CN114550167B - 一种基于人工智能的梨的品质分类方法及装置 - Google Patents
一种基于人工智能的梨的品质分类方法及装置 Download PDFInfo
- Publication number
- CN114550167B CN114550167B CN202210437143.3A CN202210437143A CN114550167B CN 114550167 B CN114550167 B CN 114550167B CN 202210437143 A CN202210437143 A CN 202210437143A CN 114550167 B CN114550167 B CN 114550167B
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- roundness
- umbilical
- obtaining
- 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.)
- Expired - Fee Related
Links
- 235000014443 Pyrus communis Nutrition 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 24
- 241000220324 Pyrus Species 0.000 claims abstract description 99
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 63
- 241001164374 Calyx Species 0.000 claims abstract description 33
- 235000021017 pears Nutrition 0.000 claims abstract description 26
- 230000002085 persistent effect Effects 0.000 claims abstract description 25
- 238000003709 image segmentation Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 210000001113 umbilicus Anatomy 0.000 claims description 7
- 238000012545 processing Methods 0.000 abstract description 9
- 238000004891 communication Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 210000002421 cell wall Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 230000005078 fruit development Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于人工智能的梨的品质分类方法及装置,涉及计算机视觉领域;通过图像处理实现对梨的宿萼果及脱萼果的分类,且存在两级分类过程,保证分类准确性的同时提高分类效率。主要包括:获取待分类梨的底部图像;对底部图像进行图像分割得到脐部图像,并对脐部图像灰度化,得到脐部的灰度图像;获得灰度图像的二值图像,并获得二值图像中的第一脐部连通域;计算脐部第一连通域的圆度指标,当圆度指标大于预设圆度阈值时完成对待分类梨的分类;获得灰度图像中脐部区域的最小外接圆以及最小外接圆的圆心;获得灰度图像的特征指标并利用特征指标对待分类梨进行分类。本发明具体应用场景为:通过图像处理对梨中的宿萼果及脱萼果进行分类。
Description
技术领域
本申请涉及计算机视觉领域,具体涉及一种基于人工智能的梨的品质分类方法及装置。
背景技术
梨的果实有宿萼和脱萼之分,在梨的果实发育过程中,萼筒组织通常按果肉的方式发育,其细胞壁薄且含大量的水和糖分;萼片则很早脱落使得成熟果实形成圆而凹入的脐部,形成脱萼果,脱萼果一般果形端正、果面光洁、且口感较佳。然而,部分果实的萼筒组织按照花萼的方式生长,导致果皮变厚,萼片不脱落,成熟后果实则具有不整齐而凸出的脐部,形成宿萼果,宿萼果一般表皮粗糙。
对于同一品种的梨,宿萼果的味道不如脱萼果,因此需要对同一品种的梨中宿萼果及脱萼果进行识别并分类,以便进行分类包装并销售。针对同一品种的梨中宿萼果及脱萼果进行分类,通常采用肉眼进行分离或者做实验进行识别;利用人眼对梨的脐部特征进行观察,对梨进行分类,该种方法存在较大的主观性且难以保证准确率;做实验对梨进行识别指:对梨的果肉形成的悬浊液中的石细胞数量进行测量,该种方法的操作过程所需时间较大且操作难度较大。
发明内容
针对上述技术问题,本发明提供了一种基于人工智能的梨的品质分类方法及装置,主要包括:获取待分类梨的底部图像;对底部图像进行图像分割得到脐部图像,并对脐部图像灰度化,得到脐部的灰度图像;获得灰度图像的二值图像,并获得二值图像中的第一脐部连通域;计算脐部第一连通域的圆度指标,当圆度指标大于或等于预设圆度阈值时待分类梨为脱萼果;当圆度指标小于圆度阈值时,获得灰度图像中脐部区域的最小外接圆以及最小外接圆的圆心;获得灰度图像的特征指标并利用特征指标对待分类梨进行分类。相比于现有技术,通过图像处理实现对梨的宿萼果及脱萼果的分类,且存在两级分类过程,保证分类准确性的同时提高分类效率。
第一方面,本文提出了一种基于人工智能的梨的品质分类方法,包括:
获取待分类梨的底部图像。
对所述底部图像进行图像分割得到脐部图像,并对所述脐部图像灰度化,得到脐部的灰度图像。
计算所述脐部第一连通域的圆度指标,并判断计算出的圆度指标是否大于或等于预设圆度阈值,若大于或等于圆度阈值,则待分类梨为脱萼果。
若判断的结果为圆度指标小于圆度阈值,获得该小于圆度阈值的圆度指标对应灰度图像的脐部区域,并提取该脐部区域的最小外接圆以及最小外接圆的圆心,根据所述灰度图像中各点的灰度值特征,获得所述灰度图像中各点到所述圆心之间的距离特征,并利用所述距离特征得到特征指标,判断所述特征指标是否大于预设特征阈值,若判断结果为是,则待分类梨为宿萼果,若判断结果为否,则待分类梨为脱萼果。
进一步的,所述基于人工智能的梨的品质分类方法,根据所述灰度图像中各点的灰度值特征,获得所述灰度图像中各点到所述圆心之间的距离特征,并利用所述距离特征得到特征指标,包括:
在所述最小外接圆上等距离选择预设第一数量个第一类点,某一所述第一类点与所述圆心组成的连线为第一类线段。
将第一类线段上的像素点的灰度值组成灰度值序列,并对所述灰度值序列进行一阶差分得到一阶差分序列,所述一阶差分序列中的最大值在所述灰度图中所对应的像素点为第二类点。
从所有第二类点中选择其中一个第二类点作为起始点,所述起始点所在的所述第一类线段为起始线段,将所述起始线段沿着预设旋转方向进行旋转,将在旋转过程中碰到的所述第二类点所在的所述第一类线段,与起始线段沿着预设旋转方向上形成的夹角作为横坐标,将碰到的所述第二类点与所述圆心之间的距离为纵坐标,得到距离曲线。
将所述距离曲线中所有波谷对应的夹角按照角度组成角度序列,并对所述角度序列进行一阶差分得到角度差值序列,所述角度差值序列的方差的倒数为特征指标。
进一步的,所述基于人工智能的梨的品质分类方法,获得所述灰度图像的二值图像,并获得所述二值图像中的第一脐部连通域,计算所述脐部第一连通域的圆度指标,包括:
获得所述灰度图像的灰度直方图,从所述灰度直方图中选择预设灰度值范围内的,预设第二数量个灰度值。
将所述预设第二数量个灰度值,分别作为对所述灰度图像进行二值化的全局阈值,得到与所述灰度图像对应的多个二值图像。
获得所述二值图像中的第一脐部连通域,计算每一个所述二值图像对应的第一脐部连通域的圆度指标。
将多个所述二值图像对应的,多个第一脐部连通域的圆度指标的平均值作为圆度指标。
进一步的,所述基于人工智能的梨的品质分类方法,对所述底部图像进行图像分割得到脐部图像前,还包括对所述底部图像进行去噪处理。
进一步的,所述基于人工智能的梨的品质分类方法,对所述底部图像进行图像分割得到脐部图像,是通过DNN语义分割的方式实现的,所述DNN采用的数据集为所述底部图像,经过DNN语义分割后得到的所述脐部图像中非脐部的部分的像素值为0。
第二方面,本发明提出了一种基于人工智能的梨的品质分类装置,包括:
图像采集模块,用于获取待分类梨的底部图像。
灰度化模块,用对所述底部图像进行图像分割得到脐部图像,并对所述脐部图像灰度化,得到脐部的灰度图像。
连通域获取模块,用于获得所述灰度图像的二值图像,并获得所述二值图像中的第一脐部连通域。
圆度指标计算及初次判断模块,用于计算所述脐部第一连通域的圆度指标,并判断计算出的圆度指标是否大于预设圆度阈值,若大于或等于圆度阈值,则待分类梨为脱萼果;
特征指标计算及二次判断模块,若判断的结果为圆度指标小于圆度阈值时,用于获得该小于圆度阈值的圆度指标对应灰度图像的脐部区域,并提取该脐部区域的最小外接圆以及最小外接圆的圆心,根据所述灰度图像中各点的灰度值特征,获得所述灰度图像中各点到所述圆心之间的距离特征,并利用所述距离特征得到特征指标,判断所述特征指标是否大于预设特征阈值,若判断结果为是,则待分类梨为宿萼果,若判断结果为否,则待分类梨为脱萼果。
本发明提供了一种基于人工智能的梨的品质分类方法及装置,主要包括:获取待分类梨的底部图像;对底部图像进行图像分割得到脐部图像,并对脐部图像灰度化,得到脐部的灰度图像;获得灰度图像的二值图像,并获得二值图像中的第一脐部连通域;计算脐部第一连通域的圆度指标,当圆度指标大于或等于预设圆度阈值时待分类梨为脱萼果;当圆度指标小于预设圆度阈值时,获得灰度图像中脐部区域的最小外接圆以及最小外接圆的圆心;获得灰度图像的特征指标,判断特征指标是否大于预设特征阈值,若判断结果为是,则待分类梨为宿萼果,若判断结果为否,则待分类梨为脱萼果。
相比于现有技术,本发明的有益效果在于:通过图像处理实现对梨的宿萼果及脱萼果的分类,且存在两级分类过程,保证分类准确性的同时提高分类效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例1提供的一种基于人工智能的梨的品质分类方法的流程示意图。
图2是本发明实施例2提供的另一种基于人工智能的梨的品质分类方法的流程示意图。
图3是本发明实施例2中距离曲线的示意图。
图4是本发明实施例3提供的一种基于人工智能的梨的品质分类装置的流程示意图。
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。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他实施例,都属于本发明保护的范围。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征;在本实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
实施例1
本发明实施例1提供了一种基于人工智能的梨的品质分类方法,如图1所示,包括:
101、获取待分类梨的底部图。
本实施例中梨的底部图像为RGB图像,RGB是一种颜色标准,通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色,RGB即是代表红、绿、蓝三个通道的颜色。
102、对底部图像进行图像分割得到脐部图像,并对脐部图像灰度化,得到脐部的灰度图像。
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看,图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程,即把属于同一区域的像素赋予相同的编号。
本实施例中通过图像分割将底部图像中非脐部区域置为0,可以消除梨的脐部以外的部分对后续图像处理过程的不良影响。
103、获得灰度图像的二值图像,并获得二值图像中的第一脐部连通域。
二值图像是指每个像素均为黑色或者白色的图像,连通域也称为连通区域,指的是由具有相同像素值的相邻像素组成的像素集合。
104、计算脐部第一连通域的圆度指标,并判断计算出的圆度指标是否大于预设圆度阈值,若大于或等于圆度阈值时,则待分类梨为脱萼果。
本实施例中当圆度指标大于或等于预设圆度阈值时,将待识别梨分类为脱萼果;当圆度指标小于预设圆度阈值时,执行105从而对待分类梨进一步分类。
105、若判断的结果为圆度指标小于圆度阈值时,获得该小于圆度阈值的圆度指标对应灰度图像的脐部区域,并提取该脐部区域的最小外接圆以及最小外接圆的圆心,根据灰度图像中各点的灰度值特征,获得灰度图像中各点到圆心之间的距离特征,并利用距离特征得到特征指标,判断特征指标是否大于预设特征阈值,若判断结果为是,则待分类梨为宿萼果,若判断结果为否,则待分类梨为脱萼果。
因为在104的判断过程中小于圆度阈值的梨,可能是宿萼果也可能是脱萼果,本实施例利用得到的特征指标对待分类梨进一步进行分类。
相较于传统技术方案,本实施例的有益效果是:通过图像处理实现对梨的宿萼果及脱萼果的分类,且存在两级分类过程,保证分类准确性的同时提高分类效率。
实施例2
本发明实施例2提供了另一种基于人工智能的梨的品质快速识别方法,实施例2在实施例1的基础上进行了细化并做出了更为详细的阐述,如图2所示,包括:
201、获取待分类梨的底部图像。
本实施例中针对同一种品种的宿萼果以及脱萼果,首先需要通过图像采集装置采集梨的底部图像。
202、对底部图像进行图像分割得到脐部图像,并对脐部图像灰度化,得到脐部的灰度图像。
本实施例中通过DNN(Deep Neural Networks,深度神经网络)对底部图像进行图像分割,使得到的脐部图像中梨的脐部以外的部分的像素点为0,同时可以利用训练完的DNN实现图像的自动分割而无需再次进行训练。
该DNN的具体内容如下:
(1) 使用的数据集为滚轮输送机上梨底部采集图像数据集。
(2) 将梨的标签划分为脐部区域和脐部以外的区域。该方式为像素级分类,对图像所有像素点进行人工标注。脐部区域的像素点值标注为1,脐部以外的区域的像素点值标注为0。
(3) 所用损失函数为交叉熵损失函数。
得到语义分割结果后,将语义分割结果与原图进行相乘操作,得到脐部图像,并对得到的脐部图像进行灰度化处理,得到灰度图像。
在进行图像分割之前还可以对底部图像进行去噪处理。
203、获得灰度图像的二值图像,并获得二值图像中的第一脐部连通域。
首先对灰度图像进行全局阈值化,当灰度图像中像素点的灰度值大于预设灰度值阈值时,将该像素点的像素值设置为1;灰度图像中像素点的灰度值不大于预设灰度值阈值时,将该像素点的像素值设置为0。
然后进行连通域分析,获得二值图像中的第一脐部连通域,第一脐部连通域为二值图像中脐部部分组成的连通域,本实施例通过分析第一脐部连通域的形状特征,来判断其对应的分类信息。
优选的,还可以获得灰度图像的灰度直方图,从灰度直方图中选择预设灰度值范围内的预设第二数量个灰度值。将预设第二数量个灰度值,分别作为对灰度图像进行二值化的全局阈值,得到与灰度图像对应的多个二值图像,避免不同灰度阈值带来的不利影响。
204、计算脐部第一连通域的圆度指标,并判断计算出的圆度指标是否大于预设圆度阈值,若大于或等于圆度阈值时,则待分类梨为脱萼果。
优选的,还可以对于多个二值图像,分别获取对应的第一脐部连通域,计算每一个二值图像对应的第一脐部连通域的圆度指标,将所有圆度指标的平均值作为圆度指标。
本实施例中利用宿萼果与脱萼果的脐部特征,对于第一脐部连通域,最小外接圆和最大内接圆越接近,连通域的形状越接近圆形,待分类梨越可能为脱萼果,分析得到第一脐部连通域的圆度指标,当圆度指标大于预设圆度阈值时,待分类梨为脱萼果,对于圆度指标小于预设圆度阈值的待分类梨子,无法确定其具体为脱萼果还是宿萼果,可通过后续步骤进一步分类。
205、若判断的结果为圆度指标小于圆度阈值时,获得该小于圆度阈值的圆度指标对应灰度图像的脐部区域,并提取该脐部区域的最小外接圆以及最小外接圆的圆心,根据灰度图像中各点的灰度值特征,获得灰度图像中各点到圆心之间的距离特征,并利用距离特征得到特征指标,判断特征指标是否大于预设特征阈值,若判断结果为是,则待分类梨为宿萼果,若判断结果为否,则待分类梨为脱萼果。
本实施例中205具体包括2051、2052、2053及2054。
2051、在最小外接圆上等距离选择预设第一数量个第一类点,某一第一类点与圆心组成的连线为第一类线段。
2052、将第一类线段上的像素点的灰度值组成灰度值序列,并对灰度值序列进行一阶差分得到一阶差分序列,一阶差分序列中的最大值在灰度图中所对应的像素点为第二类点;
2053、从所有第二类点中选择其中一个第二类点作为起始点,起始点所在的第一类线段为起始线段,将起始线段绕着圆心沿着预设旋转方向进行旋转,将在旋转过程中碰到的第二类点所在的第一类线段,与起始线段沿着预设旋转方向上形成的夹角作为横坐标,将碰到的第二类点与圆心之间的距离为纵坐标,得到距离曲线。
图3示出了本实施例2中距离曲线的示意图,图3中距离曲线反应了在起始线段在旋转过程中,碰到的第二类点所在的第一类线段与起始线段之间的夹角,以及该第二类点与圆心之间的距离的关系。
2054、将距离曲线中所有波谷对应的夹角组成角度序列,并对角度序列进行一阶差分得到角度差值序列,角度差值序列的方差的倒数即为本实施例中的特征指标。
首先将距离曲线中波谷的对应的角度进行排序,得到角度序列,其次对角度序列进行一阶差分进而得到角度差值序列,其中为角度差值序列中第个角度差值,为角度序列中第个角度值,为角度序列中第个角度值,为角度序列中角度的个数,最后得到特征指标,其中是角度差值序列的方差。
实施例3
本发明实施例提供了一种基于人工智能的梨的品质分类装置,如图3所示包括:
图像采集模块31,用于获取待分类梨的底部图像。
灰度化模块32,用对底部图像进行图像分割得到脐部图像,并对脐部图像灰度化,得到脐部的灰度图像。
连通域获取模块33,用于获得灰度图像的二值图像,并获得二值图像中的第一脐部连通域。
圆度指标计算及初次判断模块34,用于计算脐部第一连通域的圆度指标,并判断圆度指标是否大于预设圆度阈值,若判断结果为是,则待分类梨为脱萼果,若判断结果为否,则待分类梨为疑似宿萼果。
特征指标计算及二次判断模块35,若判断的结果为圆度指标小于圆度阈值,用于获得该小于圆度阈值圆度指标对应灰度图像的脐部区域,并提取该脐部区域的最小外接圆以及最小外接圆的圆心,根据灰度图像中各点的灰度值特征,获得灰度图像中各点到圆心之间的距离特征,并利用距离特征得到特征指标,判断特征指标是否大于预设特征阈值,若判断结果为是,则待分类梨为宿萼果,若判断结果为否,则待分类梨为脱萼果。
其中,根据所述灰度图像中各点的灰度值特征,获得所述灰度图像中各点到所述圆心之间的距离特征,并利用所述距离特征得到特征指标,包括:
在所述最小外接圆上等距离选择预设第一数量个第一类点,某一所述第一类点与所述圆心组成的连线为第一类线段。
将第一类线段上的像素点的灰度值组成灰度值序列,并对所述灰度值序列进行一阶差分得到一阶差分序列,所述一阶差分序列中的最大值在所述灰度图中所对应的像素点为第二类点。
从所有第二类点中选择其中一个第二类点作为起始点,所述起始点所在的所述第一类线段为起始线段,将所述起始线段沿着预设旋转方向进行旋转,将在旋转过程中碰到的所述第二类点所在的所述第一类线段,与起始线段沿着预设旋转方向上形成的夹角作为横坐标,将碰到的所述第二类点与所述圆心之间的距离为纵坐标,得到距离曲线。
将所述距离曲线中所有波谷对应的夹角按照角度组成角度序列,并对所述角度序列进行一阶差分得到角度差值序列,所述角度差值序列的方差的倒数为特征指标。
其中,根据所述灰度图像中各点的灰度值特征,获得所述灰度图像中各点到所述圆心之间的距离特征,并利用所述距离特征得到特征指标,包括:
在所述最小外接圆上等距离选择预设第一数量个第一类点,某一所述第一类点与所述圆心组成的连线为第一类线段。
将第一类线段上的像素点的灰度值组成灰度值序列,并对所述灰度值序列进行一阶差分得到一阶差分序列,所述一阶差分序列中的最大值在所述灰度图中所对应的像素点为第二类点。
从所有第二类点中选择其中一个第二类点作为起始点,所述起始点所在的所述第一类线段为起始线段,将所述起始线段沿着预设旋转方向进行旋转,将在旋转过程中碰到的所述第二类点所在的所述第一类线段,与起始线段沿着预设旋转方向上形成的夹角作为横坐标,将碰到的所述第二类点与所述圆心之间的距离为纵坐标,得到距离曲线。
将所述距离曲线中所有波谷对应的夹角按照角度组成角度序列,并对所述角度序列进行一阶差分得到角度差值序列,所述角度差值序列的方差的倒数为特征指标。
综上,本发明提供了一种基于人工智能的梨的品质分类方法及装置,主要包括:获取待分类梨的底部图像;对底部图像进行图像分割得到脐部图像,并对脐部图像灰度化,得到脐部的灰度图像;获得灰度图像的二值图像,并获得二值图像中的第一脐部连通域;计算脐部第一连通域的圆度指标,当圆度指标大于或等于预设圆度阈值时待分类梨为脱萼果;当圆度指标小于圆度阈值时,获得灰度图像中脐部区域的最小外接圆以及最小外接圆的圆心;获得灰度图像的特征指标并利用特征指标对待分类梨进行分类。
相比于现有技术,本发明的有益效果在于:通过图像处理实现对梨的宿萼果及脱萼果的分类,且存在两级分类过程,保证分类准确性的同时提高分类效率。
本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本发明的方法和系统中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
上述实施例仅仅是为清楚地说明所做的举例,并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (6)
1.一种基于人工智能的梨的品质分类方法,其特征在于,包括:
获取待分类梨的底部图像;
对所述底部图像进行图像分割得到脐部图像,并对所述脐部图像灰度化,得到脐部的灰度图像;
获得所述灰度图像的二值图像,并获得所述二值图像中的第一脐部连通域;
计算所述脐部第一连通域的圆度指标,并判断计算出的圆度指标是否大于预设圆度阈值,若大于或等于圆度阈值时,则待分类梨为脱萼果;
若判断的结果为圆度指标小于圆度阈值,获得该小于圆度阈值的圆度指标对应灰度图像的脐部区域,并提取该脐部区域的最小外接圆以及最小外接圆的圆心,根据所述灰度图像中各点的灰度值特征,获得所述灰度图像中各点到所述圆心之间的距离特征,并利用所述距离特征得到特征指标,判断所述特征指标是否大于预设特征阈值,若判断结果为是,则待分类梨为宿萼果,若判断结果为否,则待分类梨为脱萼果;
其中,根据所述灰度图像中各点的灰度值特征,获得所述灰度图像中各点到所述圆心之间的距离特征,并利用所述距离特征得到特征指标,包括:
在所述最小外接圆上等距离选择预设第一数量个第一类点,某一所述第一类点与所述圆心组成的连线为第一类线段;
将第一类线段上的像素点的灰度值组成灰度值序列,并对所述灰度值序列进行一阶差分得到一阶差分序列,所述一阶差分序列中的最大值在所述灰度图中所对应的像素点为第二类点;
从所有第二类点中选择其中一个第二类点作为起始点,所述起始点所在的所述第一类线段为起始线段,将所述起始线段沿着预设旋转方向进行旋转,将在旋转过程中碰到的所述第二类点所在的所述第一类线段,与起始线段沿着预设旋转方向上形成的夹角作为横坐标,将碰到的所述第二类点与所述圆心之间的距离为纵坐标,得到距离曲线;
将所述距离曲线中所有波谷对应的夹角按照角度组成角度序列,并对所述角度序列进行一阶差分得到角度差值序列,所述角度差值序列的方差的倒数为特征指标。
3.根据权利要求1所述的基于人工智能的梨的品质分类方法,其特征在于,获得所述灰度图像的二值图像,并获得所述二值图像中的第一脐部连通域,计算所述脐部第一连通域的圆度指标,包括:
获得所述灰度图像的灰度直方图,从所述灰度直方图中选择预设灰度值范围内的,预设第二数量个灰度值;
将所述预设第二数量个灰度值,分别作为对所述灰度图像进行二值化的全局阈值,得到与所述灰度图像对应的多个二值图像;
获得所述二值图像中的第一脐部连通域,计算每一个所述二值图像对应的第一脐部连通域的圆度指标;
将多个所述二值图像对应的,多个第一脐部连通域的圆度指标的平均值作为圆度指标。
4.根据权利要求1所述的基于人工智能的梨的品质分类方法,其特征在于,对所述底部图像进行图像分割得到脐部图像前,还包括对所述底部图像进行去噪处理。
5.根据权利要求1所述的基于人工智能的梨的品质分类方法,其特征在于,对所述底部图像进行图像分割得到脐部图像,是通过DNN语义分割的方式实现的,所述DNN采用的数据集为所述底部图像,经过DNN语义分割后得到的所述脐部图像中非脐部的部分像素值为0。
6.一种基于人工智能的梨的品质分类装置,其特征在于,包括:
图像采集模块,用于获取待分类梨的底部图像;
灰度化模块,用对所述底部图像进行图像分割得到脐部图像,并对所述脐部图像灰度化,得到脐部的灰度图像;
连通域获取模块,用于获得所述灰度图像的二值图像,并获得所述二值图像中的第一脐部连通域;
圆度指标计算及初次判断模块,用于计算所述脐部第一连通域的圆度指标,并判断计算出的圆度指标是否大于预设圆度阈值,若大于或等于圆度阈值时,则待分类梨为脱萼果;
特征指标计算及二次判断模块,若判断的结果为圆度指标小于圆度阈值时,用于获得该小于圆度阈值的圆度指标对应灰度图像的脐部区域,并提取该脐部区域的最小外接圆以及最小外接圆的圆心,根据所述灰度图像中各点的灰度值特征,获得所述灰度图像中各点到所述圆心之间的距离特征,并利用所述距离特征得到特征指标,判断所述特征指标是否大于预设特征阈值,若判断结果为是,则待分类梨为宿萼果,若判断结果为否,则待分类梨为脱萼果;
其中,根据所述灰度图像中各点的灰度值特征,获得所述灰度图像中各点到所述圆心之间的距离特征,并利用所述距离特征得到特征指标,包括:
在所述最小外接圆上等距离选择预设第一数量个第一类点,某一所述第一类点与所述圆心组成的连线为第一类线段;
将第一类线段上的像素点的灰度值组成灰度值序列,并对所述灰度值序列进行一阶差分得到一阶差分序列,所述一阶差分序列中的最大值在所述灰度图中所对应的像素点为第二类点;
从所有第二类点中选择其中一个第二类点作为起始点,所述起始点所在的所述第一类线段为起始线段,将所述起始线段沿着预设旋转方向进行旋转,将在旋转过程中碰到的所述第二类点所在的所述第一类线段,与起始线段沿着预设旋转方向上形成的夹角作为横坐标,将碰到的所述第二类点与所述圆心之间的距离为纵坐标,得到距离曲线;
将所述距离曲线中所有波谷对应的夹角按照角度组成角度序列,并对所述角度序列进行一阶差分得到角度差值序列,所述角度差值序列的方差的倒数为特征指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210437143.3A CN114550167B (zh) | 2022-04-25 | 2022-04-25 | 一种基于人工智能的梨的品质分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210437143.3A CN114550167B (zh) | 2022-04-25 | 2022-04-25 | 一种基于人工智能的梨的品质分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114550167A CN114550167A (zh) | 2022-05-27 |
CN114550167B true CN114550167B (zh) | 2022-07-15 |
Family
ID=81667681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210437143.3A Expired - Fee Related CN114550167B (zh) | 2022-04-25 | 2022-04-25 | 一种基于人工智能的梨的品质分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114550167B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114852435B (zh) * | 2022-07-06 | 2022-10-28 | 青岛锐智智能装备科技有限公司 | 一种用于定量包装多头组合秤的自动控制系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210039572A (ko) * | 2019-10-02 | 2021-04-12 | 주식회사 지앤아이티글로벌 | 신경망 모델을 이용한 지층 분류 방법 및 이를 수행하는 장치 |
CN113145492A (zh) * | 2021-05-14 | 2021-07-23 | 河北工业大学 | 一种用于梨外观品质视觉分级方法及分级生产线 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110069997B (zh) * | 2019-03-22 | 2021-07-20 | 北京字节跳动网络技术有限公司 | 场景分类方法、装置及电子设备 |
-
2022
- 2022-04-25 CN CN202210437143.3A patent/CN114550167B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210039572A (ko) * | 2019-10-02 | 2021-04-12 | 주식회사 지앤아이티글로벌 | 신경망 모델을 이용한 지층 분류 방법 및 이를 수행하는 장치 |
CN113145492A (zh) * | 2021-05-14 | 2021-07-23 | 河北工业大学 | 一种用于梨外观品质视觉分级方法及分级生产线 |
Non-Patent Citations (1)
Title |
---|
基于图像处理和光谱分析技术的水果品质快速无损检测方法研究;马本学;《中国博士学位论文电子期刊网》;20101215(第12期);第60-65页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114550167A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN115018828B (zh) | 一种电子元器件的缺陷检测方法 | |
CN107610114B (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
CN111797712B (zh) | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN104217221A (zh) | 基于纹理特征的书画作品检测方法 | |
CN108710916B (zh) | 图片分类的方法及装置 | |
CN115330645B (zh) | 一种焊接图像增强方法 | |
CN111652213A (zh) | 一种基于深度学习的船舶水尺读数识别方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN114494256A (zh) | 基于图像处理的电线生产缺陷检测方法 | |
CN114882026B (zh) | 基于人工智能的传感器外壳缺陷检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN114863493B (zh) | 一种低质量指纹图像和非指纹图像的检测方法及检测装置 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN112464942A (zh) | 基于计算机视觉的重叠烟叶智能化分级方法 | |
CN115049657A (zh) | 一种玻璃缺陷检测方法 | |
CN109871900A (zh) | 一种基于图像处理的复杂背景下苹果的识别定位方法 | |
CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
CN114299051A (zh) | 基于特征建模显著性检测的皮革材料表面缺陷检测方法 | |
CN114596551A (zh) | 一种车载前视图像裂缝检测的方法 | |
CN114550167B (zh) | 一种基于人工智能的梨的品质分类方法及装置 | |
CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
CN111126162A (zh) | 一种识别图像中炎症细胞的方法、装置及存储介质 | |
CN115100174A (zh) | 一种船舶钣金件漆面缺陷检测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220715 |
|
CF01 | Termination of patent right due to non-payment of annual fee |