CN111709326A - 基于深度学习的级联式颗粒作物质量分析方法及其系统 - Google Patents
基于深度学习的级联式颗粒作物质量分析方法及其系统 Download PDFInfo
- Publication number
- CN111709326A CN111709326A CN202010476197.1A CN202010476197A CN111709326A CN 111709326 A CN111709326 A CN 111709326A CN 202010476197 A CN202010476197 A CN 202010476197A CN 111709326 A CN111709326 A CN 111709326A
- Authority
- CN
- China
- Prior art keywords
- crop
- granular
- particle
- deep learning
- connected domain
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 62
- 238000013135 deep learning Methods 0.000 title claims abstract description 29
- 239000002245 particle Substances 0.000 claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000013145 classification model Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 4
- 238000010191 image analysis Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 235000013339 cereals Nutrition 0.000 description 11
- 241000228197 Aspergillus flavus Species 0.000 description 3
- 238000005070 sampling Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 206010067125 Liver injury Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 206010070863 Toxicity to various agents Diseases 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum 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
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000000711 cancerogenic effect Effects 0.000 description 1
- 231100000357 carcinogen Toxicity 0.000 description 1
- 239000003183 carcinogenic agent Substances 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 231100000234 hepatic damage Toxicity 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000008818 liver damage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
Abstract
本发明公开了一种基于深度学习的级联式颗粒作物质量分析方法,包括以下步骤:S1:建立颗粒作物图像数据集;S2:根据颗粒作物图像数据集,基于深度学习方法建立级联式颗粒作物质量分析系统,该系统由颗粒作物分类模型和颗粒作物实例分割模型组成;S3:对颗粒作物数据集进行预处理,利用预处理后的数据集训练级联式颗粒作物质量分析系统;S4:先采用连通域分析方法对图片进行处理,再利用颗粒作物分类模型对连通域图片做处理;S5:对步骤S4得到的结果进行智能分析。还公开了一种基于深度学习的级联式颗粒作物质量分析系统。本发明能够对颗粒作物质量进行智能分析与准确判断,具有速度快、精度高、可控性强、应用灵活的优点。
Description
技术领域
本发明涉及粮食质量分析领域,特别是涉及一种基于深度学习的级联式颗粒作物质量分析方法及其系统。
背景技术
颗粒作物的存放环境过于潮湿,会导致颗粒作物发生霉变和虫害、发芽,这些未能彻底清理的有害颗粒作物如果没有进行剔除,轻者会影响颗粒作物的质量,重者则危害人体健康。一旦颗粒作物霉变,就不可食用,否则会引起肝脏损害及中毒症状。霉变的颗粒作物还会产生黄曲霉菌,是强致癌物质,而且黄曲霉素一则洗不掉,二则经高温煮沸也无法去除,并且在身体里很难降解,在身体中蓄积到一定量时,就会导致癌症的发生。
而传统的色选机无法对颗粒作物进行智能分析,只会判断颗粒作物是不是正常颗粒作物,不能对颗粒作物的质量做出准确判断,实用性不高。因而需要对颗粒作物进行质量分析,亟需提供一种能够快速对颗粒作物进行质量分析的算法来解决上述问题。
发明内容
本发明所要解决的技术问题是提供一种基于深度学习的级联式颗粒作物质量分析方法及其系统,能够对颗粒作物的质量进行智能分析与准确判断。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种基于深度学习的级联式颗粒作物质量分析方法,包括以下步骤:
S1:搭建颗粒作物图像采集系统,收集训练样本并进行人工标注,建立颗粒作物图像数据集;
S2:根据颗粒作物图像数据集,基于深度学习方法建立级联式颗粒作物质量分析系统,其中所述级联式颗粒作物质量分析系统由颗粒作物分类模型和颗粒作物实例分割模型组成;
S3:对步骤S1建立的颗粒作物数据集进行预处理,利用预处理后的数据集训练级联式颗粒作物质量分析系统;
S4:先采用连通域分析方法对图片进行处理,再利用颗粒作物分类模型对连通域图片做分类处理;
S5:对步骤S4得到的结果进行智能分析,如果计数的结果是连通域内只有一粒颗粒作物,则直接输出分类结果;如果存在多粒颗粒作物,则将连通域图片再送入颗粒作物实例分割模型进行处理。
在本发明一个较佳实施例中,在步骤S1中,建立颗粒作物图像数据集的具体步骤包括:
对收集到的训练样本,剔除其中的无效图像,对剩余图像进行人工标注,随机选取若干张作为测试集,剩余图像作为训练集。
在本发明一个较佳实施例中,所述颗粒作物分类模型自上而下分别由特征提取模块、分类模块组成;
所述特征提取模块采用resnet18的前17个卷积层单元,每个卷积层单元由卷积层、批归一化层和线性整流激活函数构成;
所述分类模块由自适应全局池化单元与全连接层组成。
在本发明一个较佳实施例中,所述颗粒作物实例分割模型由特征提取模块、检测模块、分割模块组成;
所述特征提取模块采用resnet18的前17个卷积层单元,每个卷积层单元由卷积层、批归一化层和线性整流激活函数构成;
所述检测模块由三层卷积层组成,卷积核通道数目依次为256,128,5,卷积核大小依次为3,3,1;
所述分割模块由两层卷积层组成,卷积核通道数目依次为256,1,卷积核大小依次为3,3。
在本发明一个较佳实施例中,在步骤S3中,预处理的具体步骤包括:
随机对所述训练样本集进行上下左右翻转,随机变换图像的对比度,对比度值取0.8到1.2的随机数,对得到的训练图片进行归一化处理。
在本发明一个较佳实施例中,在步骤S4中,采用连通域分析方法进行预处理的具体步骤包括:
S401:对图像进行二值化;
S402:采用游程法对图像进行分析,找到图像中的每一个连通区域;
S403:求每一个连通域的最小外接矩形,并通过最小外接矩形将连通域裁剪出来作进一步分析。
在本发明一个较佳实施例中,在步骤S5中,智能分析的具体步骤包括:
首先用颗粒作物分类模型对裁剪出来的连通域进行处理,如果得到的结果是具体的类别,则直接将类别作为连通域的结果返回;
如果类别是“多粒”,即连通域中存在的颗粒作物数目大于1,则将连通域图片送入颗粒作物实例分割模型作进一步处理,将连通域中的每一粒颗粒作物分割出来;
最后将每一粒分割出来的颗粒作物送入颗粒作物分类模型作最终分类。
为解决上述技术问题,本发明采用的另一个技术方案是:提供一种基于深度学习的级联式颗粒作物质量分析系统,主要包括:
颗粒作物图像采集系统,用于收集训练样本并进行人工标注,建立颗粒作物图像数据集;
级联式颗粒作物质量分析系统,用于根据颗粒作物图像数据集,基于深度学习方法对颗粒作物质量进行分析,由颗粒作物分类模型和颗粒作物实例分割模型组成;
图像预处理模块,用于对建立的颗粒作物图像数据集进行图像预处理;
模型训练模块,利用预处理后的数据集训练颗粒作物质量分析系统,得到能够精确识别图片中颗粒作物类型与个数的颗粒作物分类模型、能够精细分割图片中每一粒颗粒作物的实例分割模型;
图像分析模块,用于采用连通域分析方法对图片进行处理,再依次利用颗粒作物分类模型和颗粒作物实例分割模型对连通域图片做分类分析处理。
本发明的有益效果是:
(1)本发明结合传统的连通域分析方法与深度学习方法,用传统方法解决简单的连通域分析问题,用深度学习方法解决困难的颗粒作物质量分析问题,具有速度快、精度高的优点。
(2)本发明提出的颗粒作物分类模型与颗粒作物实例分割模型,级联式地对颗粒作物进行质量分析,可控性更强,同时更加灵活;另外两个模型参数量都很小,可以方便地部署在边缘设备上,大大降低成本。
附图说明
图1是本发明基于深度学习的级联式颗粒作物质量分析方法的流程图;
图2是所述特征提取模块的网络示意图;
图3是所述基于深度学习的级联式颗粒作物质量分析系统的系统框图。
,具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1,本发明实施例包括:
一种基于深度学习的级联式颗粒作物质量分析方法,包括以下步骤:
S1:搭建颗粒作物图像采集系统,收集训练样本并进行人工标注,建立颗粒作物图像数据集;建立颗粒作物图像数据集的具体步骤包括:
对收集到的训练样本,剔除其中的无效图像,对剩余图像进行人工标注,标注的内容分为五类:正常、破损、发霉、发芽、虫蚀。随机选取3000张作为测试集,剩余7000张图像作为训练集。
S2:根据颗粒作物图像数据集,基于深度学习方法建立级联式颗粒作物质量分析系统,其中所述级联式颗粒作物质量分析系统由颗粒作物分类模型和颗粒作物实例分割模型组成;
具体的,所述颗粒作物分类模型自上而下分别由特征提取模块、分类模块组成。
其中,所述特征提取模块采用resnet18的前17个卷积层单元,每个卷积层单元由卷积层、批归一化层和线性整流激活函数构成。结合图2,第一层卷积核大小为7*7,卷积核数量为64;第二层到第五层卷积核大小为3*3,卷积核数量为64;第六层到第九层的卷积核大小为3*3,卷积核数量为128;第十层到第十三层的卷积核大小为3*3,卷积核数量为256;第十四层到第十七层的卷积核大小为3*3,卷积核数量为512。其中第二层、第六层、第十层和第十三层的卷积步长设置为2,即经过步长为2的卷积,得到尺寸减小为原来一半的特征,经过特征提取模块,得到下采样16倍的特征图。
所述分类模块由自适应全局池化单元与全连接层组成。首先自适应全局池化单元将提取到的特征图池化成一维的特征向量,然后全连接层将特征向量映射到类别空间,并对全连接层使用softmax激活函数得到最终每一个类别的概率。
所述颗粒作物实例分割模型由特征提取模块、检测模块、分割模块组成。
所述特征提取模块与颗粒作物分类模型中的特征提取模块相同,采用resnet18的前17个卷积层单元,每个卷积层单元由卷积层、批归一化层和线性整流激活函数构成。
所述检测模块由三层卷积层组成,卷积核通道数目依次为256,128,5,卷积核大小依次为3,3,1。检测模块输出五个数值,分别是中心点坐标(x,y)、预测的宽度w与高度h以及该位置是颗粒作物的概率p。
所述分割模块由两层卷积层组成,卷积核通道数目依次为256,1,卷积核大小依次为3,3。最后用sigmoid激活函数对分割模块最后一层加以激活,输出0到1之间的浮点数作为分割掩码的置信度。
S3:对步骤S1建立的颗粒作物数据集进行预处理,利用预处理后的数据集训练级联式颗粒作物质量分析系统;
图像预处理包括随机对训练样本集进行上下左右翻转,即随机对图片进行正负180度旋转,随机变换图像的对比度,对比度值取0.8到1.2的随机数,对得到的训练图片进行归一化处理,归一化方法为对所有像素减去128再除以128,归一化成平均值为0,标准差为1。
利用预处理后的数据集训练级联式颗粒作物质量分析系统的具体步骤包括:
设置学习率为0.001,设置迭代次数为10000,每一次迭代随机从训练样本中选128张图片作为输入,设置优化器为SGD随机梯度下降方法。
S4:先采用连通域分析方法对图片进行处理,再利用颗粒作物分类模型对连通域图片做分类处理;
采用连通域分析方法进行预处理的具体步骤包括:
S401:对图像进行二值化;
S402:采用游程法对图像进行分析,找到图像中的每一个连通区域;
S403:求每一个连通域的最小外接矩形,并通过最小外接矩形将连通域裁剪出来作进一步分析。
S5:对步骤S4得到的结果进行智能分析,如果计数的结果是连通域内只有一粒颗粒作物,则直接输出分类结果;如果存在多粒颗粒作物,则将连通域图片再送入颗粒作物实例分割模型进行处理。具体步骤包括:
首先用颗粒作物分类模型对裁剪出来的连通域进行处理,如果得到的结果是具体的类别,如正常、破损、发霉、发芽、虫蚀、杂质这六类,则直接将类别作为连通域的结果返回。如果类别是“多粒”,即连通域中存在的颗粒作物数目大于1,则将连通域图片送入颗粒作物实例分割模型作进一步处理。首先提取下采样16倍的特征,然后检测模块输出每一粒颗粒作物的外接矩形框,分割模块输出每一类颗粒作物的掩膜。这样外接矩形框就确定了颗粒作物的具体位置,将外接矩形框内部的图片跟掩膜相乘,就能将连通域中的每一粒颗粒作物分割出来,最后将每一粒分割出来的颗粒作物送入颗粒作物分类模型作最终分类。
参阅图3,一种基于深度学习的级联式颗粒作物质量分析系统,主要包括:
颗粒作物图像采集系统,用于收集训练样本并进行人工标注,建立颗粒作物图像数据集;
级联式颗粒作物质量分析系统,用于根据颗粒作物图像数据集,基于深度学习方法对颗粒作物质量进行分析,由颗粒作物分类模型和颗粒作物实例分割模型组成;
图像预处理模块,用于对建立的颗粒作物图像数据集进行图像预处理;
模型训练模块,利用预处理后的数据集训练颗粒作物质量分析系统,得到能够精确识别图片中颗粒作物类型与个数的颗粒作物分类模型、能够精细分割图片中每一粒颗粒作物的实例分割模型;
图像分析模块,用于采用连通域分析方法对图片进行处理,再依次利用颗粒作物分类模型和颗粒作物实例分割模型对连通域图片做分类分析处理。
上述内容中所述颗粒作物包括玉米、大米、小麦。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于深度学习的级联式颗粒作物质量分析方法,包括以下步骤:
S1:搭建颗粒作物图像采集系统,收集训练样本并进行人工标注,建立颗粒作物图像数据集;
S2:根据颗粒作物图像数据集,基于深度学习方法建立级联式颗粒作物质量分析系统,其中所述级联式颗粒作物质量分析系统由颗粒作物分类模型和颗粒作物实例分割模型组成;
S3:对步骤S1建立的颗粒作物数据集进行预处理,利用预处理后的数据集训练级联式颗粒作物质量分析系统;
S4:先采用连通域分析方法对图片进行处理,再利用颗粒作物分类模型对连通域图片做分类处理;
S5:对步骤S4得到的结果进行智能分析,如果计数的结果是连通域内只有一粒颗粒作物,则直接输出分类结果;如果存在多粒颗粒作物,则将连通域图片再送入颗粒作物实例分割模型进行处理。
2.根据权利要求1所述的基于深度学习的级联式颗粒作物质量分析方法,其特征在于,在步骤S1中,建立颗粒作物图像数据集的具体步骤包括:
对收集到的训练样本,剔除其中的无效图像,对剩余图像进行人工标注,随机选取若干张作为测试集,剩余图像作为训练集。
3.根据权利要求1所述的基于深度学习的级联式颗粒作物质量分析方法,其特征在于,所述颗粒作物分类模型自上而下分别由特征提取模块、分类模块组成;
所述特征提取模块采用resnet18的前17个卷积层单元,每个卷积层单元由卷积层、批归一化层和线性整流激活函数构成;
所述分类模块由自适应全局池化单元与全连接层组成。
4.根据权利要求1所述的基于深度学习的级联式颗粒作物质量分析方法,其特征在于,所述颗粒作物实例分割模型由特征提取模块、检测模块、分割模块组成;
所述特征提取模块采用resnet18的前17个卷积层单元,每个卷积层单元由卷积层、批归一化层和线性整流激活函数构成;
所述检测模块由三层卷积层组成,卷积核通道数目依次为256,128,5,卷积核大小依次为3,3,1;
所述分割模块由两层卷积层组成,卷积核通道数目依次为256,1,卷积核大小依次为3,3。
5.根据权利要求1所述的基于深度学习的级联式颗粒作物质量分析方法,其特征在于,在步骤S3中,预处理的具体步骤包括:
随机对所述训练样本集进行上下左右翻转,随机变换图像的对比度,对比度值取0.8到1.2的随机数,对得到的训练图片进行归一化处理。
6.根据权利要求1所述的基于深度学习的级联式颗粒作物质量分析方法,其特征在于,在步骤S4中,采用连通域分析方法进行预处理的具体步骤包括:
S401:对图像进行二值化;
S402:采用游程法对图像进行分析,找到图像中的每一个连通区域;
S403:求每一个连通域的最小外接矩形,并通过最小外接矩形将连通域裁剪出来作进一步分析。
7.根据权利要求1所述的基于深度学习的级联式颗粒作物质量分析方法,其特征在于,在步骤S5中,智能分析的具体步骤包括:
首先用颗粒作物分类模型对裁剪出来的连通域进行处理,如果得到的结果是具体的类别,则直接将类别作为连通域的结果返回;
如果类别是“多粒”,即连通域中存在的颗粒作物数目大于1,则将连通域图片送入颗粒作物实例分割模型作进一步处理,将连通域中的每一粒颗粒作物分割出来;
最后将每一粒分割出来的颗粒作物送入颗粒作物分类模型作最终分类。
8.一种基于深度学习的级联式颗粒作物质量分析系统,其特征在于,主要包括:
颗粒作物图像采集系统,用于收集训练样本并进行人工标注,建立颗粒作物图像数据集;
级联式颗粒作物质量分析系统,用于根据颗粒作物图像数据集,基于深度学习方法对颗粒作物质量进行分析,由颗粒作物分类模型和颗粒作物实例分割模型组成;
图像预处理模块,用于对建立的颗粒作物图像数据集进行图像预处理;
模型训练模块,利用预处理后的数据集训练颗粒作物质量分析系统,得到能够精确识别图片中颗粒作物类型与个数的颗粒作物分类模型、能够精细分割图片中每一粒颗粒作物的实例分割模型;
图像分析模块,用于采用连通域分析方法对图片进行处理,再依次利用颗粒作物分类模型和颗粒作物实例分割模型对连通域图片做分类分析处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010476197.1A CN111709326B (zh) | 2020-05-29 | 2020-05-29 | 基于深度学习的级联式颗粒作物质量分析方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010476197.1A CN111709326B (zh) | 2020-05-29 | 2020-05-29 | 基于深度学习的级联式颗粒作物质量分析方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709326A true CN111709326A (zh) | 2020-09-25 |
CN111709326B CN111709326B (zh) | 2023-05-12 |
Family
ID=72537395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010476197.1A Active CN111709326B (zh) | 2020-05-29 | 2020-05-29 | 基于深度学习的级联式颗粒作物质量分析方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709326B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560749A (zh) * | 2020-12-23 | 2021-03-26 | 安徽高哲信息技术有限公司 | 一种农作物分析系统和分析方法 |
CN112581459A (zh) * | 2020-12-23 | 2021-03-30 | 安徽高哲信息技术有限公司 | 一种农作物分类系统和方法 |
CN113610101A (zh) * | 2021-06-17 | 2021-11-05 | 上海师范大学 | 一种谷粒萌发率测定方法 |
CN116493290A (zh) * | 2023-06-28 | 2023-07-28 | 苏州吉玛环保科技有限公司 | 一种用于塑料颗粒生产的智能分选方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263863A (zh) * | 2019-06-24 | 2019-09-20 | 南京农业大学 | 基于迁移学习与双线性InceptionResNetV2的细粒度菌类表型识别方法 |
US20200082224A1 (en) * | 2018-09-10 | 2020-03-12 | Sri International | Weakly supervised learning for classifying images |
CN110909741A (zh) * | 2019-10-28 | 2020-03-24 | 北京航空航天大学 | 一种基于背景分割的车辆再识别方法 |
-
2020
- 2020-05-29 CN CN202010476197.1A patent/CN111709326B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200082224A1 (en) * | 2018-09-10 | 2020-03-12 | Sri International | Weakly supervised learning for classifying images |
CN110263863A (zh) * | 2019-06-24 | 2019-09-20 | 南京农业大学 | 基于迁移学习与双线性InceptionResNetV2的细粒度菌类表型识别方法 |
CN110909741A (zh) * | 2019-10-28 | 2020-03-24 | 北京航空航天大学 | 一种基于背景分割的车辆再识别方法 |
Non-Patent Citations (1)
Title |
---|
张雪芹;余丽君;: "基于判别关键域和深度学习的植物图像分类" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560749A (zh) * | 2020-12-23 | 2021-03-26 | 安徽高哲信息技术有限公司 | 一种农作物分析系统和分析方法 |
CN112581459A (zh) * | 2020-12-23 | 2021-03-30 | 安徽高哲信息技术有限公司 | 一种农作物分类系统和方法 |
CN113610101A (zh) * | 2021-06-17 | 2021-11-05 | 上海师范大学 | 一种谷粒萌发率测定方法 |
CN116493290A (zh) * | 2023-06-28 | 2023-07-28 | 苏州吉玛环保科技有限公司 | 一种用于塑料颗粒生产的智能分选方法及系统 |
CN116493290B (zh) * | 2023-06-28 | 2023-09-05 | 苏州吉玛环保科技有限公司 | 一种用于塑料颗粒生产的智能分选方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111709326B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709326B (zh) | 基于深度学习的级联式颗粒作物质量分析方法及其系统 | |
CN109800736B (zh) | 一种基于遥感影像和深度学习的道路提取方法 | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN108492271B (zh) | 一种融合多尺度信息的自动图像增强系统及方法 | |
CN111739075A (zh) | 一种结合多尺度注意力的深层网络肺部纹理识别方法 | |
CN108549891A (zh) | 基于背景与目标先验的多尺度扩散显著目标检测方法 | |
Bhagat et al. | Eff-UNet++: A novel architecture for plant leaf segmentation and counting | |
CN107358203B (zh) | 一种基于深度卷积阶梯网络的高分辨sar图像分类方法 | |
CN107480679B (zh) | 基于卷积神经网络的分类和连通区域分析的路网提取方法 | |
CN112215795B (zh) | 一种基于深度学习的服务器部件智能检测方法 | |
CN113449806A (zh) | 基于层次结构的二阶段林业害虫识别与检测系统及方法 | |
CN114067219A (zh) | 一种基于语义分割与超像素分割融合的农田作物识别方法 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN111259925A (zh) | 基于k均值聚类和宽度突变算法的田间麦穗计数方法 | |
CN111882555B (zh) | 基于深度学习的网衣检测方法、装置、设备及存储介质 | |
CN113887472A (zh) | 基于级联颜色及纹理特征注意力的遥感图像云检测方法 | |
CN108256557B (zh) | 结合深度学习和邻域集成的高光谱图像分类方法 | |
CN114943893A (zh) | 一种土地覆盖分类的特征增强网络 | |
Liang et al. | Wheat powdery mildew spore images segmentation based on U-Net | |
CN112418112A (zh) | 一种果园病虫害监测预警方法及系统 | |
CN116091940B (zh) | 一种基于高分辨率卫星遥感影像的作物分类和识别方法 | |
CN115019215B (zh) | 一种基于高光谱图像的大豆病虫害识别方法和装置 | |
CN113011506B (zh) | 一种基于深度重分形频谱网络的纹理图像分类方法 | |
CN112101084A (zh) | 基于卷积神经网络的极化sar建筑物震害信息自动提取方法 | |
Ullah et al. | Quantifying consistency of crop establishment using a lightweight U-Net deep learning architecture and image processing techniques |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220124 Address after: 230000 business incubation center of National University Science and Technology Park, 602 Huangshan Road, high tech Zone, Hefei City, Anhui Province Applicant after: ANHUI KEY INFORMATION TECHNOLOGY Co.,Ltd. Address before: Room a210, National University Science Park, No. 602 Huangshan Road, high tech Zone, Hefei, Anhui 230088 Applicant before: ANHUI AI-RETHINK INTELLIGENT TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |