各个均值协方差矩阵用来训练样本，来构建分类模型，以提高羽毛片分类识别的准确度。
根据本发明的一些实施例，协方差特征矩阵的计算公式如下：
Figure BDA0002398004550000081
其中，n表示像素点的个数，/>
Figure BDA0002398004550000082
表示d维向量，d表示训练样本维数；μ表示所有像素点对应的/>
Figure BDA0002398004550000083
的均值；均值协方差矩阵的计算公式如下：/>
Figure BDA0002398004550000084
其中，Cn＝RRT,R是通过对协方差特征矩阵Cn进行乔尔斯基分解得到的上三角矩阵。
在本发明实施例中，通过利用均值协方差矩阵来描述羽毛片特征，使得各羽毛片特征更具有识别度，通过将各个均值协方差矩阵用作训练样本，便于进一步构建出分类模型，以提高羽毛片分类识别的准确度。
具体地，以一个羽毛片图像为例，对于一个灰度的羽毛片图像I(x,y),用F表示从羽毛片图像I(x,y)中提取的图像特征：
F(x,y)＝φ(I,x,y)；
其中，函数φ表示对羽毛片图像属性的映射。
之后，采用协方差特征矩阵描述等待分类的目标,对φ定义如下：
φ(I,x,y)＝[x,y,I(x,y),|Ix|,|Iy|]T；
φ(I,x,y)＝[x,y,I(x,y),|Ix|,|Iy|,arctan(|Ix|/|Iy|)]T；
φ(I,x,y)＝[x,y,I(x,y),|Ix|,|Iy|,|Ixx|,|Iyy|]T；
φ(I,x,y)＝[x,y,I(x,y),|Ix|,|Iy|,|Ixx|,|Iyy|,arctan(|Ix|/|Iy|)]T；
其中，I(x,y)表示为坐标(x,y)处的灰度值,|Ix|，|Ixx|表示x方向上的一阶和二阶梯度；T表示矩阵转置；|Iy|,|Iyy|表示y方向上的一阶和二阶梯度。
假设待分类羽毛片图像的大小为(W,H),建模后φ大小为I(x,y)(n,d)的矩阵,其中n＝W×H,d可以通过φ的定义确定。
令
Figure BDA0002398004550000091
其中/>
Figure BDA0002398004550000092
为d维向量,则协方差特征矩阵Cn的计算公式如下：
Figure BDA0002398004550000093
由于协方差特征矩阵Cn是一个对称正定矩阵，故均值协方差矩阵Cnμ的计算公式如下：
Figure BDA0002398004550000094
其中Cn＝RTR,R是通过对协方差特征矩阵Cn进行乔尔斯基分解得到的上三角矩阵。
参照图3，根据本发明的一些实施例，步骤400包括以下步骤：
步骤S410，根据黎曼度量及黎曼均值，确定类内均值及训练样本总均值；
步骤S420，根据类内均值及训练样本总均值，计算类间离散度矩阵和类内离散度矩阵；
步骤S430，通过类间离散度矩阵和类内离散度矩阵，构建分类模型。
在本发明实施例中，为了使训练样本具有较好的可分离性，通过利用改进的Fisher线性判别对训练样本进行训练。具体地，根据黎曼度量及黎曼均值，确定类内均值及训练样本总均值；之后再根据类内均值及训练样本总均值，计算类间离散度矩阵和类内离散度矩阵，再通过获取使Fisher准则达到最大值的向量，以得到最佳投影方向，从而构建出具有分类识别功能的分类模型。
根据本发明的一些实施例，类间离散度矩阵的计算公式如下：
Figure BDA0002398004550000101
类内离散度矩阵的计算公式如下：
Figure BDA0002398004550000102
其中，mi表示类内均值；m表示训练样本总均值；cj表示训练样本集中的元素，l表示集合数。
在本发明实施例中，通过构建分类模型来实现羽毛片的分类识别效果，即将训练样本输入Fisher线性判别后，需要通过计算Fisher线性判别的投影方向，根据最终的投影方向来判断输出的分类结果。
具体地，通过将函数J(w)最大化，以计算得到投影方向w，其中，v是特征空间内的任意非零向量；函数J(w)的计算公式如下：
Figure BDA0002398004550000103
假设训练样本集为X＝{c1,…,cN}，且分别属于l个集合,聚类中心矩阵M＝{m1,…,ml},则类间离散度矩阵Sb的计算公式如下：
Figure BDA0002398004550000104
类内离散度矩阵Sw的计算公式如下：
Figure BDA0002398004550000111
其中，mi表示所述类内均值；m表示所述训练样本总均值；cj表示训练样本集中的元素，l表示集合数。
由于在本实施例中，均值协方差矩阵是上三角矩阵，其不具有对称结构，故需要赋予新的黎曼度量，以进一步实现羽毛片的分类识别。
因为均值协方差矩阵是一个具有李群结构的流形,故根据黎曼度量：
Figure BDA0002398004550000112
及黎曼均值：/>
Figure BDA0002398004550000113
来确定类内均值mi及训练样本总均值m；
具体地，
Figure BDA0002398004550000114
最后根据输出的令函数J(w)最大化的最佳投影方向w,可以获取特征空间中任意特征矩阵在Fisher线性判别最优方向上的投影。例如在本实施例中，损坏区域图像若包括3种损坏种类，则3种损坏种类的损坏区域图像和正常羽毛片图像，通过计算得到相对应的均值协方差矩阵后构造训练样本，该训练样本经过Fisher线性判别后将得到四个投影方向，使得该分类模型能够输出四种分类结果，从而实现羽毛片分类识别。
根据本发明的一些实施例，损坏区域包括虫蛀区域和/或缺失区域和/或缺陷区域。在本发明实施例中，损坏区域可以为虫蛀区域、缺失区域或缺陷区域等。缺失具体为羽毛缺失，这种带有缺失区域的羽毛片将无法用以生产羽毛球，需要检测分离出来；缺陷具体为带有污渍、污垢等瑕疵，这种带有缺陷区域的羽毛片仍可用以生产羽毛球，但因存在瑕疵，可将其用作为另一生产批次。
具体地，在步骤S200中，需要将羽毛片图像中的所有损坏区域分割出来，并根据损坏区域图像及正常羽毛片图像，分别计算均值协方差矩阵，再经过步骤S300、步骤S400，得到分类模型，此时的分类模型则具有分类识别功能。例如损坏区域中包括有虫蛀区域和缺失区域，则最后的分类模型将实现输出三种分类结果，从而将测试样本输入至分类模型时，可以实现对带有虫蛀区域的羽毛片、带有缺失区域的羽毛片和正常羽毛片的分类识别。在其他实施例中，损坏区域也可能只包括虫蛀区域或缺失区域或缺陷区域，也可能既包括虫蛀区域，也包括缺失区域和缺陷区域，所实现的效果同上述实施例，在此不再赘述。
参照图4，本发明实施例的第二方面，提供了一种运行控制装置，该运行控制装置6000可以是任意类型的智能终端，如手机、平板电脑、个人计算机等。
根据本发明的一些实施例，该运行控制装置6000包括：一个或多个控制处理器6001和存储器6002，图4中以一个控制处理器6001为例。
控制处理器6001和存储器6002可以通过总线或其他方式连接，图4以通过总线连接为例。
存储器6002作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及单元，如本发明实施例中的运行控制装置6000对应的程序指令/单元。控制处理器6001通过运行存储在存储器6002中的非暂态软件程序、指令以及单元，从而执行各种功能应用以及数据处理，即实现上述方法实施例的羽毛片分类识别方法。
存储器6002可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据程序指令/单元创建的数据等。此外，存储器6002可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器6002可选包括相对于控制处理器6001远程设置的存储器，这些远程存储器可以通过网络连接至该运行控制装置6000。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个单元存储在存储器6002中，当被一个或者多个控制处理器6001执行时，执行上述任意方法实施例中的羽毛片分类识别方法。例如，执行以上描述的图1中的方法步骤S100至S500、图2中的方法步骤S210至S230、图3中的方法步骤S410至S430。
本发明实施例的第三方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器6001执行，例如，被图4中的一个控制处理器6001执行，可使得上述一个或多个控制处理器6001执行上述方法实施例中的羽毛片分类识别方法，例如，执行以上描述的图1中的方法步骤S100至S500、图2中的方法步骤S210至S230、图3中的方法步骤S410至S430。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (4)

1.一种羽毛片分类识别方法，其特征在于，包括以下步骤：
获取羽毛片图像，并对所述羽毛片图像进行预处理；
分割所述羽毛片图像中的损坏区域，根据损坏区域图像及正常羽毛片图像，分别计算均值协方差矩阵；
根据所述均值协方差矩阵，构造训练样本；
将所述训练样本输入Fisher线性判别中进行训练，得到分类模型；
将测试样本输入至所述分类模型中，实现羽毛片的分类识别；
所述分割所述羽毛片图像中的损坏区域，根据损坏区域图像及正常羽毛片图像，分别计算均值协方差矩阵，包括以下步骤：
分别从损坏区域图像和正常羽毛片图像中提取图像特征；
根据所述图像特征，构建协方差特征矩阵；
根据所述协方差特征矩阵，计算均值协方差矩阵；
所述协方差特征矩阵的计算公式如下：
Figure FDA0004036820850000011
其中，n表示像素点的个数，φk表示d维向量，d表示训练样本维数；μ表示所有像素点对应的φk的均值；
所述均值协方差矩阵的计算公式如下：
Figure FDA0004036820850000012
其中，Cn＝RRT,R是通过对协方差特征矩阵Cn进行乔尔斯基分解得到的上三角矩阵；
所述将所述训练样本输入Fisher线性判别中进行训练，得到分类模型，包括以下步骤：
根据黎曼度量及黎曼均值，确定类内均值及训练样本总均值；
根据所述类内均值及所述训练样本总均值，计算类间离散度矩阵和类内离散度矩阵；
通过所述类间离散度矩阵和所述类内离散度矩阵，构建所述分类模型；
所述类间离散度矩阵的计算公式如下：
Figure FDA0004036820850000021
所述类内离散度矩阵的计算公式如下：
Figure FDA0004036820850000022
其中，mi表示所述类内均值；m表示所述训练样本总均值；cj表示训练样本集中的元素，l表示集合数。
2.根据权利要求1所述的羽毛片分类识别方法，其特征在于，所述损坏区域包括虫蛀区域和/或缺失区域和/或缺陷区域。
3.一种运行控制装置，其特征在于，包括：至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至2任一项所述的羽毛片分类识别方法。
4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至2任一项所述的羽毛片分类识别方法。
CN202010138020.0A 2020-03-03 2020-03-03 羽毛片分类识别方法、装置及计算机可读存储介质 Active CN111368907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010138020.0A CN111368907B (zh) 2020-03-03 2020-03-03 羽毛片分类识别方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010138020.0A CN111368907B (zh) 2020-03-03 2020-03-03 羽毛片分类识别方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111368907A CN111368907A (zh) 2020-07-03
CN111368907B true CN111368907B (zh) 2023-03-28

Family

ID=71210342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010138020.0A Active CN111368907B (zh) 2020-03-03 2020-03-03 羽毛片分类识别方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111368907B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204182590U (zh) * 2014-10-29 2015-03-04 五邑大学 一种羽毛球自动分级装置
CN104697458A (zh) * 2015-03-16 2015-06-10 五邑大学 一种羽毛片弯拱度测量方法
CN107886128A (zh) * 2017-11-10 2018-04-06 广东工业大学 一种羽毛球识别方法、系统、介质及设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10043101B2 (en) * 2014-11-07 2018-08-07 Adobe Systems Incorporated Local feature representation for image recognition

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204182590U (zh) * 2014-10-29 2015-03-04 五邑大学 一种羽毛球自动分级装置
CN104697458A (zh) * 2015-03-16 2015-06-10 五邑大学 一种羽毛片弯拱度测量方法
CN107886128A (zh) * 2017-11-10 2018-04-06 广东工业大学 一种羽毛球识别方法、系统、介质及设备

Also Published As

Publication number Publication date
CN111368907A (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
CN110110799B (zh) 细胞分类方法、装置、计算机设备和存储介质
CN114549522B (zh) 基于目标检测的纺织品质量检测方法
CN109523518B (zh) 一种轮胎x光病疵检测方法
CN109272500B (zh) 基于自适应卷积神经网络的织物分类方法
CN116188475B (zh) 一种外观缺陷自动光学检测的智慧控制方法、系统及介质
CN110021028B (zh) 一种基于服装款式图的自动制衣方法
CN108764361B (zh) 基于集成学习的游梁式抽油机示功图的工况识别方法
CN108765386A (zh) 一种隧道裂缝检测方法、装置、电子设备及存储介质
CN108460344A (zh) 屏幕中的动态区域智能识别系统及智能识别方法
CN112036384B (zh) 精子头部形态识别方法、装置及设备
CN111582359A (zh) 一种图像识别方法、装置、电子设备及介质
CN111914902A (zh) 一种基于深度神经网络的中药识别与表面缺陷检测方法
CN113781483B (zh) 工业产品外观缺陷检测方法和装置
CN115620075A (zh) 白细胞分类模型用数据集的生成方法、系统及设备
CN111161233A (zh) 一种用于冲孔皮革缺陷检测方法及系统
CN111046838A (zh) 一种湿地遥感信息的识别方法及装置
Zhang et al. Fabric defect detection based on visual saliency map and SVM
CN112257730A (zh) 植物害虫图像识别方法、装置、设备及存储介质
CN111368907B (zh) 羽毛片分类识别方法、装置及计算机可读存储介质
CN115082449B (zh) 一种电子元器件缺陷检测方法
CN116416523A (zh) 一种基于机器学习的水稻生长阶段的识别系统和方法
CN115601747A (zh) 一种贴壁细胞汇合度的计算方法和系统
CN109740692A (zh) 一种基于主成分分析的逻辑斯蒂回归的目标归类方法
CN115661042A (zh) 一种基于注意力机制指导的分层分类缺陷检测方法
CN115018814A (zh) 基于类内差异抑制判别字典学习的纺织瑕疵图像分类方法

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
GR01 Patent grant
GR01 Patent grant