CN114677352A - 一种基于统计种子块的病斑烟叶检测方法 - Google Patents

一种基于统计种子块的病斑烟叶检测方法 Download PDF

Info

Publication number
CN114677352A
CN114677352A CN202210307377.6A CN202210307377A CN114677352A CN 114677352 A CN114677352 A CN 114677352A CN 202210307377 A CN202210307377 A CN 202210307377A CN 114677352 A CN114677352 A CN 114677352A
Authority
CN
China
Prior art keywords
block
statistical
seed
blocks
sub
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.)
Pending
Application number
CN202210307377.6A
Other languages
English (en)
Inventor
王孝奇
王素平
刁翠玲
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.)
Henan Qidi Ruishi Intelligent Technology Co ltd
Original Assignee
Henan Qidi Ruishi Intelligent Technology Co ltd
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 Henan Qidi Ruishi Intelligent Technology Co ltd filed Critical Henan Qidi Ruishi Intelligent Technology Co ltd
Priority to CN202210307377.6A priority Critical patent/CN114677352A/zh
Publication of CN114677352A publication Critical patent/CN114677352A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于统计种子块的病斑烟叶检测方法，获取烟叶图像；对烟叶图像计算不同颜色空间阈的统计块；将潜在的斑点统计块进行神经网络高纬度特征分类后，获取斑点检测结果。该发明基于分级后的烟叶进行不同颜色空间阈的数据统计，将该颜色空间阈应用在待检测的烟叶，获取病斑点在烟叶中可能的种子点，根据种子点寻找周围的分布区域块，同时将该分布统计块送入神经网络进行高纬度特征映射，判断是否为斑点烟叶。

Description

一种基于统计种子块的病斑烟叶检测方法
技术领域
本发明涉及烟叶检测领域，尤其是涉及了一种基于统计种子块的病斑烟叶检测方法。
背景技术
烟叶智能分级是指获取烟叶图像后，通过图像检测和识别对烟叶进行分级的方法，该方式大大减少了人工，提高了效率。在烟叶智能分级过程中，需要对烟叶图像检测识别后识别烟叶中的病斑或斑点。目前采用的方式，如采用传统的神经网络图像处理分类方法，又如sobel算子的疵点检测方法，先整张图像求sobel灰度图再分块求每块的非零像素比例，根据比例的大小判断是否为瑕疵点；又如图像污点测量方法，取二值化后的图像中的某一行二值化块作为的污点测量区域，若相邻之间的距离大于阈值范围，则说明是污点。
传统的神经网络分类方法，对成像条件要求高，如亮度要求在很小的范围，且需要整张烟叶输入，准确率和效率较低，还容易导致斑点特征的学习不足，如容易与偏白色烟叶造成误检。采用sobel算子方法，只能应用在图像光滑无图像灰度值明显变化的区域，有明显纹理特征的烟叶则无法使用该算子求取有效灰度图。采用图像污点测量方法，是图像中有固定的二值化块，通过判断二值化块之间的距离，判断是否被污点遮挡；而病斑烟叶的斑点在烟叶中的位置是随机的且大小也是不固定，无法用该方法测量。
发明内容
为了解决背景技术中所存在的问题，本发明提出了一种基于统计种子块的病斑烟叶检测方法。
一种基于统计种子块的病斑烟叶检测方法，获取烟叶图像；对烟叶图像计算不同颜色空间阈的统计块；将潜在的斑点统计块进行神经网络高纬度特征分类后，获取斑点检测结果。
基于上述，获取烟叶图像后，计算并获取烟叶图像基于RGB和HSV六个通道的二值化图，单个通道的二值化图像计算如下
Figure BDA0003566106140000021
其中，src_img表示拍摄的烟叶图像，bin_img表示基于六个颜色通道后的二值化图，h_bin表示h通道的二值化，low_val表示h通道的低阈值，upper_val表示h通道的高阈值，h_img表示h通道的图像。
基于上述，对二值化图像进行像素轮廓面积的计算后，再基于面积进行种子点的位置过滤和寻找，如下
Figure BDA0003566106140000022
其中，dst_counts表示二值化后的种子轮廓，src_counts表示二值图的全体轮廓，remove表示过滤删除该子轮廓，push表示添加该子轮廓，count_area表示该子轮廓的面积，upper_area表示轮廓面积的上阈值，low_area表示轮廓面积的下阈值。
基于上述，获取种子点位置后，在种子点周围八个维度方向进行滑动，块距离为五十个像素值，从而获取潜在的斑点统计块，如下
Figure BDA0003566106140000031
其中，block_imgs(x,y)表示种子点轮廓周围八个维度方向滑动块，block_point表示种子轮廓的中心点，block_left1表示左下向滑动的子块，block_left2表示左向滑动的子块，block_left3表示左上向滑动的子块，block_right1表示右下向滑动的子块，block_right2表示右向滑动的子块，block_right3表示右上向滑动的子块，block_mid1表示上向滑动的子块，block_mid2表示种子点的位置，block_mid3表示下向滑动的子块。
基于上述，获取潜在的斑点统计块后，获取块内白色的阈值幅度，若阈值幅度小于预设阈值则移除该潜在的斑点统计块。
基于上述，将潜在的斑点统计块作为高纬度神经网络的输入，如下
Figure BDA0003566106140000032
其中，block_imgnet_input表示整张图像的潜在统计检测块，imglefts表示左向滑动的块组合，imgrights表示右向滑动的块组合，imgmids表示上下向滑动的块组合。
基于上述，神经网络输出分类后，计算整体的阈值度后即获取斑点检测结果，如下
block_thresh＝Yes(block_imgs)÷length(block_imgs)
其中，block_thresh表示病斑区域的设定阈值，block_imgs表示输入神经网络统计块，yes(block_imgs)表示检测病斑块的数量，length(block_imgs)表示输入神经网络统计块的数量。
本发明相对现有技术具有突出的实质性特点和显著的进步，具体的说，本发明基于分级后的烟叶进行不同颜色空间阈的数据统计，将该颜色空间阈应用在待检测的烟叶，获取病斑点在烟叶中可能的种子点，根据种子点寻找周围的分布区域块，同时将该分布统计块送入神经网络进行高纬度特征映射，判断是否为斑点烟叶。本发明采用统计种子块的方式，有效缓解整张烟叶做神经网络输入准确率低的问题，同时也能缓解白色的烟叶误检斑点的问题。
附图说明
图1是本发明的流程示意图。
图2是本发明烟叶斑点标记示意图，图中方框及框内区域为标记的潜在斑点统计块。
图3是本发明烟叶斑点检测结果示意图，图中粗线方框内区域为标记的烟叶病斑。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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付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。
如图1所示，一种基于统计种子块的病斑烟叶检测方法，获取烟叶图像；对烟叶图像计算不同颜色空间阈的统计块；将潜在的斑点统计块进行神经网络高纬度特征分类后，获取斑点检测结果。
以常规的拍摄方式获取烟叶图像后，对斑点烟叶的检测流程主要分为两大部分：先对烟叶图像计算不同颜色空间阈的统计块，获取到潜在的斑点统计块后，再对潜在的斑点统计块进行神经网络高纬度特征分类，根据分类结果获取检测斑点。
具体的，统计潜在斑点的统计块的具体步骤：
获取烟叶图像后，计算并获取烟叶图像基于RGB和HSV六个通道的二值化图，单个通道的二值化图像计算如下
Figure BDA0003566106140000051
其中，src_img表示拍摄的烟叶图像，bin_img表示基于六个颜色通道后的二值化图，h_bin表示h通道的二值化，low_val表示h通道的低阈值，upper_val表示h通道的高阈值，h_img表示h通道的图像。b通道、g通道、r通道、s通道和v通道的二值化图像，以上式同理可获取。
获取二值化图像后，对二值化图像进行像素轮廓面积的计算，再基于面积进行种子点的位置过滤和寻找，如下
Figure BDA0003566106140000052
其中，dst_counts表示二值化后的种子轮廓，src_counts表示二值图的全体轮廓，remove表示过滤删除该子轮廓，push表示添加该子轮廓，count_area表示该子轮廓的面积，upper_area表示轮廓面积的上阈值，low_area表示轮廓面积的下阈值。
获取种子点位置后，在种子点周围八个维度方向进行滑动，块距离为五十个像素值，从而获取潜在的斑点统计块，如下
Figure BDA0003566106140000061
其中，block_imgs(x,y)表示种子点轮廓周围八个维度方向滑动块，block_point表示种子轮廓的中心点，block_left1表示左下向滑动的子块，block_left2表示左向滑动的子块，block_left3表示左上向滑动的子块，block_right1表示右下向滑动的子块，block_right2表示右向滑动的子块，block_right3表示右上向滑动的子块，block_mid1表示上向滑动的子块，block_mid2表示种子点的位置，block_mid3表示下向滑动的子块。本实施例中以烟叶的部分区域为例，在种子点位置向八个维度方向滑动后，获取的分布区域块即为潜在的斑点统计块，如图2所示。
实际中，在构建不同方向的潜在分布区域块后，需要进一步的过滤筛选，以降低神经网络推导的复杂度，即获取分布区域块内斑点白色的阈值幅度，若阈值幅度小于预设阈值，则移除该分布区域块，也即该分布区域块不作为潜在的斑点统计块；若阈值幅度大于预设阈值，则将该分布区域块作为潜在的斑点统计块。
神经网络高纬度特征分类具体步骤：
将潜在的斑点统计块作为高纬度神经网络的输入，如下
Figure BDA0003566106140000062
其中，block_imgnet_input表示整张图像的潜在统计检测块，imglefts表示左向滑动的块组合，包括左下向滑动的子块、左向滑动的子块和左上向滑动的子块，imgrights表示右向滑动的块组合，包括右下向滑动的子块、右向滑动的子块和右上向滑动的子块，imgmids表示上下向滑动的块组合，包括上向滑动的子块、种子点的位置块和下向滑动的子块。
经过神经网络输出分类后，计算整体的阈值度后即获取斑点检测结果，如下
block_thresh＝Yes(block_imgs)÷length(block_imgs)
其中，block_thresh表示病斑区域的设定阈值，block_imgs表示输入神经网络统计块，yes(block_imgs)表示检测病斑块的数量，length(block_imgs)表示输入神经网络统计块的数量。获取的斑点检测结果如图3所示。
本发明对烟叶图像进行不同颜色空间阈的数据统计，将该颜色空间阈应用在待检测的烟叶，获取病斑点在烟叶中可能的种子点，根据种子点寻找周围的分布区域块，同时将该分布统计块送入神经网络进行高纬度特征映射，判断是否为斑点烟叶。本发明采用统计种子块的方式，有效缓解整张烟叶做神经网络输入准确率低的问题，同时允许成像条件如亮度在较大的范围内波动，有效缓解了白色的烟叶误检斑点的问题
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (7)

1.一种基于统计种子块的病斑烟叶检测方法，其特征在于：
获取烟叶图像；
对烟叶图像计算不同颜色空间阈的统计块；
将潜在的斑点统计块进行神经网络高纬度特征分类后，获取斑点检测结果。
2.根据权利要求1所述的基于统计种子块的病斑烟叶检测方法，其特征在于：获取烟叶图像后，计算并获取烟叶图像基于RGB和HSV六个通道的二值化图，单个通道的二值化图像计算如下
Figure FDA0003566106130000011
其中，src_img表示拍摄的烟叶图像，bin_img表示基于六个颜色通道后的二值化图，h_bin表示h通道的二值化，low_val表示h通道的低阈值，upper_val表示h通道的高阈值，h_img表示h通道的图像。
3.根据权利要求2所述的基于统计种子块的病斑烟叶检测方法，其特征在于：对二值化图像进行像素轮廓面积的计算后，再基于面积进行种子点的位置过滤和寻找，如下
Figure FDA0003566106130000012
其中，dst_counts表示二值化后的种子轮廓，src_counts表示二值图的全体轮廓，remove表示过滤删除该子轮廓，push表示添加该子轮廓，count_area表示该子轮廓的面积，upper_area表示轮廓面积的上阈值，low_area表示轮廓面积的下阈值。
4.根据权利要求3所述的基于统计种子块的病斑烟叶检测方法，其特征在于：获取种子点位置后，在种子点周围八个维度方向进行滑动，块距离为五十个像素值，从而获取潜在的斑点统计块，如下
Figure FDA0003566106130000021
其中，block_imgs(x,y)表示种子点轮廓周围八个维度方向滑动块，block_point表示种子轮廓的中心点，block_left1表示左下向滑动的子块，block_left2表示左向滑动的子块，block_left3表示左上向滑动的子块，block_right1表示右下向滑动的子块，block_right2表示右向滑动的子块，block_right3表示右上向滑动的子块，block_mid1表示上向滑动的子块，block_mid2表示种子点的位置，block_mid3表示下向滑动的子块。
5.根据权利要求4所述的基于统计种子块的病斑烟叶检测方法，其特征在于：获取潜在的斑点统计块后，获取块内白色的阈值幅度，若阈值幅度小于预设阈值则移除该潜在的斑点统计块。
6.根据权利要求5所述的基于统计种子块的病斑烟叶检测方法，其特征在于：将潜在的斑点统计块作为高纬度神经网络的输入，如下
Figure FDA0003566106130000022
其中，block_imgnet_input表示整张图像的潜在统计检测块，imglefts表示左向滑动的块组合，imgrights表示右向滑动的块组合，imgmids表示上下向滑动的块组合。
7.根据权利要求6所述的基于统计种子块的病斑烟叶检测方法，其特征在于：神经网络输出分类后，计算整体的阈值度后即获取斑点检测结果，如下
block_thresh＝Yes(block_imgs)÷length(block_imgs)
其中，block_thresh表示病斑区域的设定阈值，block_imgs表示输入神经网络统计块，yes(block_imgs)表示检测病斑块的数量，length(block_imgs)表示输入神经网络统计块的数量。
CN202210307377.6A 2022-03-25 2022-03-25 一种基于统计种子块的病斑烟叶检测方法 Pending CN114677352A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210307377.6A CN114677352A (zh) 2022-03-25 2022-03-25 一种基于统计种子块的病斑烟叶检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210307377.6A CN114677352A (zh) 2022-03-25 2022-03-25 一种基于统计种子块的病斑烟叶检测方法

Publications (1)

Publication Number Publication Date
CN114677352A true CN114677352A (zh) 2022-06-28

Family

ID=82076165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210307377.6A Pending CN114677352A (zh) 2022-03-25 2022-03-25 一种基于统计种子块的病斑烟叶检测方法

Country Status (1)

Country Link
CN (1) CN114677352A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115376032A (zh) * 2022-10-25 2022-11-22 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) 一种基于图像理解的林业病虫智能识别方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115376032A (zh) * 2022-10-25 2022-11-22 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) 一种基于图像理解的林业病虫智能识别方法及系统

Similar Documents

Publication Publication Date Title
CN111145161B (zh) 一种路面裂缝数字图像处理和识别的方法
CN106651872B (zh) 基于Prewitt算子的路面裂缝识别方法及系统
WO2020224458A1 (zh) 一种基于图像处理的电晕检测方法
CN112419250A (zh) 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法
CN110286124B (zh) 基于机器视觉的耐火砖测量系统
KR101403876B1 (ko) 차량 번호판 인식 방법과 그 장치
CN111260616A (zh) 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法
US10453195B2 (en) Method of detecting tissue area of interest in digital pathology imaging by executing computer-executable instructions stored on a non-transitory computer-readable medium
CN109166125B (zh) 一种基于多边缘融合机制的三维深度图像分割算法
CN114926463B (zh) 一种适用于芯片电路板的生产质量检测方法
CN108629775A (zh) 一种热态高速线材表面图像处理方法
CN106548160A (zh) 一种人脸微笑检测方法
CN108181316B (zh) 一种基于机器视觉的竹条缺陷检测方法
CN109800619B (zh) 成熟期柑橘果实图像识别方法
CN109376740A (zh) 一种基于视频的水尺读数检测方法
CN112215790A (zh) 基于深度学习的ki67指数分析方法
CN115082466B (zh) 一种pcb表面焊点缺陷检测方法及系统
CN113239733B (zh) 一种多车道车道线检测方法
CN107016680B (zh) 一种基于显著性检测的害虫图像背景去除方法
CN114596551A (zh) 一种车载前视图像裂缝检测的方法
CN111753794A (zh) 水果品质分类方法、装置、电子设备及可读存储介质
CN110910394B (zh) 影像模组的解像力测量方法
CN114677352A (zh) 一种基于统计种子块的病斑烟叶检测方法
CN113744326B (zh) 一种在ycrcb颜色空间中基于种子区域生长法则的火灾检测方法
CN115995078A (zh) 一种浮游生物原位观测的图像预处理方法及系统

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